function samples = metropolis_hastings(n_samples, proposal_width, start_value, pdf_target, pdf_proposal) % 初始化样本矩阵 samples = zeros(1, n_samples); samples(1) = start_value; for i = 2:n_samples % 从建议分布中抽取新值 new_value = normrnd(samples(i-1), proposal_width); % 计算接受率 acceptance_prob = min(1, pdf_target(new_value)*pdf_proposal(samples(i-1), new_value) / ... (pdf_target(samples(i-1))*pdf_proposal(new_value, samples(i-1)))); % 比较随机数和接受率，生成是否接受新值的布尔值 if rand() < acceptance_prob samples(i) = new_value; % 接受新值 else samples(i) = samples(i-1); % 拒绝新值，保持当前值不变 end end end

这是一个用于采样目标概率分布的Metropolis-Hastings算法的实现，其中：

- n_samples表示采样的样本数量；
- proposal_width表示建议分布的标准差；
- start_value表示起始的采样值；
- pdf_target表示目标概率密度函数；
- pdf_proposal表示建议分布的概率密度函数。

该算法的基本思路是从当前值开始，根据建议分布抽取一个新的值，并计算接受率，根据随机数和接受率决定是否接受该新值作为下一个采样值。

需要注意的是，该算法的正确性要求建议分布必须满足对称性条件，即对于任意两个值x和y，建议分布从x到y的概率密度等于从y到x的概率密度，否则需要使用其他的方法来实现采样。