Los métodos MCMC generan una secuencia de muestras que, aunque cada una depende de la anterior (formando una cadena de Markov), convergen progresivamente a representar la distribución de probabilidad de interés, incluso cuando esa distribución es demasiado compleja para calcularse directamente mediante fórmulas matemáticas exactas.
Por qué revolucionaron la estadística bayesiana práctica
Antes de su popularización, calcular la distribución a posteriori en muchos modelos bayesianos complejos era matemáticamente inviable; los métodos MCMC permitieron aproximar esas distribuciones mediante simulación computacional, haciendo práctico aplicar el enfoque bayesiano a una variedad de modelos mucho más amplia y realista.