R语言学习笔记(七) -离散型数据的模型预测2

导语：

本期继续跟大家一起学习一份R语言资料

（https://web.stanford.edu/class/bios221/book/index.html）。上一期给大家介绍了二项式分布和泊松分布「R语言学习笔记（六）」，这里继续给大家介绍另外两种离散型分布。

1. 负二项分布

和二项分布类似，负二项分布也用于描述伯努利试验，已知一个事件在伯努利试验中每次的出现概率是p，在一连串伯努利试验中，刚好在第r + k次试验出现第r次的概率。比如我们生产某个零件，合格率是p，现在抽查一批零件，直到抽到r个次品停止抽查，此时共抽查到的正品个数服从负二项分布。其分布律为：

负二项分布的期望和方差分别为μ= pr/(1-p)，σ2 = pr/(1-p)2，可以看出其方差大于期望。

负二项分布的一个重要应用就是模拟RNA-Seq数据中的counts数（即每个基因的reads数）。那么问题来了，为什么不用我们之前提到的二项分布和泊松分布来模拟呢？主要的原因是人们发现RNA-Seq的数据通常呈现下图特点，即期望小于方差。回顾我们之前提到的二项分布和泊松分布：

二项分布：μ = np，σ2 = np(1-p) μ < σ2

泊松分布：μ = σ2 =λ

可见这两种分布都不满足条件，因此通常用负二项分布模拟RNA-Seq数据。

2. 多项式分布

多项式分布可以看做是二项分布的推广，如果我们的试验不是伯努利试验，而是有多个结果，比如扔一个骰子得到的点数可能的取值为1到6。重复扔n次骰子，1到6出现的次数就服从一个多项式分布。再比如一段DNA序列由ATCG这4中碱基构成，每种碱基的比例是不相同的，可以认为每种碱基的个数服从多项式分布。如下图所示，可以想象n个小球随机落到4个大小不同的盒子里，落在每个盒子里球的个数也服从多项式分布。

多项式分布的分布律为:

举个例子，假如上图中4个盒子分别代表ATCG四种碱基，且比例分别为p(A)=1/8, p(T)=1/8, p(C)=3/8,p(G)=3/8。把6个小球随机装到这4个盒子里面，现计算4个盒子中分别有0、0、4、2个小球的概率：

6!/(4!*2!)*(3/8)4*(3/8)2= 0.0417

我们可以用R语言验算一下：

> dmultinom(c(0, 0, 2, 4), prob = c(1/8, 1/8, 3/8,3/8))
[1] 0.04171371

3. 检验功效

power of test statistics

3.1

定义

我们知道假设检验有两类错误，第Ⅰ类错误为H0正确拒绝H0，第Ⅱ类错误为H0错误接受H0，通常我们希望尽可能降低第Ⅰ类错误发生的概率。检验功效power与第Ⅱ类错误相反，即H0错误拒绝H0的概率，也称为false positive rate。power越大表明犯第Ⅱ类错误的可能性越小。

这张表在机器学习中又叫做混淆矩阵（Confusion Matrix），其实就是统计了各种预测结果与真实值的差异。

3.2

数据模拟

下面还是以DNA碱基为例子，假如我们要检测DNA上的一段序列中4种碱基数目是否相同，即无效假设H0：p(A) = p(T) = p(C)= p(G)=1/4。我们使用蒙特卡洛的方法来进行假设检验，首先用rmultinom函数从零假设中生成1000个模拟，每个模拟有20个碱基：

> pvec = rep(1/4, 4)
> obsunder0 = rmultinom(1000, prob = pvec, size =20)  
> dim(obsunder0)
> dim(obsunder0)
[1]    4 1000
> obsunder0[, 1:11]    
     [,1] [,2][,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11]
[1,]    3    7   8    3    5   8    5    7   7     7     7
[2,]    4    4   6    4    4   5    3    6   5     3     5
[3,]    8    4   3    6    6   1    2    4   3     4     2
[4,]    5    5   3    7    5   6   10    3   5     6     6

矩阵obsunder0中的每一列都是一个模拟，可以看到数据的分布非常不均匀，从1到10 不等，而期望值是5。那么我们怎样检测这些数据是否服从（1/4, 1/4, 1/4, 1/4）的多项式分布呢？

3.3

假设检验

首先我们构造一个统计量stat来衡量预测值与期望值的偏差：

下面用R语言计算该统计量：

> abline(v = quantile(S0, 0.95), col ="red")
> stat = function(obsvd, exptd = 20 * pvec) {  #写函数计算stat
+   sum((obsvd -exptd)^2 / exptd)
+ }
> stat(obsunder0[, 1])   #计算第一列的stat值
[1] 2.8
> S0 = apply(obsunder0, 2, stat)    #计算所有列的stat值
> summary(S0)
   Min. 1stQu.  Median    Mean 3rd Qu.    Max.
  0.000   1.200  2.400   3.016   4.000 17.600
> hist(S0, breaks = 25, col = "lavender",main = "")
> quantile(S0, 0.95)         #95%的分位数
95%
  8
> abline(v = 8, col = "red")

我们做出S0的分布直方图，其95%的分位点为8，这表明当统计量stat大于8时，我们应该拒绝原假设，比如我们obsunder0中的第一组数据，其stat值为2.8，所以应该接受H0，即认为这段DNA序列中的4种碱基个数相等。

然后我们用一个备择假设模拟出另外一组数据，并计算统计量stat。假设4种碱基的比例分别为3/8, 1/4, 1/4, 1/8，代码如下：

> pvecA = c(3/8, 1/4, 1/4, 1/8)
> observed = rmultinom(1000, prob = pvecA, size =20)
> S1 = apply(observed, 2, stat)
> power = mean(S1 > quantile(S0, 0.95))
[1] 0.193

也就是power = 0.193，这个检验功效是很低的，这是由于我们数据中的DNA序列只有20个碱基，会出现较多偶然情况。

4. 小结

R语言学习笔记系列（六）和（七）两期，给大家介绍了几种常见的离散分布，包括二项分布、泊松分布、负二项分布和多项式分布，以及用蒙特卡洛方法进行模拟计算。

抛硬币的试验是典型的伯努利试验，抛n次硬币证明向上的次数服从二项分布。可以使用函数rbinom来模拟二项分布。

泊松分布适合于p较小时的情形。它只有一个参数λ，当p较小时，λ=np的泊松分布近似于b(n, p)的二项分布。

负二项分布可用于模拟RNA-Seq数据中每个基因的reads数。

多项式分布用于描述具有两个以上可能结果或级别的离散事件，例如一段DNA序列上ATCG四种碱基的个数。

R语言学习笔记（二） R语言学习笔记（三）——实用的内置函数 R语言学习笔记（四）—pheatmap ???R语言学习笔记（五）——曼哈顿图 R语言学习笔记（六） -离散型数据的模型预测1 手握这些网站，分分钟搞定R语言自学 跟投必得学习R语言：第一讲 R-基本介绍及安装 ?有了这款高效生信分析绘图神器，还学什么R语言