蒙地卡羅
計便要估計一個量G ,個量攞積分形式表示:

本例考慮積分喺一維,不過都推廣得,到任何維度。
蒙地卡羅基本原理係,捉上高隻積分睇成

其中X係隨機變量,均勻分佈喺 [ a;b ] 上嘅,而且
係佢隻密度。
如果有樣本
, 獨立同分佈 (iid) ,根據
,憑下式就估計得到G:

隻係隻估計量畀G,係無偏(即,
) 又一致(根據大數定律 )嘅。佢方差係:

其中
係方差畀隨機變量
優惠抽樣原理
優惠抽樣嘅主要思想係喺模擬入便換走喺
上嘅均勻密度,變成一隻替代密度(或者講係biaisée密度),隻表示成
、嘗試去模仿隻函數g嘅。噉樣就取代得隻均勻抽樣冇偏向到任何埞方嘅,成為「可信」多尐嘅抽樣。因此,抽樣係根據函數g嘅重要性来:喺g嘸顯著嘅區柵抽樣冇乜意義,相反要專注喺啲高重要性嘅區柵。噉樣做來希望到減少得到隻方差
。即係如果畀有誤差水平係固定嘅,相較經典嘅蒙特卡羅方法,理論上來講優惠抽樣減少得模擬次數 N。
改寫隻要估計嘅積分,改成:

相當於:
![{\displaystyle G=\mathbb {E} ^{\ast }[w(X)]}](//wikimedia.org/api/rest_v1/media/math/render/svg/0c0ba4c3059a7c0132c3a3347b138c00445b9b00)
其中
(喊做似然比),其中X係模擬跟密度
來。好容易推廣上高結果:估計量G係

其中
係一串獨立同分佈嘅樣本,根據密度
來嘅。方差畀隻估計量係攞下式得出:
![{\displaystyle {\mbox{Var}}^{\ast }({\tilde {g}}_{N})={\frac {{\mbox{Var}}^{\ast }[w(X)]}{N}}}](//wikimedia.org/api/rest_v1/media/math/render/svg/a7f9a9ca823d5965e369c874523a8346eded732a)
最後有:
![{\displaystyle {\mbox{Var}}^{\ast }[w(X)]={\mbox{Var}}^{\ast }\left[{\frac {g(X)}{f^{\ast }(X)}}\right]=\int _{a}^{b}\left[{\frac {g(x)}{f^{\ast }(x)}}\right]^{2}f^{\ast }(x)\,{\mbox{d}}x-G^{2}}](//wikimedia.org/api/rest_v1/media/math/render/svg/3b34526c01a8ef5462bc89320d9d87622faa4d10)
因此,問題係專注喺攞到一隻有偏密度
等隻方差畀 EP 估計量要細過隻方差畀經典嘅蒙特卡洛方法。隻密度、最細化到隻方差嘅(噻啲條件下最細化到零),喊做最啱嘅偏置密度,後者等於:

之不過種揀選係冇效用嘅,因為我哋揾緊嘅係分母。但係,可以期待透過揀選密度
來減少方差,再現隻函數g 。
Quasi蒙地卡羅
要估計積分
,都可以慳丟前面所有啲概率形式。嘸使隨機變量,我哋可以使啲序列係低差異嘅(譬如 Sobol 序列)。考慮維度 1,最簡單嘅方法係:

同通常嘅蒙特卡洛一樣,函數g接近常數嘅話,種近似畀積分就收斂得快多尐。如果g係嚴格嘅常數,係噉定 N = 1 就攞得到精確嘅積分。因此,減少方差畀g都好重要;為達成個目標,使用優惠抽樣就要似下式噉:

其中更改到變量y = F ( x ) ,藉由
。好明顯,如果
,噉隻函數喺右便等待積分嘅就接近常數1(並因此方差低)。
為了建立聯繫畀上節啲概率解釋,我哋留意到
係着定義成一隻因子K,隻會消失喺隻商附近嘅。因此,可以強行定
,等佢成為 [a, b] 上嘅概率密度。然之後變量嘅變化就得自然解釋成為概率嘅變化,因此有簡化 :

種技巧都立即推廣得,到任何維度。