0

我正在应用伯努利随机变量的 ML 估计。我最初有以下代码：

muBern = 0.75;
bernoulliSamples = rand(1, N); 
bernoulliSamples(bernoulliSamples < muBern) = 1;
bernoulliSamples(bernoulliSamples > muBern & bernoulliSamples ~= 1) = 0;
bernoulliSamples; % 1xN matrix of Bernoulli measurements, 1's and 0's

estimateML = zeros(1,N);
for n = 1:N
    estimateML(n) = (1/n)*sum(bernoulliSamples(1:n)); % The ML estimate for muBern
end

这工作得相当好，但代码的每次运行只是N=100观察的一个可能结果。我想重复这个实验I=100次数并取所有结果的平均值，以获得准确代表实验的解决方案。

muBern = 0.75;
bernoulliSamples = rand(I, N); 
bernoulliSamples(bernoulliSamples < muBern) = 1;
bernoulliSamples(bernoulliSamples > muBern & bernoulliSamples ~= 1) = 0;
bernoulliSamples; % IxN matrix of Bernoulli measurements, 1's and 0's

estimateML = zeros(I,N);
for n = 1:N
    estimateML(n,:) = (1/n)*sum(bernoulliSamples(1:n,2)); % The ML estimate for muBern
end

我想知道这个for循环是否正在做我想做的事情：每一行代表一个完全不同的实验。第二个代码实例是否与第一个代码实例做同样的事情，只是有 100 个不同的结果作为 100 个不同实验的原因？

4

2 回答 2

5

你不需要任何循环。在单一实验的情况下，用这个替换循环，它做同样的事情：

estimateML = cumsum(bernoulliSamples) ./ (1:N);

在多重实验的情况下，使用这个：

estimateML = bsxfun(@rdivide, cumsum(bernoulliSamples,2), 1:N);
于 2013-09-30T14:13:06.503 回答
1

想出了答案，我只是想多了，如果有人感兴趣，以下是我想要的：

for n = 1:N
    estimateML(:,n) = (1/n)*sum(bernoulliSamples(:,1:n),2); % The ML estimate for muBern
end
于 2013-09-30T14:12:26.703 回答