哈喽,大家好,我是腾飞,我们今天来看一下菊花池分析里面常见的 qq 图和曼哈顿图,结果是如何解读的?我们常见的 qq 图呢是这种,曼哈顿图呢是这种,那这两个图我们结果应该怎么看呢? 首先来看一下 qq 图, qq 图的全称呢,也称为呃分位图,他主要是判断模型的假阳性、假音性的一个重要的依据。嗯, qq 图他是怎么绘制的呢?我们一般认为呃 p 字达到显著性,就说明不同的 ic 分型对表情数据有显著性的影响。 但是在几万次分析里面,这个批值呢来源有两个,一个是由于这个自然的突变导致的这个表现的变异,那这一部分呢,是我们真正关心的一个突变,另外一个呢是瞟变,就是一串瞟变,那他呢,是 一个随机化的均匀分布的一个一个情况。所以说我们在模型判断的时候呢,需要把均匀随机漂变的这一部分, 这个批纸显著性的这些 v 脸呢给他去除掉。而我们真正由于这一个突变或自然选择呀,导致的这个不同分型的表情差异的这个一些 v 脸呢,给他找到。这就是 qq 图绘制的一个主要意义。所以说呢,我们 qq 图绘制就有两种,第一种呢就是有随机瞟变导致的, 第二个呢就是有真实突变导致的,那随机漂变我们怎么能把它排除掉呢?就是我们做了一个分位图,嗯,我们假定呢,这个随机漂变呢,是在染色体上面均匀分布的,所以说呢,我们根据这个批值的一个分布情况,我们你和了一个理论的一个随机 分布的一个批职的一个理论性的一个一个分布。那如果我们这个批职观测的和他理论的一个分布是在一条线上,比如说是这边这一个线上,那就说明呢,他所有的变异都是由于随机漂变导致的。 嗯,这个图是怎么看的呢?就是他 x 轴呢,就是他呃随机漂变的一个皮纸,用 flog 纸转换, 然后 y 子呢,是他真实的批子用福拉克斯转换就导导致的。这个情况就可以看到在呃十的负二十方比,他是零点零二,这个这个水平呢,这一边呢都是高度 重合的,就是说这些位点的显著性,比如说零点零一,他已经小于零点零一了,那这些位点呢,并不是由于他真正使表情变异差异而导致的这个呃突变,而是由于随机 而比较好的。这个 qq 度是什么呢?就是他前边是和理论的这个值呢是重合的,呃往上呢,越往后呢就稍微翘了一点,稍微翘了一点是怎么理解呢?就是这一些微点,他真是真是导致了这一个 啊表现的差异,所以说我们关注的呢,也是这些微点。所以说一个一个好的 qq 图,应该是前面是和这个均匀分布,呃这个呢是高度重合的,就是前面的线是重合的,然后往后呢,比如说到了三以后呢,就是他往上 翘了一点,那这一些微点呢,就是我们所关注的一个呃显著性的微点啊。第二个图呢是曼哈顿图,曼哈顿呢本身是一个地名,可以看到这一个,从这个海边可以看到他的一个 景象,就是建筑呢错落有致。那我们这个呃曼哈顿图呢?呃,和这个 曼哈顿的一个夜景,可以看到水里面的一个倒影有不同的,这个点是比较类似的,就是,嗯,曼哈顿图呢,他是每一个染色体呢,是有不同的颜色,但每一个染色体上面的皮质呢,是作为每一个点,也可以看到他的一些显著性的点呢,就是可以 可以看到不同的颜色来表示,而且是错落有致的,呃,用曼哈顿图来进行表示。好的曼哈顿图呢,我们知道这个计划分析的一个前提呢,就是我们所关注的这个性状的这个基因与这个,呃 他附近的一个 icp 处于连锁不平状态,那他的连锁不平衡呢,就会导致,比如说啊一个基因,然后附近 近呢,这个 icp 呢,可能都与这个表情有达到显示性差异,就是说他会有一个上升和下降的一个趋势, 比如说我们这个里面的这一个星座,比如说这个二一 c 幺幺四,这一个你可以看到他的这个位点呢,他就有一个 有很多位点,他就有个上升和下降的一个趋势,那这个呢,就说明我们找到的位点呢,可能是真的一个啊显著性的点而坏了。曼哈顿图呢,比如说下面这一个就是他这一个点呢,就是布灵的一个点, 比如这几个都是每一条染色体下面呢都是孤零零的一个点,那这样呢,他可能就是一个假阳,假阳性就是你他显示的是显著了,但是因为因为他附近没有其他的点作为佐证,所以说他可能是一个假阳性,当然导致这种情况呢啊,也有可能是这个 icp 呢,未点数 就是覆盖没有,没没有覆盖完整就倒也会,也也有可能会倒的这种情况。嗯,下一节呢,我们来介绍一下如何用代码来实现这个 qq, 我们哈顿组的一个绘字,呃,以及如何美化。好的,本次我们就到这里,谢谢大家。
粉丝947获赞3021

什么是 gross? gross, 即拳击音组关联分析,是指在人类拳击音组范围内找出存在的序列变异,即单核苷酸多肽性 s m p, 从中筛选出与疾病相关的 s m p。 s gross 是在某一特定人群中研究遗传突变和表情之间的相关性。 gross 的理论基础是连锁不平衡定律 linkage disequilibrium ld 既假设观察到的 smp 与真正的致病突变 cosovariant 之间存在很强的 ld。 自从二零零五年第一篇复杂疾病年龄相关性黄斑变性 it related metular degeneration 的全基因组关联研究以来, gws 开头啊已经收录了三万六千九百四十八种。 现在应该更多单核苷酸多肽性 s m p 与性状的相关性条目。

关注生性人的小伙伴们大家好,今天为大家介绍一下什么是 guas 以及 q t l。 简单来说就是数量性状基因作和全基因组关联分析,二者有相同之处,也有不同之处,他们是用来鉴定与复杂性状有关的基因组区域的 统计方法。大家都知道孟德尔原理,简单来说就是只有一个基因座,上面有不同的等位基因,从而就能导致某种表型,例如生物课学的绿色或黄色豌豆。然而就如我们可能在自然中所见,像身高这种形状数据分布范围很大,他们会有正态分布的特征。然后一个人的身高表型不 是由一个基因危点就能简单决定的,这就是我们所说的数量信状及很多个遗传危点来共同决定这个表情,比如刚刚提到的身高。那么我们如何找到和这些复杂信状、数量 形状有关的基因组区域,这就是 qtl 和吉瓦斯的用途了。 qtl 和吉瓦斯?先讲一下 qtl 数量形状基因做想象,有两条鱼,一条是蓝色的,一条是红色的。我们感兴趣的是搞清楚究竟是什么遗传危点导致红蓝色的表情差异。一开始我们让红蓝鱼交配,我们的 f 一代群体 应该有某种中间表情,因为他们有一条染色体来自于蓝鱼,一条来自于红鱼,整简单点叫他子鱼吧,然后让 f 一子鱼群体交配,形成 f 二代。 有趣的事情发生了,从这里我们可以看出树上形状的特点,群体中有很大范围的表情差异,一些是紫鱼,一些则是比较末端的蓝鱼和红鱼问题是两种极端表情的背后都有什么样的遗传味点的异同?蓝色鱼有什么共同点?红色鱼有什么共同点?他们又有什么差异点?要研究这个问题, 我们得有 markers 来对红蓝鱼进行标记和区别。这些 markers 可以是两种不同的东西,从而能够区分红蓝鱼间的 snp, 可以帮助我们从遗传上区分他们。他是小片段的一个重复,比如说比较对象,二者序列间 agag 不同数量的串联,他 本身并不是真正导致表情差异的原因。这些 markers 告诉我们的是,这部分基因是来自于红晕染色体, 是蓝与染色体。我们建议分析的是 f 二代中等位基因间的重组现象。我们要关注的是极端表情群体,比如说图上的两端的红蓝。 以蓝色举例,根据蓝色表情群体的基因标记,判断哪部分基因对应 f 一的蓝色染色体是否为所有蓝色表情个体所共有的,并且不出现在红色群体中。图上的三条染色体中有一个小的共有区域与现状相关, 这个区域存在于所有蓝色表心群体中,而不存在于红色表心群体。可以把这种分析方式应用到所有的两端群体,这是运用杂交和 f 一以及 f 二之间的联系来获得并放大关键区域。再次注意,这并不能告诉我们哪个是目标等位基因,我们只是用这些 max 来鉴定基因组中哪些区域可能和所研究的表情差异有关。之后要对相关区域进一步放大研究,从而真正找到导致表型差异的基因。来看看基瓦斯,这里我们依旧要讨论与复杂性状有关的基因组区域,但是区别于依靠杂交从而创造重组, 这里我们依靠的是群体的历史重组信息,因为毕竟如果研究人类这样的生物的复杂性状,很难进行杂交实验。我们就看现有的群体。我们不搞杂交,我们搞两组人,每组有着极端的表情, 例如一组身高人矮一点,一组高一点。就这样,我们把人们按照研究的表情来划分,然后进行基因分析,用之前所说的 s, n, p 或者是 micro satellites 做 markers。 不对,整个基因组测序是因为需要太多人,太多钱。我们要关注的是是否有某个 s n 保守存在于某个群体,而不存在于另一个。我们能找到某个之一区域和矮个子群体有关联吗?即有一小段基因总是与矮个子的群体关联,而与高个子的红 的群体无关。这可以提供一些导致该表情的基因区域的研究线索。再强调一遍,我们运用 s, n, p 和 microsider slides 做标记,但他们本身不是导致表情差异的原因,只是 起到指示作用罢了。用来找到与我们感兴趣基因相关联在一起的标记。我们把这种关联称为连锁不平衡,也就是说 这种等位金在群体里面不是随机出现的,所以这里的 snp 和我们通过他检测到的基因组区域是相互关联,连锁不平衡的,所以他们不会因为重组而分开。这个标记一定是在 决定蓝色表情的关键因子的附近。今天的分享就到这里,关注深信人学习更多有用的知识!

各位同学大家好,欢迎来到深信师学,我是文云博士,这课我们来学一下如何下载相关的 gy 数据,我们点开这个文件夹,那么我这里呢准备了一个数据库网址以及我的数据查询的一个方法啊,大家可以把它打开。 我们的课程来源于生性思学,欢迎大家关注微信公众号 bf ici, 回复 m 四即可获得课程脚本和视频讲解,零基础可学会保姆式讲解,一对一的指导,可推荐发表 ici。 我们 b 站的视频仅用于展示脚本操作过程和英语速度,苹果电脑和 windows 电脑都可以操作,可用于快速发表 s e i 会员课程会保姆式讲解代码和一对一指导。那么这是数据库的网址,我们点 点开的话, ok, 我们主要是通过这个数据的数据库来,那么也可以通过这个数据库来啊,那么这个数据库的话,我也会教教他怎么用啊,那么我现在主要教大家用这个数据库,好吧,计划是最常用的,我们打开它, 然后这这就是他的一个首页啊,首页是这样的,点他,他可以复制粘贴到这里来。 ok, 那这是我们搜索框,比如说我们的文献,我们可以看到文献里面,哦,我们要做这些数据,对吧?这些话数据都要有,比如说这个 l、 d, l c 的这个数据, 是不是还有还有这个 c、 h、 d 的数据,这就是菊花石的数据啊,先把这些数据把它搞定,那么这些都是通过降低,因为这个阳性的这个药物它都会降低低密度脂蛋白,对吧? 这个暴露,那我们通过这个暴露来找相应的 s n p, 来找这个药物周围的 s n p, 啊,你记住了吧?为什么这个药物会治疗这个疾病? 会造这个疾病?他不是直接作为这个疾病,他是通过降低低密,知道吧?就是通过改变这个暴露,改改变这个暴露来影响我他的结局,对吧?所以我们要找这个暴露的 s n p, 然后 s n p 的话, 再找到这个药物作用的作用的这个 s n p 的这个位置就行了。 ok, 所以我们要第一要看一下这个单词是啥,比如说这个低密度的,呃, l d l c 的话是,呃, 对吧?这里,这里有,对吧?然后我看这文章里面有,大家也可以去百度一下这个疾病的民政啊, 都得有,对吧?对应的啊。第一个是 d p 指南白,所以我们可以去搜一下,到这个网上去搜一下,然后这也特别注意哈,比如说我们直接这样搜的话, 呃,有可能没有,没有,没有的话就有可能,什么呢?就是你的大小写错了,或者你多了个横杠,都有可能,所以大家要去不不不停的变,你看这样就有了,但有,但是我看他文章里的话,文章里的他不是用了这个数据, 呃,他用的是,我自己都总结了一下,比如说他用的是这个数据,那么他用的这个单词是这个单词,他 三个三个横杠,三个横杠,所以你多了个横杠,少个横杠,看到没有?一个横杠,两个横杠,这样的,等一下啊,这个不要 这样子,找到这个数据,对吧?所以我我特别强调一下,就是我们做这个 g y 的数据的话,那么你怎么去找这个 g y 的数据? 那么我们一般是搜索这个关键词,对吧?但是他关键词的话有很多种变动,比如说大小写错了,或者他他有别的名称错了,那么你就再去搜一遍,晓得吧?比如说我们刚刚刚刚找的,你没有横杠的话, 没有红包的话,你就收到四五个,对吧?我不是说那些数据不能用,那些数据也能用,也可以用,比如说这样的, 对吧?这数据能不能用也可以用,对吧?而且他样本量也是足够的,说,我们一般都找一一个是他时间比较近的,比较近的,第二他的样本量比较大的,对吧?然后他又是属于我们这个,呃,疾病,或者说我属于我们 这个暴露的,知道吧?那我们就以我们这个范文用的这个数据来为例,然后大家就可以把它复制下来。为什么把复制下来呢?呃,就是你知道他的信息,你知道他的样本量还有 sm 的数量,对吧?到时候如果文章里面需要用的话,你也可以写进去。因为有的时候你在描述这个数据的时候,有的人他不会把这个 id 告诉你,但是他会把这个生活塞子告诉你,还有这个机构告诉你,那么你通过这两个也可以找到这个,对吧?就可以判断出来,对吧?然后把它复制复制粘贴到这里去,对吧?然后然后呢?我我这里就把这个表格把它做一下,怎么怎么做呢?这这里是药物的八点, 第一个,第二个,然后这也是暴露,暴露的话它还有还有个 gios, 还有个 gios id, 然后暴露的专业是是这个,然后它的 id 是这个,对吧?然后他暴露的话不是只有这个 l、 d、 e、 c 杠 c 吗?对不对?我做做找一个就行了。然后疾病有很多,疾病有很多,我我就找第一个疾病,呃,一个阳性对照,我放到这里来了啊? 阳性对照,其实你可以放到这结局,放到这里来,结局是包括本身的疾病和阳性阳性对照哈。 啊?这这个测试结局就是我们需要研究的这个疾病,那么还有阳性对照,我们可以先找阳性对照啊,然后也是一样的在里面搜啊,复制复制一下,呃。然后放学搜自己搜,对吧? 哎,这有很多很多,对不对?很多的话,呃,我建议的话,你们就自己把它复制粘贴到 excel 里面。就是你做我们选的时候肯定是选, 呃,一个是数据量大的,第二是离离现在比较近的。还有一个呢,比较重要参考就是别人用的是哪个数据,你也可以用,是吧?也可以去用,所以你觉得做这个数据不行,那你就做这个数据,对吧?换一个数据,其实这两个数据是一样的,发现没有一样的啊? 比如说我做这个数据不行,我就做这个数据也是一样的。为什么?你是阳性对照,对吧?阳性对照物的话肯定是要有因果关系的,对吧?因在实验证实是有因果关系的,对吧?所以要做出因果关系。所以我们以文章中的为例,是选的这个。呃, a u 大 a 杠七放这里,所以我我把那个把它复制到,呃,我们这一代了啊,这里,对吧?复制到这一代了,这个数据, ok, 那么接下来这些也是这样子,比如说 第一个疾病是这样的,你后面括号里面比较好,后面括号是为了让大家知道他是什么东西啊,一个检查,你把前面的这个查到单词,把它放到这里来搜索, 然后你把这个选中,复制粘贴到 excel 表里面,然后,然后为什么你不需要在这个网络里去查,知道吧?在 excel 表里面就可以看到有这么多,对不对?然后对应的是这个疾病,那我选其中一个疾病,一个样本量大的,离线比较近的, 那所以我选了那个幺五六,对吧?幺五六,幺五六是那个文章里的啊,文章里就是我们范围里面他才有这个数据,那么同学们也可以用用这个新的数据, 新的数据去做,放在放这里去做也是可以的哈,就是你觉做的时候有没有做成功,你就换一个数据去做,也是可以的啊。 ok, 比如说这个类风湿性关节炎也是一样的,把复制一下 粘贴到也许,哎,有这么多的吧,有六页对不对?你选哪个? 也是那个藏獒,一个是 number, number 是比较多的啊,生活设置比较多的,还有就是这里描述跟我们疾病啊,是一致的,对吧?然后还有个参考的就是文献里面用的是哪个数据,用的哪个数据比较多,那么你就用这个数据, ok, 那么后面的有就是这样找,找完之后呢?我们,呃,这节课就基本上就完成了,那么找这个的话,大家可能花个把小时就找完了, 对不对?所以我们在做这个梦的时候,句话的分析,一定要站在矩阵的肩膀上去思考问题啊,不要自己瞎琢磨对不对?而且要有一定的这个灵活性,变动性啊,变动性。 那么还有个就是呃药物疾病把点的位置,那么把点位置我这里就搞搞了个网址,大家直接复制粘贴一下,然后把这个药物对应的把基因把它放到等号的后面就可以了。 好,这就是其中一个 e g g 的一个啊,这个把经,那么我们需要知道几个数据到我们的课程来源于生性师学, 欢迎大家关注微信公众号, bfici, 回复 m 四即可获得课程脚本和视频讲解,零基础可学会保姆式讲解,一对一的指导,可推荐发表 ici 我们 b 上的视频及用于展示脚本操作过程和英语速度,苹果电脑和 windows 电脑都可以操作,可用于快速发表 sci 会员课程,会把模式讲解代码和一对一指导。 ok, 我们来接下来看一下这个药物它的相关的信息,把点相关的信息什么进行找,就是我们这个药物啊, 呃,他这个把点,嗯是非常好找的啊,就是你去百度里面搜索一下,或者说在其他网上搜索一下,就就能找到这个药物他对应的把点是什么啊?因为他研究是很清楚的,尤其是这个西药,他对哪些把点起着关键作用。 那么找到这个把点之后呢,我们还要找这个把点所对应的染色体的位置,那么大家大家就可以直接复制这个链接,复制这个链接之后呢,把它粘贴到我们浏览器里面,就这里啊,然后在这里面搜索其一的名字,或者说 直接点开这里就可以了,大家看发现没有?这是个等号,对吧?后面是记忆的名字,我点开它, 点开之后呢?呃,大家看到哈,这里就有它染色体的一个位置,是第一个染色体,然后它的位置是这里把它复制下来就行了。我们一般是用这个数据, c h 三十七的数据,为什么这个数据呢?就是我们前面做,呃, 前面做这个 gwas 的时候,呃,它 gwas 的数据一般是就是这个哈,这里面的数据一般是那个三十七的数据, 比如说我们我们搜一搜一个哈,比如说这个搜一下啊,搜一下我们就知道了, 呃,不对手,点开它,点开它之后呢,我可以看,呃,里面,对吧?是这是 c h 三十七的数据,看到没有?这可以看得到的,看得到的 可以看到这个数据的详情。呃,所以我们在这里选择的时候,呃,肯定是选择这个数据库匹配的,大家把这个数据把它复制下来就行了,复制下来,因为我们在代代码里面要用到,大家记得这个事情啊,然后如果你要换一个基因的 话也是一样的,比如说这个基因对应的基因,这个药物对应的这个八点是这个啊,然后呢也是一样的,你在这里搜,也可以直接在这里搜收取, 帮我点个赞。 然后也是,对吧?把这把它复制下它的第五个染色体,然后 这个位置有两个位置,一个是起始位置,一个是结束位置,对吧?一看到起始位置和结束位置第五条染色体,所以我们要把这个数据把它拷贝拷贝下来就可以了。 好的,关于这个, 关于这个暴露和结局,他对应的 这个 9 bus id 的获取,数据的获取,我们就就去到这里以及这个白点的位置,我们去到这里。好,谢谢大家。 我们的课程来源于生性师学,欢迎大家关注微信公众号 bf ici, 回复 m 四即可获得课程脚本和视频讲解,零基础可学会保姆式讲解,一对一的指导。可推荐发表 ici 我们 b 上的视频及用于展示脚本操作过程和英语速度,苹果电脑和 windows 电脑都可以操作,可用于快速发表。 si 会员课程会保姆式讲解代码和一对一指导。

哈喽,大家好,我是邓飞,我们今天来看一下如何用代码实现吉瓦斯分析的可视化,包括 qq 图和曼哈顿图。那这边的这一个图呢,就是我们的这一个曼哈顿图,你见过的曼哈顿图可能都是 平面的,然后这个里面呢是一个圈图,可以看到圈的一部分都是染色体,然后这个图是非常炫酷的,这个里面呢也是曼哈顿的一个不同的点,不同的是呢,他变成了一个圈,然后不同的颜色呢,里面是他的一个闪电图。 嗯,相关软件呢,我们常用的九八式分析软件,比如说该贝特 mvp 以及这个加马其 cta。 那前面两种呢?他是可以出图的,后面两种呢,他会给出结果。那可是话呢,你需要自己去做。呃,无论是 可以自动出示的软件呢,还是需要后期自己做出的软件,我们都需要掌握。嗯,吉瓦斯分析的可视化的一些。嗯,做法。那我们本次的这个教程呢,就是带领大家使用这个二语言来做这个吉瓦斯分析可视化 啊,我们用到的这个软件呢,第一个是 qq 慢,第二个呢是 cm plot, qq 慢的安装呢,可以在 crn 里面进行安装。呃,那相关的代码呢?我也放在这个评论区里面。嗯,他的这个出图的风格呢,是下面的这一个,左边呢是 左边呢是这个 qq 图,右边呢是这个曼哈顿图,这是他的一个图图的风格啊,这个风格呢,他是比较比较简洁的,但是呢美化呢还是有待提高。那第二个呢是先 plot 呢,也可以在 c 案里面进行下载。嗯,下面呢是他图纸的一个风格,可以看到这个他呢加了一个自行区间,而且他这个颜色呢也没画的更好。下面呢他也给出了这个 icp 的密度图,就是非常完美了。 嗯,除了这一个常规的这个 qq plot 和这一个曼哈顿 plot 呢,这个仙 plot 呢,也可以出下面这个图,比如说这个 snp 的密度图,以及这个圈形的 这一个马哈顿图。我们使用的数据呢,是 qq 慢里面的一个实际数据,我们呢使用的一个 qq 慢和 samplot 呢,用同一套数据进行可视化。 qq man 呢,它这个使用的方法比较简洁,它的这个 qq plot 呢,对应的这个对象呢,就是它的一个皮质,我可以看到它已经绘制出来这个皮质 曼哈顿图呢,他是直接默认的一个数据数据级,如果你这个数据格式和他不太一样的话,你也可以指定的这体育物的位置和皮质,他就可以进行绘制。 嗯,下面呢第二个呢就是 samplodsamplod 的会的方法呢,也比较简单,就是使用这这边一个代码,他就会绘制这个 q plot, 可以看到 他这个有自行区间在里面,就是更加方便。在不同的点呢就表示不同的 s p 的批值,然后横坐标呢是他的一个均匀分布的一个一个一项的期望值 理论值,然后重坐标呢是他实际的一个字,这个 x 和 y 轴呢,都都进行了福拉格斯转换,就是更方便查看。 我们如果可以比较 qq plot 和 cm plot 的话,我们可以看到他的这个 qq 图,呃,整体结果是一致的。说不同的是呢,这个 cm pro 的画的图呢,他又增加了一个咨询,期间在里面就更美观一点。 曼哈顿图呢,他这个 cm pro 的这个代码呢,稍显复杂,就是你要去定义他的一个预值,以及他的这个颜色的一个分布, 这边呢就是一个视频代码,我们可以看到这个颜色呢,有不同的染色体,是不同的颜色,可能其中颜色不断的叠加,那这个第三条染色体呢,我们可以看到他有显著性的点,他就有两个指可能一个是 呃五左右,一个是七左右,那可以看到他有不同的颜色,比如橘色、红色来进行表示,这样的话他会给出来相当于是不同的显著性的这个点,用不同的颜色来进行表示, 更美观一点。这是 simple 的和 qq man 的软件的一个对比,它的结果是一致的。 真 plot 呢,也可以进行一些高级功能的一个绘制,比如说这个 snp 密度图,他呢会将这个 icp 在染色体验的一个分布呢,用一个可视化的形式去进行展示,就更直观一点。 另外呢他也可以进行环状环形曼哈顿图的一个绘制。环状曼哈顿图呢,他呢是将这个每个染色体汇成一个圈,然后里面的这个图呢,这个点呢向里面去进行扩散, 就比较直观。这个是从里到外的,我们可以进行调整,比如说我们增加一个密度图上 这个代码,他就是从外向里的一个一个点的一个绘制,就是非常美观了。那这样的话我们推荐大家使用 qq, 那这样呢,我们推荐大家使用 samplot 去进行绘制。吉瓦斯分析的一个可视化,可以看到它这个功能还是非常高级的。另外呢, samplot 还有一一些啊,我这里面没有设计的一个功能,比如说是多性状的这个 qq 图合在一起,多性状的这个曼哈顿图合在一起, 那这样就非常强大了,就是你的定制化程度非常高。好的,呃,本次的这个所有分析的这个实力代码呢,我都放在这个评论区,也欢迎大家点赞。好的,谢谢大家。

大家心中肯定有个疑问,舞会编程能小进行声线分析吗?答案是肯定的啊,真香。哎呀,先通睹咱要文章是关于是贴数和整合数结合构成,磨蛋白用到了小组和引体数据,都是公共数据。固法学这部分主要介绍磨蛋白在心血管疾病中的机制。 利用 gtx 数据库画出心血管疾病中是铁树和整合数相关基因的表达业图和主要基因在不同组织中表达差异,主要基因的平均表达水平。 使用 vd app 数据库进行过分析,鉴定基因与表情间的关系。文章亮点高,表达基因及其对应的表现。 关键基因负极到的通路,文章不用测序不用编程就做到了差异分析,不会是通路负极等生性分析,对生性初学者十分友好,可以借鉴。

哈喽,大家好,我是黄蜂基因的基础总监,黄蜂基因铸造成功的您。那在这里给大家介绍一下这个一个软件包可以这个用于这个呃, guas 的一个 可是画那这个我们看一下啊,九二四是一个什么事?什么事情就是是这样的啊。 g 二四就是全基因组关联分析。那他是一个什么?他是在某个特定人群中研究遗传突变和表情之间的相关性,也就是基于基因组的一个分析。然后呢,九二四的这个理论基础就是连锁不平衡 定律。这个 ld 的一个原理就是啊,几个在某一个小的区域当中,几个关联性的这个 snp 啊,假既假设观察到 snp 与真正的治病基因之间存在很强的 ld。 全基因组关联分析 是对多个个体在全金组酸维的遗传变异多肽性进行了检测。 snp 的检测获得金形,进而将金形于可观测的性状 即表情进行群体水平的统计学分析,根据计量或显著批值,筛选出最有可能影响该性状的遗传变异 snp, 挖掘与该性状变异相关的基因。因此这个 gps 分析需要我们的这个 数据,就是金形和这个表情的数据,那就是一个 snp 的这样的一个数据。那我们今天呢就来看一下的可视化。那在这里面呢,我们看到这张图啊,就是这个软件,他可以生成的一些可视化图形。如果有相关这种疾病的, 基于这个吉瓦斯研究某些疾病性状的,可以这个使用这个软件啊。那这个绘制完之后呢,在你的这个文章当中也是呃占着主角的位置。 那我们看一下那这样的一个这个图,我们该怎么绘制啊?我们看一下啊,软件安装就是这个 cmplot 啊,很简单,安装一下就可以了。然后我们开始绘图,他绘图呢就是一个读入数据, 我们看一下这个数据的这个格式是什么啊,在这个做的过程当中,他有很多很多的参数啊,就比如说这样的这些参数呢,细节就需要大家自己去这个研究,因为他就是 太细节化,在这个课程当中是很难跟你讲的很细的。比如说我们看第一个数据集,嗯,第一个数据集看他的格式 就是这样的,第一个是 snp, 然后 cromson 和 c 神,然后就是 treat one two two three three, 这个就是他的样本的一个信息。 然后呢,每一个值就是 snp 的一个这个频率,一个频率。嗯,通过这些数据呢,我们会制图形,嗯,看一下图形, 就是右侧的这个图形,看到没有啊,不同的这个染色体用了不同的颜色。然后看这个上面的标度,就是有他的这个这个竖直,有他的这个竖直啊,那在这里面的话,他应该是 五六是吧,就是一个这个竖直。嗯。然后呢,再看另一种画法,他这里面的话就是这个太婆和这个 plus 点太婆,他们是配合使用的。那再我们再看一下另一种画法, 他画这个圈图的话,就是这个 last 点 type, 就是 cc 口的这个。然后我们看一下这个图绘制出来了, 然后下一个啊,这样的啊,对,是这个啊。在这个上面基础上呢,我们对他进行了一个这个呃,填补颜色对吧。啊,这是那个第二个,这是第二个那个 第二个,他是绘制了这个披植,增加了披植的绘制。啊,增加了披植的绘制,我们看一下这个 pv 六,增加了披植的显著性绘制。那在这里面的话,我们可以这个选, 选到这他的批值是多少,他是帮你有计算出来的啊。显著性的放在这里面。然后呢,第二个,第三个我们看第三个,就是在这个基础上对这个染色体进行了配色。 染色体进行了配色,我看一下有点慢。那这里面其实是出现了三个这个图形啊,一个是这个 samatica sales school, 还有这个 milkyou, 还有 fighter 三 k, 这是他的一个参数值。一个参数值可以看一下 啊,因为这个图比较大,比较慢。嗯,然后呢,我们继续 这些细节的话,都要根据这个他的这个东西去做。那这种呢,就是典型的这个曼曼哈顿图,就是水平的水平的。你看这个染色体,一到这个 y, 一到 sy。 嗯,上面呢,就是那种圈型的。然后呢,添加显著性。 这个这个里面可以添加他的显著性,并且标上他的这个点啊。 这呢,这个 signal 点咖了,选择 red 和 green 啊,不一样的这个显著性。嗯,下一个呢,就是添加这个呃,某一个样本的显著性。他这个选的是 twitter, 我们看一下啊。 啊,然后选择的是十三号染色体在什么位置,什么区间啊,自己觉得塞一下。 我们看一下最后的结果图啊,就是这样的,就画出来了。他的这个显著性的是绿色的。 嗯,我看一下这呢,拍 light 点咖了和绿色。那下一个我们再画一下,根据这个批值的。 哎,就是这样的。然后呢,我们再画一下,这个是根据什么的?这个是画图的,是 m 类型,就是曼哈顿吗?这个 plot 点 table, 呃,点 type 就是曼哈顿图。就是这样的曼哈顿图。 然后 c 的话就是圈图。圈图其实也是嘛。对啊,变颜色了是吧?这是显著性的。然后呢,在这个十三号染色体某一些位置进行绘制。 嗯,再看这个是选择显著性,选择基因。我们往这个呃马哈 顿涂上添基因。 哎,这样呢,我们就把这个基因的这个呃标号填在上面了啊。然后呢,我们再看还有什么 哎,这是他的一个这个显著的一个区域对吧?啊,取了一个闹个屎, snp 显著。然后我们再看一下他还能做什么。 嗯,还可以提到中间去。那我们再看啊,他又选了这个三个这样的一个显著性的这个 snp, 每个样本选一个。看一下他画出的结果叫这个 martyre trucks mahattan 啊,对,就是啊,多个放在一起的。然后再看一下。 就是说我们在画这种复杂的图形的时候,唯一要解决的一是两点啊。两点要解决的一是这个您的数据,您的数据呢?要跟他的数据呃一致。另外的话就是说我们需要这个 看参数,就是每个例子当中的参数,你想要做成什么样的,去找这个相应的参数。这样的话就可以完成你这个绘图了啊。这个是比较慢,这个是不落的。点 type 是画呃, qq 图。 qq 图就是相关性那个 qq 图啊,这个是非常非常的慢。稍等一下。 那在做这些图形的时候啊,我们先要准备这个数据,就是纸袜子的数据啊。在准备这个数据的时候,其实很简单,他只是需要这个全金组的这个 snp, 没有全金组,就是外弦子的 snp 数据就可以了。 然后呢,后期的话,如果有需要,大家也可以可以这个给大家增加一个这个九二四前期的一些数据的一些分析的一些软件啊之类的介绍之类的都可以的。那我们看啊,这个比较慢, 稍等一下。然后就是最后两个啊,最后两个稍等一下。这个特别慢,因为他是要画在一起的,然后还要计算一个这个值。 那么大家呢?可以关注还风机公众号,嗯,有这个会图需要呃,这个合作都可以这个来。 呃,找还风机。我们这里面的教程呢,都是免费的。有需要这个代码的可以这个转发公众号的文章到朋友圈,然后加我微信,告诉我一声,我就会把测试数据和代码 一次性全给您。但是呢,我们不包解释啊,不包解决问题。因为这个人力物力这个时间有限,可能不太能给你那么多时间去解释这些事情。 因为他这种做图和代码,他有一些小的细节,可能就是因为你这个基础不是很好,不太好解决这些问题。当你提升一定的这个 呃能力的时候,你自然就能把这些问题解决了。啊。有些太慢了,我们先关了。我看下一个吧。其实差不多 哎,就可以了。这个就是 qq 图的一个,这个画法, qq 图的就是三个画一起,或者每个单独画,这就是 qq 图啊。在那这些呢?就基本上就是给大家介绍完了,如果大家想这个,嗯, 想了解的更多,关注官方基因公众号,感谢大家的聆听,再见!

关注失信人的小伙伴大家好,今天分享的这篇文章是关于基因预测的胰腺癌相关血清代谢标志物孟德尔随机化分析,联合了肠道微生物特征的分析。 这篇文章发到了影响因子六点四分的期刊,我们详细来看一下。本文的研究背景为,胰腺疾病可导致血清中及重代谢物水平显著降低, 谷氨酸和胆酸升高。这些循环代谢物参与许多生化代谢,如三缩酸循环和脂质运输,并重塑了肠道微生物群。研究目的是建立遗传基因型代谢物水平预测模型, 并进一步研究血清代谢物与肠道微生物特征的因果关系,以及预测微生物特征水平和代谢物 pdac 二者之间关联进分析。本研究纳入了三个数据级, 包括 twins uk 队列中的受试者数据集。基瓦数据库中选择了胰腺癌病例和其对造的遗传数据集。 fin risk 研究中具有匹配基因组和肠道微生物红基因组数据的受试者的数据集。 基于 twins u k 队列的小样本人群,应用 twas 优选模型估算代谢物水平预测模型,即通过你和基因表达量与基因型的关系估算代谢物水平。对纳入研究队列的八百八十一名受试者的九百零一个血清代谢物进行定量, 筛选出六百四十四个遗传相关的代谢产物。基于目前的 pdac 中鸡袜子数据库能预测的代谢物的 snp 共保留了四百二十个,用于建立预测模型。接下来,作者从鸡袜子数据库中 选择胰腺癌数据集中的遗传数据,将代谢物遗传预测模型应用于 p d c。 风险的 g v s。 统计分析。统计方法采用 t v s fusion framework 评估预测代谢物水平与 pdac 风险的相关性,发现有五种代谢物在 fdr 值小于零点零五十,与 pdac 的风险相关。 除 y b m i。 年龄排名前十的主要因素后,作者使用 logis 的回归分析评估了预测代谢物水平与 p d a c。 风险的相关性。 上述的方法得到的五种代谢物都显示出了与 p d a c。 方向相同的显著关联,其中两个是二肽谷氨酸和谷氨酰谷氨酸。这一结果提示多肽可能在 p d a c。 的发病机制中起重要作用。为了弄 清楚代谢物 p a c。 风险之间的关联与特定的微生物特征的关系,作者进行了预测代谢物水平与微生物特征水平之间的关联分析,以及预测微生物特征水平与代谢物水平之间的关联分析。 最后,作者预测了重要的微生物特征水平和 p d a c。 之间的关联分析。分析发现,叉二幺八四九的预测水平与一种微生物的相对风度成负相关,而这种微生物的预测水平与 p d a c。 风险成正相关。 此外,采用 egar 回归检验对此结果的水平多效性进行检验,发现于预测的叉二幺八四九水平 pdac 风险之间的不相关的结论是一致的。这篇文章 twas 加 jwas 结合设计完整、衔接、紧密,巧妙地将肠道微生物与血清代谢组联合,进一步预测 pdac 风险,值得我们接见哦!今天的分享就到这里,关注生性人,学习更多有用的知识。

本小节主要讲解共定位分析。二、 juras 对 juras 在进行共定位分析之前,如果你还没有了解基本原理,请查看课程里面的共定位原理介绍。 首先第一步需要数据准备。准备的数据是两个 guax 数据,如果都是在线数据,直接输入 id 就可以直接实行。如果是本地数据,则需要整理成模板 s、 m、 p 的格式。 这里的数据兼容可以一个是在线数据,一个是本地数据。这个在代码包里面都做了处理,执行的代码也是非常简单,只需要一行。 接下来可以看一下这个方法的参数解释。可以复制这一行的代码 到 i studio 中执行, 就可以在右侧查看到对应方法的具体参数。还有具体的作用。 这里的功能就是从 gwass 中挑选的最显著的 s、 m、 p, 然后根据默认的五十 k b 的窗口,进行上下范围的 s、 m、 p 数据挑选,最终进行供电位分析。 特别注意的是,这里可以限定基一定的基因范围,如果没有限定的话,它会取整个 gbas 最显著的 hmp。 一般我们进行分析的时候, 一般我们分析的时候不需要进行这一步。 还有几个特别需要说明的参数,就是 dress type 一、 dress type 二。如果这个数据都是在线数据,则不需要填。 如果是本地数据,需要区分表情的类型,传入表情可以填 c、 c 或者 q、 u、 a、 n、 t。 接下来两个数据也是,如果是本地数据,需要传入这两个参数, 它是分别代表。如果是,如果表情是 c、 c 类型的时候,需要传入的笔值。接下来讲解一下怎么使用这个方法。 回到 m r 破解这个工程里面,首先要 library mode r, mode r 里面所有的方法都需要先 library mode r 包才能使用里面的具体方法。首先第一行是 两个 gbox, 都是在线数据。我们从 i e o 汇总网站里面找到想要做的两个表情,然后填入到对应的位置,之后点击 rank, 左下角的 closeto, 里面会输出具体分期时候的日子。 分析完成之后会输出具体的供定位结果。还有右侧的可视化分析图。在本地的工作目录里面, 在本地的工作目录里面可以查看对应的结果。从日志中可以查看到他输出的路径。在本地工作目录里面找到对应的路径, 里面会输出共定位的结果。两个 juas 作为 clock 包共定位分期时候的格式的所有数据。 然后可说话分析的图,这里的结果可以看到它 的 h 四,这个结果是百分之九十七,所以这两个计划数据在区域范围内共享。同一个变异位点 点开可说话分析图,可以看到它最显著的是这个 i s i、 d, 里面是它具体的供定位所需要的格式数据。 共定位的所有方法都支持在线和本地数据的混合运行, 问的阿包都对这些数据进行了预处理,所以可以很方便的一键进行分析。

大家好,我是懂一点声信。这期我们将进行模块化学习声信之 gsea 原理与实战。本期视频将分为五个部分原理优劣势、结果解读、应用场景以及实战。 在正式之开讲之前呢,我们先看一幅图来阐述我们为什么要做 gsa。 首先我们看通路 a。 我们假设这里边的小圆圈是通路 a 所包含的所有基因,那蓝色的小圆圈代表下条,红色小圆圈代表上条基因。 那么大家觉得这种情况下通路 a 是到底是上调呢?还是下调呢? 其实传统负极分析他根本不考虑基因表达量的变化趋势,而核心算法只关注这些差异基因的分布是否和随机抽奖得到的分布。 即使在后期绘图时,在通路图上用不同颜色标记了上下调的基因,但由于我们没有采用有效的统计学手段去分析某条通路下的叉一金的总体变化趋势,也就使得传统腹肌分析结果没有办法判断 通路 a 到底是上调还是下调。那接下来我们再看通路 b。 所有通路中的基因都是处于微弱的上调趋势,但是起 log fc 值只有零点五。那我们知道传统负极分析只纳入我们认定的差异基因, 通常预知为 logbabc 绝对值大于一,也就意味着通路币的基因全都不会被纳入分析,自然通路币也不可能被负极分析检测到变化。那我们可以想象一下, logby c 值为零点五,也就意味着实验组表达量为对照组的一点四一四倍。生物体内有些痛苦,即使只有微弱的变化,也会对生物体产生重大影响,那么透露 b 所有基因都变化一点四一四倍,是不是也有可能扮演了很重要的角色,但是它并不会被分析到。 而这也就是我们为什么要在常规负极分析之外纳入 gsea 负极分析。那接下来我们看一看 gsea 负极分析是否能规避这样的问题。 首先我们看它的定义。 gsea 是用来评估一个预先定义的基因集在于表情相关度排序的基因表中的分布趋势,从而判断其对表现的贡献。啊。这句话看起来很拗口,但实际上呢,这个 所谓的表情相关度排序,说白了就是劳改 c 值。而前面的这个预定意义的基因及,其实就是比如说 gokg 这些数据库中的某个通路或者细胞组分啊所包含的所有基因。 那总结起来就是 gsa。 它是分析某个通路或细胞成分等包含的所有基因的 logsc 值的分布趋势,从而判断其对表情的贡献。 比如某条通路大部分基因 logo c 值都大于零,那我们就可以判断这条通路在实验组其实是上调的。 那接下来我们总结一下 gs 一与常规叉一基因负极分析的区别。首先,常规的叉一基因负极分析,它的特点就是通过 fdr, 也就是矫正的壁纸和 logwc 纸来筛选叉一基因。然后基于叉一基因进行腹肌分析。那么它的优势很明显, 可以直接定位差异基因的具体功能及其参与的生物学过程,并且图片形式多样化,比如说气泡图、圈图、闲图等等。那它的劣势也同样明显,就是我们前面提到的两个问题, 第一个无法描述对应功能整体的表达情况,第二个就是不会纳入谕旨以外的基因。 那我们再看 jca, 它的特点呢?是通过所有基因的表达情况来评估定义基因及是否在实验组和对照组中呈现显著上调或者下调的趋势。 那他的优势就是能够检测出一些微弱但一致的趋势,让一些差异不显著却有重要生物学意义的基因在负极分析中做出贡献,并且可以描述功能通入整体的表达情况。那他的缺点就是可视化形式单一 啊。主流的 gs 一结果图片就只有这一种。最后就是分析结果的解读。 首先我们看右边 gs 一结果,我们可以从下往上看一次分为四个部分,第一部分就是这个部分灰色面积图,第二部分是这部分热图,第三部分就是像条形码一样。去第四部分就是这条折线图。 我们从下往上看,最下边是灰色面积图,那这部分他主要是表现的所有机呢?一个 logofc 值的情况。那这部分再往上热涂。这部分主要是通过颜色来表现基因的表达差异。红色部分的基因,这部分的基因都是上调,蓝色部分的基因都是下调。那这部分其实是和 log fc 值是相互对应的,也是这两部分相对应。 那这两部分呢?它的作用主要就是作为对照,帮助我们了解负极皂基因它的一个 差异表达情况。再往上像条形码一样的区,这里每条竖线都是该通路负极到的基因,重点关注这些竖线的一个分布情况。 比如这幅图,大部分基因都位于蓝色部分,也就是 logafc 值小于零,那也就是说下调。所以这条通路最终结果大概率也是下调。那么再往上就是折线图, 这里是结果最重要的部分。这条直线其实是将每个基因它的一个负极平分相累加的一个结果。 那这条直线其实是有一个峰值的,一直位于这个位置。我们看它对应的数值是负零点三级对吧?那也就意味着整条通路最终的负极评分就是负零点三级。 除此之外呢,这个峰值我们看峰值这个位置。我们前面说了,这个大部分金,它都聚集在 蓝色部分对吧?那峰值之后的蓝色部分,这部分基因就是一个核心基因。那如果这个通路是一个上调的情况,那这时候就是这个峰值前面所对应的这个上调部分的基因就是一个核心基因。那 核心机呢?他越稠密,代表这条通路负极更具有。生物学医其实很好理解, 就拿这条通路来说,因为这条通路是下条的,那么是不是如果绝大多数基因都无于下条区,那负极的结果就更可靠呀? 所以我们这部分如果是核心机越稠密,他的这个中学一就更加明确啊。本期视频结束了,然后下期我们将带来 gsea 应用与实战。



在有限员的边缘疯狂试探,有些人仿真就像是女神工程师,讲起来多少有点兴奋或者眉飞色舞。但是 真正让你追求的时候,大多数工程师就开始退缩了,因为学习过程中会遇到各种问题,不如准不准啊,编辑条件啊,工况简化啊,理论背景啊,甚至软件操作啊等等啊。作为一个几个工程师,有些人分析是必备技能,怎么在工作中有效的使用。有些人 说,什么场合我们会用到有学员分析啊,我大概总结了六个场合,我们需要用到有学员分析。第一个就是设计验证啊,大家设计验证我们的目标是有效的减少样机数量,传统的验证方式主要是以样机和手工计算的方式为主,这个成本高,时间长,可以验证 方案也比较少啊。当然也有企业不做设计验证,那这样的话对企业来说更是在崩盘的边缘试探啊。这是我们调查的,看出 物理原型和手工计算遇到的困难。第二个答案就是新产品研发完成新产品研发可以模拟测试产品在各种空号下的使用状况,这个来讲,对新产品来说,尤其是我们的新的一些。呃,设计方案怎么评估啊?这就涉及到第三个问题了, 有效的评估几个工程师提出的各种创新的结构,满足我们需要要求的一个结果啊,满足我们设计的一些要求。第四个就提供优化的思路和方案,因为优化模块可以根据多参数的一个 范围,自律条件以及优化的目标找出最右方案啊,因为我们在设计过程中,实际上都没有办法让每一个环节都达到最佳, 我们需要的是每一个条件在一起的时候寻找的一个最佳的一种方式。第五一个就是参数的确定。在日常的设计工作中,参数的确定大家都是有原有产品的类比或者工程经验来确定,可以使用有学员分析来做数字计算, 提供设计参考。第六个就是产品的问题分析和质量治理。如果产品出现了质量问题、测试问题,其中设计是否考虑合理是我们必须考虑的一个环节。 以上这些场合直接决定了企业的产品质量。第二个就是我分享一些我们学习 solowax 的审美类型的一些心得。工程是在实际操作项目的过程中可以说是频频报错,主要原因是我们的分析流程不清楚,分析我认为是一个逻辑性很强的过程,没有全面的流程的思考得到结果 呃,是很难的。我们把分析过程分为四个大类,第一个类就是分析方案的构思。首先我们应该确定分析的研究对象和目标复杂的问题,我们应该把目标分解成许多个项目来研究,有了这些明确的构思之后,我们才能确定会用到哪些分析类型以及 后续简化的依据。分析的验证和依据也是容易忽视的,因为我们时常没有明确的依据和验证的办法。我建议可以从两个方面入手,第一个就是相关的行业标准啊,比如震动实验的国家标准,验证部分我们应该结合以往的实验数据以及产品实际使用的反馈来做 完善啊,这是两个方面要相结合。第二个就是分析的简化,但是简化的目标是突出重点,更有效的得到模拟的结果。在这里的话,实际上有两个方面的,一个一个意思,一个是理论的一个,一个 简化,另外一个本身是软件方面也需要做一些简化。举个例子,比如我们常见的简化就是几个模型的简化,去掉影响不大的细节特征,这样的话会让我们的仿真更有效啊, 效率更高。实际上我刚刚讲了我们的观点,就是理论简化,比如说我们的约束载和街头形式接触类型,以及确定用哪种单元,实际上都是一种简化。必须用了合理的简化,我们才能顺利高效的完成仿生分析,同时也可以获悉与真实公况的差别。这个 所以说简化是仿真的必须的。第三个在软件里面完成设置,这个环节其实难度并不太大,我们有许多教程、视频、帮助文档都可以帮助我们完成分析设置。 其中最重要的两个环节,一个是网格划分,第二个是分析的一个设计网格划分的目标,我认为只有尽量少 好的网格而得到最佳的一个目标词啊,而不是我们说的网格是多多益善,用网格的多少直接影响整个计算的一个精度呃和计算量。其中我有一个这个经验,是我们大多企业,尤其大多制造型企业在做这个项目的时候,如果 一次分析计算超过一晚上,有八个小时,基本上需要一周才有可能完成一个分析项目,这样对于整个项目来说压力会非常非常大,所以我们要根据实际情况做取舍。第四个就是结果判定和后处有序分析的过程,一定 是一个迭代的过程,需要多次计算多个方案的一个计算才能得到一个我们可以接受的词,所以我们,呃我们做有序员分析的时候,不是一拿到模型就知道网格化多大,到底我们计算出什么样的结论,我们是可以结,我们是可以接受的。这一方面其实我们, 呃其实我也不知道怎么讲比较科学啊,因为可能,呃这个话题比较复杂,只能说综合判断啊,我感觉这是一句废话,不具备操作性啊。我列下了以下方法可以供大家做参考。 重点考察简化的地方,这是对结果直接影响的地方,比如编辑条件的一些设置,编辑条件的简化,理论的简化。第二个网格划分,因为 我们的有些人分析网格是我们克服我们整个呃有些精度的一个最重要最重要的一个环节啊。所以说比如说网格划分的时候,我们 在逆逆温度变化气度比较大的地方,应该尽用尽量力的一个网格来完成真实的一个结合体的表达。当然比如说圆角的地方,我们应该小于圆角大小的一半,这个 基本的要求,比较板厚的地方,我们至少要在板厚的方向上至少有两侧一侧网格,因为他才会有提度。第三个房间有个传闻就是工程师的经验值做参考, 就是对比印尼纸和拨接纸啊,就是对比印尼的拨接纸和单面纸之间的差距不要超过百分之五,我认为这个时候我们可以认为网格的细化是到位的。第四个就是查看位移的一个传递,装配体里面有两个相邻零部件发生位移的一个突变,或者是没有位移的传递, 应该是这里的接触关系设置不正确。当然我们可以做个频率分析,看一看模态结合的地方是不是发生一起震动。第五个是通过工程经验,真实的物理测试或者实际使用的反馈来验证你的分析趋势对不对啊?当然对错的判断还需谨慎,你以为是真的,不一定是真的, 就是说我们一些经验会欺骗你,那我们实际上需要明确整个分析流程,以及整个分析流程里面的一些逻辑, 我们才有可能得到一个比较满意的一个结果啊。这个当然我把整个分析的一个啊,每个环节里面的一些要求啊,做了一个思维导图啊,但这里话不详细去讲了啊。第三个内容就是我们理论背景, 理论背景的学习绝对是一个大坑啊,想认真学习一下,发现分分钟蒙圈,不学习又始终理解不到这个细节。我 总结了以下几个方面的理论基础。第一个就是我们的强度理论啊,因为这个会知道你来怎么来判断你的这个结果啊,怎么来使用你的法则分析的这个这个数值的一个计算,这是其中第一个。第二个当然我们需要的是印尼应变这些材料力学的基本内容我们是 应该知道,呃,重点是我们需要掌握竞技学的三个理论假设可以帮助我们正确的判断需要哪种分析论型虽然看起来比较简单,但实际操作的时候而问题还是比较多的啊,比如说这个小变形怎么判断等等。第五个内容就是我们的圣未来原理啊,当然要 讲清楚生活的原理实际上比较复杂的啊,但我认为他是一个比较重要的理论,可以帮助我们理解如何做进一等校以及如何去我们 做边界条件的一些简化。比如说我们需不需要呃单独划分接触面来完成约束和载荷的添加啊?这个和实际情况来讲啊,会有些趋势啊。这块呢来讲的话怎么要选择? 我认为思维的原理给我们提供了很大的一个理论上的一个帮助。呃,接下来的话我还是给一些我们本身学习审核性的一些方法建议吧啊。第一我认为我们应该以工程实践 为主,理论了解为辅。我们经常听到一个说法,因为软件实际上是个工具嘛啊,我们所有的能力都在软件之外啊。当然这个话题的话我认为他也不能够 啊,也不是绝对的啊,因为我们的软件实际上是我们工程实践的一个结果,就是我们实际上软件里面已包含了我们基本的工程实践的一些 呃,一些套路和一些东西,像是前辈人总结下来的东西。所以你对一个小白来讲你先学习软件,先学习软件里面的算力,他对你来讲就已经是站在巨人的肩膀上啊说,所以说第一个啊,第二个的话我觉得应该要积累我们的一个呃算力和 典型的边境条件啊,因为我们实际上真正的一个现实生活中的一个分析都是很复杂的,那对于我们的设计来讲,从产品来讲 怎么来积累这个算力,怎么样的边境条件是比较适用的啊?这样的话我们实际上完成我们的工作啊,我觉得这一条是比较重要的。第三个要学习帮助文档。呃,因为我们的很多小伙伴是愿意去看视频,很很难去读这个文字性的东西,但实际上我们帮助文档写的非常详细,而 很多问题在帮助文档里面都等能得到答案,所以说我建议大家,呃,可以去在遇到问题的时候可以查询我们的帮助文档啊。第四一个就是查询文啊,查询论文和文信, 我认为这是比较重要的,因为我们现在好多研究生、博士生论玩,它里面实际上有做了好多的一些研究和有训练方法的一些尝试,这样 来讲的话对于我们来讲是一个非常大的参考和保障啊。所以我们需要的是我们在前人的基础上来做一个学习,来做一些进一步的了解,这是比较好的。好,谢谢大家今天的分享,到此结束。

大家好,经过长时期的铺垫,我们已经获得了可以用于后续几万次分析的所有的写变量,那么今天呢,就要用基于我们手上的表情数据进行后续的全金字关联分析, 我们用到的一个全金字管理分析方法还是呃目前为止引用量最高的最经典的 m l m 混合线性模型方法。 那么今天的讲解呢,我们会用两种 m l m 的方法,也就是 p 加 k 跟 q 加 k 的模型进行全第一组关联分析,然后用 r 语言的 q q 慢包对我们的曼哈顿图还有 q q 图进行一个优化。 我们首先还是把我们的经营型数据导入到我们的 topso 软件中,然后针对经营型数据我们进行 行了 p c a 的分析,跟亲缘关系 k 矩阵的一个分析,那么后续我们会导入我们的 q 矩阵,还有我们的表情数据。首先呢给大家看一下我们的 q 矩阵, 它的一个表头,我们需要表头保持一致才可以把这个文件导入到我们的 topso 软件里。 然后这是我们的表形数据的一个表头的格式,后面的 a b, c, d 我们可以替换为我们,嗯,就是实际情况下所记录的表形值,比方说开花结果什么的,我们可以把它进行替换。 然后呢我这边今天给大家讲解的就是我们把我们每一个的表情值 就是单独的,把它就是列为一个单独的文件,然后进行后后面的运行。如果大家还不知道自己的就是表情数据是怎么样的一个格式呢?我们可以打开我们的踏索五的软件,然后他有一个视力的数据,我们可以可以在这个视力的数据里边点开, 然后就可以看到他的视力数据的表头应该是一个什么样的形式。然后按照他视力数据的方式,我们进行自己的调整, 所有的数据包括你的表情数据,基因型数据,情缘关系的数据等等,这些的数据都需要保存为 t x t 的格式。好, 接下来我们导入 open s 一道菜,先导入我们的表情数据 treat a, 同样的我们再导入,可以是 best, guesses 都可以导入我们的 q 矩阵的数据。这边的 q 矩阵的数据呢,我们是我们的群体,是分为了四个亚群比较合适。 导进去之后还有一步就是要在这个 filter 里面选择 treat, 然后把最后的一列 q 四给他插掉点了。 ok, 我们是用这样的一个 q 矩阵数据进行后续的 q 加 k 的 mlm 方法,我们把原始的数据删掉, 然后这些不需要的我们也都删掉他。好,现在呢,我们就可以进行后续的全定的过来分析了。是两种方法,一个是 p 加 k, 一个是 q 加 k, 其实操作步骤都是一样,只是选择斜变量的。 呃,选择的斜边亮类型是不一样的。我们首先选择我们的 p 矩阵,选择我们的表情数据,选择我们的基因型数据,摁 ctrl, 然后把它们三个选择到一起,在这个 data 里边,我们选择这个按钮 intersect drawing, 然后就可以把这些数据把它整合起来。我们同时在选中这个数据,再按 ctrl, 然后再选择我们的 k 矩阵。在 analyse 里边 association, m, a, m, 然后这些就保持默认,我们选择 wrong okay, 它就开始运行了。那么同样在它运行的时候,我们也可以进行别的操作,就是选择我们的 q 矩阵表情数据,经行数据,还是一样的 方式,选择这个整合后的数据,再和 k 矩阵 analyze sociation, 好让他进行运行,他运行的速度还是可以。 然后在他运行的这个过程中给大家讲解一下我们的那个 qq 慢好 给他运行的时候,大家可以在那个 r 平台里边把这个 qq man 这个软件包进行一个下载。 qq man 这个软件包呢,它是现在比较常用的,可以用于优化我们全景的关联分析之后 输出的呃麦哈顿图谱和 qq 呃和 qq 图它的一个结果,因为用探索软件所生 成的这两个图呢,就是会比较哦不太好看,就是不太专业。然后在这样的一个 r 软件里边,我们可以根据他的不同的一个参数说明情况,然后来 呃改变我们迈哈顿图谱里边每一个点的大小,坐标轴的大小,然后可以就是去给他画不同的呃显著性的预值,然后使我们的这个结果更专业一点。好,我们现在看,首先出来的第一个结果呢,是我们的 p 加 k 的结果, 这边会出来一二三三种结果,保持一个良好的习惯,我们应该把这输出的每一种结果都给它进行保存。那么今天呢,为了节省时间,我们就只用 q 加 k 的这个结果,然后来进行一个说明,我们首先把它保存 保存到我们今天的这里,这是 q 加 k 的一个结果, read out r e s u l t 这是第二个结果啊,二,好, 然后其他的这个结果呢,我们也都给他保存掉,以防后续。如果我们要用的时候,我们不需要再再跑一下这个软件。 好的,然后我们可以看 这个结果,我们选中跑出来的第一个数据,那第一个结果,然后在这个 result 里边我们选择麦哈顿,哎,这个时候我们就可以看到我们的这个数据了,我们的麦哈顿图谱它是这么来看的,纵坐标呢,是我们的一个标记的显著性, 然后横坐标是我们所对应的不同的染色体,每一个颜色它代表的是一个染色体的编号。大豆呢,是一共有二十条染色体,这边我们可以很明显的发现,在十号染色体上存在着就是比较高显著性的显著标记, 然后在三号的 ct 值上这个位置也是会有的。这是一个大概的结果,我们也同样可以把这个图进行保存,同时我们也可以看到它的 qq 图, qq 图呢是用来反映我们这个模型是否拟合的好。呃,一般来说,我们 qq 图的这条红色的线应该是呈这样的一个趋势,它的拟合效果还是可以的。 我们现在来看,我们的这个结果需要用到我们后续画图的呢,是我们的这个就是前面所看到这个 redote 二,我们把它打开看一下。 好, redotar 出来是这样子的 啊,嗯, 看一下。 哦,对对,我们是要看。呃,这个第一列是我们的这个表情数据,第二列是我们的六万一千一百七十四个 s n p 分子标记,这边是标记所在的染色体,然后在染色体上的位置,这边是一个效应值,这边是那个它的那个显著性 p y 六, 然后我们要知道它的显著性画在我们的那个图里边的时候,我们可以看一下它这个显著性呢是从零大概到五这样的一个范围,可是这边的显著性我们可以看到它是这样的一个,因为我们的显著性我们是要把它进行一个转换的负的 vlog, 呃,以十为底,然后选中好,这才是我们所对应的一个 p y 六, 好。那么还有一个问题就是我们的显著性预值应该怎么选择?我们这边可以把这个放到这边来,我们一共是六万一千一百七十四个 s n p 分的标记, 如果是按照国际上的一个呃,就是最高的通用标准的话,我们的显著性应该是放在十的负八次,也就是负的 log, 以十为例的 p 等于八,那么超过这个显著性预值的标记,如果是以我们这个结果来看,根本就没有类似的显著性标记输出,那么我们结果就没有办法分析, 所以这边我们可以适当的去放呃,放低我们的一个显著性预制的结果,我们可以把它设置为 vlog, 以十为底的零点零五,除以我们的标记数,也就是六幺七四,哎,这时候它的显著性预值是六点零八, 如果觉得这个值还是比较高呢,我们就用零点五, 对,这是五点零八,大概呢这些值都是就是国际上是认可的,是这么计算的, flog 也是为底,然后用零点零五啊,一啊,然后或者是再低一点,就是处于你的标记数, 这个都是然后通过这样的方式所计算出来的这个显著性预值叫做显著性预值。如果说大家在一些文章中看到他直接没有通过计算,然后说我的显著性预值是三 三点五,或者是我的显著性预值四,那么在这种情况下,这种显著性预值严格上来说应该叫做他自己人为设定的建议性预值。那么这两种方式呢?都是可以去,呃,就是都 是可以认可的,然后就只是看我们输出的结果的显著性标记到底是一个怎么样的分布情况,根据我们实际的情况,然后来进行相应的选择, 四点七八行,然后我们这边后续要用到的,我们看到我们原来的 taso 的这个曼哈顿图谱呢,它是相对来说并不是很美观,我们要用 qq 麦,然后来进行进一步的优化, 我们这时候要打开我们的这个 r 软件,按照 前面给大家展示的这个可视化命令,这个安装软件包呢,我们已经安装好了,我们现在把这个软件包导入一下。好,呃,然后我们再看一下,我们需要导入 到我们曼哈顿图,嗯,这个 qq man 的那个表头是什么?我们只需要这几类的数据, s n p 的数据, s n p 所在染色体的数据,还有 s n p 所在染色体上位置的数据,和这一个位置所对应的它的那个,呃,没有进行对数转换之前的 p y 六的数据, 我们只需要这些数据,我们现场来展示一,演示一下 s n, 哦,对, 好,我们需要的是 s n p 的数据, 染色体的数据,还有这个 p y 六的数据, 然后表头呢是 s n p, 哦,对,我们还需要这个 position 的数据, 好,我们现在就是 s n, p, c, h, r, b p 和最后的一个 p, 这个表头全部都是大写,然后一定要保持一致,然后我们这个 r 软件才可以识别, 我们把它呢就是保存成 c s v 文件, c s v, 哦,好, c s v 文件命名为 q q 慢,好, 呃,还是一样, 我们要把我们的这个文件 qq man 的这个点 csv 文件保存到这个 r 软件可以去运行的路径。 好,保存进来之后呢,我们就可以让这个 qq 麦进行操作, 这边是我们的 qq 慢读取我们的数据,把它命名为 my data, 读取完之后我们就可以用这一串的命令,然后来绘制我们的麦哈顿图谱。呃,这边呢后面的这两个数字啊,就是大家要注意一下,这个 suggestive 就是我们的渐行欲值, 我们在这里边把它设置为了三,然后后面的 gym y line 是它的一个显著性域值,刚才计算的是四点七八,它就会在相应的位置分别会画一个蓝色的线和一个红色的线来进行标来进行标注。 a, 好, 好了,我们就发现了,这个图呢就已经绘制好了,可是呢这个图就是还是会有点,就是怎么说粗糙,就是把它放到最大的时候,我们的这个染色体上的就是每一条染色体,他还是没有标注完全,这是有一些参数呢,我们还是需要设置一下, 我把就是基本上可以用到的一些常 v 参数呢,我都放在这边,大家可以根据自己的选择,然后去绘制自己心心目中比较好看的图。比方说我们要设置我们坐标轴的刻度大小,那我们就把这个把它放小一点 好, 要绘制这个图的时候就重新绘制的时候,一定要把原先的图给叉掉, 嗯啊,这时候是改变了它的这个点的大小 啊,这时候是改变了他的这个坐标轴刻度的大小。对,大家可以根根据自己的选择。然后如果我们要保存这个图的话, 我们要注意就是你把它拉伸到一个什么样的一个形式,你保存下来的图片跟你拉伸的这个图片的格式是一样的,所以这边要注意。那么同样曼哈顿图谱绘制完之后,我们要绘制的是我们的 qq 图, 也是这一行的命令。好, qq 图的绘制还相对来说比较简单,那么通过通过这种方式呢,我们就可以在探索软件上运行我们的 m m l m 方法,然后在 r 的平台上对我们运行出来的结果进行一定程度的优化, 这样我们的最经典的 m i m 方法和结果的优化就已经介绍完了,谢谢大家。

粉丝答疑啊,今天收到一个学员的一个问题,他给老师发了一个模型,呃,是这个样子的啊,就是我这还有一个钢板啊,钢板上方画圆的连接位置的话呢,要承受一个一百千颗的力,然后 我们的一个板子的四个脚点位置的话呢,是需要固定的啊,然后想验证一下我这样的一个板子啊,他的一个强度是否能够达标。那要解决这个问题的话呢,我们可以使用有序员分析的一个方法,那么下面给大家演示一下,我们在应用模块当中啊,可以先进入到我们的前后处理啊,进入到我们有序员分析的一个模块 下,然后第一步的话呢,先对他进行我们的一个新建啊,新建黑木跟仿真,那么这里面默认的我们点击确定啊,先进到我们的有学员的这个界面下就好了。 ok 啊,稍等一下,然后这个里面创建解答方案,是吧?默认的点确定。那么按照有学员分析的一个流程啊,是三步啊,第一步的话呢是做理想化,第二步 的话呢是做我们的一个网格啊,第三步是做我们的一个求解。那么所以说第一步啊,理想化当中,我们可以先做我们的一个 ipad 文件,那针对这样一个文件,由于他是一个薄板类型的产品,我们是可以对他进行一个中面的一个提取啊,那所以说我可以先对他进行一个啊,面对的这样的一个中面提取啊, 对他进行一个二 d 的这样的一个网格的划分啊,我们先提取这样一个啥的封面,那么第二步的话呢,我们可以来到我们的啊 fmm 当中啊,去啊,施加我们的一个网格啊,那么这个时候,此时我们显示我们的 fm 文件啊,那么在 fmm 当中啊,我们可以 隐藏我们的一个实体啊,对于我们的一个二 d 文件啊,进行我们的一个二 d 网格的一个施加啊,比如说我这个里边啊,给他划分一个网格,比如说网格大小二点五啊,点下确定啊,这样一个网格就被我们扑出来了啊,网格 有了之后的话,我们这样一个模型还需要在二里当中啊,只派我们的一个材料和厚度啊,那么针对于厚度啊,我们可以在网格右键当中啊,给出我们的一个相关数据啊,比如说我们的厚度来源于中面厚度啊,是吧? 那么第二点的话,我们可以在指派材料当中啊,是吧?给他一个材料啊,比如说他说是个钢板啊,我们就假定他是一个四十五号钢的啊,那么选择我们这样一个模型,给他一个 ceo 啊,四十五号钢的这样一个材料啊, 那么第三步啊,我们就可以来到呃我们的 cm 当中进行求解了,那么求解之前我们可以给出我们的一个边界约束跟宰核啊,像是这个学员所说的,我们可以给他一个力啊,是吧?这个位置的话呢,他其实是负这方向,是吧? 是一百千颗啊,一百千颗哈,对应我们的一个牛啊,就再乘以一个十啊,就是一千,是吧?所以说我们给他一千牛的这样一个力啊,那么第二点的话,我再给出我们的 一个约束啊,是吧?他是四个角点被固定了啊,所以说我们这四个角点啊,给出他的一个固定约束,然后我们针对于我们的一个死路神啊进行右键求解,是吧?完成我们的一个分析 啊,分析完成啊,我们点击确定啊,是吧?把这些个啊这个窗口都可以关掉了,关掉之后啊,双击结果查看结果啊,那么结果当中我们可以观察阴历的啊,在阴历当中我们可以观察节点阴历的这样的一个平均值啊,是吧?平均值啊, 那么可以在这个图当中可以看到我们现在此时啊,红色位置啊,是吧?是我们的一个应力最大处啊,是吧?啊,他这个应力最大啊,是我们的一个二百四十六啊,我们的一个照帕,而像是我们的四十五号钢的钢板,他的一个屈服强度是 三百五十五啊,所以说二百四十六啊,小于三百五十五,并且还有相应的一个后边安全系数啊,所以说我们这样一个钢板的一个设计啊,是没有问题的。

大家好,我是沈阳许静,关于变频器的原理呢,好多粉丝师傅还有一些白师傅们老是问徐工能不能看一下实物呀?今天咱们就让大家来看一下这个实物长什么样。下面这些实物的位置都是根据原理图摆的,位置一样,就是有点粗糙。 首先咱们来看一下前半截整流桥,这种是大功率的,这个也是大功率的,这个是输入二百二的四个角, 这个是五个角,也是三百八的。这个小扁桥呢,也是输入二百二的,在原理图上大概是这个位置, rst 输入部分输入三项。三百八 整流桥的主要作用就是将交流电整流成直流电,三百八的静电通过整流桥整流出来的直流大概是五百三十七伏。如果是交流二百二的输入,整流出来的直流大概 是三百一十一伏。那么接下来呢?整流出来这个直流电并不是直接给 c 一和 c 二去充电,而是通过这个充电电阻 r 一。咱们看一下 r 一, r 一在电路板上大概就这个样子,水泥电阻, 铝壳电阻,还有这种绿色的标着功率和主值的电阻。当直流电给 c 一和 c 二充到一定值的时候,主板会告诉 km 一继电器啊,可以吸合了,这个时候 km 一可以吸合。咱看一下继电器长什么样? 这个是继电器,这个也是继电器,然而这个是交流接触器,他的线圈是二百二十伏的电,另外一个是二十四伏的,看一下 dc 二十四伏。像这样体积比较大的 继电器,一般都是在大功率变频器上用的,这种呢,白色小方块继电器在小功率的变频器上比较常见, 继电器吸合以后就会把充电电阻给短接,然后这个是主回路的绿波大电容,在绿波电容的正负极上并有一个电阻,这个是均压电阻,也可以放电。 这个超级大电容的主要作用就是储能和滤波,后面这三个有点磕碜啊,这是逆变模块 uvw, 在原理图上的位置是这个位置,一二三四五六六路,在实际上是这个一二三四五六六路逆变。这三个加货的主要作用呢,就是将整流出来的直流电给他,逆变成三项可变的交流电来驱动 用电机完成我们的工业生产。关于这个变频器的原理图和实物,今天我又重新讲了一遍,不知道大家能不能看得懂,这个其实很简单, 感谢大家观看本期视频,希望能给你们带来一些帮助,请多多指点,需要的点左下角小黄车。

哈喽,大家好,我是小何,今天我们来学习一下第八章的内容,方茶分析。方茶分析它是比较不同组均值是否存在显著的差异, 那么对于均值的检验的话呢,我们前面也讲过不少关于这个单元本 z, 单元本 t, 双元本 t 配对 t 等等这些假设计的方法呢,他分析的对象都是 针对的是均值,然后呢,根据总体的个数不同,我们可以分为单样本的,也可以分为双样本的,但是如果我们总体的个数是 大于两个,我们如果是一个,我们用的三样本,如果是两个的话呢,我们用的是双样本,如果大于两个呢?这时候呢,我们会用到方叉分析来比较均值是否 差异。那么有人就会说到,如果我们在想比较多个组之间的君子是否存在差异,可不可以用我们之前讲到的方法呢?那什么意思呢?你比如说, 哎,你别说,现在我们这里呢有三个组,三个组 abc, 我想比较这三者之间是否存在形容差异,我可不可以把 a 与 b 进行比较,然后 a 与 c 进比较,然后 b 与 c 进比较, 做三次,三次双样本 t 可不可以呢?这种思路看起来可以,但是实际上是行不通的,为什么行不通呢?因为你每比较一次,每比较一次呢,你犯第一类错误的风险 都有一次犯风险,如果你比较多次的话呢,那么这时候你犯第一类错误分析的概率呢,就会大大增加,所以说这种思路是行不通的,那么怎么办呢?那么这时候呢,我们引入,引入方叉分析和 note 这个工具来比较多个组织间军队的差异。 那么在讲发财分析之前呢,我们首先来了解一下,了解一下发财分析这个工具的一个基本原理。好,这里呢我们也通过一组数据来给大家介绍一下发财分析它的一个基本原理。 方沙分析,我们刚刚说过他是比较不同主君子之间的差异,那么这里呢就有人会说到,哎,方沙分析,方沙分析他为什么比较是君子的差异呢?这里呢其实有两种解释,第一种解释 是呢,我们在发生分析当中,或者我们后面在讲这个边缘分析当中呢,我们的音质的类型啊,一般分为两种,一种呢称之为固定的音质,一种呢称之为设计的因子。当我们在进行发生分析当中, 我们的音质的类型是固定音质的话呢,那么这时候我们比较的是均值,如果我们的音质是谁的音质的话呢?那么这时候我们比较的是方差, 学习的是方叉。然后我们在平常的分析过程当中呢,固定音质,我们一般把一些音掌称之为固定,而一般过音的呢可能比较多一点,所以说我们平常在做分析的过程当中,比较均值的要比比较方差的要普遍一点,这是第一种解释,第二种呢 第二种就要基于我们发叉分析的一个基本原理的,那么这里呢我们首先来看一下他的基本原理, 我们首先来看一下这个数据,当起来我们一共是呃想比较的是呢,呃一二三四四个不同的供应商,他生产的这个鞋的耐用性 是否存在差异,那么这里呢我们就来看一下,这里我们一共是有十六个数据,十六组数据, 然后呢供应商一有四组,供应商二四组,也说每一共有四个供应商,每个供应商呢有四个数据, 那我们重新来看一下,供应商一,他的耐用性,这里你就会发现呀,供应商一虽然是统一的供应商,他生产的产品呢,他的耐用性也是有存在差异的 吧,他的供应商供应商一,他的耐用性可能是十八点九五,可能是十一点九四,中间呢也存在比较大的差异,即使是同一个供应商,同顶呢? 供应商二,即使是同一家供应商,他生产产品耐用性呢,也是存在差异的,我们把这种不差,我们把这种差异呢称之为称之为主内的差异,主内的差异, 哎,另外一个概念呢,就是认为主间的差异了,就是供应商一的那样性与供应商二的那样性的均值,这两者的差异呢就是主间的差异,主间的差异很明显呢,我们如果当看的话呢,也会能看出来一点, 这两者他的君子的差异呢,也是存在的,那么到底显不显著呢?那么这时我们会用到假设结的方法,假设结的方法,这里呢,我们就把他的思路基本原理给大家总结一下。方差分析,他的基本原理呢是利用 间主间的,主间的什么呢?其实如果我们多讲一点呢,其实是他是比较的是主间君子的方差,比上主内君子的方差, 虽然我们的比较对象是均值,但是比较是均值的方差,所以说呢,他称之为方差分析,方差分析 称之为方向分析,但是笔尖的却是均值,这是他的一个基本原理。组间比上组内这个笔直呢,我们用 f 统计量进行表示, f 进行表示,那么如果我们在平常的,我们在实际应用的过程当中呢,是这样写的,他是 组间的,组间的这个离差平方和,我们用这个 sf 表示吧。组间的离差平方和 比上,比上什么呢?比上主内的离家平方和,我们用来按下一表示,但是我们在实际分析的过程当中呢,我们可能这个数据的个数,或者说我们的水平数不一致,所以这时候呢,我们要除以除以对应的自由度 处以对应的自由度, 最终得到什么呢?最终得到 f 冲击量,他是 组间的军方合,比上组内的军方合,这就是方叉分析的基本原理。如果这个直,如果这个笔直的远远 大于一,远远大于一,说 f 值远远大于一的话呢,那么这时候我们称之为是承载君子,是 存在显露差异的均值是存在显露差异,或者反过来说,如果这个比值哎约等于一,它等于一,加一等于一,如果这个比值 越等于一的话呢,那么这时候我们就说主间的差异跟主内相比,差异不是那么明显,不是那么明显。而对于主内呢,我们又把它当做随机误差来处理。我们先说 组间的差异,比如说不同供应商之间的差异,那些的差异呢,跟谁就误差是一致的,比如谁就误差相比的话呢,差异不是那么明显,那么这时候呢,我们这个均值不存在形容差异,这就是方差分析的一个基本原理, 那么有了这么这个原理以后呢,我们就可以进行方差分析的检验,就可以进行相关的分析了。 那么具体的分析的话呢,我们在下节课再通过这个案例来给大家讲解一下,那么这节课呢,我们主要是讲他的一些机会原理。好,本节课呢到此结束,谢谢大家观看。我是小何。