Adaptive importance sampling Monte Carlo simulation for general multivariate probability laws

ما یک روش کاهش ضریب واریانس نمونه گیری را برای قوانین احتمالی چند متغیره ایجاد می کنیم. استفاده از اصل توزیع دور زدن باعث می شود که الگوریتم های سازگاری بدون تکیه بر خصوصیات خاصی از قوانین هدف و پیشنهاد، که هر دو در چارچوب پیشنهادی به طور کلی به عنوان قانون یکنواخت در هیپرگس واحد، بدون تغییر توزیع نمونه در هر تکرار ما استاندارد عددی برآورد کننده میانگین مطلوب و پارامتر نمونه گیری اهمیت را به عنوان تعدادی از مشاهدات به بی نهایت می رسیم. اگرچه پیاده سازی روش پیشنهادی نیاز به مقدار کمی از کار اولیه دارد، اما این پتانسیل را دارد که بهبود قابل توجهی در کارایی برآوردگر در تنظیمات کلی تنظیمات عمومی انجام دهد. برای نشان دادن کاربرد و اثربخشی، ما نتایج عددی را در سراسر ارائه می دهیم، که در آن اعمال توزیع های ضریب نفوذ و عادی را اعمال می کنیم، و همچنین نشان می دهد که فرمولاسیون نمونه گیری اهمیت سازگار در ادبیات به راحتی می تواند در چارچوب پیشنهادی بازنویسی شود.