前言
部分 混合模型方程组的相关计算技术
第1章 线性混合模型及混合模型方程组简介
1.1 线性混合模型
1.1.1 模型
1.1.2 线性模型
1.1.3 线性模型的分类
1.1.4 统计模型与遗传模型的关系
1.1.5 遗传分析中的常用模型
1.2 混合模型方程组
第2章 加性遗传相关矩阵及其逆矩阵的计算
2.1 A的计算方法
2.1.1 动物模型下A阵的计算
2.1.2 公畜模型下A阵的计算
2.2 A的计算方法
2.2.1 动物模型下A1的计算
2.2.2 公畜模型下A的计算
2.3 近交系数的计算
2.3.1 Meuwissen和Luo的算法
2.3.2 Quaas的算法
第3章 混合模型方程组的建立与求解
3.1 固定模型 小二乘方程组的建立
3.1.1 无协变量固定模型 小二乘方程组的建立
3.1.2 含有协变量的固定模型 小二乘方程组的建立
3.2 混合模型方程组的建立
3.3 线性方程组的迭代求解的基本方法
3.3.1 迭代算法
3.3.2 迭代的收敛性
3.4 混合模型方程组的迭代求解
3.4.1 直接迭代求解
3.4.2 按效应分块迭代求解
3.4.3 混合模型方程组的间接迭代解法
第4章 混合模型方程组的储存技术
4.1 吸收法
4.2 半储矩阵技术
4.3 稀疏矩阵的储存技术
4.3.1 三元组表
4.3.2 行压缩方式
4.3.3 连接链表
4.3.4 杂凑表
第5章 REML遗传参数估计的相关算法
5.1 EM算法一
5.1.1 EM算法的基本原理
5.1.2 几个例子
5.1.3 EM算法用于方差组分估计
5.2 AI算法
5.3 DF算法
5.3.1 似然函数值的计算
5.3.2 求似然函数的 大值
第二部分 Monte Carlo方法
第6章 随机数的产生
6.1 随机数产生方法概述
6.2 [0，1]均匀随机数的产生
6.2.1 线性同余法
6.2.2 混同余法
6.2.3 乘同余法
6.2.4 几个常用的均匀随机数发生器
6.2.5 随机数的统计检验
6.3 其他分布随机数的产生
6.3.1 基本方法
6.3.2 常用连续分布随机数的产生
6.3.3 常用离散分布随机数的产生
第7章 Monte Carlo方法
7.1 Monte Carlo方法的基本原理
7.1.1 浦丰问题
7.1.2 Monte Carlo方法的基本步骤
7.1.3 模型的构造
7.1.4 Monte Carlo方法的应用范围
7.2 用Monte Carlo方法计算定积分
7.2.1 单重积分的计算
7.2.2 多重积分的计算
7.3 Monte Carlo方法在统计学中的应用
7.3.1 随机化检验
7.3.2 Monte Carlo检验
7.3.3 Jackknife：估计
7.3.4 自助再抽样
第8章 Monte Carlo方法在遗传育种中的应用
8.1 遗传漂变的模拟
8.2 人工选择的模拟
8.3 遗传参数估计方法的模拟比较
8.4 用于标记-QTL连锁分析的资源群体的模拟
8.4.1 回交群体
8.4.2 F2群体
第三部分 MCMC算法
第9章 基本知识
9.1 贝叶斯推断简介
9.1.1 贝叶斯定理
9.1.2 多参数模型
9.1.3 贝叶斯假设检验
9.2 MarlKOV链简介
9.2.1 Markov链的概念
9.2.2 转移概率
9.2.3 Markov链的平稳分布
0章 MCMC算法
10.1 Metropolis-Hasting抽样
10.1.1 接受概率的确定
10.1.2 建议分布的选择
10.1.3 联合 新与单元素 新
10.1.4 举例
10.2 Gibbs抽样
10.3 MCMC的实施与MCMC样本分析
10.3.1 Markov链的收敛性判断
10.3.2 MCMC样本的获得
10.3.3 利用MCMC样本进行统计推断
10.3.4 MCMC估计的抽样方差
1章 MCMC在动物育种中的应用
11.1 MCMC用于线性混合模型
11.1.1 先验分布与联合后验分布
11.1.2 条件后验分布
11.1.3 举例
11.2 MCMC用于分类性状分析
11.2.1 模型
11.2.2 先验分布与联合后验分布
11.2.3 条件后验分布
11.2.4 Gibbs抽样
11.3 MCMC用于QTL定位
11.3.1 回交设计
11.3.2 先验分布与联合后验分布
11.3.3 条件后验分布
11.3.4 QTL存在与否的检验
参考文献
......
评论晒单