最近在阅读一本书Introducing Monte Carlo Methods with R，这本书主要的目的就是使用R这个语言来介绍蒙特卡洛方法，希望能借这个机会彻底弄懂蒙特卡洛法。
现在看到第二章，主要的内容就是如何使用均匀分布来生成所有其他我们想要的分布，其实类似的内容我已经在Pattern Recognition and Machine Learning中看到过的，
方法如下：
- Inverse Transform Method
- General Transformation Method
- Accept-Reject Method
Inverse Transform Method: 对于一个具有概率密度ƒ的分布来说，它的cdf函数F(X)是一个0～1区间的均匀分布，然后一个定理就是：对某个概率分布的cdf函数F求
逆，所获得的结果符合原来随机变量的概率密度。下面来定义一个cdf函数F(X)的求逆操作：
因此如果我们能获得显式的cdf函数，那么就可以从均匀分布获得这个cdf函数所对应的概率密度函数。
General Transformation Method: 有些概率分布之间存在一定的简单关系，比如n个a概率分布的相加，所获得结果符合概率密度b分布，这样我们就可以使用这种特性
来使用简单的概率分布获得复杂的概率分布。
Accept-Reject Method: 上面的方法都是有自己的局限的，对于Inverse Transform Method来说，并不是所有的概率分布的cdf都能显式表示成函数形式的。对于General
Transformation Method来说，有些非标准的概率分布不能用这种方法获得，但是Accept-Reject Method就可以克服以上方法的局限性，模拟任意概率分布（前提是存在
一个简单的概率分布g）。需要满足的条件包括以下几个：
- 当f(x)大于0的时候，g(x)也必须大于0
- 对于所有的x，{f(x)/g(x)} 小于等于 M 恒成立。
因此Accept-Reject方法如下，首先产生一个y，符合概率分布g，然后再产生一个u，属于0～1区间的均匀分布，如果满足如下关系，则接受y，否则重新开始。
对于这个方法来说有以下几点需要注意：
- 这个方法需要ƒ和M，对于归一化常量则没有要求
- 这个方法不需要M非常的精确，可以稍微大一点，或者很多。但是问题是任意一个y被接受的概率是1/M，因此在可能的情况下，M越小越好。