Estimación eficiente de eventos raros para la fiabilidad de sistemas multimodales y de alta dimensión mediante muestreo adaptativo por subconjuntos de importancia

La estimación de eventos raros en sistemas complejos es un desafío clave en el análisis de fiabilidad. El reto aumenta en problemas multimodales, donde los métodos tradicionales a menudo dependen de un pequeño conjunto de puntos de diseño y corren el riesgo de pasar por alto modos críticos de falla. Además, las dimensiones más altas dificultan capturar la masa de probabilidad y requieren tamaños de muestra sustancialmente mayores para estimar fallas. En este trabajo, proponemos una nueva estrategia de muestreo, el muestreo adaptativo por importancia por subconjuntos (SAIS), que combina las fortalezas de la simulación por subconjuntos y el muestreo adaptativo de importancia múltiple. SAIS refina iterativamente un conjunto de distribuciones propuestas usando muestras ponderadas de etapas previas, explorando eficientemente regiones de falla complejas y de alta dimensión. Aprovechando avances recientes en muestreo adaptativo de importancia, SAIS produce estimaciones de baja varianza utilizando menos muestras que los métodos de última generación y logra mejoras significativas tanto en precisión como en coste computacional. A través de una serie de problemas de referencia que involucran funciones de rendimiento no lineales, de alta dimensión y escenarios multimodales, demostramos que SAIS supera consistentemente a métodos competidores al captar diversos modos de falla y estimar probabilidades de falla con alta precisión.