Att avgöra prediktionsprecision av ett verktyg. 12 M aking process predictions. Uppskattning av kostnad och arbetsinsats för ett projekt
|
|
- Maria Berg
- för 8 år sedan
- Visningar:
Transkript
1 12 M aking process predictions Att avgöra prediktionsprecision av ett verktyg Vad är en uppskatning? Kostnadsuppskatning av projekt COCOMO Vad är en bra uppskatning? PPL och Predictor E = uppskattning (Estimate) A = faktiska värdet (Actual) RE = relative error = (A-E)/A 1 MRE = n i n = 1 A i Ei Ai PRED(0.25) = % av prediktioner fa ler inom 25% av de verkliga värden PRED(0.25) >= 0.75acceptabelteknik 2I1251/PV2Programvarumetrologi/Mått och modeler 1 3 Vad för processer? Uppskattning av kostnad och arbetsinsats för ett projekt Process övergripande process subprocess, t ex design en projekt en specifik process Estimering (uppskattning) Prediktion Expertbedömning. 2I1251/PV2Programvarumetrologi/Mått och modeler
2 Estimering och Prediktion Kostnadsuppskattning - varför så svårt? Estimering Tid för projektet Projekten olika domäner utvecklingsverktyg metoder personal Once-off'projekt Kravändringar Dålig förståelse av produktens storlek Knappt någon mätdata Politiska anledningar Man lär sig inte av tidigare fel i uppskattning 5 7 När behöver man uppskatta kostnad? Aktue la ansatser ti l kostnadsuppskattning Vid budgivning Projektplanering Projektuppföljning Vilka värden är fasta? Vad kan vi spela på? Kan projektet genomföras? Expertbedömning Dekomposition Analogi Gruppuppskattning Algoritmiska modeller
3 Gruppuppskattningar (Delphiteknik) 1. Ge specifikation och övrig information och data från liknande projekt till gruppen 2. Koordinator kallar till gruppmöte, expert frågar och diskuterar uppskattningar 3. Anonyma uppskattningar total projektarbetsinsats total arbetsinsats för utveckling övre och undre gräns och mest sannolika värde 4. En sammanfattning av individuella uppskattningar och medelvärde av gruppens uppskattningar cirkuleras 5. Diskussion 6. Reviderade uppskattningar tills medelvärde är OK (consensus) E = as b F COCOMO: arbetsinsats Parametrarna a och b a,b parametrar för utveckling, beroende på typ av programvara Typer organic (dataintensiva) semi-detached embedded (realtidssystem, del av ett HW baserat system) 9 11 COCOMO:arbetsinsats COCOMO: arbetsinsats Värden på a och b Basmodell Mellanmodell Avancerad modell E = as b F S Storlek (KDSI) Mode a b Organic Semi-detached Embedded
4 COCOMO: arbetsinsats: exempel: Telefonväxelsystem COCOMO:Cost drivers 5000 KDSI Inbyggt system E = 3.6 (5000) 1.2 = pmån Produkt Tillförlitlighetskravet Databasstorlek Komplexitet Process Användning av modern programmeringsstil Användning av utvecklingsverktyg Resurs Datorer:exekveringstid, primärminnesstorlek Personal:analysförmåga, erfarenhet av applikationsområdet COCOMO: arbetsinsats Parametern F COCOMO: projekttid E = as b F F är en parameter som beror på ett antal cost drivers F = 1 i basmodellen Arbetsinsats E D = ae b D tid i mån 3000 pmån, inbyggt system 2.5 (3000) 0.38 = 52 mån
5 COCOMO: projekttid Putnam's SLIM (US Army) Detta är ett optimalt värde på kalendertiden, alla försök att förändra den kommer enligt COCOMO-modellen att öka E storlek = CK 1/3 t d 4/3 C = teknologifaktor (14 komponenter) K = total arbetsinsats i personår (inkl underhåll) t d = tid till leverans (mätt i år) -10% tid -> +52% arbetsinsats COCOMO 2.0 Storlek i objektpunkter i basmodellen Mellanmodell: FP Avancerad modell: som i original COCOMO, LOC index.html Problem med existerande modeller Låg prediktionsprecision Modellstruktur storlek-arbetsinsats-förhållandet inte klart större projekt mindre produktiva än små enligt många modeller Tid - arbetsinsats Putnam: -tid -> +arbetsinsats Putnam: +tid -> -arbetsinsats Boehm: +-tid -> +arbetsinsats annan studie: -tid -> - arbetsinsats COCOMO cost drivers förbättrar inte korrektheten Cost drivers antas vara oberoende Cost driver gradering subjektiv
6 Prediktionsprocess Oberoende uppskattningsgrupp Empirical Observations Data Theory Relationship Key variables Actual results Models Models Models Predictions Projects Ansvarar för att mätdata sparas Kan uppskatta, och kalibrera, är konsistent mellan projekten Ser bättre när projekt avviker från genomsnittliga Trender och analyser över flera projekt Har tid tilldelad för uppgiften Hur bör vi använda kostnadsmodeller? Lokala datadefinitioner en miljö: storlek och arbetsinsats skall vara definierade på samma sätt objektiva: 2 personer som mäter samma produkt bör komma fram till samma värde Kalibrering Försäkra att input till modellen är vad modellen föreskriver Använd data från gamla projekt Justera modellkoefficienterna Skräddarsy existerande cost drivers, uteslut irrelevanta, lägg till nya Omkalibrera periodiskt 22 Prediktionsstöd för projektledning och Predictor
PROJEKTLEDNING. Vad är ett PROJEKT? Ett projekt:
PROJEKTLEDNING Page: 1 Vad är ett PROJEKT? Ett projekt: är unikt ej återkommande har definierad budget är tidsbegränsat har väldefinierade mål har en temporär organisation Page: 2 Page 1 Projektets omgivning
Läs merSveriges bruttonationalprodukt Årsdata. En kraftig trend.
Vad är tidsserier? En tidsserie är en mängd av observationer y t, där var och en har registrerats vid en specifik tidpunkt t. Vanligen görs mätningarna vid vissa tidpunkter och med samma avstånd mellan
Läs merVästsvenska paketet Skattning av trafikarbete
Västsvenska paketet Skattning av trafikarbete Rapport Dokumenttitel: Skattning av trafikarbete Västsvenska paketet rapport Utförande part: WSP Kontaktperson: Tobias Thorsson Innehåll 1 Introduktion Fel!
Läs merAtt klassificera mätningar. Produktinterna attribut. 3 Ramverk för mätning. 4. Empiriska undersökningar 5. Insamling av mätdata 6.
F2 3. Ramverk för mätning 4. Empiriska undersökningar 5. Insamling av mätdata 6. Analys av mätdata Entitetstyper Att klassificera mätningar produkt process resurs projekt Attributtyper interna externa
Läs merF12 Regression. Måns Thulin. Uppsala universitet Statistik för ingenjörer 28/ /24
1/24 F12 Regression Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 28/2 2013 2/24 Dagens föreläsning Linjära regressionsmodeller Stokastisk modell Linjeanpassning och skattningar
Läs merFörsta sidan är ett försättsblad (laddas ned från kurshemsidan) Alla frågor som nns i uppgiftstexten är besvarade
HT 2011 Inlämningsuppgift 1 Statistisk teori med tillämpningar Instruktioner Ett av problemen A, B eller C tilldelas gruppen vid första övningstillfället. Rapporten ska lämnas in senast 29/9 kl 16.30.
Läs merAkustisk forskning för hållbar utveckling
Akustisk forskning för hållbar utveckling Klas Hagberg Industriellt byggande och trämanufaktur 27 oktober 2011 Klas.hagberg@sp.se Klas.hagberg@wspgroup.se Akustisk forskning för en hållbar utveckling Det
Läs mer1. Lära sig plotta en beroende variabel mot en oberoende variabel. 2. Lära sig skatta en enkel linjär regressionsmodell
Datorövning 1 Regressions- och tidsserieanalys Syfte 1. Lära sig plotta en beroende variabel mot en oberoende variabel 2. Lära sig skatta en enkel linjär regressionsmodell 3. Lära sig beräkna en skattning
Läs merUpprepade mätningar och tidsberoende analyser. Stefan Franzén Statistiker Registercentrum Västra Götaland
Upprepade mätningar och tidsberoende analyser Stefan Franzén Statistiker Registercentrum Västra Götaland Innehåll Stort område Simpsons paradox En mätning per individ Flera mätningar per individ Flera
Läs merVad Betyder måtten MAPE, MAD och MSD?
Vad Betyder måtten MAPE, MAD och MSD? Alla tre är mått på hur bra anpassningen är och kan användas för att jämföra olika modeller. Den modell som har lägst MAPE, MAD och/eller MSD har bäst anpassning.
Läs merFelaktiga utbetalningar och brott mot socialförsäkringen
SVAR PÅ REGERINGSUPPDRAG 1 (6) Socialdepartementet 103 33 Stockholm Felaktiga utbetalningar och brott mot socialförsäkringen Uppdraget Försäkringskassan ska enligt regleringsbrev 2009 redovisa en bedömning
Läs merFörebyggande Underhåll
Förebyggande Underhåll Inverkan av dålig anläggningseffektivitet 100% 26% Förluster 74% Tidstillgänglighet Anläggningsutnyttjande Kvalitetsutbyte 94% 85% 93% Anläggningens kapacitet Anläggningens produktion
Läs merIRIS Integrerat Dynamiskt Prognostiserande Underhållsstöd
IRIS Integrerat Dynamiskt Prognostiserande Underhållsstöd Projektstart: 2012 Projektavslut: 2017 Finansierat av: Vinnova, FFI Transporteffektivitet och Scania CV Dr Jonas Biteus Scania CV Vehicle service
Läs merFöreläsning 6 (kap 6.1, 6.3, ): Punktskattningar
Föreläsning 6 (kap 6.1, 6.3, 7.1-7.3): Punktskattningar Marina Axelson-Fisk 4 maj, 2016 Stickprov (sample) Idag: Stickprovsmedelvärde och varians Statistika (statistic) Punktskattning (point estimation)
Läs merFöreläsning 7. Statistikens grunder.
Föreläsning 7. Statistikens grunder. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Föreläsningens innehåll Översikt, dagens föreläsning: Inledande
Läs merKravspecifikation. Estimering och övervakning av avgasmottryck i en dieselmotor. Version 1.2 Dokumentansvarig: Gustav Hedlund Datum: 24 april 2008
Kravspecifikation Estimering och övervakning av avgasmottryck i en dieselmotor Version.2 Dokumentansvarig: Gustav Hedlund Datum: 24 april 2008 Granskad Godkänd Status Kurskod: TSRT7 Dokument: Kravspec.pdf
Läs merVÅGINSTRUMENT A12ss ANVÄNDARMANUAL
VÅGINSTRUMENT A12ss ANVÄNDARMANUAL 2 INSTALLATION I vår leverans ingår: 1st Våginstrument typ A12ss i rostfri kapsling. - Anslut nätsladden från våginstrumentet i ett nätuttag 230VAC. - Slå på strömförsörjningen
Läs merAtt fatta rätt beslut vid komplexa tekniska upphandlingar
Att fatta rätt beslut vid komplexa tekniska upphandlingar Upphandlingsdagarna 2015 Stockholm 29 januari 2015 1 Inledning Den här presentation kommer att undersöka de vanligaste fallgroparna vid komplex
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2018-01-12 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 9.00 14.00 Lärare: Mykola Shykula, Niklas
Läs merKlimatsimuleringar. Torben Königk, Rossby Centre/ SMHI
Klimatsimuleringar Torben Königk, Rossby Centre/ SMHI Översikt Vad är klimat? Hur skiljer sig klimatmodeller från vädermodeller? Hav- och havsis processer Vad är klimatscenarier? Vad är klimatprognoser?
Läs mer1/31 REGRESSIONSANALYS. Statistiska institutionen, Stockholms universitet
1/31 REGRESSIONSANALYS F1 Linda Wänström Statistiska institutionen, Stockholms universitet 2/31 Kap 4: Introduktion till regressionsanalys. Introduktion Regressionsanalys är en statistisk teknik för att
Läs merVarför misslyckas projekt?
Viktigt... och svårt tid kostnad kvalitet VT01 2I1251/PV2 Programvarumetrologi/Mått och modeler Terttu Orci 7 Varför misslyckas projekt? You can't control what you can't measure. Tom DeM arco You cannot
Läs merF8 Skattningar. Måns Thulin. Uppsala universitet Statistik för ingenjörer 14/ /17
1/17 F8 Skattningar Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 14/2 2013 Inledande exempel: kullager Antag att diametern på kullager av en viss typ är normalfördelad N(µ,
Läs merPremiepensionens delningstal och dess känslighet för ändrad livslängd och ränteantagande
1 (5) PM Dok.bet. 2016-06-16 Analysavdelningen Tommy Lowen 010-454 20 50 Premiepensionens delningstal och dess känslighet för ändrad livslängd och ränteantagande Premiepensionens delningstal minskar med
Läs merFinansiell statistik
Finansiell statistik Föreläsning 5 Tidsserier 4 maj 2011 14:26 Vad är tidsserier? En tidsserie är en mängd av observationer y t, där var och en har registrerats vid en specifik tidpunkt t. Vanligen görs
Läs merFöretagsvärdering ME2030
Företagsvärdering ME2030 24/3 Principer för värdering Jens Lusua DCF-valuation Frameworks LAN-ZWB887-20050620-13749-ZWB Model Measure Discount factor Assessment Enterprise DCF Free cash flow Weighted average
Läs merEVCO Instrumentbeskrivning EV6412M7VXBS Generella data Avsedd för montering på DIN-skena. Visartavla med 3 siffror, höjd 12,5 mm. Inbyggd summer. Programmering sker från instrumentets framsida. Parameterinställning
Läs merPrognosmodell för medlemstal i Svenska kyrkan. Av Thomas Holgersson
Prognosmodell för medlemstal i Svenska kyrkan. Av Thomas Holgersson Det framtida medlemsantalet i svenska kyrkan tycks vara intressant för många, då det regelbundet diskuteras i olika sammanhang. Att kyrkans
Läs merMVE051/MSG Föreläsning 7
MVE051/MSG810 2016 Föreläsning 7 Petter Mostad Chalmers November 23, 2016 Överblick Deskriptiv statistik Grafiska sammanfattningar. Numeriska sammanfattningar. Estimering (skattning) Teori Några exempel
Läs merKontrollera att följande punkter är uppfyllda innan rapporten lämnas in: Första sidan är ett försättsblad (laddas ned från kurshemsidan)
Statistiska institutionen VT 2012 Inlämningsuppgift 1 Statistisk teori med tillämpningar Instruktioner Ett av problemen A, B eller C tilldelas gruppen vid första övningstillfället. Rapporten ska lämnas
Läs merF11. Kvantitativa prognostekniker
F11 Kvantitativa prognostekniker samt repetition av kursen Kvantitativa prognostekniker Vi har gjort flera prognoser under kursen Prognoser baseras på antagandet att historien upprepar sig Trenden följer
Läs merDetta har hänt... Föreläsning 2: Projektplanering & granskning. Pratat och provat kravhantering. Bildat projektgrupper :-) Skaffat litteratur?
Föreläsning 2: ering & granskning Ingenjörsprocessen metodik ETSA01 VT14 Jonas Wisbrant 60 Detta har hänt... Pratat och provat kravhantering Bildat projektgrupper :-) Skaffat litteratur? Kommit igång med
Läs merRealtidssystem HT03. Vad är realtidssystem? Inbyggda system. Att programmera, Tasks (Uppgifter) Realtidssystem kräver analys
Realtidssystem HT03 Vad är realtidssystem? Föreläsare: Wang Yi Rum: 1235, yi@it.uu.se, Tel: 471 3110 Assistent: Tobias Amnell Rum: 1216, tobiasa@it.uu.se, Tel: 4717122 Webbsida: www.it.uu.se/edu/course/homepage/realtid/h03
Läs merMatematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar
Matematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar Anna Lindgren (Stanislav Volkov) 31 oktober + 1 november 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F10: Punktskattning 1/18 Matematisk
Läs merAutomatiserad fukthaltsmätning vid bränslemottagning
Automatiserad fukthaltsmätning vid bränslemottagning Mikael Karlsson Bestwood Panndagarna 2009-02-04--05 1 Innehåll NIR (kortfattat) Bakgrund till analysen Nuvarande metod (ugnsmetoden) Mottagningsmätning
Läs merUppgift 3: Den stokastiska variabeln ξ har frekvensfunktionen 0 10 f(x) =
Tentamen i Matematisk statistik för DAI och EI den 3 mars. Tid: kl 4. - 8. Hjälpmedel: Chalmersgodkänd ( typgodkänd ) räknedosa, Tabell- och formelsamling, Håkan Blomqvist, Matematisk statistik, Ulla Dahlbom,
Läs merPrediktera. Statistik för modellval och prediktion. Trend? - Syrehalt beroende på kovariater. Sambands- och trendanalys
Statistik för modellval och prediktion att beskriva, förklara och förutsäga Georg Lindgren Prediktera Matematisk statistik, Lunds universitet stik för modellval och prediktion p.1/28 Statistik för modellval
Läs merSTATISTISK POWER OCH STICKPROVSDIMENSIONERING
STATISTISK POWER OCH STICKPROVSDIMENSIONERING Teori UPPLÄGG Gemensam diskussion Individuella frågor Efter detta pass hoppas jag att: ni ska veta vad man ska tänka på vilka verktyg som finns vilket stöd
Läs merFöreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar
Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar Stas Volkov Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 1/20 Översikt Exempel Repetition Exempel Matematisk statistik
Läs merStatistiska Institutionen Gebrenegus Ghilagaber (docent)
Statistiska Institutionen Gebrenegus Ghilagaber (docent) Lösningsförslag till skriftlig tentamen i FINANSIELL STATISTIK, grundnivå, 7,5 hp, VT09. Onsdagen 3 juni 2009-1 Sannolkhetslära Mobiltelefoner tillverkas
Läs merParade och oparade test
Parade och oparade test Andrew Hooker Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University Hypotesprövning: möjliga jämförelser Jämförelser mot ett
Läs merThomas Önskog 28/
Föreläsning 0 Thomas Önskog 8/ 07 Konfidensintervall På förra föreläsningen undersökte vi hur vi från ett stickprov x,, x n från en fördelning med okända parametrar kan uppskatta parametrarnas värden Detta
Läs merD. Samtliga beräknade mått skall följas av en verbal slutsats för full poäng.
1 Att tänka på (obligatorisk läsning) A. Redovisa Dina lösningar i en form som gör det lätt att följa Din tankegång. (Rättaren förutsätter att det dunkelt skrivna är dunkelt tänkt.). Motivera alla väsentliga
Läs merKti Katrin Jonsson, Rikard Harr & Anders Jonsson
Ekonomisk k produktionsrapportering t i online Kti Katrin Jonsson, Rikard Harr & Anders Jonsson Fokus Undersöka relevansen av ekonomiska processtyrningsparametrar med industrin Utredavilka parametrar som
Läs merAnvändning. Fixed & Random. Centrering. Multilevel Modeling (MLM) Var sak på sin nivå
Användning Multilevel Modeling (MLM) Var sak på sin nivå Kimmo Sorjonen Sektionen för Psykologi Karolinska Institutet Kärt barn har många namn: (1) Random coefficient models; () Mixed effect models; (3)
Läs merVisionen om en Tjänstekatalog
Visionen om en Tjänstekatalog Varför ska vi införa tjänster? Copyright BiTA Service Management/Rolf Norrman 1 IT:s värde för verksamheten tydliggörs i verksamhetens egna termer Organisationens kundfokus
Läs mer10.1 Enkel linjär regression
Exempel: Hur mycket dragkraft behövs för att en halvledare skall lossna från sin sockel vid olika längder på halvledarens ben. De halvledare vi betraktar är av samma storlek (bortsett benlängden). 70 Scatterplot
Läs merHur skriver man statistikavsnittet i en ansökan?
Hur skriver man statistikavsnittet i en ansökan? Val av metod och stickprovsdimensionering Registercentrum Norr http://www.registercentrumnorr.vll.se/ statistik.rcnorr@vll.se 11 Oktober, 2018 1 / 52 Det
Läs mer2. Lära sig skatta en multipel linjär regressionsmodell samt plotta variablerna. 4. Lära sig skatta en linjär regressionsmodell med interaktionstermer
Datorövning 2 Regressions- och tidsserieanalys Syfte 1. Lära sig skapa en korrelationsmatris 2. Lära sig skatta en multipel linjär regressionsmodell samt plotta variablerna mot varandra 3. Lära sig beräkna
Läs merFÅ FRAM INDATA. När inga data finns!? Beslutsfattarens dilemma är att det är svårt att spå! Särskilt om framtiden!
FÅ FRAM INDATA När inga data finns!? Beslutsfattarens dilemma är att det är svårt att spå! Särskilt om framtiden! (Falstaff Fakir) Svårigheter att få fram bra information - en liten konversation Ge mig
Läs merMVE051/MSG Föreläsning 14
MVE051/MSG810 2016 Föreläsning 14 Petter Mostad Chalmers December 14, 2016 Beroende och oberoende variabler Hittills i kursen har vi tittat på modeller där alla observationer representeras av stokastiska
Läs merMer om slumpvariabler
1/20 Mer om slumpvariabler Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 4/2 2013 2/20 Dagens föreläsning Diskreta slumpvariabler Vilket kretskort ska man välja? Väntevärde
Läs merStöd för att skapa intuitiva användargränssnitt
Stöd för att skapa intuitiva användargränssnitt Russinen ur kakan Isabella Scandurra Centrum för ehälsa, Uppsala Universitet SAMTIT, Agenda Användbarhetsstandarden ISO 9241-11 Utvecklingsmetoder/utvärderingsmetoder
Läs merTonnquist Projektledning 2012-02-26
Tonnquist Projektledning Projektekonomi (Kapitel 6 sid. 171-181) Projekt på rätt kurs Uppföljning av ekonomin (Kapitel 9 sid. 241-256) Nils Lundgren 2012-02-26 6 Projektekonomi Kalkylera kostnader och
Läs merThe Top of Rail Research Project
Projektförslag till HLRC The Top of Rail Research Project Projekttid 4 år Sökt belopp från HLRC: 9,25 MSEK Beviljat från JVTC: 2,25 M SEK Avdelningen för Drift & Underhåll och avdelningen för Experimentell
Läs merRäkneövning 5. Sebastian Andersson Statistiska institutionen Uppsala universitet 7 januari För Uppgift 2 kan man med fördel ta hjälp av Minitab.
Räkneövning 5 Sebastian Andersson Statistiska institutionen Uppsala universitet 7 januari 016 1 Om uppgifterna För Uppgift kan man med fördel ta hjälp av Minitab. I de fall en figur för tidsserien efterfrågas
Läs merFöreläsning 8, Matematisk statistik 7.5 hp för E, HT-15 Punktskattningar
Föreläsning 8, Matematisk statistik 7.5 hp för E, HT-15 Punktskattningar Anna Lindgren 25 november 2015 Anna Lindgren anna@maths.lth.se FMSF20 F8: Statistikteori 1/17 Matematisk statistik slumpens matematik
Läs merFöreläsning 2. Kap 3,7-3,8 4,1-4,6 5,2 5,3
Föreläsning Kap 3,7-3,8 4,1-4,6 5, 5,3 1 Kap 3,7 och 3,8 Hur bra är modellen som vi har anpassat? Vi bedömer modellen med hjälp av ett antal kriterier: visuell bedömning, om möjligt F-test, signifikanstest
Läs merTestning på 3 föreläsningar. PV7180 Verifiering och Validering. Litteratur. Vad är testning? Varför testa och olika syn? Målet med testning
ning på 3 föreläsningar Första föreläsningen Översikt PV7180 Verifiering och Validering Föreläsning 3 ning del 1 Andra föreläsningen Coverage ing, OO-ing, Utvärdering av tekniker Tredje föreläsningen Automatiserad
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2018-01-12 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 9.00 14.00 Lärare: Mykola Shykula, Niklas
Läs merSTOCKHOLMS UNIVERSITET FYSIKUM
STOCKHOLMS UNIVERSITET FYSIKUM Tentamensskrivning i Fysikexperiment, 7,5 hp, för FK2002 Onsdagen den 15 december 2010 kl. 9-14. Skrivningen består av två delar A och B. Del A innehåller enkla frågor och
Läs mer2. Finns samband mellan individbundna faktorer och kontextuella faktorer och skolresultat?
1 Teknisk bilaga till rapport 2018:10 Det är i det lokala man finner komplexiteten - Betydelsen av migrationsbakgrund och socioekonomiska faktorer för skolmisslyckanden 1 Bakgrund Denna rapport är en teknisk
Läs merBilaga 4.1 Uppskattning av antalet erforderliga provpunkter och analyser vid detaljundersökningen. Bakgrund. Metod. Konfidensintervallens utveckling
1 (17) Bilaga 4.1 Uppskattning av antalet erforderliga provpunkter och analyser vid detaljundersökningen Nedanstående material utgick från resultatet av förundersökningen och har legat till grund för dimensioneringen
Läs merTENTAMEN I REGRESSIONS- OCH TIDSSERIEANALYS,
TENTAMEN I REGRESSIONS- OCH TIDSSERIEANALYS, 204-0-3 Skrivtid: kl 8-2 Hjälpmedel: Räknedosa. Bowerman, B.J., O'Connell, R, Koehler, A.: Forecasting, Time Series and Regression. 4th ed. Duxbury, 2005 som
Läs merInspel till dagens diskussioner
Intro till Agil Projektledning CMB 11 juni 2018 Mats Nyman Wenell Management AB Inspel till dagens diskussioner Historik och bakgrund Agila manifestet och de agila principerna SCRUM Kort om SAFe Wenell
Läs merEVCO instrumentbeskrivning EVK242
EVCO instrumentbeskrivning EVK242 Generella data *Mått front 75 x 33 mm, djup 59 mm *Spänning 230Vac eller 12-24Vac *Programmering sker från instrumentets framsida *Två relä, 16A/250VAC och 8A/250VAC *Mätområde
Läs merFinns det över huvud taget anledning att förvänta sig något speciellt? Finns det en generell fördelning som beskriver en mätning?
När vi nu lärt oss olika sätt att karaktärisera en fördelning av mätvärden, kan vi börja fundera över vad vi förväntar oss t ex för fördelningen av mätdata när vi mätte längden av en parkeringsficka. Finns
Läs merTillvägaghångssätt för skattning av körkortsmodell
Siamak Baradaran sia@kth.se Tillvägaghångssätt för skattning av körkortsmodell 1 Syfte med modellen Syftet med denna forskning har varit att utveckla en beskrivande modell som kan hjälpa oss att förstå
Läs mer1/23 REGRESSIONSANALYS. Statistiska institutionen, Stockholms universitet
1/23 REGRESSIONSANALYS F4 Linda Wänström Statistiska institutionen, Stockholms universitet 2/23 Multipel regressionsanalys Multipel regressionsanalys kan ses som en utvidgning av enkel linjär regressionsanalys.
Läs merFlexi Kontrollmodul. Bruksanvisning. Innehållsförteckning. 1. Introduktion och tekniska specifikationer 1
Flexi Kontrollmodul Bruksanvisning Innehållsförteckning 1. Introduktion och tekniska specifikationer 1 2. Allmän beskrivning av display och manöverknappar 2 3. Inställning av Flexidrift 3 4.Inställning
Läs merBIOSTATISTISK GRUNDKURS, MASB11 ÖVNING 6 (2015-04-22) OCH INFÖR ÖVNING 7 (2015-04-29)
LUNDS UNIVERSITET, MATEMATIKCENTRUM, MATEMATISK STATISTIK BIOSTATISTISK GRUNDKURS, MASB11 ÖVNING 6 (2015-04-22) OCH INFÖR ÖVNING 7 (2015-04-29) Aktuella avsnitt i boken: Kap 61 65 Lektionens mål: Du ska
Läs merObligatorisk uppgift, del 1
Obligatorisk uppgift, del 1 Uppgiften består av tre sannolikhetsproblem, som skall lösas med hjälp av miniräknare och tabellsamling. 1. Vid tillverkning av en produkt är felfrekvensen 0,02, dvs sannolikheten
Läs merRiktlinjer för undergruppen katastrofrisk vid sjukförsäkring
EIOPA-BoS-14/176 SV Riktlinjer för undergruppen katastrofrisk vid sjukförsäkring EIOPA Westhafen Tower, Westhafenplatz 1-60327 Frankfurt Germany - Tel. + 49 69-951119-20; Fax. + 49 69-951119-19; email:
Läs merEarned Value Analysis
Earned Value Analysis KAMP Företagsutveckling Sid 2 Earned Value Analysis - inledning Earned Value Analysis är en metod för att följa upp pågående projekt. Till skillnad från vanlig projektuppföljning
Läs merFöreläsning 11, Planera utvärdering. Att planera utvärdering. Vetenskapliga experiment. Kapitel i kursboken
Föreläsning 11 Planera utvärdering Kapitel 22-24 i kursboken Att planera utvärdering Vem, vilka? Att välja användare, antal Vad? Hur sätter man ihop lämpliga uppgifter? När? Hur lång tid ska man avsätta?
Läs merProduktinnovation Del 10 Lönsamhetsbedömning
Produktinnovation Del 10 Lönsamhetsbedömning Robert Bjärnemo och Damien Motte Avdelningen för maskinkonstruktion Institutionen för designvetenskaper LTH Inledning Kalkylmetoder Payback-metoden (återbetalningsmetoden)
Läs merSF1900 Sannolikhetsteori och statistik, HT 2017 Laboration 1 för CINEK2
Matematisk Statistik SF1900 Sannolikhetsteori och statistik, HT 2017 Laboration 1 för CINEK2 1 Introduktion Denna laboration är inte poänggivande utan är till för den som vill bekanta sig med MATLAB. Fokusera
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (9 uppgifter) Tentamensdatum 2013-08-27 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson och
Läs merLaboration 2: Styrkefunktion samt Regression
Lunds Tekniska Högskola Matematikcentrum Matematisk statistik Laboration 2 Styrkefunktion & Regression FMSF70&MASB02, HT19 Laboration 2: Styrkefunktion samt Regression Syfte Styrkefunktion Syftet med dagens
Läs merKursprogram hösten 2011
Enea Experts Logo - with wet floor effect Enea Experts Logo - without wet floor effect Android Störst på Linux OSE/realtidskurser Flest testkurser ISTQBcertifiering Java, C# C, C++, Safer C, TDD projektledning
Läs mery z 3 = 0 z 5 16 1 i )
ATM-Matematik Mikael Forsberg 734-433 Sören Hector 7-46686 Rolf Källström 7-6939 Ingenjörer, Lantmätare och Distansstuderande, mfl. Linjär Algebra ma4a 4 3 Skrivtid: 9:-4:. Inga hjälpmedel. Lösningarna
Läs merTENTAMEN I STATISTIK B,
732G7 Tentamen. hp TENTAMEN I STATISTIK B, 24-2- Skrivtid: kl: -2 Tillåtna hjälpmedel: Ett A4-blad med egna handskrivna anteckningar samt räknedosa Jourhavande lärare: Lotta Hallberg Betygsgränser: Tentamen
Läs merIntroduktion Vi har som uppgift att göra ett systemutvecklingsprojekt åt en kund. Målet är att tillfredställa alla behov denne kund har.
Projektplan Introduktion Vi har som uppgift att göra ett systemutvecklingsprojekt åt en kund. Målet är att tillfredställa alla behov denne kund har. Projektöversikt Roller och ansvar Projektledare: Fanny
Läs merRobust och energieffektiv styrning av tågtrafik
1 Robust och energieffektiv styrning av tågtrafik - CATO - Forskning inom OnTime - Vidareutveckling och möjligheter KAJT, temadag om punktlighet 2014-11-13 Tomas Lidén Transrail Sweden AB Dagens trafikledning
Läs merPMSv3. Om konsten att hålla koll på ett vägnät
PMSv3 Om konsten att hålla koll på ett vägnät Trafikverket Postadress: 781 89 Borlänge, Sverige E-post: trafikverket@trafikverket.se Telefon: 0771-921 921 Dokumenttitel: PMSv3, Om konsten att hålla koll
Läs merIdag. EDAA35, föreläsning 4. Analys. Exempel: exekveringstid. Vanliga steg i analysfasen av ett experiment
EDAA35, föreläsning 4 KVANTITATIV ANALYS Idag Kvantitativ analys Kamratgranskning Analys Exempel: exekveringstid Hur analysera data? Hur vet man om man kan lita på skillnader och mönster som man observerar?
Läs merJP JOYSTICKS PJP-008 & PJP-014
BESKRIVNING JP är en 2 eller 3-axlig joystick med inbyggda PWM-utgångar. Beroende på modell är möjligt att styra upp till 9st dubbelverkande funktioner varav 6st kan vara steglösa. Utgångarna är proportionella
Läs merBild (träd) för avsnittet. Projektplanering. Sida 1. Tieto PPS AH010, ,
Bild (träd) för avsnittet. Sida 1 en ska övergripande tydliggöra hur projektet ska genomföras. Resultaten från projektplaneringen är projekttidsplanen, projektets resursbehovsplan och kalkyl. Resultaten
Läs merph-mätare model 8690 Manual (ver. 2.0) web: www.termometer.se e-mail: info@termometer.se tel: 08-753 00 04 fax: 08-50001399
ph-mätare model 8690 Manual (ver. 2.0) Innehållsförteckning Förord 2 Funktionsbeskrivning 2 Display 2 Knappar & indikatorer 2 Att mäta ph 3 Övriga inställningar 4 Automatisk temperatur-kompensation (ATC)
Läs mer96 Påverkar de beräknade avsänkningarna på ett betydande sätt Natura 2000-området Storskäret?
2017-10-24 1 96 Påverkar de beräknade avsänkningarna på ett betydande sätt Natura 2000-området Storskäret? 2017-10-24 2 Skulle de beräknade avsänkningarna på ett betydande sätt kunna påverka Natura 2000-området
Läs merTidsserier. Data. Vi har tittat på två typer av data
F9 Tidsserier Data Vi har tittat på två typer av data Tvärsnittsdata: data som härrör från en bestämd tidpunkt eller tidsperiod Tidsseriedata: data som insamlats under en följd av tidpunkter eller tidsperioder
Läs merFiloson bakom Bayesiansk statistik med tillämpningar inom hjärnavbildning och budgivningar på ebay
Filoson bakom Bayesiansk statistik med tillämpningar inom hjärnavbildning och budgivningar på ebay Bertil Wegmann STIMA, IDA, Linköpings universitet October 5, 2017 Bertil Wegmann, STIMA, IDA, LiU Bayesiansk
Läs merAnledning: Generellt så undviker QUPER att göra fullständiga förutsägelser för relationerna mellan ett systems fördelar, kostnad och kvalitet.
Fråga 1. QUPER Påstående: QUPER är en modell för att elicitera krav Anledning: Generellt så undviker QUPER att göra fullständiga förutsägelser för relationerna mellan ett systems fördelar, kostnad och
Läs merLund University / School of Economics and Management
Vad gör primärvården för äldre med komplexa behov? Arbetssätt och samverkan vid åtta mottagningar i Region Skåne samt implikationer för landsting och kommuner. Anders Anell & Anna H Glenngård Anell A
Läs merStatistik B Regressions- och tidsserieanalys Föreläsning 1
Statistik B Regressions- och tidsserieanalys Föreläsning Kurskod: 732G7, 8 hp Lärare och examinator: Ann-Charlotte (Lotta) Hallberg Lärare och lektionsledare: Isak Hietala Labassistenter Kap 3,-3,6. Läs
Läs merKapitel 12: TEST GÄLLANDE EN GRUPP KOEFFICIENTER - ANOVA
Kapitel 12: TEST GÄLLANDE EN GRUPP KOEFFICIENTER - ANOVA 12.1 ANOVA I EN MULTIPEL REGRESSION Exempel: Tjänar man mer som egenföretagare? Nedan visas ett utdrag ur ett dataset som innehåller information
Läs merStokastiska processer med diskret tid
Stokastiska processer med diskret tid Vi tänker oss en följd av stokastiska variabler X 1, X 2, X 3,.... Talen 1, 2, 3,... räknar upp tidpunkter som förflutit från startpunkten 1. De stokastiska variablerna
Läs merSF1901: SANNOLIKHETSTEORI OCH STATISTIKTEORI KONSTEN ATT DRA INTERVALLSKATTNING. STATISTIK SLUTSATSER. Tatjana Pavlenko.
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 10 STATISTIKTEORI KONSTEN ATT DRA SLUTSATSER. INTERVALLSKATTNING. Tatjana Pavlenko 25 april 2017 PLAN FÖR DAGENS FÖRELÄSNING Statistisk inferens oversikt
Läs merF13 Regression och problemlösning
1/18 F13 Regression och problemlösning Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 4/3 2013 2/18 Regression Vi studerar hur en variabel y beror på en variabel x. Vår modell
Läs merTentamen Tillämpad statistik A5 (15hp)
Uppsala universitet Statistiska institutionen A5 2014-08-26 Tentamen Tillämpad statistik A5 (15hp) 2014-08-26 UPPLYSNINGAR A. Tillåtna hjälpmedel: Miniräknare Formelsamlingar: A4/A8 Tabell- och formelsamling
Läs mer