1、随机模拟
随机模拟方法有一个很酷的别名是蒙特卡罗方法。这个方法的发展始于20世纪40年代。
统计模拟中有一个很重要的问题就是给定一个概率分布p(x),我们如何在计算机中生成它的样本，一般而言均匀分布的样本是相对容易生成的，通过线性同余发生器可以生成伪随机数，我们用确定性算法生成[0,1]之间的伪随机数序列后，这些序列的各种统计指标和均匀分布Uniform(0,1)的理论计算结果非常接近，这样的伪随机序列就有比较好的统计性质，可以被当成真实的随机数使用。
而我们常见的概率分布，无论是连续的还是离散的分布，都可以基于Uniform(0, 1) 的样本生成，比如正态分布可以通过著名的 Box-Muller变换得到。其他几个著名的连续分布，包括指数分布，Gamma分布，t分布等，都可以通过类似的数学变换得到，不过我们并不是总这么幸运的，当p(x)的形式很复杂，或者p(x)是个高维分布的时候，样本的生成就可能很困难了，此时需要一些更加复杂的随机模拟方法来生成样本，比如MCMC方法和Gibbs采样方法，不过在了解这些方法之前，我们需要首先了解一下马尔可夫链及其平稳分布。
2、马尔可夫链
马尔可夫链通俗说就是根据一个转移概率矩阵去转移的随机过程（马尔可夫过程），该随机过程在PageRank算法中也有使用，如下图所示：
通俗解释的话，这里的每个圆环代表一个岛屿，比如i到j的概率是pij，每个节点的出度概率之和=1，现在假设要根据这个图去转移，首先我们要把这个图翻译成如下的矩阵：
上面的矩阵就是状态转移矩阵，我身处的位置用一个向量表示π=(i,k,j,l)假设我第一次的位置位于i岛屿，即π0=(1,0,0,0)，第一次转移，我们用π0乘上状态转移矩阵P，也就是π1 = π0 * P = [pii,pij,pik,pil],也就是说，我们有pii的可能性留在原来的岛屿i，有pij的可能性到达岛屿j...第二次转移是，以第一次的位置为基础的到π2 = π1 * P，依次类推下去。
有那么一种情况，我的位置向量在若干次转移后达到了一个稳定的状态，再转移π向量也不变化了，这个状态称之为平稳分布状态π*(stationary distribution)，这个情况需要满足一个重要的条件，就是Detailed Balance。
那么什么是Detailed Balance呢？
假设我们构造如下的转移矩阵：
再假设我们的初始向量为π0=(1,0,0)，转移1000次以后达到了平稳状态(0.625,0.3125,0.0625)。
所谓的Detailed Balance就是，在平稳状态中：
我们用这个式子验证一下 x条件是否满足：
可以看到Detailed Balance成立。
有了Detailed Balance，马尔可夫链会收敛到平稳分布状态(stationary distribution)。
为什么满足了Detailed Balance条件之后，我们的马尔可夫链就会收敛呢？下面的式子给出了答案：
下一个状态是j的概率，等于从各个状态转移到j的概率之和，在经过Detailed Balance条件变换之后，我们发现下一个状态是j刚好等于当前状态是j的概率，所以马尔可夫链就收敛了。
3、Markov Chain Monte Carlo
对于给定的概率分布p(x),我们希望能有便捷的方式生成它对应的样本，由于马尔可夫链能够收敛到平稳分布，于是一个很漂亮的想法是：如果我们能构造一个转移矩阵伪P的马尔可夫链，使得该马尔可夫链的平稳分布恰好是p(x),那么我们从任何一个初始状态x0出发沿着马尔可夫链转移，得到一个转移序列x0，x1，x2，....xn,xn+1,如果马尔可夫链在第n步已经收敛了，于是我们就得到了p(x)的样本xn，xn+1....
好了，有了这样的思想，我们怎么才能构造一个转移矩阵，使得马尔可夫链最终能收敛即平稳分布恰好是我们想要的分布p(x)呢？我们主要使用的还是我们的细致平稳条件（Detailed Balance），再来回顾一下：
假设我们已经又一个转移矩阵为Q的马尔可夫链(q(i,j)表示从状态i转移到状态j的概率),显然通常情况下：
也就是细致平稳条件不成立，所以p(x)不太可能是这个马尔可夫链的平稳分布，我们可否对马尔可夫链做一个改造，使得细致平稳条件成立呢？比如我们引入一个α(i,j)，从而使得：
那么问题又来了，取什么样的α(i,j)可以使上等式成立呢？最简单的，按照对称性：
于是灯饰就成立了，所以有：
于是我们把原来具有转移矩阵Q的一个很普通的马尔可夫链，改造为了具有转移矩阵Q'的马尔可夫链，而Q'恰好满足细致平稳条件，由此马尔可夫链Q'的平稳分布就是p(x)!
在改造Q的过程中引入的α(i,j)称为接受率，物理意义可以理解为在原来的马尔可夫链上，从状态i以q(i,j)的概率跳转到状态j的时候，我们以α(i,j)的概率接受这个转移，于是得到新的马尔可夫链Q'的转移概率q(i,j)α(i,j)。
假设我们已经又一个转移矩阵Q，对应的元素为q(i,j)，把上面的过程整理一下，我们就得到了如下的用于采样概率分布p(x)的算法：
以上的MCMC算法已经做了很漂亮的工作了，不过它有一个小问题，马尔可夫链Q在转移的过程中接受率α(i,j)可能偏小，这样采样的话容易在原地踏步，拒绝大量的跳转，这是的马尔可夫链便利所有的状态空间要花费太长的时间，收敛到平稳分布p(x)的速度太慢，有没有办法提升一些接受率呢？当然有办法，把α(i,j)和α(j,i)同比例放大，不打破细致平稳条件就好了呀，但是我们又不能无限的放大，我们可以使得上面两个数中最大的一个放大到1，这样我们就提高了采样中的跳转接受率，我们取：
于是经过这么微小的改造，我们就得到了Metropolis-Hastings算法，该算法的步骤如下：
4、Gibbs采样
对于高维的情形，由于接受率的存在，Metropolis-Hastings算法的效率不够高，能否找到一个转移矩阵Q使得接受率α=1呢？我们从二维的情形入手，假设有一个概率分布p(x,y)，考察x坐标相同的两个点A(x1,y1) ,B(x1,y2)，我们发现：
基于以上等式，我们发现，在x=x1这条平行于y轴的直线上，如果使用条件分布p(y|x1)作为任何两个点之间的转移概率，那么任何两个点之间的转移满足细致平稳条件，同样的，在y=y1这条平行于x轴的直线上，如果使用条件分布p(x|y1) 作为，那么任何两个点之间的转移也满足细致平稳条件。于是我们可以构造平面上任意两点之间的转移概率矩阵Q：
有了上面的转移矩阵Q，我们很容易验证对平面上任意两点X，Y，满足细致平稳条件：
于是这个二维空间上的马尔可夫链将收敛到平稳分布p(x,y)，而这个算法就称为Gibbs Sampling算法，由物理学家Gibbs首先给出的：
由二维的情形我们很容易推广到高维的情形：
所以高维空间中的GIbbs 采样算法如下：
