在一种条件下的表达测量值可以用一个正态分布(x以可)来建模。对于每个基因在每 一种条件下,都对应有一个双参数模型=(口),似然函数可以由下式给 P(IA, c)=IIN(x; A,0)=C(0)*28-2(-) n") =C(a2)-N2e--A2+(12122 (8-11) i取遍所有的重复测量,重复测量次数为n,C表示归一化常数。似然度取决于充分统计 量n、x和°分别表示重复次数、n次重复实验的平均值和方差。 先验概率分布P(,)的选择有几种,一般采用共扼先验分布。先验分布的四个超参 数构成向量a=(4422),则 P(,d2|a)=Ca(a2)12+l-p+lan2 2 超参数A0和01可以分别解释为“的位置和数值范围,VO和0分别解释为 的自由度和数值范围。对于DNA微阵列数据,采用一个和G2相互不独立的先验 分布很有意义。经过一些代数运算,可以推导出后验分布具有与先验分布相同的函数形式 u,0ID, a)=N(uu,,0/r(o,V,,a (8-13) 其中 0 A2=0+ Vx= =1 (8-14)在一种条件下的表达测量值可以用一个正态分布 来建模。对于每个基因在每 一种条件下，都对应有一个双参数模型 ，似然函数可以由下式给出： （8-11） i 取遍所有的重复测量，重复测量次数为 n ，C 表示归一化常数。似然度取决于充分统计 量 n 、 和 分别表示重复次数、 n 次重复实验的平均值和方差。 先验概率分布 的选择有几种，一般采用共扼先验分布。先验分布的四个超参 数构成向量 ，则 （8-12） 超参数 和 可以分别解释为 的位置和数值范围，V0 和 分别解释为 的自由度和数值范围。对于 DNA 微阵列数据，采用一个 和 相互不独立的先验 分布很有意义。经过一些代数运算，可以推导出后验分布具有与先验分布相同的函数形式： （8-13） 其中 （8-14）