The Hubble parameter H(z) is a measure of the expansion rate of the universe at redshift z. One method to determine it relies on inferring the slope of the redshift with respect to cosmic time, where galaxy ages can be used as a proxy for the latter. This method is used by Simon et al. in [1], where they present 8 determinations of the Hubble parameter. The results are surprisingly precise given the precision of their data set. Therefore, we reanalyze their data using three methods: chi-square minimization, Monte Carlo sampling, and Gaussian processes. The first two methods show that obtaining 8 independent values of the Hubble parameter yields significantly larger uncertainties than those presented by Simon et al. The last method yields a continuous inference of H(z) with lower uncertainties. However, this is obtained at the cost of having strong correlations, meaning that inferences at a wide range of redshifts provide essentially the same information. Furthermore, we demonstrate that obtaining 8 independent values for the Hubble parameter with the same precision as in [1] requires either significantly increasing the size of the data set, or significantly decreasing the uncertainty in the data. We conclude that their resulting Hubble parameter values can not be derived from the employed data. [1] J. Simon, L. Verde and R. Jimenez, Constraints on the redshift dependence of the dark energy potential, Physical Review D 71, 123001 (2005). / Hubbleparametern H(z) är ett mått på universums expansionshastighet vid rödskift z. En metod som bestämmer parametern bygger på att hitta lutningen av sambandet mellan rödskift och kosmisk tid, där det sistnämnda går att ersätta med galaxåldrar. Denna metod används av Simon et al. i [1], där de presenterar 8 värden av Hubbleparametern. Resultaten är förvånansvärt precisa, med tanke på precisionen i deras data. Vi omanalyserar därför deras data med tre metoder: chi-2-miniminering, Monte Carlo-sampling och Gaussiska processer. De två första metoderna visar att när 8 oberoende värden av Hubbleparametern bestäms fås mycket större osäkerheter än de som presenteras av Simon et al. Den sistnämnda metoden ger en kontinuerlig funktion H(z) med lägre osäkerheter. Priset för detta är dock starka korrelationer, det vill säga att resultat vid många olika rödskift innehåller i princip samma information. Utöver detta visar vi att det krävs antingen en mycket större mängd data eller mycket mindre osäkerheter i datan för att kunna bestämma 8 oberoende värden av Hubbleparametern med samma precision som i [1]. Vi drar slutsatsen att deras värden av Hubbleparametern inte kan fås med den data som använts. [1] J. Simon, L. Verde and R. Jimenez, Constraints on the redshift dependence of the dark energy potential, Physical Review D 71, 123001 (2005).

The understanding of what motivates a customer to pay more for a product or service has al-ways been a fundamental question in business. To the end of answering this question, revenue management is a business practice that revolves around using analytics to predict consumer behavior and willingness-to-pay. It has been a common practice within the commercial airline and hospitality industries for over 30 years, allowing adopters to reach their service capacity with increased profit margins. In this thesis, we investigated the possibility to apply revenue management to the last mile delivery industry, an industry that provides the service of delivering goods from e-commerce companies to the consumer’s front door. To achieve this objective, a revenue management framework was conceived, detailing the interaction between the customer and a dynamic pricing model. The model itself was a product of a machine learning model, intended to segment the customers and predict the willingness-to-pay of each customer segment. The performance of this model was tested through a quantitative study on synthetic buyers, subject to parameters that influence their willingness-to-pay. It was observed that the model was able to distinguish between different types of customers, yielding a pricing policy that increased profits by 7.5% in comparison to fixed price policies. It was concluded that several factors may impact the customer’s willingness-to-pay within the last mile delivery industry. Amongst these, the convenience that the service provides and the disparity between the price of the product and the price of the service were the most notable. However, the magnitude of considering these parameters was never determined. Finally, em-ploying dynamic pricing has the potential to increase the availability of the service, enabling a wider audience to afford the service. / Vad som motiverar en kund att betala mer för en tjänst eller en produkt har länge varit ett centralt koncept inom affärslivet. Intäktsoptimering är en affärspraxis som strävar efter att besvara den frågan, genom att med analytiska verktyg mäta och förutse betalningsviljan hos kunden. Intäktsoptimering har länge varit framträdande inom flyg- och hotellbranschen, där företag som anammat strategin har möjlighets att öka försäljningsvinsten. I detta examensarbete undersöker vi möjligheten att applicera intäktsoptimering på sista milen industrin, en industri som leverar köpta produkten hem till kunden. För att uppnå detta har vi tagit fram ett ramverk för informationsflöden inom intäktsoptimering som beskriver hur kunder interagerar med en dynamisk prissättningsmodell. Denna prissättningsmodell framställs genom maskininlärning med avsikt att segmentera kundbasen, för att sedan förutse betalningsviljan hos varje kundsegment. Modellens prestanda mättes genom en kvantitativ studie på syntetiska kunder som beskrivs av parametrar som påverkar betalningsviljan. Studien påvisade att modellen kunde skilja på betalningsviljan hos olika kunder och resulterade i en genomsnittlig vinstökning på 7.5% i jämförelse med statiska prissättningsmodeller. Det finns mänga olika faktorer som spelar in på kundens betalningsvilja inom sista milen industrin. Bekvämlighet och skillnader i priset på produkten som levereras och tjänsten att leverera produkten är två anmärkningsvärda faktorer. Hur stor inverkan faktorerna som beskrivs i detta examensarbete, har på betalningsviljan, förblev obesvarat. Slutligen uppmärksammades möjligheten att, med hjälp av dynamisk prissättning, öka tillgängligheten av tjänsten då flera kunder kan ha råd med en prissättning som överväger deras betalningsvilja.

Construction of radiotherapy treatments for cancer is a laborious and time consuming task. At the same time, when presented with a treatment plan, an oncologist can quickly judge whether or not it is suitable. This means that the problem of constructing these treatment plans is well suited for automation. This thesis investigates a novel way of automatic treatment planning. The treatment planning system this pipeline is constructed for provides dose mimicking functionality with probability density functions of dose–volume histograms (DVHs) and spatial dose as inputs. Therefore this will be the output of the pipeline. The input is historically treated patient scans, segmentations and spatial doses. The approach involves three modules which are individually replaceable with little to no impact on the remaining two modules. The modules are: an autoencoder as a feature extractor to concretise important features of a patient segmentation, a distance optimisation step to learn a distance in the previously constructed feature space and, finally, a probabilistic spatial dose estimation module using sparse pseudo-input Gaussian processes trained on voxel features. Although performance evaluation in terms of clinical plan quality was beyond the scope of this thesis, numerical results show that the proposed pipeline is successful in capturing salient features of patient geometry as well as predicting reasonable probability distributions for DVH and spatial dose. Its loosely connected nature also gives hope that some parts of the pipeline can be utilised in future work. / Skapandet av strålbehandlingsplaner för cancer är en tidskrävande uppgift. Samtidigt kan en onkolog snabbt fatta beslut om en given plan är acceptabel eller ej. Detta innebär att uppgiften att skapa strålplaner är väl lämpad för automatisering. Denna uppsats undersöker en ny metod för att automatiskt generera strålbehandlingsplaner. Planeringssystemet denna metod utvecklats för innehåller funktionalitet för dosrekonstruktion som accepterar sannolikhetsfördelningar för dos–volymhistogram (DVH) och dos som input. Därför kommer detta att vara utdatan för den konstruerade metoden. Metoden är uppbyggd av tre beståndsdelar som är individuellt utbytbara med liten eller ingen påverkan på de övriga delarna. Delarna är: ett sätt att konstruera en vektor av kännetecken av en patients segmentering, en distansoptimering för att skapa en distans i den tidigare konstruerade känneteckensrymden, och slutligen en skattning av sannolikhetsfördelningar med Gaussiska processer tränade på voxelkännetecken. Trots att utvärdering av prestandan i termer av klinisk plankvalitet var bortom räckvidden för detta projekt uppnåddes positiva resultat. De estimerade sannolikhetsfördelningarna uppvisar goda karaktärer för både DVHer och doser. Den löst sammankopplade strukturen av metoden gör det dessutom möjligt att delar av projektet kan användas i framtida arbeten.