采样方法
在不会产生歧义的条件下，这里不对“采样”和“取样（抽样）”两个概念加以明确区分。事实上，以下多处用到的“采样”一词实际上指“抽样”，作为习惯，仍保留这种叫法。
对于给定的概率分布\(p(\mathbf{z})\)，我们希望计算定义在该分布上的函数\(f(\mathbf{z})\)的期望，即
\[\mathbb{E}[f]=\int f(\mathbf{z})p(\mathbf{z}){\rm{d}}\mathbf{z},\]
这里\(f(\mathbf{z})\)也是随机变量。为了简化计算，按概率分布\(p(\mathbf{z})\)进行\(L\)次随机取样得到样本\(\mathbf{z}^{(l)}\)，\(l=1,...,L\),从而对\(f\)的期望估计为
\[\hat{f}=\frac{1}{L}\sum_{l=1}^L{f(\mathbf{z}^{(l)})},\]
这里\(\hat{f}\)是统计量（当然也是随机变量），容易看出\(\hat{f}\)是\(\mathbb{E}[f]\)的无偏估计，即满足\(\mathbb{E}[\hat{f}]=\mathbb{E}[f]\)。该统计量的方差为
\[\text{var}[\hat{f}]=\frac{1}{L}\mathbb{E}\left[(f-\mathbb{E}[f])^2\right],\]
对于没有已观测结点的有向图，可以使用祖先采样(ancestral)方法；而对于存在已观测结点的有向图，其后验概率可以使用逻辑采样(logic)方法（作为重要性采样(importance)的特例）。
无向图的采样稍微复杂一些，可使用Gibbs采样方法。