The time-course of interaction formation or breaking can be studied using LigandTracer, and the data obtained from an experiment can be analyzed using a model of ligand-target binding kinetics. There are different kinetic models, and the choice of model is currently motivated by knowledge about the interaction, which is problematic when the knowledge about the interaction is unsatisfactory. In this project, a Bayesian model selection procedure was implemented to motivate the model choice using the data obtained from studying a biological system. The model selection procedure was implemented for four kinetic models, the 1:1 model, the 1:2 model, the bivalent model and a new version of the bivalent model.Bayesian inference was performed on the data using each of the models to obtain the posterior distributions of the parameters. Afterwards, the Bayes factor was approximated from numerical calculations of the marginal likelihood. Four numerical methods were implemented to approximate the marginal likelihood, the Naïve Monte Carlo estimator, the method of Harmonic Means of the likelihood, Importance Sampling and Sequential Monte Carlo. When tested on simulated data, the method of Importance Sampling seemed to yield the most reliable prediction of the most likely model. The model selection procedure was then tested on experimental data which was expected to be from a 1:1 interaction and the result of the model selection procedure did not agree with the expectation on the experimental test dataset. Therefore no reliable conclusion could be made when the model selection procedure was used to analyze the interaction between the anti-CD20 antibody Rituximab and Daudi cells. / Interaktioner kan analyseras med hjälp av LigandTracer. Data från ett LigandTracer experiment kan sedan analyseras med avseende på en kinetisk modell. Det finns olika kinetiska modeller, och modellvalet motiveras vanligen utifrån tidigare kunskap om interaktionen, vilket är problematiskt när den tillgängliga informationen om en interaktion är otillräcklig. I det här projektet implementerades en Bayesiansk metod för att motivera valet av modell utifrån data från ett LigandTracer experiment. Modellvalsmetoden implementerades för fyra kinetiska modeller, 1:1 modellen, 1:2 modellen, den bivalenta modellen och en ny version av den bivalenta modellen. Bayesiansk inferens användes för att få fram aposteriorifördelningarna för de olika modellernas parametrar utifrån den givna datan. Sedan beräknades Bayes faktor utifrån numeriska approximationer av marginalsannolikeheten. Fyra numeriska metoder implementerades för att approximera marginalsannolikheten; Naïve Monte Carlo estimator, det harmoniska medelvärdet av likelihood-funktionen, Importance Sampling och Sekventiell Monte Carlo. När modellvalsmetoden testades på simulerad data gav metoden Importance Sampling den mest tillförlitliga förutsägelsen om vilken modell som generade datan. Metoden testades också på experimentell data som förväntades följa en 1:1 interaktion och resultatet avvek från det förväntade resultatet. Följaktligen kunde ingen slutsas dras av resultet från modelvalsmetoden när den sedan används för att analysera interaktionen mellan anti-CD antikroppen Rituximab och Daudi-celler.

Financial data is often said to follow different market regimes. These regimes, which not possible to observe directly, are assumed to influence the observable returns. In this thesis such regimes are modeled using hidden Markov models. We will investigate whether the five different currency pairs EUR/NOK, USD/NOK, EUR/USD, EUR/SEK, and USD/SEK exhibit market regimes that can be described using hidden Markov modeling. We will find the most optimal number of states and study the mean, variance, and correlations in each market regime. / Finansiella data sägs ofta följa olika marknadsregimer. Dessa marknadsregimer kan inte observeras direkt men antas ha inflytande på de observerade avkastningarna. I denna uppsats undersöks om de fem valutaparen EUR/NOK, USD/NOK, EUR/USD, EUR/SEK och USD/SEK tycks följa separata marknadsregimer som kan detekteras med hjälp av en dold Markovkedja.

The standard model of particle physics can excellently describe the vast majorityof data of particle physics experiments. However, in its simplest form, it cannot account for the fact that the neutrinos are massive particles and lepton flavorsmixed, as required by the observation of neutrino oscillations. Hence, the standardmodel must be extended in order to account for these observations, opening up thepossibility to explore new and interesting physical phenomena. There are numerous models proposed to accommodate massive neutrinos. Thesimplest of these are able to describe the observations using only a small numberof effective parameters. Furthermore, neutrinos are the only known existing particleswhich have the potential of being their own antiparticles, a possibility that isactively being investigated through experiments on neutrinoless double beta decay.In this thesis, we analyse these simple models using Bayesian inference and constraintsfrom neutrino-related experiments, and we also investigate the potential offuture experiments on neutrinoless double beta decay to probe other kinds of newphysics. In addition, more elaborate theoretical models of neutrino masses have beenproposed, with the seesaw models being a particularly popular group of models inwhich new heavy particles generate neutrino masses. We study low-scale seesawmodels, in particular the resulting energy-scale dependence of the neutrino parameters,which incorporate new particles with masses within the reach of current andfuture experiments, such as the LHC. / Standardmodellen för partikelfysik beskriver den stora majoriteten data från partikelfysikexperimentutmärkt. Den kan emellertid inte i sin enklaste form beskrivadet faktum att neutriner är massiva partiklar och leptonsmakerna är blandande,vilket krävs enligt observationerna av neutrinooscillationer. Därför måste standardmodellenutökas för att ta hänsyn till detta, vilket öppnar upp möjligheten att utforska nya och intressanta fysikaliska fenomen. Det finns många föreslagna modeller för massiva neutriner. De enklaste av dessakan beskriva observationerna med endast ett fåtal effektiva parametrar. Dessutom är neutriner de enda kända befintliga partiklar som har potentialen att vara sinaegna antipartiklar, en möjlighet som aktivt undersöks genom experiment på neutrinolöst dubbelt betasönderfall. I denna avhandling analyserar vi dessa enkla modellermed Bayesisk inferens och begränsningar från neutrinorelaterade experiment och undersöker även potentialen för framtida experiment på neutrinolöst dubbelt betasönderfall att bergänsa andra typer av ny fysik. Även mer avancerade teoretiska modeller för neutrinomassor har föreslagits, med seesawmodeller som en särskilt populär grupp av modeller där nya tunga partiklargenererar neutrinomassor. Vi studerar seesawmodeller vid låga energier, i synnerhetneutrinoparametrarnas resulterande energiberoende, vilka inkluderar nya partiklarmed massor inom räckh°all för nuvarande och framtida experiment såsom LHC. / <p>QC 20130830</p>