Question

如何在假定点为10,000和100,000次的情况下实现代码实现。这样模拟才能正确执行？

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)

有人有想法吗？预先感谢您的帮助？

Answer 1

虽然我非常同意以上评论（此论坛不是代码审查的地方，并且您的问题措辞不佳），但对于Snows来说却是艰难的生活。

我将尝试解决“实施模拟正确执行的（伪？）代码[s] o”的问题，但是由于该代码可以运行，因此我们可以查看其他可能的问题。但是，这一切都取决于我对您要实现的蒙特卡洛值

的理解。

simulate

missing返回一个p > r < p+q < 1。如果那是不正确的情况，请重复实验，而不要返回丢失的内容。特别是因为您丢掉了失物。
simulate返回missing或Float64。此类型不稳定，因此不受欢迎。
类似地，代码会动态增长df。这也是对性能的影响，应该预先分配。
我不确定实际上是否需要DataFrame。该代码可以将p和q分别存储在两个长度为npoints的向量中，并且t中的结果simulate在reps的矩阵中{ {1}}然后沿第一个维度（沿npoints进行平均）

最后，可以做很多数学运算来提高性能。 reps和p从L1规范球的第一象限均匀地绘制。换句话说，如果任何一对q在该区域中，则其概率为1。

只需一点数学即可得出边际密度和累积概率函数，如：(p, q)和f(p) = 2(1-p)。（已完成数学运算以使其标准化）。因此，您可以通过首先绘制F(p) = p*(2-p)并求解p来绘制随机u = rand()。然后绘制随机的u = 2p - p^2。

最后，如果我正确理解了模拟，则您正在计算获得q = (1-p)*rand()的预期尝试次数，但是如果为r = rand() < p，则会降低预期。

但是，该代码仅计算逃脱p < r < p+q区域所需的尝试次数，而不是如果最终样本位于[p+q, 1]区域的中间，则因为该代码会丢弃所有(p, p+q)和不会查看多少个重复等于missing（平均missing）。这意味着数据不是随机丢失的，而是以概率q/(p+q)*reps丢失的，这会使q/(p+q)的估计值偏离（p，q ）支持。另外，非缺失样本的数量也因此估计t的方差也取决于t，引入了对数据进行拟合优度或p值统计的其他考虑因素< / p>

实际上，我很高兴我用笔和纸坐下来思考了一下。计算需要降落到q而不是[0, p]（[p, p+q]）的样本数量的数学很有趣，我花了一些时间思考为什么p/(p+q)^2是关于msim。

我希望这会有所帮助！

修改代码以改善仿真

1 个答案: