Entiendo que cuando se utiliza un enfoque bayesiano para estimar los valores de los parámetros:
- La distribución posterior es la combinación de la distribución previa y la distribución de probabilidad.
- Simulamos esto generando una muestra de la distribución posterior (por ejemplo, usando un algoritmo de Metropolis-Hasting para generar valores, y los aceptamos si están por encima de un cierto umbral de probabilidad de pertenecer a la distribución posterior).
- Una vez que hemos generado esta muestra, la usamos para aproximar la distribución posterior y cosas como su media.
Pero, siento que debo estar malentendiendo algo. Parece que tenemos una distribución posterior y luego tomamos muestras de ella, y luego usamos esa muestra como una aproximación de la distribución posterior. Pero si tenemos la distribución posterior para comenzar, ¿por qué necesitamos tomar muestras de ella para aproximarla?