Para ilustrar el uso del algoritmo de Metropolis-Hastings (independencia), supongamos que nos interesa obtener una muestra de tamaño de . Como antes, resulta conveniente trabajar en términos de . En este caso podemos utilizar la aproximación normal asintótica como distribución de transición.
Se decidió correr el algoritmo durante 1100 iteraciones, de las cuales se tomaron las primeras 100 como periodo de calentamiento. La Figura 1 muestra los promedios ergódicos de las medias muestrales para algunas funciones de . La muestra resultante puede transformarse fácilmente en una muestra de la distribución final de a través de la relación . En la Figura 2 se presenta el histograma correspondiente junto con una estimación de la función de densidad .
Por otra parte, notemos que
Finalmente, es posible estimar la densidad predictiva de evaluando,
para cada valor de ,