L'échantillonnage préférentiel est l'une des méthodes de réduction de variance les plus populaires pour l'estimation de quantités de la forme $\mathbb{E}_{X\sim \mathbf{p}}\left[\varphi(X) \right]$. Déterminer une distribution d'importance efficace est cependant notoirement délicat en grande dimension. Un cas typique de grande dimension, pourtant relativement peu traité, est celui où $X$ ne représente pas un vecteur mais la trajectoire d'un processus stochastique. Nous avons en tête l'évaluation de la fiabilité de systèmes industriels complexes dont le fonctionnement est modélisé par des processus stochastiques. Nous proposons une nouvelle famille de distributions d'importance adaptées à la simulation d'événements rares pour des processus de Markov non-diffusifs, c'est-à-dire des processus de Markov déterministes par morceaux (abrégés PDMPs). Ces processus évoluent selon des équations différentielles déterministes dont les paramètres sont soumis à des sauts aléatoires. La distribution d'importance optimale pour ces PDMPs est caractérisée par la fonction dite ``committor" du processus. Celle-ci associe à toute trajectoire partielle du PDMP, la probabilité que la trajectoire complète réalise l'évènement d'intérêt sachant son passé. Notre méthodologie s'articule en trois phases. On approxime d'abord notre PDMP par une marche aléatoire homogène sur un graphe pour laquelle on peut calculer explicitement des temps moyens d'atteinte. On construit ensuite une famille d'approximations de la fonction committor à partir de ces temps d'atteinte. Enfin, on détermine séquentiellement un bon candidat au sein de cette famille (et par conséquent une densité d'importance efficace) en minimisant un critère d'entropie croisée.