吉布斯采样的通俗解释
Gibbs Sampling 就是以一定的概率分布，看发生什么事件。
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 joint distribution。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，得到联合分布。
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。
二维吉布斯采样算法
吉布斯采样算法中右边的条件概率我们是知道的，例如你要采样的是二维高斯分布，那么固定xt后就是二维高斯分布固定xt后的一维高斯分布，且每次采样的坐标不同，这样这个一维高斯分布概率密度函数也就不一样了。
======================================================================
======================================================================
======================================================================
======================================================================
From
https://blog.csdn.net/wydbyxr/article/details/83212740
https://baike.baidu.com/item/%E5%90%89%E5%B8%83%E6%96%AF%E9%87%87%E6%A0%B7/22660772?fr=aladdin