吻合度蛮高，但不光滑。
> L=10000
> K=135/64
> x=runif(L)
> ind=(runif(L)<(20*x*(1-x)^3/K))
> hist(x[ind],probability=T,
+ xlab="x",ylab="Density",main="")
/* 应用了平滑数据的核函数 */
> d=density(x[ind],from=0,to=1) // 只对标记为true的x做统计 --> 核密度估计
> lines(d,col=4) // (BLUE)
> xx=seq(0,1,length=100)
> lines(xx,20*xx*(1-xx)^3,lwd=2,col=2) //lwd: line width, col: color number (Red)
API DOC: https://stat.ethz.ch/R-manual/R-devel/library/stats/html/density.html
参见：
http://blog.csdn.net/yuanxing14/article/details/41948485 基于核函数的目标跟踪算法 （貌似淘汰的技术）
https://www.zhihu.com/question/27301358/answer/105267357?from=profile_answer_card
Importance Sampling (Green line) 更为光滑:
> L=10000
> K=135/64
> x=runif(L)
> ind=(runif(L)<(20*x*(1-x)^3/K))
> hist(x[ind],probability=T, xlab="x",ylab="Density",main="")
>
> d=density(x[ind],from=0,to=1)
> lines(d,col=4)
>
> y=runif(L)
> w=20*y*(1-y)^3 // 可见，权重大小与实际分布吻合。
> W=w/sum(w) // 每个x轴的sample point的权重值W。
> d=density(y,weights=W,from=0,to=1)
> lines(d,col=3)
>
> xx=seq(0,1,length=100)
> lines(xx,20*xx*(1-xx)^3,lwd=2,col=2)
无论是拒绝抽样还是重要性采样，都是属于独立采样，即样本与样本之间是独立无关的，这样的采样效率比较低，
如拒绝采样，所抽取的样本中有很大部分是无效的，这样效率就比较低，MCMC方法是关联采样，即下一个样本与这个样本有关系，从而使得采样效率高。
[Bayes] dchisq: Metropolis-Hastings Algorithm
[Bayes] Metroplis Algorithm --> Gibbs Sampling