蒙特·卡罗方法(Monte Carlo method)也称统计模拟方法，通过重复随机采样模拟对象的概率与统计的问题，在物理、化学、经济学和信息技术领域均具有广泛应用。拒绝采样(reject sampling)就是针对复杂问题的一种随机采样方法。
  首先举一个简单的例子介绍Monte Carlo方法的思想。假设要估计圆周率$\pi$的值，选取一个边长为1的正方形，在正方形内作一个内切圆，那么我们可以计算得出，圆的面积与正方形面积之比为$\pi/4$。现在在正方形内随机生成大量的点，如图1所示，落在圆形区域内的点标记为红色，在圆形区域之外的点标记为蓝色，那么圆形区域内的点的个数与所有点的个数之比，可以认为近似等于$\pi/4$。因此，Monte Carlo方法是通过随机采样的方式，以频率估计概率。

图1 Monte Carlo方法估计 $\pi$的值

  简单分布的采样，如均匀分布、高斯分布、Gamma分布等，在计算机中都已经实现，但是对于复杂问题的采样，就需要采取一些策略， 拒绝采样就是一种基本的采样策略，其采样过程如下。
  给定一个概率分布 $p(z)=\frac{1}{Z_p} \tilde{p}(z)$，其中， $\tilde{p}(z)$已知， $Z_p$为归一化常数，未知。要对该分布进行拒绝采样，首先借用一个简单的参考分布(proposal distribution)，记为 $q(x)$，该分布的采样易于实现，如均匀分布、高斯分布。然后引入常数 $k$，使得对所有的的$z$，满足 $kq(z)\geq\tilde{p}(z)$，如图2所示，红色的曲线为 $\tilde{p}(z)$，蓝色的曲线为 $kq(z)$。在每次采样中，首先从 $q(z)$采样一个数值 $z_0$，然后在区间 $[0,kq(z_0)]$进行均匀采样，得到 $u_0$。如果 $u_0<\tilde{p}(z_0)$，则保留该采样值，否则舍弃该采样值。最后得到的数据就是对该分布的一个近似采样。


图2 拒绝采样示例

  每次采样的接受概率计算如下：
   $p(accept)=\displaystyle\int{\dfrac{\tilde{p}(z)}{kq(z)}}q(z)dz = \dfrac{1}{k} \int{\tilde{p}(z)}dz$
所以，为了提高接受概率，防止舍弃过多的采样值而导致采样效率低下， $k$的选取应该在满足$kq(z)\geq\tilde{p}(z)$的基础上尽可能小。

  拒绝采样问题可以这样理解，$\tilde{p}(z)$与$x$轴之间的区域为要估计的问题，类似于上面提到Monte Carlo方法中的圆形区域，$kq(z)$与$x$轴之间的区域为参考区域，类似于上面提到的正方形。由于$kq(z)$与$x$轴之间的区域面积为k，所以，$\tilde{p}(z)$与$x$轴之间的区域面积除以k即为对$p(z)$的估计。在每一个采样点，以$[0,kq(z_0)]$为界限，落在$\tilde{p}(z)$曲线以下的点就是服从$p(z)$分布的点。
  针对图2的例子，我们对其进行拒绝采样。图中，要采样的分布为
  $\tilde{p}(z)=0.3exp(-(z-0.3)^2)+0.7exp(-(z-2)^2/0.3)$
其归一化常数$Z_p \approx 1.2113$,参考分布为高斯分布$q(z)=Gassian(1.4,1.2)$，其中均值和方差是经过计算和尝试得到的，以满足$kq(z)\geq\tilde{p}(z)$，贴上python代码。

import numpy as np
import matplotlib.pyplot as plt

def f1(x):
    return (0.3*np.exp(-(x-0.3)**2) + 0.7* np.exp(-(x-2.)**2/0.3))/1.2113
x = np.arange(-4.,6.,0.01)
plt.plot(x,f1(x),color = "red")

size = int(1e+07)
sigma = 1.2
z = np.random.normal(loc = 1.4,scale = sigma, size = size)
qz = 1/(np.sqrt(2*np.pi)*sigma)*np.exp(-0.5*(z-1.4)**2/sigma**2)
k = 2.5
#z = np.random.uniform(low = -4, high = 6, size = size)
#qz = 0.1
#k = 10
u = np.random.uniform(low = 0, high = k*qz, size = size)

pz =  0.3*np.exp(-(z-0.3)**2) + 0.7* np.exp(-(z-2.)**2/0.3)
sample = z[pz >= u]
plt.hist(sample,bins=150, normed=True, edgecolor='black')
plt.show()

得到的采样分布如下图：

可以看到，采样结果完全符合原分布。另外把参考分布换为均匀分布(代码中z,q,k换为注释部分)，仍然得到较好的采样结果，如下图:

  最后附上生成图2的代码

import numpy as np
import matplotlib.pyplot as plt

def f1(x):
    return 0.3*np.exp(-(x-0.3)**2) + 0.7* np.exp(-(x-2.)**2/0.3)
def f2(x):
    sigma =1.2
    return 2.5/(np.sqrt(2*np.pi)*sigma)*np.exp(-0.5*(x-1.4)**2/sigma**2)
x = np.arange(-4.,6.,0.01)

plt.plot(x,f1(x),color = "red")
plt.plot(x,f2(x),color = "blue")
plt.xticks([])
plt.yticks([])
plt.ylim(0,0.9)
plt.xlim(-4,6)
plt.plot([0.3,0.3],[0,0.54601532],color = "black")
plt.plot(0.3,0.54601532,'b.')
plt.fill_between(x,f1(x),f2(x),color = (0.7,0.7,0.7))
plt.annotate('$z_0$',xy=(0.,0),xytext=(0.2,-0.04),fontsize=15)
plt.annotate('$u_0$',xy=(0.,0.),xytext=(0.35,0.15),fontsize=15)
plt.annotate('$kq(z_0)$',xy=(0.,0.),xytext=(-0.8,0.55),fontsize=15)
plt.annotate('$p(z)$',xy=(0.,0.),xytext=(2,0.15),fontsize=15)
plt.annotate('$kq(z)$',xy=(0.,0.),xytext=(2.7,0.5),fontsize=15)
plt.show()