No es necesario usar MCMC en este caso: Markov Chain Monte-Carlo (MCMC) es un método utilizado para generar valores a partir de una distribución. Produce una cadena de Markov de valores auto correlacionados con distribución estacionaria igual a la distribución objetivo. Este método seguirá funcionando para obtener lo que desea, incluso en los casos en que la distribución de destino tenga una forma analítica. Sin embargo, existen métodos más simples y menos intensivos en cómputo que funcionan en casos como este, donde se trata de un posterior que tiene una buena forma analítica.
En el caso donde la distribución posterior tiene una forma analítica disponible, es posible obtener estimaciones de parámetros (por ejemplo, MAP) mediante la optimización de esa distribución utilizando técnicas de cálculo estándar. Si la distribución objetivo es lo suficientemente simple, puede obtener una solución de forma cerrada para el estimador de parámetros, pero incluso si no lo es, generalmente puede usar técnicas iterativas simples (por ejemplo, Newton-Raphson, descenso de gradiente, etc.) para encontrar el optimización de la estimación de parámetros para cualquier dato de entrada dado. Si tiene una forma analítica para la función cuantil de la distribución objetivo y necesita generar valores a partir de la distribución, puede hacerlo a través del muestreo de transformación inversa, que es menos computacionalmente intensivo que MCMC y le permite generar valores IID en lugar de valores con patrones complejos de autocorrelación.
En vista de esto, si estaba programando desde cero, entonces no parece haber ninguna razón para usar MCMC en el caso de que la distribución de destino tenga una forma analítica disponible. La única razón por la que podría hacerlo es si ya tiene un algoritmo genérico para MCMC escrito, que puede implementarse con un mínimo esfuerzo, y decide que la eficacia del uso de la forma analítica se ve compensada por el esfuerzo para hacer las matemáticas requeridas. En ciertos contextos prácticos, se enfrentará a problemas que generalmente son intratables, donde los algoritmos MCMC ya están configurados y pueden implementarse con un esfuerzo mínimo (por ejemplo, si realiza análisis de datos enRStan
) En estos casos, puede ser más fácil ejecutar sus métodos MCMC existentes en lugar de derivar soluciones analíticas a los problemas, aunque este último, por supuesto, puede usarse como un control de su trabajo.