假设我有以下模型：
我从我的数据中推断出下面显示和是否有一种贝叶斯方法来判断（或量化）和是否相同或不同？
也许测量不同的概率？或者也许使用KL散度？
例如，我如何测量，或者至少是？
一般来说，一旦你有了下面显示的后验（假设两者的 PDF 值都不是零），那么回答这个问题的好方法是什么？
看来这个问题可以从两个方面来回答：
如果我们有后验样本，我们可以查看样本中（或等效地 ）的部分。@Cam.Davidson.Pilon 包含一个可以使用此类样本解决此问题的答案。
整合后验的某种差异。这是我问题的一个重要部分。这种整合会是什么样子？大概采样方法会近似这个积分，但我想知道这个积分的公式。
注意：以上图表来自此材料。
我认为一个更好的问题是，它们有显着不同吗？
为了回答这个问题，我们需要计算. 调用这个数量. 如果，那么一个比另一个大的机会是均等的。另一方面，如果真的接近 1，那么我们可以确信是大于（阅读：不同）大于.
我们如何计算? 这在贝叶斯 MCMC 框架中是微不足道的。我们有来自后验的样本，所以让我们只计算从中采样的机会大于：
p = np.mean( lambda_2_samples > lambda_1_samples )
print p
我很抱歉没有将其包含在书中，我肯定会添加它，因为我认为这是贝叶斯推理中最有用的想法之一
如前所述，这个问题是微不足道的。假设和是连续随机变量，.
我怀疑你对和在彼此的某个内的概率感兴趣。在这种情况下，区间上两个后验密度之差的面积就是您的答案。较大的重叠值表明两个后验更相似。
如果您更愿意使用模拟结果（对于大多数问题，我们没有选择余地），只需将的结果比例作为近似值。