La regla básica de la cadena de Markov: propón un paso, acéptalo con una probabilidad determinada por la razón de los posteriores.El algoritmo de Metropolis-Hastings es un método de cadena de Markov Monte Carlo (MCMC) para muestrear una distribución de probabilidad cuando el muestreo directo es imposible. Es la herramienta fundamental de la computación bayesiana, ya que permite generar una secuencia de muestras que siguen asintóticamente la distribución posterior objetivo, incluso cuando la constante de normalización es desconocida. Esto lo hace indispensable para la estimación de parámetros y la comparación de modelos en problemas complejos y de alta dimensionalidad.
El algoritmo fue introducido por Nicholas Metropolis en 1953 para un caso específico, y generalizado por W. Keith Hastings en 1970. Ganó un uso generalizado en física y estadística en las décadas de 1980 y 1990 con el aumento de la capacidad computacional.
Partiendo de un punto inicial, el algoritmo propone un nuevo punto según una distribución de propuesta. Luego calcula la razón de las densidades posteriores en el punto propuesto y en el actual. Si la razón es mayor que 1, la propuesta se acepta; de lo contrario, se acepta con probabilidad igual a la razón. Esta regla de aceptación asegura que la cadena pase más tiempo en regiones de alta probabilidad, y tras muchos pasos, la distribución de los puntos visitados converge a la distribución objetivo. La distribución de propuesta puede ajustarse para equilibrar exploración y eficiencia.
Se utiliza en física de partículas para ajustar modelos complejos a datos, en cosmología para explorar el espacio de parámetros del universo, y en finanzas para la evaluación de riesgos y la valoración de opciones.
El algoritmo fue desarrollado originalmente para calcular la ecuación de estado de un gas de esferas duras, y sus inventores usaron una de las primeras computadoras electrónicas, la MANIAC, en Los Álamos.










