代码的修改，以提高仿真

Question

如何实现代码执行假设点是10,000和100,000代表。因此，仿真正确执行？

using Statistics, Random, DataFrames, DataFramesMeta, CSV, PyPlot

macro assertprob(x)
msg = string("wrong ", x, ": ")
:(0≤$(esc(x))≤1 || throw(ArgumentError(string($msg,$(esc(x))))))
end

function simulate(p::Float64, q::Float64)
@assertprob p
@assertprob q
@assertprob p+q

t = 0
while true
    t += 1
    r = rand()
    r < p && return t
    r < p + q && return missing
end
end

function getpoint()
while true
    p, q = rand(), rand()
    p + q ≤ 1 && return (p, q)
end
end

function runsim(points=10^3, reps=10^3)
df = DataFrame(p=Float64[], q=Float64[], rep=Int[],
               sim=Union{Int,Missing}[])
for i in 1:points
    p, q = getpoint()
    for j in 1:reps
        push!(df, (p, q, j, simulate(p, q)))
    end
end
df
end

function analyzesim(df)
@linq df |>
by([:p, :q], msim=mean(collect(skipmissing(:sim)))) |>
transform(mtheory=1 ./ (:p .+ :q)) |>
with(scatter(:msim, :mtheory))
end

Random.seed!(1)
df = runsim()
CSV.write("results.txt", df)
analyzesim(df)

没有任何人有一个想法？预先感谢您的帮助 ？

Answer 1

虽然我极力上述意见同意（这个论坛是不是代码审查的地方，你的问题是措辞不当），它是斯诺一生坎坷。

生病试图解决这个问题：“落实（伪？）码[S] O，模拟正确执行”，但由于代码运行，我们可以看看其他可能的问题。然而，这一切都取决于我的价值是什么，你的理解正在试图蒙特卡罗

1. simulate返回missing如果p > r < p+q < 1。如果这是一个不正确的情况下，可能重复实验，而返回的缺失。特别是因为你正在下降missings。
2. simulate返回无论是missing或Float64。这不是键入稳定，而不是优先。
3. 类似地，代码动态增长df。这也是影响性能，应预先分配。
4. 我不知道实际上是需要一个数据帧。该代码可以存储p和q每个在两个矢量npoints长，并从t在由simulate然后沿所述第一维度的平均矩阵reps结果npoints（沿reps）

最后，还有大量的数学可以做，以加快性能。 p和q从L1范数球的第一象限均匀地拉伸。所述另一种方式，任何一对(p, q)的概率是1，如果它是在该区域中。

一个小的数学产生的边际密度和累积概率函数为：f(p) = 2(1-p)和F(p) = p*(2-p)。 （数学做正常化）。所以，你可以通过先绘制p和解决u = rand()绘制一个随机u = 2p - p^2。然后画一个随机q = (1-p)*rand()。

最后，如果我理解正确的模拟，你尝试计算的预计数得到一个r = rand() < p，但下降的预期，如果p < r < p+q。

但是，代码只计算有多少尝试了逃跑的[p+q, 1]区域，不若最终样品中间(p, p+q)地区，因为代码丢弃所有missing和多少重复的是等于missing不看（上平均q/(p+q)*reps）。这意味着数据没有在随机缺失而是以概率q/(p+q)，缺少这将偏压t的估计距离（P，Q）的支持的角部中的一个。此外，数关非缺失样品和因此的所述估计t的依附上q以及，引入额外的考虑因素方差为对数据运行配合或p值的统计的一个优度

我其实挺高兴我坐下来与纸笔通过觉得这。数学计算在[0, p]降落，但不[p, p+q]（p/(p+q)^2）所需的样本数量很有趣，我花了一段时间来思考为什么msim是about1/(p+q)。

我希望这有帮助！