在样本抽样过程中，怎样抽取分布函数的参数是统计学当中比较常用需要的解决方法，这里提供了运用MH算法抽取二元分布函数的两个参数的样本，通过模拟效果还可以。读者，根据自己的需要修改函数和参数即可。

这是 Metropolis Hastings 算法的一个非常简单但功能强大的实现。 该函数的工作方式有点像 Matlab 的“fmincon”，但从参数的后验分布中生成样本。 该算法假设如下： - 高斯加性噪声（方差被积分出来） - 所有参数的统一先验（这可以在代码中轻松更改）

MH算法在参数空间随机取值，作为起始点。按照参数的概率分布生成随机的参数，按照这一系列参数的组合，计算当前点的概率密度。依据当前点和起始点概率密度比值是否大于(0,1)之间的随机数来判断是否保留当前点。若当前点的概率密度大于该随机数，就称这种状态为接受状态，此时，在满足参数概率分布的前提下，继续随机抽取参数的组合，作为下一点，计算下一点的概率密度，并计算下一点概率密度和概率密度的比值，并继续循环。若当前点不能被接受，则继续在满足参数概率分布的前提下，继续生成随机数，作为新的参数组合，直到参数组合能够被接受为止。 文档内有例子和代码以及运行结果

使用matlab完成MH算法示例，主要包括： MH_independence_MixNorm.m；MH_Rayleigh.m；RandomWalkMe_t.m；RayleighSampler.m