การชักตัวอย่างแบบ Importance Sampling — การลดความแปรปรวนสำหรับเหตุการณ์ที่หายาก
การชักตัวอย่างแบบ Importance sampling เป็นเทคนิคการลดความแปรปรวนแบบมอนติคาร์โลที่เปลี่ยนการแจกแจงการชักตัวอย่างไปยังบริเวณที่สนใจ ซึ่งโดยทั่วไปคือเหตุการณ์ที่หายากหรือสุดขีด เพื่อให้ได้ตัวอย่างที่ให้ข้อมูลบ่อยกว่าภายใต้การแจกแจงดั้งเดิม เทคนิคนี้พัฒนาขึ้นที่ RAND Corporation โดย Herman Kahn และ Theodore Harris ประมาณปี 1951 ทำให้การประมาณค่าความน่าจะเป็นของส่วนหาง (เช่น Value-at-Risk หรือความน่าจะเป็นของความล้มเหลวของระบบ) สามารถทำได้จริง ในขณะที่วิธีมอนติคาร์โลแบบมาตรฐานจะต้องใช้จำนวนครั้งในการรันที่มากมหาศาล
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Rubinstein, R.Y. & Kroese, D.P. (2016). Simulation and the Monte Carlo Method (3rd ed.). Wiley. DOI: 10.1002/9781118631980 ↗
- Glasserman, P. (2003). Monte Carlo Methods in Financial Engineering. Springer. DOI: 10.1007/978-0-387-21617-1 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). Importance Sampling (Variance Reduction Monte Carlo). ScholarGate. https://scholargate.app/th/simulation/importance-sampling
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- ทฤษฎีค่าสุดขีด (Extreme Value Theory: EVT)การเงิน↔ compare
- การสุ่มตัวอย่างแบบละตินไฮเปอร์คิวบ์การจำลอง↔ compare
- การจำลองแบบมอนติคาร์โลการตัดสินใจ↔ compare
- การสุ่มแบบแบ่งชั้นระเบียบวิธีสำรวจ↔ compare
- มูลค่าความเสี่ยงการเงิน↔ compare