生物信息学中的随机策略.pdfVIP

生物信息学中的随机策略 姜永帅 2013 生物信息学中的随机策略 1 分配概率 2 Bootstrap方法 3 Jackknife方法 4 Permutation 6 一、分配概率 在产生随机数的使用过程中，常需要按照某一概 率完成某项任务，这个概率称为分配概率。例如 ，临床试验中常采用分配概率对病人进行分组。 一、分配概率 一、分配概率 例：临床试验中为了检验用药的效果分成两组， 测试组和对照组，现对于一个样本，我们要求按 照0.6的概率将该样本分到测试组。 具体操作如下： 产生1-100范围内的一个随机数 判断是否=60 分配：若=60则分配到测试组，否则分配到对照 组 一、分配概率  R语言代码:  assign_sample-function(p){  x=sample(1:100,1)  marker=c()  if(x=p*100){  marker=case  }else(  marker=control  )  return(marker)  }  sample_100=sapply(1:100,function(x){assign_sample(0.6)})  sample_100 二、Bootstrap方法  Bootstrap方法 二、Bootstrap方法 Bootstrap方法的基本步骤： 核心思想和基本步骤如下：  （1）采用重抽样技术从原始样本中有放回的抽 取一定数量的样本（允许重复抽样）。  （2 ）根据抽出的样本计算给定的统计量T 。  （3 ）重复上述N次（一般大于1000），得到N个 统计量T 。  （4 ）计算上述N个统计量T 的样本均值（或方差 等），得到统计量的均值（或方差等）。 二、Bootstrap方法 Bootstrap是现代统计学较为流行的一种统计方法 ，在小样本时效果很好。通过方差的估计可以构 造置信区间等，其运用范围得到进一步延伸。 二、Bootstrap方法 我们举一个简单的例子来体会Bootstrap方法的思 想。 假定某次试验或的数据如下X = (2.13, 0.37, 5.46, 17.54, 0.28, 4.60)，我们利用Bootstrap方法估计 样本均值。 二、Bootstrap方法 二、Bootstrap方法 二、Bootstrap方法  LSAT=c(576,635,558,578,666,580,555,661,651,605,653,575,545,572,594)  GPA=c(339,330,281,303,344,307,300,343,336,313,312,274,276,288,296)  Cor_result-cor(LSAT, GPA) #LSAT和GPA之间的相关系数  #set up the bootstrap  B - 300 #重复次数  n - length(LSAT) #样本量  R - numeric(B) #定义一个R用来存放结果  #利用bootstrap 估计标准差  for (b in 1:B) {  i - sample(1:n, size = n, replace = TRUE) #随机有放回抽样  R[b] - cor(LSAT[i], GPA[i]) #计算抽样后的相关