<p>I detta arbete beskrivs hur den bayesianska metodiken kan användas för att stödja en militär beslutsfattare, då denne ska fatta beslut under osäkerhet. Genom att analysera vilka parametrar som kan användas för att prediktera fiendens intentioner, tas ett bayesianskt nätverk fram, vilket implementeras och integreras i simuleringsramverket GTSIM. För att möjliggöra denna prediktering har extra funktionalitet lagts till i GTSIM, såsom att skapa olika typer av mål. Dessa mål kan sättas ut på valfria platser och senare läsas in då en fusionerad lägesbild skapas av de olika sensorer som placerats ut. Målen representerar då de olika handlingsalternativ som en simulerad fiendestyrka har, och allteftersom fiendestyrkan rör sig uppdateras sannolikheten för att de olika målen ska anfallas av den framtagna modellen. En utvärdering av den framtagna modellen och det utvecklade verktyget har gjorts, samt så har förslag på hur modellen kan utvecklas i framtiden tagits fram.</p>

I detta arbete beskrivs hur den bayesianska metodiken kan användas för att stödja en militär beslutsfattare, då denne ska fatta beslut under osäkerhet. Genom att analysera vilka parametrar som kan användas för att prediktera fiendens intentioner, tas ett bayesianskt nätverk fram, vilket implementeras och integreras i simuleringsramverket GTSIM. För att möjliggöra denna prediktering har extra funktionalitet lagts till i GTSIM, såsom att skapa olika typer av mål. Dessa mål kan sättas ut på valfria platser och senare läsas in då en fusionerad lägesbild skapas av de olika sensorer som placerats ut. Målen representerar då de olika handlingsalternativ som en simulerad fiendestyrka har, och allteftersom fiendestyrkan rör sig uppdateras sannolikheten för att de olika målen ska anfallas av den framtagna modellen. En utvärdering av den framtagna modellen och det utvecklade verktyget har gjorts, samt så har förslag på hur modellen kan utvecklas i framtiden tagits fram.

Jordbrukens ekosystem är mer komplexa än vad man tidigare trott och består av många olika arter kopplade till olika ekosystemtjänster som jordbruket tillhandahåller. De interaktioner som bildas mellan arterna bildar ett ekologiskt nätverk där växterna är de energiproducerande resurserna för konsumenter högre upp i nätverket. Vi lever idag i ett sjätte massutdöende med pågående klimatkris som påverkar sannolikheten för arters överlevnad. Syftet med det här arbetet är därför att ta reda på hur jordbrukets ekosystemtjänster påverkas vid artbortfall av vissa växter skapade av hoten invasiva arter, patogener och pollinatörbrist. Syftet är även att titta på hur detta arbetssätt kan användas inom undervisningen av biologi på gymnasiet. Undersökningen av artbortfallens påverkan sker med hjälp av Bayesianska nätverk som utifrån alla artinteraktioner och tillhandahållanden av ekosystemtjänster beräknar och simulerar sannolikheten för arters överlevnad och därmed även sannolikheten för att ekosystemtjänsterna ska finnas kvar. Det visade sig att oavsett hot så blir så gott som alla ekosystemtjänster påverkade vilket tyder på många indirekta effekter. Det visade sig även att hoten pollinatörbrist har störst påverkan på minskningen av de aktuella ekosystemtjänsterna. Simuleringen av artbortfall skulle kunna implementeras i biologiundervisningen på gymnasiet för att visa på hur komplexa ekosystemen är och ge eleverna en djupare förståelse i hur de ekologiska, ekonomiska och sociala aspekterna hänger samman och försöka hitta metoder för att åtgärda minskningarna av ekosystemtjänsterna. / Agricultural ecosystems are more complex than previously thought and consist of many different species linked to different ecosystem services that agriculture provides. The interactions between the species form an ecological network where the plants are the energy-producing resources for consumers higher up in the network. Today we live in a sixth mass extinction with an ongoing climate crisis that affects the probability of species survival. The purpose of this work is therefore to find out how agricultural ecosystem services are affected in the case of species extinction of certain plants created by the threats of invasive species, pathogens and pollinator shortages. The secondary aim is also to look at how this can be used in the teaching of biology at upper secondary school. The investigation of the impact of species loss is done with Bayesian networks which, based on all species interactions and the provision of ecosystem services, calculate and simulate the probability of species survival and thus also the probability that the ecosystem services will remain. It turned out that regardless of the threat, almost all ecosystem services are affected, which indicates many indirect effects. It also turned out that the threatened pollinator shortage has the greatest impact on the reduction of the current ecosystem services. The simulation of species loss could be implemented in upper secondary school biology classes to show how complex ecosystems are and give students a deeper understanding of how the ecological, economic and social aspects are connected and try to find methods to remedy the reductions in ecosystem services.

In this thesis, an approach for localizing culprits of degradation of quality measures in an IPTV streaming service using Bayesian net-work is presented. This task is referred to as Root Cause Analysis(RCA). The objective of this thesis is to develop a model that is able to provide useful information to technicians by generating a list of probable root causes in order to shorten the amount of time spent on trouble shooting. A performance comparison is presented in Section Experimental results with Bayesian models such as Naive Bayes (NB),Tree Augmented naive Bayes (TAN) and Hill Climbing (HC) and the non Bayesian methods K-Nearest Neighbors and Random Forest. The results of the RCA models indicated that the most frequent most prob-able cause of degradation of quality is the signal strength of the user’s Wi-Fi that is reported at the user’s TV box. / I detta examensarbete presenteras en metod för att lokalisera grundorsaken till nedgradering av kvalitet i en IPTV strömningstjänst. Denna uppgift refererar tillgrundorsaksanalys. Avsikten med denna tes är att utveckla en modell som kan tillförse tekniker med användarbar information genom att generera en lista med möjliga grundorsaker för att förkorta tiden som spenderas med felsökning. En prestandajämförelse är presenterad i Sektion Experimental results med de Bayesianska modellerna Naive Bayes (NB), Tree Augmented naive Bayes (TAN) och Hill Climbing (HC) samt de icke Bayesianska modellerna K-Nearest Neighbors och Random Forest. Resultatet av grundorsaksmodellerna indikerade att den mest frekventa mest sannolika grundorsaken till nedgradering av kvalitet är signal styrkan hos Wi-Fi nätverket vilket rapporteras i användarens TV-box.

Bayesian networks can be used to model the respiratory system. Their structure indicate how risk factors, symptoms, and diseases are related and the Conditional Probability Tables enable predictions about a patient’s need for hospitalization. Numerous structure learning algorithms exist for discerning the structure of a Bayesian network, but none can guarantee to find the perfect structure. Employing multiple algorithms can discover relationships between variables that might otherwise remain hidden when relying on a single algorithm. The Maximum Likelihood Estimator is the predominant algorithm for learning the Conditional Probability Tables. However, it faces challenges due to the data fragmentation problem, which can compromise its predictions. Failing to hospitalize patients who require specialized medical care could lead to severe consequences. Therefore, in this thesis, the use of an XGBoost model for learning is proposed as a novel and better method since it does not suffer from data fragmentation. A Bayesian network is constructed combining several structure learning algorithms, and the predictive performance of the Maximum Likelihood Estimator and XGBoost are compared. XGBoost achieved a maximum accuracy of 86.0% compared to the Maximum Likelihood Estimator, which attained an accuracy of 81.5% in predicting future patient hospitalization. In this way, the predictive performance of Bayesian networks has been enhanced. / Bayesianska nätverk kan användas för att modellera andningssystemet. Deras struktur visar hur riskfaktorer, symtom och sjukdomar är relaterade, och de villkorliga sannolikhetstabellerna möjliggör prognoser om en patients behov av sjukhusvård. Det finns många strukturlärningsalgoritmer för att urskilja strukturen i ett bayesianskt nätverk, men ingen kan garantera att hitta den perfekta strukturen. Genom att använda flera algoritmer kan man upptäcka relationer mellan variabler som annars kan förbli dolda när man bara förlitar sig på en enda algoritm. Maximum Likelihood Estimator är den dominerande algoritmen för att lära sig de villkorliga sannolikhetstabellerna. Men den står inför utmaningar på grund av datafragmenteringsproblemet, vilket kan äventyra dess prognoser. Att inte lägga in patienter som behöver specialiserad medicinsk vård kan leda till allvarliga konsekvenser. Därför föreslås i denna avhandling användningen av en XGBoost-modell för inlärning som en ny och bättre metod eftersom den inte lider av datafragmentering. Ett bayesianskt nätverk byggs genom att kombinera flera strukturlärningsalgoritmer, och den prediktiva prestandan för Maximum Likelihood Estimator och XGBoost jämförs. XGBoost uppnådde en maximal noggrannhet på 86,0% jämfört med Maximum Likelihood Estimator, som uppnådde en noggrannhet på 81,5% för att förutsäga framtida patientinläggning. På detta sätt har den prediktiva prestandan för bayesianska nätverk förbättrats.

Gene tree-species tree reconciliation is the problem of mapping each node in a gene tree to a position in a species tree. Several methods have been used to address this problem. Variational inference is a method for finding the best approximation to the true distribution in a family of distributions. In this project, we investigated whether variational inference is a useful method to address the gene tree-species tree reconciliation problem. The distribution of trees is modeled by a so-called Subsplit Bayesian Network (SBN), and the evolution process is modeled by a birth-death process with constant duplication- and loss rate. We implemented the method in Python and compared it with A Variational Approach to Bayesian Phylogenetic Inference [1] (VBPI) [1] using synthetic data. The result showed that our method outperformed VBPI in most test cases. / Genträd-artträdsförsoning är problemet med att kartlägga varje nod i ett genträd till en position i ett artträd. Flera metoder har använts för att lösa detta problem. Variationsinferens är en metod för att hitta den bästa approximationen till den sanna fördelningen i en familj av sannolikhetsfördelningar. I det här projektet undersökte vi om variationsinferens är en användbar metod för att lösa Genträd-artträdsförsoningproblemet. Fördelningen av träd modelleras av ett så kallat subsplit Bayesian-nätverk (SBN), och evolutionsprocessen är modellerad av en födelse-dödsprocess med konstant duplicering- och förlusthastighet. Vi implementerade metoden i Python och jämförde den med VBPI [1] med syntetisk data. Resultatet visade att vår metod överträffade VBPI i de flesta testfallen.

Information technology has become increasingly important to individuals and organizations alike. Not only does IT allow us to do what we always did faster and more effectively, but it also allows us to do new things, organize ourselves differently, and work in ways previously unimaginable. However, these advantages come at a cost: as we become increasingly dependent upon IT services, we also demand that they are continuously and uninterruptedly available for use. Despite advances in reliability engineering, the complexity of today's increasingly integrated systems offers a non-trivial challenge in this respect. How can high availability of enterprise IT services be maintained in the face of constant additions and upgrades, decade-long life-cycles, dependencies upon third-parties and the ever-present business-imposed requirement of flexible and agile IT services? The contribution of this thesis includes (i) an enterprise architecture framework that offers a unique and action-guiding way to analyze service availability, (ii) identification of causal factors that affect the availability of enterprise IT services, (iii) a study of the use of fault trees for enterprise architecture availability analysis, and (iv) principles for how to think about availability management. This thesis is a composite thesis of five papers. Paper 1 offers a framework for thinking about enterprise IT service availability management, highlighting the importance of variance of outage costs. Paper 2 shows how enterprise architecture (EA) frameworks for dependency analysis can be extended with Fault Tree Analysis (FTA) and Bayesian networks (BN) techniques. FTA and BN are proven formal methods for reliability and availability modeling. Paper 3 describes a Bayesian prediction model for systems availability, based on expert elicitation from 50 experts. Paper 4 combines FTA and constructs from the ArchiMate EA language into a method for availability analysis on the enterprise level. The method is validated by five case studies, where annual downtime estimates were always within eight hours from the actual values. Paper 5 extends the Bayesian prediction model from paper 3 and the modeling method from paper 4 into a full-blown enterprise architecture framework, expressed in a probabilistic version of the Object Constraint Language. The resulting modeling framework is tested in nine case studies of enterprise information systems. / Informationsteknik blir allt viktigare för både enskilda individer och för organisationer. IT låter oss inte bara arbeta snabbare och effektivare med det vi redan gör, utan låter oss också göra helt nya saker, organisera oss annorlunda och arbeta på nya sätt. Tyvärr har dessa fördelar ett pris: i takt med att vi blir alltmer beroende av IT-tjänster ökar också våra krav på att de är ständigt tillgängliga för oss, utan avbrott. Trots att tillförlitlighetstekniken går framåt utgör dagens alltmer sammankopplade system en svår utmaning i detta avseende. Hur kan man säkerställa hög tillgänglighet hos IT-tjänster som ständigt byggs ut och uppgraderas, som har livscykler på tiotals år, som är beroende av tredjepartsleverantörer och som dessutom måste leva upp till verksamhetskrav på att vara flexibla och agila? Den här avhandlingen innehåller (i) ett arkitekturramverk som på ett unikt sätt kan analysera IT-tjänsters tillgänglighet och ta fram rekommenderade åtgärder, (ii) ett antal identifierade kausalfaktorer som påverkar IT-tjänsters tillgänglighet, (iii) en studie av hur felträd kan användas för arkitekturanalys av tillgänglighet samt (iv) en uppsättning principer för beslutsfattande kring tillgänglighet. Avhandlingen är en sammanläggningsavhandling med fem artiklar. Artikel 1 innehåller ett konceptuellt ramverk för beslutsfattande kring IT-tjänsters tillgänglighet som understryker vikten av variansen hos nertidskostnaderna. Artikel 2 visar hur ramverk för organisationsövergripande arkitektur (s.k. enterprise architecture -- EA) kan utvidgas med felträdsanalys (FTA) och bayesianska nätverk (BN) för analys av beroenden mellan komponenter. FTA och BN är bägge etablerade metoder för tillförlitlighets- och tillgänglighetsmodellering. Artikel 3 beskriver en bayesiansk prediktionsmodell för systemtillgänglighet, baserad på utlåtanden från 50 experter. Artikel 4 kombinerar FTA med modelleringselement från EA-ramverket ArchiMate till en metod för tillgänglighetsanalys på verksamhetsnivå. Metoden har validerats i fem fallstudier, där de estimerade årliga nertiderna alltid låg inom åtta timmar från de faktiska värdena. Artikel 5 utvidgar den bayesianska prediktionsmodellen från artikel 3 och modelleringsmetoden från artikel 4 till ett fullständigt EA-ramverk som uttrycks i en probabilistisk version av Object Constraint Language (OCL). Det resulterande modelleringsramverket har testats i nio fallstudier på verksamhetsstödjande IT-system. / <p>QC 20120912</p>