Prostorový bodový proces s interakcemi
Spatial point process with interactions
Prostorový bodový proces s interakcemi
diplomová práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/62584Identifikátory
SIS: 91526
Katalog UK: 990020040760106986
Kolekce
- Kvalifikační práce [11978]
Autor
Vedoucí práce
Oponent práce
Zikmundová, Markéta
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Finanční a pojistná matematika
Katedra / ústav / klinika
Katedra pravděpodobnosti a matematické statistiky
Datum obhajoby
3. 6. 2015
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Slovenština
Známka
Výborně
Klíčová slova (česky)
bodový proces, metoda MCMC, odhady parametrůKlíčová slova (anglicky)
point process, Markov chain Monte Carlo, parameter estimationPředložená práce se zabývá odhadem parametrů modelu procesu úseček s interakcemi v rovině. Motivací je aplikace na systém svalových vláken v lidských kmenových buňkách, zobrazených fluorescenční mikroskopií. Zavedeme model procesu úseček jako prostorový Gibbsův bodový proces s příznakem a definujeme dvě metody na odhad parametrů: momentovou metodu a metodu Takacs-Fiksel. Dále implementujeme algoritmus pro odhady těmito metodami v programu Mathematica. Modelovou strukturu jsme též schopni simulovat pomocí Markov chain Monte Carlo, užitím procesu rození a zániku. Jsou prezentovány numerické výsledky pro reálná i simulovaná data, shoda modelu s daty se posuzuje pomocí popisných statistik. Powered by TCPDF (www.tcpdf.org)
This thesis deals with the estimation of model parameters of the interacting segments process in plane. The motivation is application on the system of stress fibers in human mesenchymal stem cells, which are detected by fluorescent microscopy. The model of segments is defined as a spatial Gibbs point process with marks. We use two methods for parameter estimation: moment method and Takacs-Fiksel method. Further, we implement algorithm for these estimation methods in software Mathematica. Also we are able to simulate the model structure by Markov Chain Monte Carlo, using birth-death process. Numerical results are presented for real and simulated data. Match of model and data is considered by descriptive statistics. Powered by TCPDF (www.tcpdf.org)
