资 源 简 介
应用背景通过Metropolis-Hasting算法，用最基本的均匀等概分部实现任意的随机变量的概率分布的样本，随着实验次数的增多，样本点的分布就能越来越趋近于真实的随机变量分布。关键技术
1)选择一个不可约MC转移矩阵Q(i,j) = Pr(i->j)，；随机选取初始状态;
2)let n = 1, X[n] = k;
3)生成随机数X，such that P(X = j) = q(X[n], j);
4)如果U<(b(X)q(X,X[N]))/(b(X[n]q(X[n],X)), 则选择 NS = X，否则选择 NS = X[n];
5)n = n + 1, X[n] = NS;
6)go to 3)
