《Modern Statistics for Modern Biology》Chapter 一： 离散数据模型的预测（1.1 - 1.3）
《Modern Statistics for Modern Biology》Chapter 一： 离散数据模型的预测（1.4 - 1.5）
《Modern Statistics for Modern Biology》Chapter 二: 统计建模（2.1-2.3）
《Modern Statistics for Modern Biology》Chapter 二: 统计建模（2.4-2.5）
《Modern Statistics for Modern Biology》Chapter 二 统计建模（2.6 - 2.7）
《Modern Statistics for Modern Biology》Chapter 二 统计建模（2.8 - 2.9）
《Modern Statistics for Modern Biology》Chapter 二 统计建模（2.10 完结）
《Modern Statistics for Modern Biology》Chapter 三：R语言中的高质量图形（3.1-3.4）
《Modern Statistics for Modern Biology》Chapter 三：R语言中的高质量图形（3.5-3.6）
《Modern Statistics for Modern Biology》Chapter 三：R语言中的高质量图形（完结）
从这章开始最开始记录一些markdown等小知识
$\hat{p}=\frac{1}{12}$：
掌握R语言中的apply函数族
卡方检验
Hardy-Weinberg equilibrium( 哈迪-温伯格平衡 )
带你理解beta分布
简单介绍一下R中的几种统计分布及常用模型
- 统计分布每一种分布有四个函数：
d――density（密度函数），p――分布函数，q――分位数函数，r――随机数函数。比如，正态分布的这四个函数为dnorm，pnorm，qnorm，rnorm。下面我们列出各分布后缀，前面加前缀d、p、q或r就构成函数名：norm：正态，t：t分布，f：F分布，chisq：卡方（包括非中心）unif：均匀，exp：指数，weibull：威布尔，gamma：伽玛，beta：贝塔lnorm：对数正态，logis：逻辑分布，cauchy：柯西，binom：二项分布，geom：几何分布，hyper：超几何，nbinom：负二项，pois：泊松signrank：符号秩，wilcox：秩和，tukey：学生化极差
如何预测一条序列是否含有CpG岛
图片输出尽量保存为矢量图
结合setNames函数与scale_fill_manual函数来指定ggplot2的填充颜色(Figure 3.13)
要善于用stat_summary来自定义函数结合ggplot2进行绘图
4. 混合模型
- 这一章能学到什么？
- 有两个正态总体组成的分布生成我们自己的混合模型数据
- 了解期望最大值(EM)算法，并允许我们对数据集中的基础混合物进行“逆向工程”。
- 对于像
ChIP-seq这中含有许多0的使用一种叫做零膨胀的混合模型 - 发现
经验累积分布：一个我们可以建立从观测数据的特殊的混合物。这将使我们能够看到如何使用bootstrap来模拟我们估计的可变性。 - 建立拉普拉斯分布作为一个实例的无限混合模型-有许多组成部分。我们将用它来模拟启动子的长度和微阵列的强度。
- 这是我们第一次遇到
γ-Poisson分布，这是一个对RNA-Seq数据有用的分层模型。我们将看到它自然地来自于混合不同的泊松分布的源。 - 了解混合模型如何使我们能够选择数据转换。
