Benutzer: Gast  Login
Originaltitel:
Bayesian model inference in dynamic biological systems using Markov Chain Monte Carlo methods 
Übersetzter Titel:
Bayesianische Modellinferenz dynamischer biologischer Systeme unter Verwendung von Markov-Chain-Monte-Carlo-Verfahren 
Jahr:
2012 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Mathematik 
Betreuer:
Theis, Fabian J. (Prof. Dr. Dr.) 
Gutachter:
Theis, Fabian J. (Prof. Dr. Dr.); Czado, Claudia (Prof., Ph.D.); Tresch, Achim (Prof. Dr.) 
Sprache:
en 
Fachgebiet:
MAT Mathematik 
Stichworte:
Bayesian model inference, MCMC, Copula 
Übersetzte Stichworte:
Bayesianische Modellinferenz, MCMC, Copula 
Schlagworte (SWD):
Bayes-Inferenz; Dynamisches System; Biologisches System; Markov-Ketten-Monte-Carlo-Verfahren 
TU-Systematik:
MAT 625d; MAT 629d 
Kurzfassung:
Dynamical systems are a valuable tool for exploring the regulatory organization of living organisms on a molecular level. Here, Markov Chain Monte Carlo (MCMC) methods are often times used for model and parameter inference. We develop an (adaptive) copula based Metropolis-Hastings sampling scheme for efficient model inference of differential equation based dynamical systems. The concept exploits a vine copula decomposition of the estimated posterior distribution in order to generate efficient MC...    »
 
Übersetzte Kurzfassung:
Dynamische Systeme sind nützliche Hilfsmittel zur Erforschung der molekularen Funktionsweise lebender Organismen. Markov-Chain-Monte-Carlo-Verfahren bieten hierbei einen differenzierten Ansatz zur Schätzung von Reaktionsparametern und Modellselektion. Wir entwickeln einen (adaptiven) Metropolis-Hastings-Algorithmus zur effizienten Modellinferenz von differentialgleichungsbasierten Systemen. Das Konzept nutzt die Vine-Copula-Zerlegung einer approximierten Posteriori-Verteilung zur Erzeugung von S...    »
 
Mündliche Prüfung:
11.09.2012 
Dateigröße:
21752016 bytes 
Seiten:
220 
Letzte Änderung:
17.04.2013