La mia comprensione è che quando si utilizza un approccio bayesiano per stimare i valori dei parametri:
- La distribuzione posteriore è la combinazione della distribuzione precedente e della distribuzione di probabilità.
- Simuliamo questo generando un campione dalla distribuzione posteriore (ad esempio, usando un algoritmo Metropolis-Hasting per generare valori e li accettiamo se sono al di sopra di una certa soglia di probabilità di appartenere alla distribuzione posteriore).
- Una volta generato questo campione, lo usiamo per approssimare la distribuzione posteriore e cose come la sua media.
Ma mi sento come se dovessi fraintendere qualcosa. Sembra che abbiamo una distribuzione posteriore e quindi campioniamo da essa, quindi usiamo quel campione come approssimazione della distribuzione posteriore. Ma se abbiamo la distribuzione posteriore per cominciare, perché dobbiamo campionare da essa per approssimarla?