dnorm（）如何处理sapply循环中的分位数向量

我正在通过Richard McElreath的统计反思进行工作，我对他在第84页上使用的一些代码的工作方式感到困惑。代码使用贝叶斯网格近似推导两个模型参数，

mu

和

sigma

，以估计样本中的高度分布

这是密码

首先，我们列出候选

mu

值

mu.list <- seq(from = 140, to = 160, length.out = 200) 

sigma.list <- seq(from = 4, to = 9, length.out = 200) # grid of candidate sigma values

然后我们用

mu

和

sigma

的每一种可能组合制作一个数据帧

post <- expand.grid(mu = mu.list, sigma = sigma.list) # expand grid so every mu is matched with every sigma

现在假设我们有一个测量高度的样本，包含5个测量值

heights <- c(151.76, 139.70, 136.52, 156.84, 145.41)

我们从这个循环中得到的是一个40000个值长的向量，每行

post

dataframe对应一个值

length(postVec)

[1] 40000

我不明白的是，如果我们把

dnorm（）

从循环中取出来，对平均值和sd使用单个值，但在第一个参数中传递相同的5值高度样本向量，就像这样

dnorm( heights, mean = 140, sd = 4, log = TRUE )

我们得到五个值

[1]  -6.627033  -2.308045  -2.683683 -11.167283  -3.219861

所以我的问题是：为什么传递到上面的

向量的sapply循环会产生40000个值，而不是5 x 40000=200000个值？

---

为什么

dnorm（）

函数在

sapply（）

循环之外返回五个值，但是（看起来）其中只有一个值？

在

dnorm

之前，您缺少

sum

：在40000个案例中，它将这5个值相加，以计算整个

高度的对数似然度，而不仅仅是单个观察值

例如，如果没有
sum
，我们实际上只有两种组合

sapply(1:2, function (i) dnorm( 
  heights,
  mean = post$mu[i],
  sd = post$sigma[i],
  log = TRUE)
)
#            [,1]       [,2]
# [1,]  -6.627033  -6.553479
# [2,]  -2.308045  -2.310245
# [3,]  -2.683683  -2.705858
# [4,] -11.167283 -11.061820
# [5,]  -3.219861  -3.186194

当使用
sum
时，我们有上述矩阵的列和：

sapply(1:2, function (i) sum(dnorm( 
  heights,
  mean = post$mu[i],
  sd = post$sigma[i],
  log = TRUE)
))
# [1] -26.00591 -25.81760

啊，是的，
sum（）
。我讨厌错过这样简单的小事。再次感谢您@Julius Vainora。我不应该在星期天早上6点做这些事情。至少我知道现在发生了什么。
sapply(1:2, function (i) dnorm( 
  heights,
  mean = post$mu[i],
  sd = post$sigma[i],
  log = TRUE)
)
#            [,1]       [,2]
# [1,]  -6.627033  -6.553479
# [2,]  -2.308045  -2.310245
# [3,]  -2.683683  -2.705858
# [4,] -11.167283 -11.061820
# [5,]  -3.219861  -3.186194

sapply(1:2, function (i) sum(dnorm( 
  heights,
  mean = post$mu[i],
  sd = post$sigma[i],
  log = TRUE)
))
# [1] -26.00591 -25.81760