本文目录一览：
贝叶斯的mcmc算法怎么在matlab里实现呀 或者gibbs抽样 求代码
MATLAB中只有矩阵和cell，如果是想要在matlab里实现
要取出第r行、第c列的矩阵元素用：A(r,c)
要取出第r行、第c列的cell成员用：A{r,c}
吉布斯抽样是什么
吉布斯采样是生成马尔科夫链的一种方法，生成的马尔科夫链可以用来做蒙特卡洛仿真，从而求得一个较复杂的多元分布。
吉布斯采样的具体做法：假设有一个k维的随机向量，现想要构造一条有n个样本的k维向量（n样本马尔科夫序列），那么（随机）初始化一个k维向量，然后固定这个向量其中的k-1个元素，抽取剩下的那个元素（生成给定后验的随机数），这样循环k次，就把整个向量更新了一遍，也就是生成了一个新的样本，把这个整体重复n次就得到了一条马尔科夫链。
什么是吉布斯采样算法
几个可以学习gibbs sampling的方法
1，读Bishop的Pattern Recognition and Machine Learning，讲的很清楚，但是我记得好像没有例子。
2，读artificial Intelligence，2、3版，都有。但是我没读过。
3，最方便的，查wiki，这个说的最清楚。
这里通俗点的解释一下。首先，什么是sampling。sampling就是以一定的概率分布，看发生什么事件。举一个例子。甲只能E：吃饭、学习、打球，时间T：上午、下午、晚上，天气W：晴朗、刮风、下雨。现在要一个sample，这个sample可以是：打球+下午+晴朗。。。
问题是我们不知道p(E,T,W)，或者说，不知道三件事的联合分布。当然，如果知道的话，就没有必要用gibbs sampling了。但是，我们知道三件事的conditional distribution。也就是说，p(E|T,W),p(T|E,W),p(W|E,T)。现在要做的就是通过这三个已知的条件分布，再用gibbs sampling的方法，得到joint distribution。
具体方法。首先随便初始化一个组合,i.e. 学习+晚上+刮风，然后依条件概率改变其中的一个变量。具体说，假设我们知道晚上+刮风，我们给E生成一个变量，比如，学习-》吃饭。我们再依条件概率改下一个变量，根据学习+刮风，把晚上变成上午。类似地，把刮风变成刮风（当然可以变成相同的变量）。这样学习+晚上+刮风-》吃饭+上午+刮风。
同样的方法，得到一个序列，每个单元包含三个变量，也就是一个马尔可夫链。然后跳过初始的一定数量的单元（比如100个），然后隔一定的数量取一个单元（比如隔20个取1个）。这样sample到的单元，是逼近联合分布的。
我也是刚wiki到的，可能不完全正确，欢迎讨论：
zhangshiqihit@yahoo.com.cn
gibbs抽样的英文
Examples show that the results obtained using laplace method are very close to that obtained using gibbs samppng method
实例表明通过laplace方法得到的估计与利用 gibbs抽样 方法得到的参数的bayes估计很接近。
For example , to the general models such as follows : with the apppcation of the serial important function and the gibbs algorithms in mcmc methods , i give some results in the choice of the important function and how to use the gibbs algorithms in the forecasting of the models
例如，对于如下一般模型：分别应用序列重要抽样的方法和mcmc方法中的 gibbs抽样 算法对上述模型作预测，并且对于重要函数的选取和抽样的可行性提出了几个结论。
