Abstract Quality control is an essential part of manufacturing, and the different properties of the products can be tested with standardized methods. If the decision of qualification is based on only one test specimen representing a batch of products, the testing procedure is quite straightforward. However, when the measured property has a high variability within the product, as usual, several test specimens are needed for the quality verification. When a quality property is predicted, the response value of the model that most effectively finds the critical observations should naturally be selected. In this thesis, it has been shown that LIB-transformation (Larger Is Better) is a suitable method for multiple test samples, because it effectively recognizes especially the situations where one of the measurements is very low. The main contribution of this thesis is to show how to model quality of phenomena that consist of several measurement samples for each observation. The process contains several steps, beginning from the selection of the model type. Prediction of the exceedance probability provides more information for the decision making than that of the mean. Especially with the selected application, where the quality property has no optimal value, but the interest is in adequately high value, this approach is more natural. With industrial applications, the assumption of constant variance should be analysed critically. In this thesis, it is shown that exceedance probability modelling can benefit from the use of an additional variance model together with a mean model in prediction. The distribution shape modelling improves the model further, when the response variable may not be Gaussian. As the proposed methods are fundamentally different, the model selection criteria have to be chosen with caution. Different methods for model selection were considered and commented, and EPS (Exceedance Probability Score) was chosen, because it is most suitable for probability predictors. This thesis demonstrates that especially a process with high diversity in its production and more challenging distribution shape gains from the deviation modelling, and the results can be improved further with the distribution shape modelling. / Tiivistelmä Laadunvalvonnalla on keskeinen rooli teollisessa tuotannossa. Valmistettavan tuotteen erilaisia ominaisuuksia mitataan standardin mukaisilla testausmenetelmillä. Testi on yksinkertainen, jos tuotteen laatu varmistetaan vain yhdellä testikappaleella. Kun testattava ominaisuus voi saada hyvin vaihtelevia tuloksia samastakin tuotteesta, tarvitaan useita testikappaleita laadun varmistamiseen. Tuotteen laatuominaisuuksia ennustettaessa valitaan malliin vastemuuttuja, joka tehokkaimmin tunnistaa laadun kannalta kriittiset havainnot. Tässä väitöskirjassa osoitetaan, että LIB-transformaatio (Large Is Better) tunnistaa tehokkaasti erityisesti tilanteet, joissa yksi mittauksista on hyvin matala. Tämän väitöskirja vastaa kysymykseen, kuinka mallintaa laatua, kun tutkittavasta tuotteesta tarvitaan useita testinäytteitä. Mallinnusprosessi koostuu useista vaiheista alkaen mallityypin valinnasta. Alitusriskin mallinnuksen avulla saadaan enemmän informaatiota päätöksenteon tueksi perinteisen odotusarvomallinnuksen sijaan, etenkin jos laatutekijältä vaaditaan vain riittävän hyvää tasoa optimiarvon sijaan. Teollisissa sovelluksissa ei voida useinkaan olettaa, että vasteen hajonta olisi vakio läpi prosessin. Tässä väitöskirjassa osoitetaan että alitusriskin ennustamistarkkuus paranee, kun odotusarvon lisäksi mallinnetaan myös hajontaa. Jakaumamuodon mallilla voidaan parantaa ennustetarkkuutta silloin, kun vastemuuttuja ei noudata Gaussin jakaumaa. Koska ehdotetut mallit ovat perustaltaan erilaisia, täytyy myös mallin valintakriteeri valita huolella. Työssä osoitetaan, että EPS (Exceedance Probability Score) toimii parhaiten käytetyillä todennäköisyyttä ennustavilla malleilla. Tässä väitöskirjassa osoitetaan, että erityisesti silloin kun tuotantoprosessi on monimuotoinen ja laatumuuttujan jakaumamuoto on haastava, mallinnuttaminen hyötyy hajontamallin käytöstä, ja tuloksia voidaan parantaa jakaumamuodon mallilla.

Abstract As mobile Internet access traffic continues to grow at an explosive rate and wireless networks continue to diverge into multiple access technologies with partly overlapping sets of features, new solutions for efficient use of these networks are vital. Cognitive network management provides tools to tackle this challenge by automatically learning from past experience the characteristics and usage patterns of the connected devices, thus enabling autonomic optimization of those connections. Cognitive network management requires a vast amount of information in order to function effectively, making collaboration of the networked devices essential as the best sources of information are scattered throughout the network. This makes efficient information dissemination one of the key enablers for autonomic networking. This dissertation studies managing control information related to autonomic selection of access networks and adapting services in a heterogeneous wireless network environment. It presents a solution to simple and efficient information dissemination in the form of Distributed Decision Engine— a CEP-like system enabling the building of a highly scalable and dynamic messaging system enabling dissemination, analysis and control of the complex series of interrelated events in the network. The dissertation also presents results showing a clear benefit in using cross-layer and cross-domain information in a modern wireless environment and validates the final prototype implementation of DDE with laboratory measurements. Effective use of disseminated cross-layer information is another key element in autonomic wireless networking. This dissertation also focuses on intelligent decision-making based on cross-layer information by presenting test results which attest that the performance of an autonomic wireless networking system can be improved by using cognitive techniques in its management algorithms, and that hierarchy and coordination can be utilized to minimize the effect of conflicting decisions of the system. / Tiivistelmä Mobiilin Internet-liikenteen räjähdysmäinen kasvu ja langattomien verkkojen jatkuva jakautuminen useisiin tekniikoihin vaativat uusia ratkaisuja näiden verkkojen tehokkaaseen käyttöön. Kognitiivinen verkon hallinta mahdollistaa oppimisen, minkä avulla laitteiden yhteyksiä voidaan optimoida autonomisesti aiemman kokemuksen perusteella. Tällainen optimointi vaatii kuitenkin valtavan määrän verkosta ja laitteista kerättyä tietoa, mikä tekee tehokkaasta tiedonjakelusta keskeisen elementin autonomisessa verkon hallinnassa. Tässä väitöskirjassa tutkitaan verkon valintaan ja palveluiden sopeuttamiseen vaadittavan tiedon välittämistä ja hallintaa autonomisissa langattomissa verkoissa. Ratkaisuna yksinkertaiseen ja tehokkaaseen tiedonvälitykseen esitellään hajautettu Distributed Decision Engine -komponentti, joka mahdollistaa skaalautuvan tiedon jakelu-, analysointi- ja hallintajärjestelmän rakentamisen. Lisäksi väitöskirjassa kuvataan myös tuloksia, jotka osoittavat, että verkkokerrosten välisen tiedon käyttämisellä voidaan saavuttaa selvää etua, sekä tuloksia, jotka vahvistavat DDE-prototyyppitoteutuksen toimivuuden laboratoriomittauksin. Verkkokerrosten välisen tiedon tehokas hyödyntäminen on toinen keskeinen tekijä autonomisessa langattomien verkkojen hallinnassa. Väitöskirjassa käsitellään myös älykästä päätöksentekoa kyseisen informaation pohjalta sekä esitellään tuloksia, jotka osoittavat, että päätöksentekoa autonomisessa langattomien verkkojen hallinnassa voidaan parantaa kognitiivisilla tekniikoilla. Lisäksi esitetyt tulokset osoittavat, että hierarkialla sekä koordinoinnilla voidaan minimoida ristiriitaisten päätösten vaikutukset järjestelmään.