Skip to content

Commit

Permalink
fix typo
Browse files Browse the repository at this point in the history
  • Loading branch information
szcf-weiya committed Mar 5, 2020
1 parent 9bb38ee commit 0bd6703
Showing 1 changed file with 2 additions and 2 deletions.
Original file line number Diff line number Diff line change
Expand Up @@ -41,7 +41,7 @@ $$
那我们怎么能够评估所有 12625 个基因的结果呢?这称为 **多重检验(multiple testing)** 问题.我们可以像上面一样开始,计算每个基因的 $p$ 值.当假设特征服从正态分布,这个可以使用理论上的 $t$ 分布概率实现.一个吸引人的替代方案是使用 **置换分布(permutation distribution)**,因为它避免了数据分布的假设.(理论上)我们计算样本的所有 $K = \binom{58}{14}$ 种排列,并且对于每个排列 $k$ 计算 $t$ 统计量 $t_j^k$.于是基因 $j$ 的 $p$ 值为

$$
p_j=\frac{1}{K}\sum\limits_{k=1}^KI(\vert t_j^k\vert > \vert t_j\vert)\tag{18.40}
p_j=\frac{1}{K}\sum\limits_{k=1}^KI(\vert t_j^k\vert > \vert t_j\vert)\tag{18.40}\label{18.40}
$$

当然,$\binom{58}{14}$ 是很大的数(大约 $10^{13}$),因此我们不能列举出所有可能的排列.相反地,我们取可能的排列的一个随机样本,这里我们取一个 $K=1000$ 种排列的随机样本.为了利用基因都是相似的这一事实(比如,在同一尺度下测量),我们可以将所有基因混合一起计算 $p$ 值
Expand All @@ -50,7 +50,7 @@ $$
p_j=\frac{1}{MK}\sum\limits_{j'=1}^M\sum\limits_{k=1}^KI(\vert t_{j'}^k\vert>\vert t_j\vert)\tag{18.41}
$$

这也给出了比 (18.40) 式更细致的 $p$ 值,因为在混合零分布中比单一的零分布使用了更多的值.
这也给出了比 \eqref{18.40} 式更细致的 $p$ 值,因为在混合零分布中比单一的零分布使用了更多的值.

采用这个 $p$ 值的集合,我们要检验下面的假设

Expand Down

0 comments on commit 0bd6703

Please sign in to comment.