Bu durumda MCMC kullanmaya gerek yoktur: Markov Zinciri Monte-Carlo (MCMC) bir dağıtımdan değer üretmek için kullanılan bir yöntemdir. Sabit dağılıma, hedef dağılıma eşit bir oto-korelasyon değerleri Markov zinciri üretir. Bu yöntem, hedef dağılımın analitik bir formunun olduğu durumlarda bile, istediğinizi elde etmenizi sağlar. Bununla birlikte, böyle analitik bir şekle sahip bir posteriorla uğraştığınız gibi durumlarda daha basit ve daha az hesaplama açısından yoğun yöntemler vardır.
Posterior dağılımın kullanılabilir bir analitik forma sahip olması durumunda, standart analiz teknikleri kullanılarak bu dağılımdan optimizasyon ile parametre tahminleri (örneğin MAP) elde etmek mümkündür. Hedef dağılımı yeterince basitse, parametre tahmincisi için kapalı bir form çözümü alabilirsiniz, ancak olmasa bile, genellikle basit yinelemeli teknikleri (örneğin, Newton-Raphson, gradyan-iniş, vb.) herhangi bir girdi verisi için parametre tahmininin optimize edilmesi. Hedef dağılımın kantil işlevi için analitik bir formunuz varsa ve dağıtımdan değerler oluşturmanız gerekiyorsa, bunu ters dönüşüm örneklemesi yoluyla yapabilirsinizMCMC'den daha az hesaplama gerektirir ve karmaşık otomatik korelasyon kalıplarına sahip değerler yerine IID değerleri oluşturmanıza olanak tanır.
Bunu göz önünde bulundurarak, sıfırdan programlama yapıyorsanız, hedef dağıtımın kullanılabilir bir analitik forma sahip olması durumunda MCMC'yi kullanmanız için herhangi bir neden görünmemektedir. Bunu yapmanın tek nedeni, MCMC için önceden yazılmış, minimum çaba ile uygulanabilen genel bir algoritmanız varsa ve analitik formu kullanma verimliliğinin gerekli matematiği yapma çabasından daha ağır bastığına karar vermenizdir. Bazı pratik bağlamlarda, MCMC algoritmalarının önceden kurulduğu ve minimum çaba ile uygulanabildiği (örneğin, veri analizi yaparsanız)RStan
). Bu durumlarda, problemlere analitik çözümler elde etmek yerine mevcut MCMC yöntemlerinizi çalıştırmak en kolay yöntem olabilir, ancak elbette, çalışmalarınız için bir kontrol olarak kullanılabilir.