از آن‌جایی که آماردانان در استنباط بیزی معمولا علاقه‌مند به انجام استنباط‌هایی در مورد توزیع‌های پسین مانند توزیع‌های حاشیه‌ای، میانگین‌ و واریانس پارامترها و همچنین توزیع پیش‌بین مشاهدات آینده می‌باشند، فهم و بکارگیری این توزیع‌ها پایه‌ی استنباط بیزی را تشکیل می‌دهد. به‌طور مختصر اغلب مسائل استنباط آماری می‌تواند به صورت امید تابع مدنظر نسبت به توزیع پسین بیان شود. بنابراین با در دسترس بودن توزیع پسین، برای انجام استنباط‌های پسین از انتگرال‌گیری روی توزیع پسین استفاده می‌شود. از این رو توانایی انتگرال‌گیری توابع چند بعدی و پیچیده‌ بسیار مهم می‌باشد و برای انجام استنباط بیزی نیازمند روش‌هایی هستیم که بتوانیم آن‌ها را در مسائل نمونه‌گیری از توزیع‌هایی با بعد بالا برای حل انتگرال‌ها به کار ببریم. یکی از این روش‌ها که معمولا بین آماردانان رایج است روش‌های مونت کارلو است که قصد داریم در این مقاله به آن بپردازیم. اما برای تقریب زدن انتگرال‌ها با استفاده از این روش، لازم است که نمونه هایی از توزیع پسین تولید شوند. در برخی موارد، صرفنظر از ثابت استانداردکننده، توزیع پسین معلوم است که در بخش دوم مقاله روش‌های مناسب برای تولید نمونه در این موارد بررسی خواهند شد. در مواردی نیز نمی‌توان به طور مستقیم از توزیع پسین نمونه‌گیری کرد و در واقع توزیع پسین ناشناخته است. در این حالت، خلاصه‌های پسین برای تقریب شکل توزیع پسین به کار می‌روند که در بخش سوم، از روش lr{MCMC} به عنوان یک راه‌حل مناسب برای تولید نمونه در چنین حالتی استفاده می شود.