我想让这个R代码更有效率

我的讲师给了我以下代码，虽然它对我的作业等非常有效，但如果可能的话，我想简化一下。它通过计算重复试验的I型误差来工作，并显示在某些阶段停止试验的概率（如果试验结果足够成功）。它还计算了试验样本量的平均值和标准偏差。代码如下：

Table <- function(simulateP,nsims,postcut,hypothesisP,nCuts){
   win <- logical(nsims)
   ss <- numeric(nsims)

   nInts <- nCuts
   for (i in 2:length(nCuts)){
      nInts[i] <- nCuts[i] - nCuts[i-1]
   }

   for (i in 1:nsims){
      x <- rbinom(length(nCuts),nInts,simulateP)
      x <- c(x[1],x[1]+x[2],x[1]+x[2]+x[3])
      ProbSup <- 1 - pbeta(hypothesisP,1+x,1+nCuts-x)

# Probability of Success
      win[i] <- any(ProbSup > postcut )
# Sample size
      ss[i] <- min(nCuts[ProbSup > postcut],max(nCuts))
   }
   out <- c(length(win[win])/nsims,mean(ss),
                       sqrt(var(ss)),table(ss)/nsims)
   names(out) <- c('Pr(win)','MeanSS','SD SS',as.character(nCuts))
   out
}

## Input these values for the Type I error
> nsims <- 1000000
> postcut <- 0.95
> hypothesisP <- 0.5
> simulateP <- 0.5
> nCuts <- c(50,75,100)
> out <- Table(simulateP,nsims,postcut,hypothesisP,nCuts)

> out
  Pr(win)    MeanSS     SD SS        50        75       100
 0.095770 96.455625 12.247579  0.059165  0.023445  0.917390

---

Table第一个循环可以写成：

c(nCuts[1], diff(nCuts))

请把你的问题说得更具体一些。我想知道代码是否可以用更简洁的方式编写，即更少的代码行或更基本的命令，是否可以用其他东西来代替for循环来加速程序？等等。我们的意思是StackOverflow不适用于此类开放式问题。如果您正在重新编写此代码，并且在编写过程中遇到了一段特定的代码，那么这将更合适。对不起，我完全误解了这个问题。我遇到的确切问题是第一个for循环。你能想出一个更好的方法来计算变量nInts吗？我认为第二个是可以的，但是在这么短的程序中，2 for循环对我来说似乎没有必要。这个问题似乎离题了，因为它是关于提高工作代码的效率和/或风格的，更适合codereview StackExchange站点。