La varianza del estimador en el muestreo de importancia sigue reduciéndose en proporción inversa al número de valores utilizados en la simulación (suponiendo que la varianza sea finita). En el muestreo de importancia, estimamos una cantidad de momento $\mu \equiv \mathbb{E}(h(X))$ con $X \sim f$ generando un conjunto de variables aleatorias $Y_1,Y_2,...,Y_m \sim \text{IID }g$ y utilizando el estimador:
$$\hat{\mu}_m \equiv \frac{1}{m} \sum_{i=1}^m \frac{h(Y_i) f(Y_i)}{g(Y_i)}.$$
Con un poco de álgebra (véase más adelante) se puede hallar que la varianza del estimador es:
$$\mathbb{V}(\hat{\mu}_m) = \frac{1}{m} \bigg[ \mathbb{E} \bigg( h(X)^2 \cdot \frac{f(X)}{g(X)} \bigg) - \mathbb{E}(h(X))^2 \bigg].$$
Como puede ver, esta cantidad sigue siendo proporcional a $1/m$ (suponiendo que esta varianza sea finita), por lo que la mecánica de gran simulación de este método sigue siendo esencialmente la misma que en el caso no ponderado.
Derivación de la varianza del estimador: Escribe el estimador como:
$$\hat{\mu}_m = \frac{1}{m} \sum_{i=1}^m \varepsilon(Y_i) \quad \quad \quad \quad \quad \varepsilon (y) \equiv \frac{h(y) f(y)}{g(y)}.$$
Dado que cada uno de estos términos es un estimador insesgado del momento de interés, tienen varianza:
$$\begin{align} \mathbb{V}(\varepsilon(Y_i)) = \mathbb{E}(\varepsilon(Y_i)^2) - \mu^2 &= \mathbb{E} \bigg( \bigg( \frac{h(Y_i) f(Y_i)}{g(Y_i)} \bigg)^2 \bigg) - \mu^2 \\[6pt] &= \int \limits_\mathbb{R} \bigg( \frac{h(y) f(y)}{g(y)} \bigg)^2 g(y) \ dy - \mu^2 \\[6pt] &= \int \limits_\mathbb{R} \frac{h(x)^2 f(x)}{g(x)} f(x) \ dx - \mu^2 \\[6pt] &= \mathbb{E} \bigg( h(X)^2 \cdot \frac{f(X)}{g(X)} \bigg) - \mathbb{E}(h(X))^2 \\[6pt] \end{align}$$
Entonces tenemos:
$$\begin{align} \mathbb{V}(\hat{\mu}_m) &= \mathbb{V} \bigg( \frac{1}{m} \sum_{i=1}^m \varepsilon(Y_i) \bigg) \\[6pt] &= \frac{1}{m^2} \sum_{i=1}^m \mathbb{V} ( \varepsilon(Y_i) ) \\[6pt] &= \frac{1}{m^2} \sum_{i=1}^m \bigg[ \mathbb{E} \bigg( h(X)^2 \cdot \frac{f(X)}{g(X)} \bigg) - \mathbb{E}(h(X))^2 \bigg] \\[6pt] &= \frac{1}{m} \bigg[ \mathbb{E} \bigg( h(X)^2 \cdot \frac{f(X)}{g(X)} \bigg) - \mathbb{E}(h(X))^2 \bigg]. \\[6pt] \end{align}$$