Uppsatsen ämnar utvärdera olika estimatorers egenskaper för att beräknamedelvärdesskattningar för delvis censurerad miljödata erhållen från Sveriges LantbruksUniversitet (SLU). Detta undersöks genom en simuleringsstudie i vilken data har simuleratsfrån en χ2 fördelning där censureringsgrad och frihetsgrader har varierats. Därefter har deerhållna medelvärdesskattningarna utvärderats med hjälp av estimatorns medelkvadratfel(MSE) samt bias. Vidare har medelvärdesberäkningar gjorts på erhållen data från SLU. Allasimuleringar har gjorts i R, för medelvärdesberäkningar har tilläggspaketet “Nondetects AndData Analysis for environmental data” (NADA) använts. De estimatorer som utvärderats ärMaximum Likelihood (MLE), Regression on order statistics (ROS), Kaplan-Meier samtsubstitution. Resultaten visar att MLE samt ROS ger konstant bättre MSE och bias när dataantas följa en lognormalfördelning oavsett grad av censurering samt skevhet på data än vidnormalfördelningsantagande. Vid hög skevhet på data ger substitution resultat nära det sannamedelvärdet oavsett grad av censurering. De mest väntevärdesriktiga estimatorerna finnesvara ROS under lognormalantagande samt substitution när data är skevt fördelad, för ickeskevdata rekommenderas ROS med lognormalantagande, oavsett censureringsgrad.

In this project a Raspberry Pi 3 B+ has been constructed to log a number of envi-ronmental data from connected sensors. The connectable sensors include: Rain sensor Temperature sensor Gas sensor Anemometer Sound sensor Camera These sensors availability are sensed at device start and the present ones arelogged in settable intervals, then saved locally in a .csv-file and for the cameraa .jpg-file. All log data is backed up periodically to a connected USB Flash drive.The log data is also available for transfer through Bluetooth and Wifi. A numberof energy saving procedures have also been implemented in the form of poweringoffand on a couple of hardware components. The system is created with energy consumption in mind as it will be mergedwith another system which has the goal of supporting this system with a batteryand solar panels whose energy flows an Arduino Uno is controlling. This does aconnection to the Arduino possible for transfer of information regarding total sunhours, battery charge and power consumption for extended logging. / I detta projekt har en Raspberry pi 3 B+ konstruerats till att logga ett antal miljödata från anslutna sensorer. De sensorer som kan anslutas innefattar: Regnsensor Temperatursensor Gassensor Vindsensor Ljudsensor Kamera Samtliga sensorer känner enheten av vid start om de är närvarande och om så kan mätdatan loggas i valfria intervall och sparas lokalt i ett .csv-kalkylark och för kameran en .jpg-fil. All loggdata säkerhetskopieras intervallsvis till ett anslutet USB-minne. Loggdatan är även tillgänglig för överföring via Bluetooth och Wifi. Diverse energibesparande metoder har även implementerats i form av på och avstängning för vissa hårdvarukomponenter. Systemet är utvecklat med energikonsumption i tanken då det kommer att slås samman med ett annat projekt vars mål är att driva detta system med ett batteri och solceller vars energiflöden en Arduino Uno kontrollerar. Detta gör även en anslutning till Arduinon möjlig där information om soltimmar, batteriladdning och effektförbrukning kan överföras för utökad loggning.

Hur låter miljöförstöring – Självgenererande och slumpmässig sprungen ur statistiska data är ett mastersarbete som fokuserar på hur man kan omvandla data till att kontrollera musik och ljud. Om vi tillåter konstnärliga uttryck, med data som utgångspunkt, kan det få oss att uppleva och förstår original data på ett nytt sätt? Projektets resultat består av sju generativa kompositioner, där parametrar är kontrollerade av olika typer av miljödata, och försöker utforska forskningsområdet sonifikation och generativ musik genom att ställa frågan: Hur låter miljöförstöring? Med generativ musik menas att musiken skapar, utvecklar och förändrar sig själv utifrån de verktyg som bildats inom detta projekt. Texten går också djupare in på metoden av att utveckla dessa verktyg för att möjliggöra liknande kompositioner i framtiden. Med erfarenheter av att använda slumpmässiga parametrar för att manipulera bakgrundsdetaljer, utforskar det här projekt istället möjligheten att utveckla de metoderna och applicera det på hela kompositioner. De sju kompositionerna ligger också till grund för utforskandet av området sonifikation. I tidigare forskning har ämnet främst bemöts ifrån ett vetenskapligt perspektiv. Syftet med det här projektet har istället varit att bemöta det inom ramarna för musikalisk gestaltning och ett konstnärligt perspektiv. Begreppet sonifikation betyder, användandet av icke-talande ljud som uppmärksammar data och statistik, med målet att agera som ett substitut, eller ett komplement, till att visualisera data. Utifrån dessa kompositioner reflekterar sedan texten kring generativ musik i allmänhet, och sonifikation i synnerhet, där bland annat möjligheterna, framtida forskning och autenticiteten inom sonifikation tas upp. / What does environmental pollution sound like? – Self generative and randomized music interprets data is a master thesis focused on transforming data and letting it control music and sounds. If we create artistic outputs out of data, will it allow us to experience and understand the original data in a new way? The core, and the result, of this project where seven compositions, created and controlled by different environmental data which tries to explore the research areas of sonification and generative music by asking the question: What does environmental pollution sound like? Generative music means that the music creates, develops and changes itself based on the established tools that this project provides. This thesis also focuses on the method of developing these tools in order to enable similar productions in the future. With previous experiences in using randomized events, to manipulate details in a production, this project delves deeper into applying the same technique to a whole composition. The seven compositions were formed in order to understand and reflect upon the research areas of sonification. Earlier research tends to approach the subject from a scientific perspective. The purpose of this project was to instead approach it from a more artistic perspective. Sonification means, the use of non-speech audio to perceptualize data which enables the possibilities as an alternative, or complement, to visualize the original data. Drawing from these seven compositions, this thesis also discusses generative music and sonification in general, as well as the opportunities, future research and authenticity of sonification. / <p>Bifogad ljudfil är ett kollage av de sju kompositionerna som arbetet resulterat i, med anledning av att i framtiden kunna publiceras i sin helhet.</p>