Échantillonnage important : Monte Carlo Estimation

Cette séance de cours introduit le concept d'échantillonnage important, une technique largement utilisée dans la réduction de la variance. L'instructeur explique comment calculer les valeurs attendues des variables de sortie en modifiant la distribution à partir de laquelle les échantillons sont tirés. L'idée clé est d'utiliser une nouvelle distribution, G, pour échantillonner, améliorant l'efficacité des estimateurs Monte Carlo. La séance de cours couvre l'importance du rapport de vraisemblance, les conditions de sélection d'un G approprié et les stratégies de construction de G dans la pratique. L'instructeur discute également de l'optimisation de G pour minimiser la variance de l'estimateur, en soulignant les défis et les approches potentielles pour trouver la distribution optimale. La séance de cours se termine par une discussion sur les approches itératives pour affiner l'estimation du paramètre optimal thêta, soulignant l'importance d'améliorer de manière adaptative la stratégie d'échantillonnage.