[pt] Esta dissertação teve como objetivo desenvolver um modelo de previsão de geração de energia elétrica por meio de esforço muscular de seres humanos, utilizando uma bicicleta geradora, conectada à rede elétrica comum. A motivação resultou da experiência do autor na área de geração distribuída, que identificou uma dificuldade em instalar sistemas de geração solar fotovoltaica em topo de edifícios. Como metodologia de pesquisa, o trabalho, utilizou a regressão linear múltipla, com o software IBM SPSS servindo como executor das tarefas. As regressões apresentaram resultados promissores, apresentando um R(2) ajustado elevado, respeitando todas as premissas de uma regressão linear múltipla, e confirmando algumas suspeitas. As simulações feitas com base no modelo criado mostram um potencial de geração de energia considerável para o Brasil. Como conclusão, apesar do modelo criado ser de boa capacidade preditiva, recomenda-se mais estudos antes de uma extrapolação populacional ou um investimento financeiro. / [en] This dissertation aimed to develop a model for predicting the generation of electrical energy through human muscular effort, using a generator bicycle, connected to the common electrical grid. The motivation resulted from the author s experience in distributed generation, which identified a difficulty in installing photovoltaic solar generation systems on top of buildings. As a research methodology, the work used multiple linear regression, with the IBM SPSS software serving as the executor of the tasks. The regressions showed promising results, presenting a high ajusted R(2), considering all the premises of a multiple linear regression, and confirming some suspicions. The simulations made based on the model created show a considerable energy generation potential for Brazil. In conclusion, despite the model created being of good predictive capacity, further studies are recommended before a population extrapolation or a financial investment.

The aim of this project was to examine if a machine learning model could be used to predict snow density from six different weather parameters. These were artificially generated snow density, air temperature, ground temperature, relative humidity, windspeed and the snow depth change. The questions asked were what parameters correlates to the snow density, what model will perform best and could this approach be a better alternative to measure snow density manually. The research was performed in the application Regression Learner in MATLAB by testing five different premade machine learning models on a dataset. The premade models were, Linear Regression, GPR Matern 5/2, SVM Medium Gaussian, Wide Neural Network and Trilayered Neural Network. Also, the project includes data collection, data cleaning, data modification, data generation, training, testing, and evaluating the models. The results show that air temperature and windspeed overall are the most important parameters and the GPR Matern 5/2 and the Wide Neural Network had the highest performance. Lastly, it was concluded that the machine learning model could be a better alternative to measuring snow density with a real sensor. / Målet med detta arbete var att undersöka om en maskininlärningsmodell kunde användas för att förutse snödensitet utifrån sex olika väderparametrar. Dessa var artificiell genererad snödensitet, lufttemperatur, marktemperatur, relativ luftfuktighet, vindhastighet och snödjupsförändring. Frågeställningarna som skulle besvaras var vilka väderparametrar som korrelerar med snödensiteten, vilken eller vilka modeller som presterade bäst samt om maskininlärningsmodellen skulle kunna vara att bättre alternativ till att mäta snödensitet manuellt. Undersökningen utfördes i applikationen Regression Learner i MATLAB genom att testa fem olika förhandsgjorda modeller vilka var Linear Regression, GPR Matern 5/2, SVM Medium Gaussian, Wide neural network och Trilayered neural network. Projektet inkluderar även datainsamling, städning av data, datamodifiering, datagenerering, träning, testning och evaluering av modellerna. Resultaten visar att lufttemperaturen och vindhastigheten över lag är viktigast för modellerna och att GPR Matern 5/2 samt Wide neural network presterade bäst. Slutligen kunde man argumentera för att maskininlärningsmodellen är ett bättre alternativ till att mäta snödensitet manuellt.

The possible effects of the General Data Protections Regulations (GDPR) have been widely discussed among policymakers, stakeholders and ordinary people who are the objective for data collection. The purpose of GDPR is to protect people’s integrity and increase transparency for how personal data is used. Up until May 25th, 2018 personal data could be sampled and used without consent from users. Many argue that the introduction of GDPR is good, others are reluctant and argue that GDPR may harm data-driven companies. The report aims to answer how GDPR affects sales at the flight search engine Flygresor.se. By examining how and to what extent these regulations impact revenue, it is hoped for that these findings will lead to a deeper understanding of how these regulations affect businesses. Multiple linear regression analysis was used as the framework to answer the research question. Numerous models were constructed based on data provided by Flygresor.se. The models mostly included categorical variables representing time indicators such as month, weekday, etc. After carefully performing data modifications, variable selections and model evaluation tests three final models were obtained. After performing statistical inference tests and multicollinearity diagnostics on the models it could be concluded that an effect from GDPR could not be statistically proven. However, this does not mean that an actual effect of GDPR did not occur, only that it could not be isolated and proven. Thus, the extent of the effect of GDPR is statistically inconclusive. / De möjliga följderna av införandet av General Data Protections Regulations (GDPR) har varit väl omdiskuterat bland beslutsfattare, intressenter och människor som är målet för datainsamlingen. Syftet med GDPR är att skydda människors integritet samt öka insynen för hur personlig data används. Fram tills den 25 maj 2018 har det varit möjligt att samla in och använda personuppgifter utan samtyckte från användare. Många menar att införandet av GDPR är nödvändigt medans andra är mer kritiska och menar att GDPR kan skada lönsamheten för data beroende verksamheter. Denna rapport syftar till att svara på huruvida GDPR har påverkat försäljningen på flygsökmotorn Flygresor.se. Genom att undersöka om och i vilken utsträckning dessa regler påverkat intäkterna, är förhoppningen att dessa resultat kan leda till en djupare förståelse för hur GDPR påverkar företag. Multipel linjär regressionsanalys användes som ramverk för att svara på frågeställningen. Flera modeller utformades baserat på data som tillhandahölls av Flygresor.se. Modellerna var främst baserade på kategoriska variabler som representerade tidsaspekter så som månad, veckodag etc. Efter ett grundligt genomförande av data modifieringar, variabelselektion och modellutvärdering kunde tre modeller konstateras. Efter att ha genomfört signifikanstester och korrelationstester på modellerna kunde det fastställas att en effekt från GDPR inte kunde statistiskt säkerställas. Dock betyder detta inte att GDPR inte har haft en faktisk effekt, utan att en effekt inte kunde isoleras och bevisas.

Apotek Hjärtat wants to keep developing their e-commerce website and improve retrieval and delivery of orders to customers. Click and Collect and Click and Express are two options for retrieving e-commerce orders that are available if all products in the order are present in the store. By implementing a back stock in the stores with popular e-commercial items, all products of an order will more often be present in the store. The back stock will in such a way increase the availability of Click and Collect and Click and Express. The goals for the study are to conduct a pilot study, compare methods and possible solutions to implement a model to reach the goals. The pilot study was made by studying previous works in mathematical statistics methods and machine learning methods. The statistical method was accomplished through the analytical tool Statistical Package for the Social Sciences (SPSS) and Java. The machine learning method was accomplished through Python and the Scikit-learn library. The machine learning method was performed by a regression algorithm that was used to find relations between category sales and pollen forecasts. The statistical and machine learning methods were compared to each other. Both gave identical results, but the machine learning method was more functional and easier to further develop and consequently was chosen. Several models were created for a few selected product categories. The categories that did not work for the models had an unrealistic amount of sold products. These amounts could be negative or extremely high when unknown inputs were introduced. A simulation was made of the back stock to estimate how it would increase the availability of Click and Collect/Click and Express. The machine learning models could need more data for more accurate predictions. A conclusion could be made though that is possible to predict the amount of sold products of certain categories such as Allergy and Child Medicine with pollen halt taken into account. / Apotek Hjärtat vill fortsätta utveckla sin e-handelssida och förbättra upphämtning och leverans av ordrar till kund. Click and Collect och Click and Express är två val för att hämta upp e-handelsordrar som finns tillgängliga om alla produkter i ordern finns i butik. Genom att implementera ett baklager i butiker med populära unika ehandelsprodukter kommer alla produkter i en order oftare att finnas i butik. Baklagret kommer på så vis öka tillgängligheten av Click and Collect och Click and Express. Målen är att utföra en förstudie, samt att jämföra och hitta en bra lösning att implementera en modell för att uppnå målen. Förstudien gick ut på att analysera tidigare arbeten inom matematiska statistikmetoder och maskininlärningsmetoder. Den statistiska metoden utfördes genom det analytiska verktyget Statistical Package for the Social Sciences (SPSS) och Java. Maskininlärningsmetoden utvecklades med hjälp av Python och Scikit-learn biblioteket. Maskinlärningsmetoden utfördes genom en regressionsalgoritm som användes för att ta fram flera modeller för relationer mellan försäljning av kategorier och pollenprognoser. Statistiska metoden och maskininlärningsmetoden jämfördes med varandra. Båda gav identiska resultat men maskininlärning var mer funktionellt och enklare att vidareutveckla och därför valdes den metoden. Flera olika modeller lyckades tas fram för en del produktkategorier. De kategorier som inte fungerade för modellerna hade orealistiska mängder sålda varor. Dessa mängder kunde vara negativa eller extremt höga när okända inputs introducerades. Med hjälp av simulationen var det möjligt att uppskatta hur baklagret skulle öka tillgängligheten av Click and Collect/Express. Maskininlärningsmodellerna skulle behöva mer data, som kommer i framtiden, för att ge en mer precis prediktering mellan pollenvärden. Som slutsats är det möjligt att använda dem i framtiden för vissa kategorier som allergi och barnmedicin.

The Swedish real estate market has been digitalized over the past decade with the current practice being to post your real estate advertisement online. A question that has arisen is how a seller can optimize their public listing to maximize the selling premium. This paper analyzes the use of three machine learning methods to solve this problem: Linear Regression, Decision Tree Regressor and Random Forest Regressor. The aim is to retrieve information regarding how certain attributes contribute to the premium value. The dataset used contains apartments sold within the years of 2014-2018 in the Östermalm / Djurgården district in Stockholm, Sweden. The resulting models returned an R2-value of approx. 0.26 and Mean Absolute Error of approx. 0.06. While the models were not accurate regarding prediction of premium, information was still able to be extracted from the models. In conclusion, a high amount of views and a publication made in April provide the best conditions for an advertisement to reach a high selling premium. The seller should try to keep the amount of days since publication lower than 15.5 days and avoid publishing on a Tuesday. / Den svenska bostadsmarknaden har blivit alltmer digitaliserad under det senaste årtiondet med nuvarande praxis att säljaren publicerar sin bostadsannons online. En fråga som uppstår är hur en säljare kan optimera sin annons för att maximera budpremie. Denna studie analyserar tre maskininlärningsmetoder för att lösa detta problem: Linear Regression, Decision Tree Regressor och Random Forest Regressor. Syftet är att utvinna information om de signifikanta attribut som påverkar budpremien. Det dataset som använts innehåller lägenheter som såldes under åren 2014-2018 i Stockholmsområdet Östermalm / Djurgården. Modellerna som togs fram uppnådde ett R²-värde på approximativt 0.26 och Mean Absolute Error på approximativt 0.06. Signifikant information kunde extraheras from modellerna trots att de inte var exakta i att förutspå budpremien. Sammanfattningsvis skapar ett stort antal visningar och en publicering i april de bästa förutsättningarna för att uppnå en hög budpremie. Säljaren ska försöka hålla antal dagar sedan publicering under 15.5 dagar och undvika att publicera på tisdagar.

I en företagstransaktion anlitas vanligen en investmentbank för att bistå med värdering av bolaget samt agera rådgivare. Investmentbanker agerar som en slag företagsmäklare som är antingen på köp- eller säljsidan av transaktionen. När bolagsvärdet presenteras i en pitch till säljarna brukar de använda sig av flera metoder för att beräkna värdet av företaget. För att öka precisionen i värdering av ett nordiskt industribolag ställdes frågan om multipel regressionsanalys kunde användas som ett komplement i en bolagsvärdering och hur den stod sig gentemot en klassisk värderingsmetod som Precedent Transactions Analysis. Dessa frågor kom att analyseras och besvarades genom att skapa en regressionsmodell som byggde på data hämtad från företagens finansiella rapporter. Den insamlade datan byggde på 132 transaktioner av nordiska industribolag under perioden 2009-2019. Regressionsmodellen kom sedan att jämföras mot en PTA-värdering som byggde på tidigare företagstransaktioner av bolag med liknande finansiell och affärsmässig bakgrund som bolaget i fråga skulle värderas. Denna studie visar på att regressionsanalys kan användas som en komplement till de olika värderingsmetoderna men bör ej användas för att värdera nordiska industribolag med avhandlingens val av variabler och skall inte ersätta någon av de klassiska värderingsmetoderna. / Prior to a company being sold or acquired they usually contact an investment bank to support with the valuation of the company, execute the sale and act as advisors for the actors that wish to buy or sell. Investment banks acts as a kind of company broker which is either on the buy or the sell side. When the company value is presented, they usually utilize several methods to calculate the value of the company. During the last decade the frequency of transactions on the Nordic industry market have increased significantly. To increase the precision in the valuation of a Nordic industrial company, the question was asked if multiple regression analysis could be used as a valuation method? Also, how did it compare itself against a classical valuation method like Precedent Transaction Analysis? These questions came to be analyzed and answered by creating a regression modell built of data gathered from financial reports. The regression model then came to be compared to the PTA-valuation which built on previous company transactions with companies that were alike in financial background. This study shows that regression analysis could be used as a complement to the different valuation methods. However the model should not be used to evaluate Nordic industrial companies with the choice of variables in the thesis, since the reliability of the model is unpredictable. Regression analysis as a stand-alone valuation method should be taken with great caution and not replace neither of the classical valuation methods.

Den psykiska ohälsan har ökat bland befolkningen i Sverige vilket förutom ett personligt lidande ger stora samhällsekonomiska konsekvenser. Orsaken till denna ökning har inget definitivt svar men kan potentiellt förklaras av makro- och socioekonomiska faktorer. Denna rapport undersöker därför om det finns ett samband mellan psykisk ohälsa och makro- och socioekonomiska faktorer. Det sker även en analys av hur dessa faktorer kan förklara ökningen av psykiska ohälsa. För att ta reda på om ett samband existerar utförs en multipel linjär regressionsanalys där den beroende variabeln definieras som svåra besvär av oro, ängslan och ångest och de förklarande variablerna utgörs av förgymnasial-, gymnasial- och eftergymnasial utbildning, BNP per capita, hushållens disponibla inkomst och arbetslöshet. Analysen delas upp i grupperna kvinnor, män och totala befolkningen där data från åren 2002-2017 används. Analysen visar på ett visst samband mellan de olika regressionsvariablerna och makro- och socioekonomiska faktorer. Totala befolkningens psykiska ohälsa har framförallt ett samband med förgymnasial utbildning. De signifikanta variablerna för kvinnors psykiska ohälsa är gymnasial utbildning, BNP per capita och disponibel inkomst. För modellen för mäns psykiska ohälsa är arbetslöshet och disponibel inkomst mest signifikanta. Modellerna har approximativt uppfyllda antaganden och multikollinearitet närvarande vilket bidrar till en bristande tillförlitlighet. Vidare forskning krävs för ytterligare validering av sambanden samt för en djupare förståelse av makro- och socioekonomiska faktorers påverkan och möjliga orsakssamband. / The mental health has increased in Sweden, which besides the personal suffering affects both the society and economy. The reason behind the increase does not have any definite explanation but the answer may, at least partly, be found in macroeconomic and socioeconomic factors. This report will therefore investigate if there exists a relationship between mental health problems and macroeconomic and socioeconomic factors. An analysis of how these factors may explain the increase of mental health problems is also performed. To see if a relationship exists, a multivariable regression analysis is performed, where the dependent variable is defined as severe problems with anxiety and worry. The regression variables are education level, GDP per capita, the households disposable income and unemployment. The analysis is performed on the groups; women, men and total population and the data is collected over the years 2002 to 2017. The analysis indicates a certain relationship between the different macro and socioeconomic variables and mental health problems. For the total population, education level is the most significant. For women, education level, GDP per capita and the households disposable income are most important. For men, unemployment and disposable income are the strongest correlated variables. The models approximately fulfills the assumptions for the least square method and have multicollinearity present, which in total makes them less reliable. Further research to validate these relationships and to contribute to explanations of potential causality is needed.

This report investigates what the main price drivers are for commercial real estate rentals in Stockholm and Gothenburg. The mathematical method applied in this thesis is multiple linear regression and statistical analysis. The models are built from data provided by Datscha, a commercial market information provider. The data sets contains 922 observations across 9 different metrics from 2019. The response variable used to explain the price drivers is taxated monthly rental. The most significant driving variables common to all three final models where market value, location, and taxated value. These results align with current macroeconomic theory; revenue streams stand in direct proportion to underlying asset, i.e market value. Furthermore, location stands out as significant due to its attractiveness to all interacting entities. The models constructed had satisfying predictabilty, with R2-values ranging from 0.725 − 0.896. / Denna rapport undersöker de signifikanta faktorer som driver prisnivå vid uthyrning av kommersiella fastigheter i Stockholm och Göteborg. De matematiska metoder som tillämpas är multipel regressionsanalys samt statistisk analys. Modeller bygger på data från Datscha, en kommersiell leverantör av fastighetsrelaterad marknadsinformation. Slutgiltigt dataset har 922 observationer över 9 variabler, alla från år 2019. Den responsvariabel som används för att förklara prisdrivarna är taxerad månatlig hyra. De mest signifikanta drivande variablerna som är gemensamma för samtliga tre slutmodeller är marknadsvärde, plats samt taxerat värde. Rapportens resultat ligger i linje med kontemporär makroekonomisk teori; intäktsflöden står i direkt proportion till den underliggande tillgången, dvs. här fastighetens marknadsvärde. Vidare är variabeln plats signifikant givet fördel med närhet för samtliga inblandade entiteter. De konstruerade modellerna innehar satisfierande prediktabilitet, med R2-värden mellan 0.725 − 0.896.

This thesis was based on the subjects of mathematical statistics and industrial economics and management in order to analyze the grades of pupils in the final year of elementary school. The purpose was to find out what variables had a statistically significant impact on pupils’ final grades so that municipalities and schools could better understand what variables are important when trying to improve the average school results. A multiple regression model was used on data, obtained from the database of Skolverket, in order to examine what variables were statistically important. The final regression model acquired through a model reduction procedure showed that mostly structural covariates such as the academic background of pupils, percentage of female pupils and the percentage with Swedish background had a statistically significant impact on the academic performances of the students. R2 adjusted of the final model was 0.5289. The multiple regression model was discussed by referencing to previous research. In addition, the strategic management performance framework known as Balanced Scorecard which was introduced by Robert S. Kaplan and David P. Norton was used to discuss relevant key performance indicators to achieve the strategic objectives of schools. / Detta examensarbete, inom ämnet för matematisk statistik och industriell ekonomi, genomfördes med syftet att analysera avgångsbetygen för år 9 i den svenska skolan. Syftet var att förstå vilka variabler som hade en statistisk signifikant påverkan på elevers avgångsbetyg, så kommuner kan förstå vilka variabler som är viktiga för att förbättra de genomsnittliga skolresultaten. En regressionsanalys utfördes, på data från Skolverket, för att se vilka variabler som var statistiskt signifikanta. Den slutgiltiga regressionsmodellen, erhållen genom iterativ reducering av variabler, visade att främst strukturella kovariat, som akademisk bakgrund hos elever, andel kvinnliga studenter och andel studenter med svensk bakgrund hade en signifikant betydelse på studenters akademiska resultat. Justerad R2 var 0.5289 för den slutgiltiga modellen. I diskussionen utvärderades modellen utifrån tidigare forskning. Vidare användes teorin om balanserat styrkort, utvecklat av Robert S. Kaplan och David P. Norton, för att diskutera relevanta nyckeltal för att uppnå strategiska mål för skolan.

The rise of the sharing economy is forcing industries to move from traditional take-make-waste economy towards circular ones (Schuttelaar & Partners, 2019). Along with the increasing influence of e-commerce, supply-chain collaboration and globalization has increased the pressure of warehouse operations and requires more efficient operations with the use of less resources thanever before (Frazelle, 2016). Lean is a concept that has gained attention as a means of doing morewith less, through reducing wastes and continuously improving, which has been successful within the manufacturing sector. The difficulties of translating this concept into non-repetitive environments has contributed to the low level of adoption within industries like construction. Where companies within construction equipment rental have an even greater challenge, dealing with circular product flows. Thus, making their warehousing operations inherently complex along with the large amounts of different products. The thesis has focused on analysing the warehouse operations flow of collective fall protectionproducts in the equipment rental industry, from customer order to customer return. This has been enabled by performing an adapted Value Stream Mapping method in a new setting for equipmentrental industries. Where Value Stream Mapping traditionally is applied in manufacturing to visually represents the actions that are required for a product to move through the production andinformation flows. The purpose of the study is to apply VSM beyond manufacturing and tosummarize the results in order to provide suggestions for improving the handling of non-serialized products within the equipment rental industry. A case company within the equipment rental industry has been used to meet the purpose of the study by testing and evaluating the proposed frame work. The findings have been followed up by performing a return handling study, conducted by equipment rental professionals, which has been subject to a statistical analysis. The findings from the VSM are used as a foundation for the return handling study, which serves as a means of verifying or dismissing them. These are then summarized in suggestions for improvements to the case company and suggestions for future actions. Among the findings are indications of longer return times for products that are not forewarned prior to returns, and increase processing rates for sorted returns. Furthermore three product types were more frequently requiring repairs, cleaning and scrapping compared to other products, suggesting that these requiremore time to process. The company is advised to work with standardizing processes for return handling throughout the organization within invoicing specifications and product storage. Suggestions for future research within the subject area is also presented. / Den ökande utbredningen av delningsekonomi tvingar industrier att gå från traditionella linjära affärsmodeller mot cirkulära (Schuttelaar & Partners, 2019). Utöver denna förändring så ökar även trycket på lagerverksamheter som ett resultat av det ökande inflytandet av e-handel, Supply-Chainsamarbete och globalisering som kräver effektivare verksamheter med användning av mindre resurser än någonsin förut (Frazelle, 2016). Lean är ett koncept som har uppmärksammats som en filosofi för att hantera dessa förändringar, genom att åstadkomma mer med mindre resurser och därmed minska slöseri och att sträva efter ständiga förbättringar, vilket har varit framgångsrikt inom tillverkningssektorn. Svårigheterna med att översätta detta koncept till icke-repetitiva miljöer har bidragit till den begränsade appliceringen av lean inom industrier som byggnadskonstruktion. Där företag inom uthyrning av byggnadsmaskiner och utrustning har en ännu större utmaning, då deras verksamhet bygger på cirkulära produktflöden. Vilket orsakar komplex lagerhantering av många olika produkter i stora mängder. Avhandlingen har fokuserat på att analysera lagerflödet av kollektiva fallskyddsmedel i uthyrningsbranschen, från kundorder till kundreturer. Detta har möjliggjorts genom att utföra en anpassad värdeflödeskartläggning i ett nytt sammanhang, nämligen för företag inom uthyrning av byggnadsmaskiner och utrustning. Där värdeflödeskartläggning vanligtvis används inom tillverkning för att visuellt representera de aktiviteter som krävs för att en produkt ska kunna flytta genom produktions- och informationsflödena. Syftet med studien är att tillämpa värdeflödeskartläggning utanför tillverkningssektorn och att sammanfatta resultaten i form av förslag på förbättringar av hanteringen av icke-serienumrerade produkter inom uthyrningsbranschen. Ett samarbete med ett fallföretag inom uthyrningsindustrin har genomgåtts för att uppfylla syftet med studien. Tillsammans med fallföretaget har det föreslagna ramarbetet testats och utvärderats. Resultaten har följts upp genom att genomföra en returhanteringsstudie, som utförs av verksamma inom lager hanteringen för kollektiva fallskyddsmedel, studiens resultat har sedan varit föremål för en statistisk analys. Upptäckterna från värdeflödeskartläggningen användes som grund för returhanteringsstudien, som agerat medel för att verifiera eller avfärda dem. Dessa har sedan sammanfattas i förslag till förbättringar till fallföretaget och förslag till framtida åtgärder. Bland resultaten finns indikationer på längre hanteringstider för returer som inte är förvarnade innan de blir återlämnade, samt minskade hanteringstider för sorterade returer. Dessutom krävde tre produkttyper ofta reparationer, rengöring och skrotning jämfört med andra produkter, vilket tyder på att dessa produkter är mer tidskrävande vid returer. Företaget rekommenderas att arbeta med standardiseringsprocesser för returhantering i hela organisationen, mer specifikt inom bestämmelser för fakturering och produktlagring. Förslag till framtida forskning inom ämnesområdet presenteras även.