برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید

09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Multiple testing procedures with applications to genomics

دانلود کتاب روش های متعدد آزمایش با برنامه های کاربردی به ژنومیک

مشخصات کتاب

Multiple testing procedures with applications to genomics

دسته بندی: آمار زیستی
ویرایش: 1 
نویسندگان: Sandrine Dudoit. Mark J. van der Laan  
سری: Springer series in statistics 
ISBN (شابک) : 0387493166, 9780387493176 
ناشر: Springer 
سال نشر: 2008 
تعداد صفحات: 611 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 مگابایت

قیمت کتاب (تومان) : 58,000

کلمات کلیدی مربوط به کتاب روش های متعدد آزمایش با برنامه های کاربردی به ژنومیک: رشته های پزشکی، پزشکی اجتماعی و آمار زیست پزشکی

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 8

در صورت تبدیل فایل کتاب Multiple testing procedures with applications to genomics به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب روش های متعدد آزمایش با برنامه های کاربردی به ژنومیک نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب روش های متعدد آزمایش با برنامه های کاربردی به ژنومیک

رویکرد سنتی برای آزمایش‌های چندگانه یا استنتاج همزمان این بود که تعداد کمی از آزمون‌های همبسته یا نامرتبط را انجام دهیم و یک نرخ خطای خانوادگی نوع اول را تخمین بزنیم که احتمال فقط یک خطای نوع اول از کل مجموعه را به حداقل می‌رساند. فرضیه ها پابرجاست کرانه‌هایی مانند Bonferroni یا Sidak گاهی اوقات به عنوان روشی برای محدود کردن خطای نوع I استفاده می‌شوند، زیرا کران‌های بالایی را نشان می‌دهند. روش‌های دیگر استفاده از روش‌های چند متغیره برای آمار آزمون‌ها مانند کم‌ترین تفاوت توکی، روش شفه و آزمون دانت بود. اخیراً روش‌های کناره‌گیری در کارآزمایی‌های بالینی رایج شده‌اند، اما در آنجا تعدد معمولاً 5 یا کمتر است. با معرفی بوت استرپ و پیشرفت در سرعت کامپیوتر که به روش‌های جایگشت اجازه داد تا برجستگی بیشتری پیدا کنند، Westfall و Young نیز نسخه‌ای برای استفاده از نمونه‌گیری مجدد برای تنظیم مقادیر p فردی برای آزمایش‌های چندگانه ارائه کردند و این در روش SAS پیاده‌سازی شد. MULTTEST و هم در کتابچه راهنمای SAS و هم در کتاب Westfall and Young در اواسط دهه 1990 مستند شده است. نویسندگان این متن می‌خواهند آزمایش‌های چندگانه را به ریزآرایه‌هایی که به معنای واقعی کلمه هزاران فرضیه بر روی یک آرایه آزمایش می‌شوند، گسترش دهند. دودویت و ون در لان این نظریه را گسترش دادند تا به بوت استرپینگ اجازه کار در زمینه بسیار وسیع تری را بدهد که در آن معیارهای زیادی به جز نرخ خطای خانوادگی (FWER) از جمله نرخ کشف نادرست (FDR) در نظر گرفته می شود. آنها می گویند که برای مسائل مربوط به داده های ابعادی بسیار بالا، فرضی که آنها محوری زیر مجموعه می نامند، اعمال نمی شود. این فرض اساساً همان چیزی است که در نظریه وست فال و یانگ مورد نیاز است و شامل استفاده از چیزی است که نویسندگان آن را توزیع تهی تولید کننده داده می نامند. برای ایجاد روشی که برای ریزآرایه و سایر داده‌های با ابعاد بالا کار می‌کند، نویسندگان رویه‌های خود را بر اساس توزیع تهی مشترک آمار آزمون استوار می‌کنند نه توزیع‌های تهی تولید داده که همه روش‌های دیگر به آن وابسته هستند. این کتاب یک نظریه بسیار کلی ارائه می دهد که ایده های روش های نمونه برداری مجدد را به یک چارچوب جدید تعمیم می دهد. نویسندگان این کتاب را هم برای آماردانان و هم برای دانشمندان کاربردی در نظر گرفته اند که با داده های با ابعاد بالا در حوزه موضوعی خود مواجه می شوند. این کتاب شرحی بسیار دقیق و بسیار نظری از آزمایش‌های چندگانه ارائه می‌کند و ممکن است برای برخی از آماردانان و دانشمندان کاربردی مناسب نباشد. اما این ایده ها برای همه به ویژه در زمینه ژنومیک مهم است. نویسندگان ادعا می‌کنند که فصل‌های 4-7 فصل‌های نظری هستند که ممکن است برای همه مناسب نباشد، اما آنها اصرار دارند که فصل‌های مقدماتی 1-3 و برنامه‌های فصل 8-13 برای افرادی با پیش‌زمینه بیولوژیکی خوب در نظر گرفته شده است، اما لزوماً خیلی قوی نیستند. پیشینه آماری من نظر آنها را در مورد فصل های 1-3 که فکر می کنم برای کسانی که پیشینه آماری در سطح فارغ التحصیل ندارند، دشوار است را به اشتراک نمی گذارم، اما موافقم که فصل های 8-13 برنامه ها برای مخاطب مورد نظر خوشایند است و مخصوصاً برای کسانی که دانش دارند جالب است. و علاقه به علوم زیستی.

توضیحاتی درمورد کتاب به خارجی

The traditional approach to multiple testing or simultaneous inference was to take a small number of correlated or uncorrelated tests and estimate a family-wise type I error rate that minimizes the the probability of just one type I error out of the whole set whan all the null hypotheses hold. Bounds like Bonferroni or Sidak were sometimes used to as method for constraining the typeI error as they represented upper bounds. Other approaches were to use multivariate methods for tests statistics such as Tukey's least significant difference, Scheffe's method and Dunnett's test. More recently stepdown procedures have become popular in clinical trials but there the multiplicity is usually 5 or less. With the introduction of the bootstrap and advances in computer speed that allowed permutation methods to gain a greater prominence also Westfall and Young came up with a prescription for using resampling to adjust individual p-values for the multiple testing and this was implemented in the SAS procedure MULTTEST and documented both in the SAS manual and the book by Westfall and Young in the mid 1990s. The authors of this text want to extend multiple testing to microarrays where literally thousands of hypothesis are being tested on a single array. Dudoit and van der Laan extend the theory to permit bootstrapping to work in a much broader context where many criteria other than familywise error rate (FWER)are considered including false discovery rate (FDR). They say that for problems involving very high dimensional data an assumption they call subset pivotality does not apply. This assumption is essentially what is needed in the Westfall and Young theory and involves the use of what the authors call a data generating null distribution. To create a method that works for microarray and other high dimensional data the authors base their procedrues onthe joint null distribution of the test statistics rather than the data generating null distributions that all other methods depend on. The book provides a very general theory that generalizes the ideas of resampling based methods to a new framework. The authors intend the book for both statisticians and applied scientists who encounter high-dimensional data in their subject area. The book provides a very detailed and highly theoretical account of multiple testing and may not be suitable for some applied statisticians and scientists. But the ideas are important to all especially in the area of genomics. The authors claim that chapters 4-7 are theoretical chapters that may not be suitable for everyone but they insist that the introductory chapters 1-3 and the applications chapters 8-13 are intended for people with a good biological background but not necessarily a very strong statistical background. I do not share their view about chapters 1-3 which I think would be difficult for anyone lack a graduate level statistics background but I do agree that the applications chapters 8-13 are palatable for the intended audience and is particular interesting for those with knowledge of and interest in the biological sciences.