[Bayes] Hist & line: Reject Sampling and Importance Sampling

吻合度蛮高，但不光滑。

> L=
> K=/
> x=runif(L)
> ind=(runif(L)<(*x*(-x)^/K))
> hist(x[ind],probability=T,
+      xlab="x",ylab="Density",main="")

/* 应用了平滑数据的核函数 */
> d=density(x[ind],from=,to=)　　// 只对标记为true的x做统计 --> 核密度估计
> lines(d,col=)　　// (BLUE)

> xx=seq(,,length=)
> lines(xx,*xx*(-xx)^,lwd=,col=)　　//lwd: line width, col: color number (Red)

API DOC: https://stat.ethz.ch/R-manual/R-devel/library/stats/html/density.html

参见：

http://blog.csdn.net/yuanxing14/article/details/41948485 基于核函数的目标跟踪算法 （貌似淘汰的技术）

https://www.zhihu.com/question/27301358/answer/105267357?from=profile_answer_card

Importance Sampling (Green line) 更为光滑:

> L=
> K=/
> x=runif(L)
> ind=(runif(L)<(*x*(-x)^/K))
> hist(x[ind],probability=T, xlab="x",ylab="Density",main="")
>
> d=density(x[ind],from=,to=)
> lines(d,col=)
>
> y=runif(L)
> w=*y*(-y)^3　　　　　　　　　　　　　　 // 可见，权重大小与实际分布吻合。
> W=w/sum(w)　　　　　　　　　　　　　　　　  // 每个x轴的sample point的权重值W。
> d=density(y,weights=W,from=,to=)
> lines(d,col=)
>
> xx=seq(,,length=)
> lines(xx,*xx*(-xx)^,lwd=,col=)

无论是拒绝抽样还是重要性采样，都是属于独立采样，即样本与样本之间是独立无关的，这样的采样效率比较低，

如拒绝采样，所抽取的样本中有很大部分是无效的，这样效率就比较低，MCMC方法是关联采样，即下一个样本与这个样本有关系，从而使得采样效率高。

[Bayes] dchisq: Metropolis-Hastings Algorithm

[Bayes] Metroplis Algorithm --> Gibbs Sampling