63,4. ,QQVDPOLQJRJYDOLGHULQJDYPnOHGDWD 6RIWZDUH 3URFHVV,PSURYHPHQW IRUEHWWHU4XDOLW\

Størrelse: px
Begynne med side:

Download "63,4. ,QQVDPOLQJRJYDOLGHULQJDYPnOHGDWD 6RIWZDUH 3URFHVV,PSURYHPHQW IRUEHWWHU4XDOLW\"

Transkript

1 63,4 6RIWZDUH 3URFHVV,PSURYHPHQW IRUEHWWHU4XDOLW\ SAMMENSTILL ANALYSER GJENNOMFØR KARAKTERISER SETT MÅL PLANLEGG,QQVDPOLQJRJYDOLGHULQJDYPnOHGDWD 9HUVMRQ 9 'DWR 6WDWXV,DUEHLG )RUIDWWHU.DUL-XXO:HGGH 7LOJMHQJHOLJKHW 63,4LQWHUQ

2 5(9,6-216+,6725,.. 9HUVMRQ 3URGDY 'DWR 0.1 KJW KJW DY 'DWR 2YHUOHY 'DWR *RGNMDY 'DWR 'LVWULEXHUW 'DWR (QGULQJ Foreløpig versjon Innarbeidet kommentarer fra SS og AKG 0.3 KJW KJW Innarbeidet kommentarer fra KT Innarbeidet kommentarer

3 ,11+2/'6)257(*1(/6(,11/('1,1*.5$97,/,116$0/,1*63526(66(1 0(75,..(52*0(75,..'$7$ +YDHUHQPHWULNN '$7$7<3(5 2EMHNWLYHGDWD 6XEMHNWLYHGDWD 0nOHVNDOD +925'$1'(),1(5('$7$" +9$(5*2'('$7$" 1c56.$/9,6$0/(,11'$7$ +925'$16$0/(,11'$7$",QQOHGQLQJ %UXNDYYHUNW \ %UXNDYIRUPXODUHU %UXNDYDQVODJ +925'$1/$*5('$7$ +925'$19$/,'(5('$7$" 9DOGHULQJDYIRUPXODUHU 9DOLGHULQJDYPHWULNNGDWD (5,1*

4 ,11/('1,1* Dette notatet beskriver hvordan vi kan samle inn og validere data knyttet til metrikker. Notatet er tenkt brukt i to sammenhenger 1. Når man skal definere metrikker i forbindelse med etablering av måleplan. 2. Når man skal gjennomføre selve datainnsamlingen Notatet er organisert i tre deler. Første del gir en oversikt over mulige datatyper samt en beskrivelse av egenskaper ved data og hvordan de bør defineres. Andre del beskriver hvordan selve innsamlingen utføres mens tredje del beskriver hvordan vi kan validere de data vi har samlet inn..udywlolqqvdpolqjvsurvhvvhq Det er to forutsetninger som må være til stede for at vi skal kunne samle inn korrekte og nyttige data. Begge er knyttet til bruken av dataene og hvordan denne oppfattes av de som skal samle inn eller gi fra seg data. Det første kravet et knyttet til innsamling av data direkte knyttet til arbeid utført av enkeltpersoner. Det er et underliggende krav i alt forbedringsarbeid at det skal benyttes til å forbedre prosessen, ikke til å måle enlkeltpersoner. Man må derfor ikke ha metrikker som måler enkeltpersoner. Men selv om metrikkene ikke måler enkeltpersoner, må man i enkelte tilfeller samle inn data fra enkeltpersoner for å kunne beregne totalverdier eller gjennomsnittsverdier. Det kan dreie seg om data knyttet til antall feil funnet i de kodemoduler personene har laget eller produktivitetsdata for deres del av systemet. I slike tilfeller kan det være en fare for at utviklerne produserer de data som de tror blir forventet. Det er mange eksempler på at personer underslår informasjon om feil i deres del av systemet fordi de tror at det kan bli brukt mot de senere. Innsamlingsprosessen må derfor organiseres slik at menneskene i systemet har tillit til den. Dersom de har mistanke om at de innsamlede data på et eller annet tidspunkt i en eller annen sammenheng kan bli brukt mot dem, så risikerer man at de produserer data som gavner dem selv i stedet for korrekte data. Det andre kravet er at dataene må brukes til noe som oppfattes som nyttig. Dersom personer blir bedt om å produsere data og de aldri ser at det fører til noen resultater, vil de etter en tid ikke bry seg så mye om kvaliteten på det de leverer fra seg. De vil levere fra seg de data de blir bedt om for å tilfredsstille sjefen, men dataene kan i verste fall være fabrikkerte. Kravene som er nevnt her er knyttet til definisjon av måleprogrammet og til tillitsforhold i bedriften. Dersom disse forhold ikke er til stede, vil hele datainnsamlingen være upålitelig. Ukorrekte data på grunn av disse forhold vil også være vanskelig å oppdage ved senere validering da de vil ligge innenfor akseptable verdier. De som har ansvaret for datainnsamlingen må derfor alltid vurdere disse forholdene før de starter arbeidet. Krav til datainnsamling Bruk ikke innsamlede data til å måle enkeltpersoner. Skap tillit til innsamlingsprosessen og de personene som har ansvar for denne Bruk dataene til noe som alle oppfatter som nyttig

5 0HWULNNHURJPHWULNNGDWD +YDHUHQPHWULNN En metrikk defineres som en karakteristikk av et produkt eller en prosess. Metrikkdata er data som representerer verdier knyttet til en metrikk. I dette dokumentet er data og metrikkdata det samme. Når en lager en måleplan og bestemmer hvilke metrikker som trengs, må en også for hver metrikk bestemme følgende: Hvilket produkt eller hvilken prosess metrikken skal karakterisere Hvilken egenskap ved produktet eller prosessen skal måles Hvilke data som representerer den ønskede egenskapen. Her må vi også bestemme om dataene er subjektive eller objektive og hvilken måleskala vi skal bruke. Hvordan dataene skal samles inn Antall timeverk brukt til systemtest er en metrikk. Den er knyttet til utviklingsprosessen og er en måling knyttet til egenskapen ressursforbruk. Dataene er objektive vi kan telle antall timer som er forbrukt. Måleskalaen er ratio (se kap 4.3) og dataene kan samles inn fra systemutviklernes timelister. Dersom vi har metrikken Vedlikeholdbarhet for et programvaresystem X er den knyttet til produkt X og målingen er knyttet til egenskapen vedlikeholdbarhet. Vi velger å bruke subjektive data ved å la systemutviklerne karakterisere et utvalg av kodemodulene i systemet i forhold til en skala. Karakteriseringen foregår ved at utviklerne gir skår i forhold til en predefinert måleskala av typen nominal. Eksempel på en slik måleskala finnes i kapittel 8.3. 'DWDW\SHU 2EMHNWLYHGDWD +YDHUREMHNWLYHGDWD Objektive data er data som kan måles slik at alle som utfører målingen alltid får samme resultat. Det er ingen personlige vurderinger involvert. Objektive data medfører ofte at man teller noe og at måten man teller på er entydig definert. 1nUEUXNHVREMHNWLYHGDWD I utgangspunktet foretrekker vi objektive data fremfor subjektive. Objektive data bør alltid brukes dersom måling ikke er for vanskelig, tidkrevende eller kostbart eller har liten mening. Vi vil vanligvis få objektive data når: Data kan samles inn ved hjelp av verktøy. Dersom vi f. eks har et verktøy som teller kodelinjer, teller dette verktøyet alltid på samme måte og vi får samme resultat hver gang det teller samme dokument. Metrikken er entydig definert og vi ved validering kan sjekke at dataene er samlet inn i følge reglene. Dersom vi f. eks teller kodelinjer manuelt må alle som utfører tellingen vite om vi teller linjer eller setninger, om blanke linjer skal telles med osv.

6 Eksempler på objektive data er antall moduler i et programvaresystem, antall feil funnet under systemtest osv. Det forutsettes her at vi har entydige definisjoner på f. eks feil, slik at alle teller på samme måte. Problemet kan ofte være at vi tror vi har objektive data, men uklare eller upresise definisjoner fører til at forskjellige personer har ulike tolkninger av hva som skal telles. 6XEMHNWLYHGDWD +YDHUVXEMHNWLYHGDWD Subjektive data er basert på målinger som har et større eller mindre element av vurdering i seg. Resultatet blir derfor avhengig av holdninger og erfaring hos personen som foretar målingene. Det vil være grader av subjektivitet i datainnsamlingen, fra innsamling av data som gjelder rene subjektive vurderinger - f. eks hva en person liker eller ikke liker - til ulik tolkning av skrevne regler. 1nUEUXNHVVXEMHNWLYHGDWD Subjektive data brukes når Metrikken ikke kan måles direkte. Eksempel på slike data er hvor fornøyd en kunde er med et produkt. Metrikken kan måles, men hvor slike målinger er vanskelige, kostbare eller tidkrevende. Eksempel er hvor mye tid som går med til diverse småavbrudd som f. eks telefoner, i løpet av en normal dag for en systemutvikler. Det hadde vært mulig å måle dette, men selve målingen hadde kanskje tatt like mye tid som avbruddene og er derfor ikke hensiktsmessig. Vi ber derfor systemutviklerne komme med individuelle anslag. Erfaringer har vist at dersom de som skal samle inn data får veldefinerte kategorier, dvs. klare regler, vil usikkerheten i de innsamlede data bli liten og subjektive data kan derfor benyttes i videre analyser på samme måte som objektive data. 0nOHVNDOD De data vi samler inn må representeres ved hjelp av en eller annen måleskala. Skalaene har forskjellige egenskaper når det gjelder hvilke analyser vi kan utføre og det er derfor viktig at vi allerede ved definisjon av metrikker bestemmer hvilke analyser vi ønsker, og deretter velger måleskala. Tabellen nedenfor gir en oversikt over noen vanlige måleskalaer og hva som karakteriserer disse. Det er også tatt med hvilke analyser og beregninger som kan benyttes. I tilfeller hvor det har vist seg at mange gjør feil, er det også tatt med noen beregninger som ikke kan utføres. Når det gjelder bruk av statistiske analyser er kun de mest brukte tatt med. For en mer fullstendig liste henvises til notatene Analyse og presentasjon av måledata og Statistiske metoder.

7 Måleskala Karakteristika Eksempler Nominal Klasser eller kategorier Udefinert rekkefølge (uordnet sett) Nummerering eller symbolsk representasjon av klassene Aritmetiske operasjoner kan ikke benyttes Ekvivalens-relasjon kan benyttes Kan ikke beregne middel- eller median-verdier Ordinal Klasser eller kategorier Definert rekkefølge (ordnet sett) Nummerering eller symbolsk representasjon av klassene Aritmetiske operasjoner kan ikke benyttes Ekvivalens og større enn relasjoner kan benyttes Kan beregne median, men ikke middelverdier 1 Intervaller Klasser Intervallet mellom to klasser har en definert størrelse Definert rekkefølge Addisjon og subtraksjon kan benyttes. Ekvivalens og større enn relasjoner kan benyttes Kan beregne middelverdi og standardavvik, men ikke median Ratio Klasser Definert rekkefølge samt størrelse på intervaller og ratio Null-element All aritmetikk kan benyttes. Ekvivalens og større enn relasjoner kan benyttes Kan beregne middelverdi og standardavvik, men ikke median Feilkategorier definert som logiske feil, kodefeil, designfeil osv. Egenskaper ved programvare, f. eks vedlikeholdbarhet definert ved egenskapene Lesbarhet, Volum, Kompleksitet osv. Feilkategorier sortert etter alvorlighetsgrad, f. eks alvorlighetsgrad 1-5 Skala for vedlikeholdbarhet, definert som Lav, Middels, God Temperaturer angitt i Fahrenheit eller Celsius Datoer Standardiserte scores Tid, hvor mange dager er brukt på en aktivitet. Absolutte temperaturer Lengde, høyde, vekt osv. 1 Median beregnes ut fra antall observasjoner mens middelverdi beregnes ut fra observerte verdier.

8 +YRUGDQGHILQHUHGDWD" Metrikker og data knyttet til disse må defineres slik at selve datainnsamlingen blir enkel og effektiv. Vi bør derfor ikke ha avhengigheter mellom måling av ulike data. Transformasjonen fra det vi direkte måler og til metrikkdata bør være enkel. Når vi skal beskrive egenskaper ved metrikkdata skiller vi derfor mellom tre typer data: 5nGDWD Rådata er de data vi samler inn, f. eks timelister fra prosjektdeltagere. 'LUHNWHPnOLQJHU Direkte målinger er data som angår en egenskap ved et objekt og som kan ekstraheres fra et sett med rådata. For f. eks å finne antall timeverk brukt til design på et prosjekt må vi akkumulere timer registret på timelistene til prosjektdeltakerne. Selv om dataverdien er beregnet angår den kun en egenskap og er derfor en direkte måling.,qgluhnwhpnolqjhu Indirekte målinger er data som angår flere egenskaper ved et objekt eller egenskaper ved flere objekter og som beregnes ut fra et sett med direkte målinger. Produktivitet i designfasen kan f. eks defineres som antall sider designdokumentasjon dividert med antall timeverk forbrukt. Produktivitet beregnes da ut fra to direkte målinger, volum og timeverk. Metrikker defineres som direkte målinger. Som hovedregel bør hver metrikk tilknyttes en enkelt dataverdi. Det kan imidlertid i enkelte tilfeller være fornuftig å dele metrikken inn i submetrikker slik at metrikken knyttes til et sett av dataverdier. Hver submetrikk er da knyttet til en enkelt dataverdi. Dette må bare gjøres når submetrikkene angår samme egenskap ved et objekt og dataene hentes fra samme sett med rådata. Et eksempel er tidsforbruk på et prosjekt. Metrikken er her timeverk, submetrikkene representerer timeverk brukt i hver enkelt fase samt totalt. Alle data hentes fra prosjektdeltakernes timelister. Indirekte målinger bør ikke brukes til metrikk-data da dette kan føre til avhengigheter mellom målinger. Regler for definisjon av metrikkdata Bruk LNNH indirekte målinger Bruk direkte målinger en pr. (sub)metrikk Sub-metrikker bør bare brukes når de angår samme type egenskap og kan hentes fra samme sett med rådata Transformasjonen fra rådata til metrikkdata bør være enkel +YDHUJRGHGDWD" Metrikken som data er knyttet til må være veldefinert og gjenspeile den egenskapen vi ønsker å måle. Det er imidlertid også en del egenskaper ved selve datasettet som må være oppfylt. (UGDWDHQHNRUUHNWH" Dataene må være samlet inn i samsvar med reglene som er gitt ved definisjon av metrikken.

9 Dersom det er definert at det ved telling av antall linjer ikke skal telles kommentarlinjer, så må vi sjekke at det ikke er gjort..dqgdwdhqhpnohvq \DNWLJ" Nøyaktighet refererer til forskjellen mellom dataverdi og virkelig verdi. Dersom vi f. eks skal måle tid, må vi avgjøre hvilken nøyaktighet som er nødvendig og se om den klokka som er brukt kan gi den ønskede nøyaktighet. +DUGDWDHQHQ GYHQGLJSUHVLVMRQGHWDOMHULQJVJUDG" Hvilken enhet trenger vi. Er det tilstrekkelig å telle dager eller må vi bruke timer når vi skal måle ressursforbruk på et prosjekt. (UGDWDHQHNRQVLVWHQWH" Med konsistente mener vi her konsistens mellom innsamlingsenheter eller personer. To personer som samler data skal komme fram til samme resultat. Små avvik kan tolereres for data hvor personlige vurderinger er inne i bildet. Data som blir samlet inn over tid, må samles inn på samme måte hver gang. Dette er spesielt viktig når innsamlede data skal sammenlignes med tidligere data., f. eks for å få fram trender. (UGDWDHQHDYKHQJLJDYWLGVSXQNWIRUPnOLQJ" Dersom dataene er knyttet til en spesiell aktivitet eller tidsperiode, må de tidsstemples..dqpnolqjhqhuhshwhuhv" Dersom dataene bare kan samles under spesielle forhold, vil de være av begrenset betydning. Data bør kunne defineres slik at de samme data kan samles inn flere ganger og fortrinnsvis i flere prosjekter. 1nUVNDOYLVDPOHLQQGDWD Det er viktig at prosjektdeltakerne ikke må bruke for mye tid på å samle inn data. Dette gjelder både mengde og hyppighet. Vi skiller derfor mellom fire typer data, avhengig av innsamlingstidspunkt. Mengden data som er akseptabel vil være forskjellig for de fire typene. Datamengden kan være større når dataene skal samles inn kun en gang enn når de skal samles inn ofte. Datatypene er: 2SSVWDUWVGDWD Dette er data som vi samler inn en gang ved oppstart av prosjektet. Mengden er derfor ikke kritisk. Typiske oppstartdata er data hentet fra tilbudspapirer, f. eks forventet antall timeverk og sluttdato for prosjektet. Andre relevante data er prosjektgruppas sammensetning og erfaring samt karakterisering av prosjekt, teknologi, applikasjon osv. 3HULRGLVNHGDWD Dette er data som samles inn periodisk, f. eks hver uke i hele prosjektperioden. Datamengden her bør ikke være for stor i alle fall ikke dersom perioden er kort. Typiske data er timelister som leveres hver uke. +HQGHOVHVVW\UWHGDWD Dette er data som samles inn når spesielle hendelser inntreffer, f. eks når det kommer en feilrapport fra kunden eller en prosjektfase er avsluttet. $YVOXWQLQJVGDWD Dette er data som samles inn når prosjektet avsluttes, dvs. kun en gang. Datamengden ved avslutning vil normal være relativt stor. Typiske data er f. eks virkelig ressursforbruk som skal sammenlignes med plantallene som ble registrert ved oppstart.

10 +YRUGDQVDPOHLQQGDWD",QQOHGQLQJ Hensikten med datainnsamling er å tilordne et tall eller en beskrivelse til metrikker. Metrikkene kan være knyttet til prosess, produkt eller organisasjon. Datainnsamling vil foregå over hele prosjektperioden. Den vil sannsynligvis involvere et stort antall personer og det er derfor viktig å: ha enkle innsamlingsprosedyrer unngå unødvendig datainnsamling, dvs. bare samle inn data du vet du har bruk for og ikke alt som kan være kjekt å ha. involvere prosjektdeltakerne i arbeidet med å identifisere hvilke data som skal samles inn gi prosjektdeltakerne opplæring i innsamlingsprosedyrene validere alle innsamlede data,qqvdpolqjvphwrghu Lista nedenfor er en oversikt over innsamlingsmåter. Disse er senere beskrevet i mer detalj i hvert sitt delkapittel. 9HUNW \ Vi bør bruke verktøy til datainnsamlingen så fremt dette er mulig. Da er vi sikret at datainnsamlingen foregår på en konsistent måte og at resultatene blir sammenlignbare. )RUPXODUHU Formularer brukes til manuell innsamling av data. $QVODJ Anslag av metrikker brukes når dataene er målbare, men for tidkrevende eller kostbare å samle inn. 6MHNNOLVWHIRURSSVWDUW Før en starter datainnsamlingen bør en stille følgende spørsmål: Er objektet som skal måles entydig definert/spesifisert/bestemt? Er det en entydig definisjon av hvordan det skal måles? Er det definert når målingen skal utføres? Kan data hentes ut fra eksisterende formular? Kan eksisterende formular enkelt modifiseres til å omfatte denne målingen? Kan flere data for flere metrikker samles inn på samme formular? Kan dataverdiene valideres? Kan målingene utføres ved hjelp av verktøy?

11 Kan verdiene anslåes? Kan dataene samles inn ved bruk av formular? %UXNDYYHUNW \ Vi har tatt med to typer verktøy. Det er Verktøy for automatisk innsamling av metrikkdata, f. eks et statisk analyseverktøy Verktøy som normalt er i bruk i bedriftene og kan produsere metrikkdata selv om innsamlingen ikke er automatisk. Dette gjelder i første rekke planleggings- og prosjektstyrings-verktøy. Tabell 1gir en indikasjon på hvilke typer verktøy som kan benyttes og type metrikker som de understøtter. Måling på Verktøy Metrikk Prosess Planleggingsverktøy Forventet sluttdato Forventet ressursforbruk Prosjektstyringsverktøy Ressursforbruk Kostnader Konfigurasjonsstyringsverktøy Antall endringer Antall endringsforslag Antall versjoner Produkt Statisk analyse Antall kodelinjer Kompleksitetsmål Dynamisk analyse Ytelse (eksekveringstid) Testverktøy Antall feil funnet Dekningsgrad 7DEHOO%UXNDYYHUNW \ %UXNDYIRUPXODUHU Hovedregelen når en skal lage formularer er at prosjektdeltakerne bør få færrest mulig formularer å forholde seg til. I tillegg bør en huske på at det kan være kostbart å utvikle nye, gode formularer. Formularer skal understøtte innsamling av data. De skal være enkle, men inneholde all informasjon som er nødvendig for å kunne fylles ut. Dersom vi benytter rangering eller klassifisering i forhold til en skala, må enhetene i skalaen være veldefinerte slik at alle har en felles forståelse av hva som ligger i hvert enkelt alternativ. Felles data som f. eks prosjektnavn

12 skal legges inn i formularet på forhånd slik at det blir minst mulig å fylle ut. Hvert formular vil normalt dekke flere metrikker. I enkelte tilfeller kan det være nyttig med en forenkla Delphi-prosess (ref. delkapittel 8.4), ved at vi etter at formularene er utfylt arrangerer et møte der resultatet blir presentert og diskutert. Vi bør her spesielt se på klassifiseringer der det er stor spredning. Dersom f. eks en gruppe med systemutviklere har blitt bedt om å klassifisere vedlikeholdbarheten til en modul som høy, middels eller lav og vi får omtrent en tredjedel av svarene på hvert alternativ, er det klart at deltakerne ikke har samme oppfatning av hva som ligger i de forskjellige alternativene. Vi må da finne årsaken til den store spredningen i svarene, forbedre definisjonen av alternativene og ta en ny runde. Det er viktig her at det ikke er systemutviklernes egne subjektive meninger om vedlikeholdbarhet som skal gi svaret, men en vurdering av hvor godt modulen oppfyller de egenskapene som er definert. En strammere definisjon vil derfor gi mer like svar. Formularer kan være i form av papirkopier eller på datalesbar form, f. eks som regneark. Nedenfor følger noen nyttige regler: Bruk eksisterende formularer dersom slike finnes Endre på eksisterende formularer dersom det finnes formularer hvor det blir samlet inn informasjon om samme objekt Bruk færrest mulig formularer Formularet skal være enkelt å fylle ut Formularet skal inneholde all informasjon som er nødvendig for å fylle det ut Felles data forhåndstrykkes Felter skal angi hvilken enhet og hvilket presisjonsnivå som ønskes Det må ikke være for stort spenn i tid mellom utfylling av de forskjellige datafeltene Inkluder alltid felter for kommentarer Figur 1 viser deler av et formular for innsamling av data ved oppstart av et utviklingsprosjekt. Formularet er laget for et prosjekt hvor kravspesifikasjon finnes ved oppstart og dekker datainnsamling for alle metrikker som er knyttet til oppstart. Headingen beskriver i hvilket prosjekt dataene er samlet inn, navn på utfyller samt dato, mens hver rad i formularer representerer en metrikk. Figur 2 viser et enkelt formular for innsamling av data koblet til metrikken Vedlikeholdbarhet av kodemoduler. Metrikken er en av flere som skal brukes til å vurdere kvaliteten til programvaren og vi har valgt å la utviklerne foreta en subjektiv vurdering av et sett med kodemoduler. Etter som vi har subjektive data, har vi definert en måleskala av typen ordinal (ordnet sett) med klassene høy, middels og lav. Det er viktig at klassene er definert slik at alle tolker alternativene likt og usikkerheten i dataene blir liten. Systemutviklere skal uavhengig av hverandre klassifisere et sett med moduler ved å krysse av i formularet. Formularet dekker en metrikk

13 Oppstartsdata for prosjekt: Utfylt av: Dato: Beskrivelse Kategorier Verdi Kommentarer Generell programvareerfaring Spesifiser antall personer i hver kategori Erfaring i utvikling av tilsvarende systemer Spesifiser antall personer i hver kategori Planlagt timeforbruk i prosjektet (Data hentet fra tilbudspapirer) Planlagt kalendertid (antall måneder) (Data hentet fra tilbudspapirer) Antall kravgjennomganger som prosjektleder deltok på. Prosjektleders erfaring (antall år) <1 år 1-5 år: >5 år <1 år 1-5 år: >5 år: )LJXU)RUPXODUIRULQQKHQWLQJDYRSSVWDUWGDWD.ODVVLILVHULQJDYYHGOLNHKROGEDUKHW Det skal gies at anslag for vedlikeholdbarhet for hver enkelt kodemodul. Kodemodul er definert som kompileringsenhet. Anslagene skal gies ved å krysse av for en av verdiene i settet. H: Høy vedlikeholdbarhet Koden er lett å forstå og vurderes som lett å endre. M: Middels vedlikeholdbarhet Koden er middels vanskelig å forstå. Koden kan endres, men ikke uten betydelig innsats L: Lav vedlikeholdbarhet Koden er vanskelig å forstå. Koden bør helst ikke endres da sannsynligheten for uforutsatte bieffekter er betydelige Produkt Modul H M L Kommentarer )LJXU)RUPXODUIRUNODVVLILVHULQJDYYHGOLNHKROGEDUKHW

14 . %UXNDYDQVODJ Delphi-metoden er en metode for å komme fram til konsensus og kan brukes for å anslå dataverdier til metrikker. Dette gjøres i tilfeller hvor det som skal anslåes er målbart, men målinger er for tidkrevende eller kostbare. Følgende trinn gjennomgåes. 1. Lederen samler en gruppe av personer som er eksperter på den prosessen eller produktet som metrikken angår. Bakgrunnen for de anslagene som skal lages blir presentert og diskutert. 2. Gruppemedlemmene utarbeider anslag uavhengig av hverandre. Hver person skal anslå høyeste, laveste og mest sannsynlige verdi. 3. Anslagene samles inn av lederen som lager en samlet oversikt over anslagene og deler ut disse til medlemmene. Hver deltaker får en oversikt hvor hans egne anslag er spesielt avmerket. For de andre anslagene er det avmerket laveste verdi, høyeste verdi samt middelverdi 4. Anslagene diskuteres i plenum. Dette fordi det forenkler og effektiviserer arbeidet. Det medfører imidlertid en risiko for gruppepress og bør derfor ikke brukes i lite homogene grupper. 5. Deltakerne vurderer sine egne anslag i relasjon til de andres. Dette kan føre til at vedkommende revurderer sine egne anslag. Nye anslag leveres inn. 6. Punkt 3 til 5 gjentaes inntil det ikke er flere endringer +YRUGDQODJUHGDWD Data lagres fortrinnsvis som regneark eller i en database. Dersom metrikkdata er avledet fra rådata, skal vi lagre rådataene og utføre transformasjonene til metrikkdata når vi henter ut dataene. I tillegg til å bli brukt til forbedring i prosjektet, vil alle data gå inn i en erfaringsdatabase for generalisering og pakking slik at det vi har lært også kan komme andre prosjekter til nytte. Eksemplet i Figur 3 viser et regneark for feil funnet ved systemtest. Hver linje i regnearket representerer en feilrapport. Regnearket inneholder kun rådata. Det er imidlertid en enkel transformasjon fra rådata til de metrikkene som vi ønsker data for. Vi kan f. eks finne antall feil introdusert under design ved å summere antall feilrapporter som er merket med design. På tilsvarende måte kan vi også finne antall feil av en gitt feiltype.

15 Prosjekt: SPIQ Metrikker: Feil funnet ved systemtest M25 Antall feil funnet ved systemtest M26 Antall feil introdusert I spesifikasjonsfasen M27 Antall feil introdusert I designfasen M28 Antall feil introdusert I kodingsfasen Feil-id Dato rapportert Feiltype Feil introdusert Dato rettet Kostnader (årsak) (fase) (timeverk) 6084b 10/2/ design 23/4/ /2/ design /2/ spesifikasjon /2/ koding /2/ koding /2/ koding /2/ design /2/ spesifikasjon /2/ design /2/ design 37 14/2/ spesifikasjon /2/ design /2/ spesifikasjon /2/ design )LJXU5HJQHDUNIRUIHLOIXQQHWYHGV\VWHPWHVW +YRUGDQYDOLGHUHGDWD" Det må korrigeres for feil og forglemmelser i datainnsamlingen så snart dataene er tilgjengelige. På et senere tidspunkt kan slik korrigering være umulig eller i beste fall vanskelig. 9DOGHULQJDYIRUPXODUHU Valideringen utføres ved å gå gjennom utfylte formularer, sjekke enkeltverdier og i enkelte tilfeller generere grafer for å se om det er datamønstre som gjentar seg. Slike mønstre kan tyde på at deler av dataene feilaktig overlever fra et datasett til det neste. Et eksempel er at en rekke feilrapporter har samme rapporteringsdato og refererer til samme delsystem. Det kan tyde på at den som har fylt ut feilrapporten har tatt en gammel rapport og glemt å oppdatere alle de variable feltene. Dersom dataverdier ligger utenfor det man forventer bør en søke forklaringer på dette. Er det spesielle omstendigheter som har ført til at verdien er riktig eller er det en innsamlingsfeil? En bør også sjekke at det er konsistens mellom verdiene i de forskjellige feltene. Dersom resultatet fra en person skiller seg vesentlig ut fra resultatet fra andre, bør man undersøke om vedkommende har misforstått hvordan formularet skal brukes, f. eks trodd at en skår på 5 representerte beste verdi i stedet for dårligste.

16 Noen bruker intervju for å validere formularer. Dette gjøres for å forvisse seg om at formularet er riktig utfylt. Intervjuene må foregå kort tid etter at formularene er utfylt - før vedkommende glemmer hva han gjorde og hvorfor. På denne måten får man sjekket både enkeltverdier og utfyllerens forståelse av formularet. Slike intervjuer er spesielt viktige for nye formularer. Når et formular har vært i bruk en tid faller behovet for intervjuer bort. Dersom dataene samles inn direkte i et regneark eller databasesystem, vil typesjekking av alle felter kunne gjøres automatisk. Følgende spørsmål bør stilles: Er formularene utfylt fullstendig Er formularene utfylt nøyaktig Er det konsistens mellom verdiene i de forskjellige feltene Har alle felter riktig datatype Er det repetisjon i data som tyder på at verdier er kopiert fra forrige datasett (formular) Er dataverdiene fornuftige innenfor normale dataverdier Er det funnet forklaringer på verdier som ligger utenfor normale verdier Er det krysset av for kun ett alternativ Er det grunn til å tro at utfylleren har misforstått bruken av formularet Er det avholdt koordineringsmøte for å sikre at alle har samme oppfatning av hva som ligger i de forskjellige alternativene Er formularene kontrollert ved at de som fylte de ut er intervjuet 9DOLGHULQJDYPHWULNNGDWD Når vi skal validere metrikkdata må vi først sjekke om prosedyrene for overgang fra rådata til metrikkdata er fulgt. Vi forutsetter at rådataene har vært gjennom en egen valideringsprosess. Deretter må vi sjekke om dataene er rimelige i forhold til definisjonen av metrikken. Denne sjekken er den viktigste og krever god forståelse av metrikkens innhold og intensjon samt av omgivelsen den blir samlet inn i. Personen som utfører valideringen må bruke sine kunnskaper, innsikt og mavefølelse for å se om de tallene han får er rimelige. Dersom vi f. eks har en metrikk som definerer Timer brukt til systemtest må vi først se på om alle timelistene har kommet inn og blitt med i beregningen av dataverdien. Deretter vil vi se på rimeligheten til totalforbruket. Dette gjør vi ved å se på planlagt forbruk til systemtest, lengden på testperioden og antall personer som utførte jobben, samt ens egen erfaring fra systemtest.

17 2SSVXPPHULQJ Følgende krav må stilles datainnsamling Bruk ikke innsamlede data til å måle enkeltpersoner. Skap tillit til innsamlingsprosessen og de personene som har ansvar for denne Bruk dataene til noe som alle oppfatter som nyttig Nedenfor er en kort oppsummering av de hovedpunktene vi må ta hensyn til når vi skal samle inn og validere måledata. Dataanalyser Hva skal dataene brukes til, hvilke analyser skal utføres? Det er viktig at vi velger en måleskala som kan benyttes til de ønskede analysene. Vi må også ta hensyn til nøyaktighet, detaljeringsgrad osv. Objektive data kontra subjektive data Er det fornuftig å benytte objektive data eller skal vi heller velge subjektive data? Objektive data er normalt å foretrekke, men kan være for vanskelige og kostbare å samle inn. Innsamlingsprosedyrer Har vi definert data som er veldefinerte og enkle å samle inn? Kan vi benytte verktøy til innsamlingen eller må innsamlingen være manuell? Innsamlingstidspunkt Er innsamlingstidspunkt bestemt og er mengden data tilpasset frekvensen på innsamlingen? Lagring av data Hvordan ønsker vi å lagre dataene regneark eller database? Skal dataene inn i en erfaringsdatabase? Validering av data Hvordan skal vi valider data? Detter gjelder både rådata og avledede metrikkdata?

63,4. $QDO\VHRJSUHVHQWDVMRQDYPnOHGDWD 6RIWZDUH 3URFHVV,PSURYHPHQW IRUEHWWHU4XDOLW\

63,4. $QDO\VHRJSUHVHQWDVMRQDYPnOHGDWD 6RIWZDUH 3URFHVV,PSURYHPHQW IRUEHWWHU4XDOLW\ 63,4 6RIWZDUH 3URFHVV,PSURYHPHQW IRUEHWWHU4XDOLW\ SAMMENSTILL ANALYSER GJENNOMFØR KARAKTERISER SETT MÅL PLANLEGG $QDO\VHRJSUHVHQWDVMRQDYPnOHGDWD 9HUVMRQ 9 'DWR 6WDWXV,DUEHLG )RUIDWWHU.DUL-XXO:HGGH 7LOJMHQJHOLJKHW

Detaljer

Sentralmål og spredningsmål

Sentralmål og spredningsmål Sentralmål og spredningsmål av Peer Andersen Peer Andersen 2014 Sentralmål og spredningsmål i statistikk I dette notatet skal vi se på de viktigste momentene om sentralmål og spredningsmål slik de blir

Detaljer

ting å gjøre å prøve å oppsummere informasjonen i Hva som er hensiktsmessig måter å beskrive dataene på en hensiktsmessig måte.

ting å gjøre å prøve å oppsummere informasjonen i Hva som er hensiktsmessig måter å beskrive dataene på en hensiktsmessig måte. Kapittel : Beskrivende statistikk Etter at vi har samlet inn data er en naturlig første ting å gjøre å prøve å oppsummere informasjonen i dataene på en hensiktsmessig måte. Hva som er hensiktsmessig måter

Detaljer

PLAN. INF5180 Produkt og prosessforbedring i systemutvikling DEL 5 Målsetninger og måling. Geir Amsjø. geirams@ifi.uio.no, geir.amsjo@spitia.

PLAN. INF5180 Produkt og prosessforbedring i systemutvikling DEL 5 Målsetninger og måling. Geir Amsjø. geirams@ifi.uio.no, geir.amsjo@spitia. PLAN ACT INF5180 Produkt og prosessforbedring i systemutvikling DEL 5 Målsetninger og måling Geir Amsjø geirams@ifi.uio.no, geir.amsjo@spitia.no DO CHECK Målsetningsbasert Måling Det vi måler må knyttes

Detaljer

CHAPTER 11 - JORUN BØRSTING, ANALYZING QUALITATIVE DATA

CHAPTER 11 - JORUN BØRSTING, ANALYZING QUALITATIVE DATA CHAPTER 11 - JORUN BØRSTING, 2017. ANALYZING QUALITATIVE DATA I en solid kvalitativ analyse er man avhengig av presist definerte konsepter som kan brukes som kategorier for å utforske og sortere dataene

Detaljer

DEL 2 REGELBOK 2P + 2P-Y

DEL 2 REGELBOK 2P + 2P-Y DEL 2 REGELBOK 2P + 2P-Y ZAIN MUSHTAQ 2017 Innhold TRYKK PÅ ET DELKAPITTEL FOR Å GÅ DIT 1 FUNKSJONER... 3 HVORDAN LESE / SE EN FUNKSJONSOPPGAVE?... 3 FINNE X-VERDI NÅR DU VET Y-VERDI... 3 FINNE Y-VERDI

Detaljer

SAMMENSTILL KARAKTERISER ANALYSER SETT MÅL

SAMMENSTILL KARAKTERISER ANALYSER SETT MÅL SAMMENSTILL ANALYSER GJENNOMFØR KARAKTERISER SETT MÅL PLANLEGG 0.1 1998-04-02 Første versjon 0.5 1998-07-07 Innarbeidet kommentarer fra AKG og RC 1.0 1999-03-26 Innarbeidet kommentarer fra RC Risikostyrt

Detaljer

Deskriptiv statistikk., Introduksjon til dataanalyse

Deskriptiv statistikk., Introduksjon til dataanalyse Introduksjon til dataanalyse Deskriptiv statistikk 2 Kapittel 1 Denne timen og delvis forrige time er inspirert av Kapittel 1, men vi kommer ikke til å gå igjennom alt fra dette kapittelet i forelesning.

Detaljer

Skjermingsprosjektet akuttnettverket

Skjermingsprosjektet akuttnettverket Skjermingsprosjektet akuttnettverket Status april 2014 Prosjektets mål Utvikle kunnskapsbasert og pålitelig måling av skjerming En søker å operasjonalisere skjermingsbegrepet slik at det kan lages et instrument

Detaljer

Deskriptiv statistikk., Introduksjon til dataanalyse

Deskriptiv statistikk., Introduksjon til dataanalyse Introduksjon til dataanalyse Deskriptiv statistikk 2 Kapittel 1 Denne timen og delvis forrige time er inspirert av Kapittel 1, men vi kommer ikke til å gå igjennom alt fra dette kapittelet i forelesning.

Detaljer

Statistikk. Forkurs 2017

Statistikk. Forkurs 2017 Statistikk Forkurs 2017 Hva er statistikk? Undersøke Registrere Lage oversikt Presentasjon av informasjon Formidle Arbeidet med statistikk kan vi dele inn i to hovedområder: Samle inn og ordne opplysninger

Detaljer

Psykososiale målemetoder og psykometri.

Psykososiale målemetoder og psykometri. Psykososiale målemetoder og psykometri. Kliniske og psykososiale konstruksjoner: Spørreskjema, måleskalaer og målemetoder i teori og praksis. Kort om emnet De fleste kliniske forsknings-studier, uansett

Detaljer

Metrikker og målte størrelser. Vi måler fakta for å bestemme systemets egenskaper

Metrikker og målte størrelser. Vi måler fakta for å bestemme systemets egenskaper Metrikker og målte størrelser Vi måler fakta for å bestemme systemets egenskaper Hva vil vi vite? Hvor stort er programmet? Hvor godt er programmet? Hvor lett er det å vedlikeholde? Hvor mange feil er

Detaljer

MÅLING ANALYSE AV MÅLEDATA VHA SPC

MÅLING ANALYSE AV MÅLEDATA VHA SPC MÅLING ANALYSE AV MÅLEDATA VHA SPC 05.06.2013 - www.pasientsikkerhetskampanjen.no Side 2 Hvorfor benytte statistikk? Statistikk: beskrivelse og tolkning av kvantitative data Man kan trekke statistisk sikre

Detaljer

Statistikk. Forkurs 2018

Statistikk. Forkurs 2018 Statistikk Forkurs 2018 Hva er statistikk? Undersøke Registrere Lage oversikt Presentasjon av informasjon Formidle Arbeidet med statistikk kan vi dele inn i to hovedområder: Samle inn og ordne opplysninger

Detaljer

Reelle tall på datamaskin

Reelle tall på datamaskin Reelle tall på datamaskin Knut Mørken 5. september 2007 1 Innledning Tirsdag 4/9 var tema for forelesningen hvordan reelle tall representeres på datamaskin og noen konsekvenser av dette, særlig med tanke

Detaljer

Statisk testing. Testing uten datamaskin, men med vår egen evne til å vurdere og analysere

Statisk testing. Testing uten datamaskin, men med vår egen evne til å vurdere og analysere Statisk testing Testing uten datamaskin, men med vår egen evne til å vurdere og analysere Hva er statisk testing Analyser som utføres på skrevne dokumenter Hensikten er å finne avvik fra spesifikasjonene

Detaljer

Dataanalyse. Hva er en dataanalyse og hvordan gå frem for å gjennomføre en dataanalyse av det innsamlede datagrunnlaget fra en feltundersøkelse?

Dataanalyse. Hva er en dataanalyse og hvordan gå frem for å gjennomføre en dataanalyse av det innsamlede datagrunnlaget fra en feltundersøkelse? Hva er en dataanalyse og hvordan gå frem for å gjennomføre en dataanalyse av det innsamlede datagrunnlaget fra en feltundersøkelse? Skrevet av: Kjetil Sander Utgitt av: estudie.no Revisjon: 1.0 (Sept.

Detaljer

PATENTKRAV. - før filtreringen per se av etterspørselskurven:

PATENTKRAV. - før filtreringen per se av etterspørselskurven: 1 PATENTKRAV 1. Fremgangsmåte for å analysere det elektriske forbruket til en flerhet av elektriske apparater som opererer på et forbrukssted, ved filtrering av en etterspørselskurve som representerer

Detaljer

= 5, forventet inntekt er 26

= 5, forventet inntekt er 26 Eksempel på optimal risikodeling Hevdet forrige gang at i en kontrakt mellom en risikonøytral og en risikoavers person burde den risikonøytrale bære all risiko Kan illustrere dette i en enkel situasjon,

Detaljer

63,4 (WDEOHULQJ. PnOHSODQHU 6RIWZDUH 3URFHVV,PSURYHPHQW IRUEHWWHU4XDOLW\

63,4 (WDEOHULQJ. PnOHSODQHU 6RIWZDUH 3URFHVV,PSURYHPHQW IRUEHWWHU4XDOLW\ 63,4 6RIWZDUH 3URFHVV,PSURYHPHQW IRUEHWWHU4XDOLW\ SAMMENSTILL ANALYSER GJENNOMFØR KARAKTERISER SETT MÅL PLANLEGG (WDEOHULQJ DY PnOHSODQHU 9HUVMRQ 9 'DWR -XQL 6WDWXV )RUSU YHEUXN )RUIDWWHU7RU6WnOKDQH 7LOJMHQJHOLJKHW

Detaljer

Kapittel 1: Data og fordelinger

Kapittel 1: Data og fordelinger STK Innføring i anvendt statistikk Mandag 8. august 8 Ingrid K. lad I løpet av dette kurset skal dere bli fortrolig med statistisk tenkemåte forstå teori og metoder som ligger bak knappene/menyene i vanlige

Detaljer

HCI, Interaksjon, grensesnitt og kontekst. Intervju, spørsmålstyper og observasjon

HCI, Interaksjon, grensesnitt og kontekst. Intervju, spørsmålstyper og observasjon VELKOMMEN REPETISJON HCI, Interaksjon, grensesnitt og kontekst UCD og livssyklusmodell Kognisjon og mentale modeller Intervju, spørsmålstyper og observasjon Behov, krav, personas og scenario DEL 1 HCI,

Detaljer

Kvalitet og programvare. Når bare det beste er godt nok. Produktet prosessen eller begge deler?

Kvalitet og programvare. Når bare det beste er godt nok. Produktet prosessen eller begge deler? Kvalitet og programvare Når bare det beste er godt nok. Produktet prosessen eller begge deler? To nøtter Hva forbinder du med et IT-system som har (høy) kvalitet? Formuler 3 kriterier for (høy) kvalitet

Detaljer

Eksamensoppgave i PSY2018/PSYPRO Kvalitative forskningsmetoder

Eksamensoppgave i PSY2018/PSYPRO Kvalitative forskningsmetoder Psykologisk institutt Eksamensoppgave i PSY2018/PSYPRO4318 - Kvalitative forskningsmetoder Faglig kontakt under eksamen: Eva Langvik Tlf.:97727666 Eksamensdato: 9. desember 2015 Eksamenstid: 09:00 13:00

Detaljer

Veiledning del 3. Oppfølging av resultater fra. nasjonal prøve i regning. 8. trinn

Veiledning del 3. Oppfølging av resultater fra. nasjonal prøve i regning. 8. trinn Versjon 8. september 2009 Bokmål Veiledning del 3 Oppfølging av resultater fra nasjonal prøve i regning 8. trinn Høsten 2009 1 Dette heftet er del 3 av et samlet veiledningsmateriell til nasjonal prøve

Detaljer

Forkurs i kvantitative metoder ILP 2019

Forkurs i kvantitative metoder ILP 2019 Forkurs i kvantitative metoder ILP 2019 Dag 2. Forkurs som arbeidskrav for kvantitativ deler av PED-3055 Gregor Maxwell og Bent-Cato Hustad Førsteamanuensis i spesialpedagogikk Hva lærte vi i går? Hva

Detaljer

Dybdeintervju. Mangfold og variasjon. Typer intervju. Kvalitative intervju, typisk: Avveininger ved kval. intervju. Gjennomføring av kval.

Dybdeintervju. Mangfold og variasjon. Typer intervju. Kvalitative intervju, typisk: Avveininger ved kval. intervju. Gjennomføring av kval. Mangfold og variasjon Dybdeintervju Eklektiske tilnærminger til studieobjektet Litteratur Data Manglende muligheter for falsifisering Kulturell endring og tidsfaktoren Samoa Lengde på svalevinger Fleksible

Detaljer

STK1000 Uke 36, Studentene forventes å lese Ch 1.4 ( ) i læreboka (MMC). Tetthetskurver. Eksempel: Drivstofforbruk hos 32 biler

STK1000 Uke 36, Studentene forventes å lese Ch 1.4 ( ) i læreboka (MMC). Tetthetskurver. Eksempel: Drivstofforbruk hos 32 biler STK1000 Uke 36, 2016. Studentene forventes å lese Ch 1.4 (+ 3.1-3.3 + 3.5) i læreboka (MMC). Tetthetskurver Eksempel: Drivstofforbruk hos 32 biler Fra histogram til tetthetskurver Anta at vi har kontinuerlige

Detaljer

UKE 4 Analyse. Plenum IN1050 Julie og Maria

UKE 4 Analyse. Plenum IN1050 Julie og Maria UKE 4 Analyse Plenum IN1050 Julie og Maria Hva skjer i dag? Analyse - Hva er formålet med analyse? - Hva kan vi analysere? - Forskjellige typer analyse Praktisk eksempel OBS! Dere får ikke mail om tilbakemeldinger

Detaljer

Forelesning 30: Kompleksitetsteori

Forelesning 30: Kompleksitetsteori MAT1030 Diskret Matematikk Forelesning 30: Kompleksitetsteori Roger Antonsen Institutt for informatikk, Universitetet i Oslo Forelesning 30: Kompleksitetsteori 19. mai 2009 (Sist oppdatert: 2009-05-19

Detaljer

Forelesning 14. Rekursjon og induksjon. Dag Normann februar Oppsummering. Oppsummering. Beregnbare funksjoner

Forelesning 14. Rekursjon og induksjon. Dag Normann februar Oppsummering. Oppsummering. Beregnbare funksjoner Forelesning 14 og induksjon Dag Normann - 27. februar 2008 Oppsummering Mandag repeterte vi en del om relasjoner, da spesielt om ekvivalensrelasjoner og partielle ordninger. Vi snakket videre om funksjoner.

Detaljer

Kjennetegn på måloppnåelse TALL OG ALGEBRA. Kunne plassverdisystemet for hele- og desimaltall

Kjennetegn på måloppnåelse TALL OG ALGEBRA. Kunne plassverdisystemet for hele- og desimaltall MATEMATIKK 6.trinn KOMPETANSEMÅL Mål for opplæringen er at eleven skal kunne: VURDERINGSKRITERIER Kjennetegn på måloppnåelse TALL OG ALGEBRA Elevene skal: Beskrive og bruke plassverdisystemet for desimaltall.

Detaljer

Innhold. Login. Påvirkningskraft som kvalitetskriterium Forskjeller mellom evalueringsmetoder? En til? Kanskje litt vanskeligere denne

Innhold. Login. Påvirkningskraft som kvalitetskriterium Forskjeller mellom evalueringsmetoder? En til? Kanskje litt vanskeligere denne Innhold Login - og en til Påvirkningskraft som kvalitetskriterium Forskjeller mellom evalueringsmetoder? Asbjørn Følstad EFFIN fagseminar SINTEF 6. juni 2007 Brukerproblemenes livsløp Expert walkthrough

Detaljer

Brukerveiledning. Søknadssystemet esg. Elektronisk søknadsblankett for søknad om sentral godkjenning for ansvarsrett. Side 1 av 24

Brukerveiledning. Søknadssystemet esg. Elektronisk søknadsblankett for søknad om sentral godkjenning for ansvarsrett. Side 1 av 24 Brukerveiledning Søknadssystemet esg Elektronisk søknadsblankett for søknad om sentral godkjenning for ansvarsrett Side 1 av 24 Innholdsfortegnelse 1 Om esg... 3 2 Ny bruker... 4 3 Logg inn... 6 3.1 Mine

Detaljer

Beskrivende statistikk.

Beskrivende statistikk. Obligatorisk oppgave i Statistikk, uke : Beskrivende statistikk. 1 Høgskolen i Gjøvik Avdeling for teknologi, økonomi og ledelse. Statistikk Ukeoppgaver uke I løpet av uken blir løsningsforslag lagt ut

Detaljer

Dokumentstudier, innholdsanalyse og narrativ analyse. Pensum: Dag Ingvar Jacobsen (2005): Hvordan gjennomføre undersøkelser, s. 163-231.

Dokumentstudier, innholdsanalyse og narrativ analyse. Pensum: Dag Ingvar Jacobsen (2005): Hvordan gjennomføre undersøkelser, s. 163-231. Dokumentstudier, innholdsanalyse og narrativ analyse. Pensum: Dag Ingvar Jacobsen (2005): Hvordan gjennomføre undersøkelser, s. 163-231. Tematikk: Oppsummere hovedpunktene fra sist forelesning. Dokumentstudier

Detaljer

Årsplan i matematikk for 7. trinn 2017/2018 Læreverk: Multi 7a og 7b Lærer: Irene J. Skaret

Årsplan i matematikk for 7. trinn 2017/2018 Læreverk: Multi 7a og 7b Lærer: Irene J. Skaret Årsplan i matematikk for 7. trinn 2017/2018 Læreverk: Multi 7a og 7b Lærer: Irene J. Skaret Uke Kompetansemål (K06) Tema Arbeidsform Vurdering 34 39 - Kjenne verdien av sifrene i heltall og i desimaltall.

Detaljer

Forskningsmetoder. INF1050: Gjennomgang, uke 13

Forskningsmetoder. INF1050: Gjennomgang, uke 13 Forskningsmetoder INF1050: Gjennomgang, uke 13 Kompetansemål Forskningsmetoder Hva? Hvorfor? Empiriske forskningsmetoder Eksperiment Case-studier Etnografi Aksjonsforskning Spørreskjema Systematisk litteraturstudie

Detaljer

MAT1030 Diskret matematikk

MAT1030 Diskret matematikk MAT1030 Diskret matematikk Forelesning 14: Rekursjon og induksjon Dag Normann Matematisk Institutt, Universitetet i Oslo 27. februar 2008 Oppsummering Mandag repeterte vi en del om relasjoner, da spesielt

Detaljer

Testmodulen med «Resultater»

Testmodulen med «Resultater» Testmodulen med «Resultater» [Oppdatert 22.6.2012 av Daniel Gjestvang] Extensor Testregistrering er en modul som muliggjør avansert registrering av tester og parametere. Den kan benyttes både til registrering

Detaljer

SENSORVEILEDNING FOR EKSAMENSOPPGAVEN I SVSOS107 VÅREN 2002

SENSORVEILEDNING FOR EKSAMENSOPPGAVEN I SVSOS107 VÅREN 2002 SENSORVEILEDNING FOR EKSAMENSOPPGAVEN I SVSOS107 VÅREN 2002 Generell informasjon Dette er den siste eksamensoppgaven under overgangsordningen mellom gammelt og nytt pensum i SVSOS107. Eksamensoppgaven

Detaljer

UKEOPPGAVER 2: SYSTEMUTVIKLINGSPROSESSER OG PROSJEKTARBEID INNSPILL TIL SVAR

UKEOPPGAVER 2: SYSTEMUTVIKLINGSPROSESSER OG PROSJEKTARBEID INNSPILL TIL SVAR INF 1050 UKEOPPGAVER 2: SYSTEMUTVIKLINGSPROSESSER OG PROSJEKTARBEID INNSPILL TIL SVAR Oppgave 1 a) Foranalyse: Foranalysen kan med fordel gjøres i to trinn. Den første er å undersøke finansiering og øvrige

Detaljer

GJENNOMGANG UKESOPPGAVER 9 TESTING

GJENNOMGANG UKESOPPGAVER 9 TESTING GJENNOMGANG UKESOPPGAVER 9 TESTING INF1050 V16 KRISTIN BRÆNDEN 1 A) Testing viser feil som du oppdager under kjøring av testen. Forklar hvorfor testing ikke kan vise at det ikke er flere gjenstående feil.

Detaljer

Kvalitativ metode. Karin Torvik. Rådgiver Senter for omsorgsforskning, Midt Norge Høgskolen i Nord Trøndelag

Kvalitativ metode. Karin Torvik. Rådgiver Senter for omsorgsforskning, Midt Norge Høgskolen i Nord Trøndelag Kvalitativ metode Karin Torvik Rådgiver Senter for omsorgsforskning, Midt Norge Høgskolen i Nord Trøndelag Kvalitativ metode En sosialt konstruert verden Oppdage begrep, lage teori (induktiv) Formålsforklaringer

Detaljer

Nyheter i Office 2016 NYHETER, FUNKSJONER, FORKLARING

Nyheter i Office 2016 NYHETER, FUNKSJONER, FORKLARING Nyheter i Office 2016 NYHETER, FUNKSJONER, FORKLARING 1 Word 1.1 Gjør ting raskt med Fortell meg det Du vil legge merke til en tekstboks på båndet i Word 2016 med teksten Fortell meg hva du vil gjøre.

Detaljer

Læreplan, nivå 1. Innhold / tema. Hovedområde Kompetansemål Elevene skal kunne: Tall og algebra:

Læreplan, nivå 1. Innhold / tema. Hovedområde Kompetansemål Elevene skal kunne: Tall og algebra: Kartlegging / vurdering av nivå Begynn året med et kort kurs i tall-lære og matematiske symboler. Deretter kartlegging som plasserer elevene i nivågruppe. De som kan dette, jobber med tekstoppgaver / problemløsning.

Detaljer

Årsplan i matematikk, 5. klasse : Elevene bør øve/pugge lille og store addisjonsstabellen og multiplikasjonstabellen hver uke.

Årsplan i matematikk, 5. klasse : Elevene bør øve/pugge lille og store addisjonsstabellen og multiplikasjonstabellen hver uke. Årsplan i matematikk, 5. klasse 2018-19: Elevene bør øve/pugge lille og store addisjonsstabellen og multiplikasjonstabellen hver uke. Uke Tema/fagemne Kompetansemål (eleven skal kunne) 33 Repetisjon/ tallsystem

Detaljer

Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN I MATEMATIKK 9. TRINN SKOLEÅR 2014-2015

Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN I MATEMATIKK 9. TRINN SKOLEÅR 2014-2015 Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN I MATEMATIKK 9. TRINN SKOLEÅR 2014-2015 Periode 1: UKE 34-38 Tema: Kap.1 «Tall og tallforståelse» sammenligne og omregne hele tall ( ) og tall på standardform,

Detaljer

Elektronisk kommunikasjon

Elektronisk kommunikasjon Innhold Elektronisk kommunikasjon... 2 Styreinformasjon... 2 Generelle satser, grenser og lønnsarter... 2 Lønnsarter... 3 Beregning av skattefordel... 3 Refusjon privat abonnement... 5 Fordel ved privat

Detaljer

MATEMATIKK (MAT1005) Sentralmål / Spredningsmål

MATEMATIKK (MAT1005) Sentralmål / Spredningsmål ??.??.???? MATEMATIKK (MAT1005) Sentralmål / Spredningsmål DEL 1 (UTEN HJELPEMIDLER) 30 minutter DEL 2 (MED HJELPEMIDLER) 60 minutter (Del 1 leveres inn etter nøyaktig 30 minutter og før hjelpemidlene

Detaljer

ST0202 Statistikk for samfunnsvitere. Bo Lindqvist Institutt for matematiske fag

ST0202 Statistikk for samfunnsvitere. Bo Lindqvist Institutt for matematiske fag ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Lærebok Robert Johnson og Patricia Kuby: Elementary Statistics, 10. utgave 3 Pensumoversikt Kap. 2 Beskrivende statistikk,

Detaljer

DRI1010 Emnekode. Oppgave Kandidatnummer Dato

DRI1010 Emnekode. Oppgave Kandidatnummer Dato Oppgave 1 361 2015-05-05 For å kunne vite hvilken betydningen det har for anvendelsen av personopplysningsloven når det skal behandles sensitive personopplysninger så må man vite hva «sensitive personopplysninger»

Detaljer

Systemutviklingen er ferdig når et system er operativt. Med operativt menes når systemet blir brukt av brukerne på et faktisk arbeidssted.

Systemutviklingen er ferdig når et system er operativt. Med operativt menes når systemet blir brukt av brukerne på et faktisk arbeidssted. Presentasjon nummer 5 The changing system and the nature of maintenance Silde 1 Gruppen introduseres Slide 2 The changing system and the nature of maintenance The Changing system Systemutviklingen er ferdig

Detaljer

SENSORVEILEDNING FOR DEN KVANTITATIVE DELEN AV EKSAMENSOPPGAVEN I SOS1002 VÅREN 2007

SENSORVEILEDNING FOR DEN KVANTITATIVE DELEN AV EKSAMENSOPPGAVEN I SOS1002 VÅREN 2007 SENSORVEILEDNING FOR DEN KVANTITATIVE DELEN AV EKSAMENSOPPGAVEN I SOS1002 VÅREN 2007 Oppgave 1 Nedenfor ser du en forenklet tabell basert på informasjon fra den norske delen av European Social Survey 2004.

Detaljer

RENDALEN KOMMUNE Fagertun skole. Årsplan i Matematikk for 9. trinn 2015/16. TID TEMA KOMPETANSEMÅL Eleven skal kunne:

RENDALEN KOMMUNE Fagertun skole. Årsplan i Matematikk for 9. trinn 2015/16. TID TEMA KOMPETANSEMÅL Eleven skal kunne: RENDALEN KOMMUNE Fagertun skole Årsplan i Matematikk for 9 trinn 2015/16 TID TEMA KOMPETANSEMÅL Eleven skal kunne: 34-37 38-43 Tall og tallforståelse utvikle, bruke og gjøre greie for ulike metoder i hoderegning,

Detaljer

MÅLINGER ~ STRATEGI OG METODE

MÅLINGER ~ STRATEGI OG METODE MÅLINGER ~ STRATEGI OG METODE 09.04.2013 - www.pasientsikkerhetskampanjen.no Side 2 HVORFOR MÅLE? 09.04.2013 - www.pasientsikkerhetskampanjen.no Side 3 Vi ønsker å. vite om tiltak skaper forbedring Hensikten

Detaljer

Statistikk og dataanalyse

Statistikk og dataanalyse Njål Foldnes, Steffen Grønneberg og Gudmund Horn Hermansen Statistikk og dataanalyse En moderne innføring Kapitteloversikt del 1 INTRODUKSJON TIL STATISTIKK Kapittel 1 Populasjon og utvalg 19 Kapittel

Detaljer

Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN FOR FORESATTE MATTE 10.TRINN SKOLEÅR 2015-2016. Side 1 av 9

Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN FOR FORESATTE MATTE 10.TRINN SKOLEÅR 2015-2016. Side 1 av 9 Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN FOR FORESATTE MATTE 10.TRINN SKOLEÅR 2015-2016 Side 1 av 9 Periode 1: UKE 34-UKE 39 Tall og Algebra Analysere sammensatte problemstillinger, identifisere

Detaljer

Representasjon av tall på datamaskin Kort innføring for MAT-INF1100L

Representasjon av tall på datamaskin Kort innføring for MAT-INF1100L Representasjon av tall på datamaskin Kort innføring for MAT-INF00L Knut Mørken 3. desember 204 Det er noen få prinsipper fra den første delen av MAT-INF00 om tall som studentene i MAT-INF00L bør kjenne

Detaljer

Brukerveiledning for Regionalforvaltning.no. ved søknader til støtteordninger ved Regionalutviklingsavdelingen

Brukerveiledning for Regionalforvaltning.no. ved søknader til støtteordninger ved Regionalutviklingsavdelingen Brukerveiledning for Regionalforvaltning.no ved søknader til støtteordninger ved Regionalutviklingsavdelingen Regionalutviklingsavdelingen Versjoner: oppdatert 3. april 2019 oppdatert 25. juli 2018 utarbeidet

Detaljer

Kyrkjekrinsen skole Årsplan for perioden:

Kyrkjekrinsen skole Årsplan for perioden: Kyrkjekrinsen skole Årsplan for perioden: 2012-2013 Fag: Matematikk År:2012-2013 Trinn og gruppe: 4. trinn Lærer: Henriette Hjorth Røen og Katrine Skaale Johansen Uke Årshjul Hovedtema Kompetansemål Delmål

Detaljer

https://goo.gl/susrr5 GRUPPE 5, UKE 11 EVALUERING IN1050

https://goo.gl/susrr5 GRUPPE 5, UKE 11 EVALUERING IN1050 GRUPPE 5, UKE 11 EVALUERING IN1050 1 Planen for i dag Gruppetimene videre Repetisjon fra forelesning Begynne med oblig Tankekart 2 Datainnsamling Design Evaluering IDENTIFISERE ETABLERE DESIGNUTFORMING

Detaljer

Loven om total sannsynlighet. Bayes formel. Testing for sykdom. ST0202 Statistikk for samfunnsvitere

Loven om total sannsynlighet. Bayes formel. Testing for sykdom. ST0202 Statistikk for samfunnsvitere 2 Loven om total sannsynlighet La A og Ā være komplementære hendelser, mens B er en annen hendelse. Da er: P(B) P(B oga)+p(b ogā) P(B A)P(A)+P(B Ā)P(Ā) ST0202 Statistikk for samfunnsvitere Bo Lindqvist

Detaljer

VigoVoksen KARRIEREMODULEN Mai 2017

VigoVoksen KARRIEREMODULEN Mai 2017 VigoVoksen KARRIEREMODULEN Mai 2017 Side 2 av 16 INNHOLD Innhold INNHOLD... 1 Oppstart og logg inn... 3 Hovedmeny, menyer og brukeroppsett.... 3 Karrieremodulen... 3 Programdelene i VigoVoksen... 3 Sammenheng

Detaljer

Hvordan kan målinger bidra til forbedring? Side 2

Hvordan kan målinger bidra til forbedring? Side 2 Hvordan kan målinger bidra til forbedring? 05.09.2013 - www.pasientsikkerhetskampanjen.no Side 2 MÅLINGER HVORFOR & HVORDAN? 05.09.2013 - www.pasientsikkerhetskampanjen.no Side 3 MÅLINGER ~ KAN HA TRE

Detaljer

Evaluering av It-systemer i et forvaltningsperspektiv. Drift, vedlikehold og videreutvikling av IT-systemet

Evaluering av It-systemer i et forvaltningsperspektiv. Drift, vedlikehold og videreutvikling av IT-systemet Evaluering av It-systemer i et forvaltningsperspektiv Drift, vedlikehold og videreutvikling av IT-systemet Bakgrunnen IT-systemer har ofte lenger levetid enn forventet er ofte forretningskritiske utvikler

Detaljer

Fagplan i matematikk for 9. trinn 2014/15. Faglærer: Terje Tønnessen

Fagplan i matematikk for 9. trinn 2014/15. Faglærer: Terje Tønnessen Fagplan i matematikk for 9. trinn 2014/15. Faglærer: Terje Tønnessen Standarder (gjennom hele semesteret) : - Å kunne uttrykke seg muntlig. Å forstå og kunne bruke det matematiske språket, implementeres

Detaljer

4.1. Kravspesifikasjon

4.1. Kravspesifikasjon 4.1. Kravspesifikasjon Dette delkapittelet beskriver nærgående alle deler av systemet, hvordan det er tenkt ferdigutviklet med fokus på oppdragsgivers ønsker. 4.1.1. Innledning Informasjon om hvordan kravspesifikasjonens

Detaljer

Læreplan i matematikk. Kompetansemål etter 10. årstrinn

Læreplan i matematikk. Kompetansemål etter 10. årstrinn Læreplan i matematikk Kompetansemål etter 10. årstrinn Tall og algebra Eleven skal kunne: 1. Sammenlikne og regne om hele tal, desimaltall, brøker, prosent, promille og tall på standardform 2. Regne med

Detaljer

Et lite notat om og rundt normalfordelingen.

Et lite notat om og rundt normalfordelingen. Et lite notat om og rundt normalfordelingen. Anta at vi har kontinuerlige data. Hva er likt og ulikt for histogrammer og fordelingskurver? Observasjoner Histogram Viser fordelingen av faktiske observerte

Detaljer

1 Grafisk framstilling av datamateriale

1 Grafisk framstilling av datamateriale 1 Grafisk framstilling av datamateriale Dette notatet er laget med tanke på åfå til en rask gjennomgang av denne delen av pensum. Determentforå ha nedskrevet det som forholdsvis rakt blir sagt i forelesning,

Detaljer

ÅRSPLAN I MATEMATIKK FOR 4.TRINN

ÅRSPLAN I MATEMATIKK FOR 4.TRINN Balsfjord kommune for framtida Storsteinnes skole Mulighetenes skole med trygghet, ansvar og respekt former vi framtida. ÅRSPLAN I MATEMATIKK FOR 4.TRINN 2017-18 *Vi bruker læreverket Multi 4. Oppgaveboka

Detaljer

Tall fra Grunnskolens informasjonssystem (GSI) 2012/13

Tall fra Grunnskolens informasjonssystem (GSI) 2012/13 Tall fra Grunnskolens informasjonssystem (GSI) 2012/13 Innholdsfortegnelse Sammendrag 2 Innledning 2 Elevtall, grunnskoler og lærertetthet 2 Årsverk til undervisningspersonale og elevtimer 2 Spesialundervisning

Detaljer

Sarpsborg, 4. mai 2018

Sarpsborg, 4. mai 2018 Sarpsborg, 4. mai 2018 - oppdatert 25. juli 2018 Innhold Fane 1 Søknadsopplysninger... 3 Støtteordning... 3 Prosjektnavn... 3 Søknadsbeløp... 3 Kort beskrivelse... 3 Prosjektbeskrivelse... 3 Fane 2 Kontaktopplysninger...

Detaljer

LÆREPLAN MATEMATIKK 10.TRINN SKOLEÅRET

LÆREPLAN MATEMATIKK 10.TRINN SKOLEÅRET LÆREPLAN MATEMATIKK 10.TRINN SKOLEÅRET 2018-19 Årstimetallet i faget: 114 Generell del av læreplanen, grunnleggende ferdigheter og prinsipper for opplæringen er innarbeidet i planen Side 2: Kompetansemålene

Detaljer

Versjonsbrev for Extensor05 versjon 1.22. 12.juni 2015

Versjonsbrev for Extensor05 versjon 1.22. 12.juni 2015 Versjonsbrev for Extensor05 versjon 1.22 12.juni 2015 Innhold Bedriftsjournal... 3 Bedriftsopplysninger... 3 Integrasjoner... 5 Journal... 5 NPR... 9 Personalia... 9 Planlegger... 10 Dette versjonsbrevet

Detaljer

Lykke til! Eksamen i fag TDT4140 Systemutvikling 28.11.2012 9.00. NTNU Norges teknisk-naturvitenskapelige universitet

Lykke til! Eksamen i fag TDT4140 Systemutvikling 28.11.2012 9.00. NTNU Norges teknisk-naturvitenskapelige universitet Side 1 av 10 NTNU Norges teknisk-naturvitenskapelige universitet BOKMÅL Fakultet for informasjonsteknologi, matematikk og elektroteknikk Institutt for datateknikk og informasjonsvitenskap Sensurfrist:

Detaljer

Statistikk 1. Nico Keilman. ECON 2130 Vår 2014

Statistikk 1. Nico Keilman. ECON 2130 Vår 2014 Statistikk 1 Nico Keilman ECON 2130 Vår 2014 Pensum Kap 1-7.3.6 fra Løvås «Statistikk for universiteter og høgskoler» 3. utgave 2013 (eventuelt 2. utgave) Se overspringelsesliste på emnesiden Supplerende

Detaljer

Sentralverdi av dataverdi i et utvalg Vi tenker oss et utvalg med datapar. I vårt eksempel har vi 5 datapar.

Sentralverdi av dataverdi i et utvalg Vi tenker oss et utvalg med datapar. I vårt eksempel har vi 5 datapar. Statistisk behandling av kalibreringsresultatene Del 4. v/ Rune Øverland, Trainor Elsikkerhet AS Denne artikkelserien handler om statistisk behandling av kalibreringsresultatene. Dennne artikkelen tar

Detaljer

Test og kvalitet To gode naboer. Børge Brynlund

Test og kvalitet To gode naboer. Børge Brynlund Test og kvalitet To gode naboer Børge Brynlund To gode naboer som egentlig er tre Kvalitetssikring, kvalitetskontroll og testing Kvalitet I Betydningen Kvalitet er den viktigste faktoren for å avlede langsiktig

Detaljer

KUNDENS KRAVSPESIFIKASJON

KUNDENS KRAVSPESIFIKASJON Bilag 1 til Vedlikeholdsavtalen (SS-V) KUNDENS KRVSPESIFIKSJON vtalereferanse: PROSJ-011-13 Vedlikeholdsavtale DVH PPLINCE Innholdsfortegnelse 1 STRUKTUR FOR KUNDENS KRVSPESIFIKSJON... 3 1.1 Beskrivelse

Detaljer

Tavleundervisning Læresamtale Individuelt arbeid Arbeid med læringspartner Spill Begrepskart Omvendt undervisning

Tavleundervisning Læresamtale Individuelt arbeid Arbeid med læringspartner Spill Begrepskart Omvendt undervisning RENDALEN KOMMUNE Fagertun skole Årsplan i Matematikk for 9 trinn 2017/18 TID TEMA KOMPETANSEMÅL Eleven skal kunne: 34-40 40-45 Algebra løse likninger og ulikheter av første og annen grad og bruke dette

Detaljer

Datakvalitet. Torunn Varmdal 2017

Datakvalitet. Torunn Varmdal 2017 Datakvalitet Torunn Varmdal 2017 Krav til nasjonale registre: Stadium 3: «kan redegjøre for registerets datakvalitet» Stadium 4: «kan dokumentere registerets datakvalitet gjennom valideringsanalyser» 2

Detaljer

UKE 2 Forstå bruk/ datainnsamling. Plenum IN1050 Julie og Maria

UKE 2 Forstå bruk/ datainnsamling. Plenum IN1050 Julie og Maria UKE 2 Forstå bruk/ datainnsamling Plenum IN1050 Julie og Maria Hva skjer i dag? FORSTÅ BRUKER - Kognisjon - Mentale modeller DATAINNSAMLING - 5 key issues - Utvalg og populasjon - Typer data - Metoder

Detaljer

Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN FOR FORESATTE MATTE 10.TRINN SKOLEÅR Side 1 av 8

Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN FOR FORESATTE MATTE 10.TRINN SKOLEÅR Side 1 av 8 Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN FOR FORESATTE MATTE 10.TRINN SKOLEÅR 2017-2018 Side 1 av 8 Periode 1: UKE 33-39 Tall og Algebra Analysere sammensatte problemstillinger, identifisere faste

Detaljer

Et lite notat om og rundt normalfordelingen. Anta at vi har kontinuerlige data. Hva er likt og ulikt for histogrammer og fordelingskurver?

Et lite notat om og rundt normalfordelingen. Anta at vi har kontinuerlige data. Hva er likt og ulikt for histogrammer og fordelingskurver? Et lite notat om og rundt normalfordelingen. Anta at vi har kontinuerlige data. Hva er likt og ulikt for histogrammer og fordelingskurver? Boka (Ch 1.4) motiverer dette ved å gå fra histogrammer til tetthetskurver.

Detaljer

Forskningsmetoder. Måling, målefeil. Frode Svartdal. UiTø V-2011. Frode Svartdal 26.01.2011 FRODE SVARTDAL 1

Forskningsmetoder. Måling, målefeil. Frode Svartdal. UiTø V-2011. Frode Svartdal 26.01.2011 FRODE SVARTDAL 1 Forskningsmetoder Måling, målefeil Frode Svartdal UiTø V-2011 Frode Svartdal 26.01.2011 FRODE SVARTDAL 1 Variabler Variabel noe (av psykologisk interesse) som varierer Motsatt: Konstant Eksempler: Kjønn,

Detaljer

København 20 Stockholm

København 20 Stockholm UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i IN 115 Algoritmer og datastrukturer Eksamensdag: 26. mai 2001 Tid for eksamen: 9.00 15.00 Oppgavesettet er på 7 sider. Vedlegg:

Detaljer

Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN FOR FORESATTE MATEMATIKK 8.TRINN SKOLEÅR 2015-2016

Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN FOR FORESATTE MATEMATIKK 8.TRINN SKOLEÅR 2015-2016 Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN FOR FORESATTE MATEMATIKK 8.TRINN SKOLEÅR 2015-2016 Side 1 av 7 Periode 1: UKE 34 - UKE 37 Sammenligne og regne om mellom hele tall, desimaltall, brøker,

Detaljer

(brukermanualen vil oppdateres ved behov. Sjekk at du har siste versjon)

(brukermanualen vil oppdateres ved behov. Sjekk at du har siste versjon) Logg inn og start KLF effektivitetskontrollen (brukermanualen vil oppdateres ved behov. Sjekk at du har siste versjon) Du logger deg inn i systemet via www.kjottbransjen.no, der det står en link til høyre,

Detaljer

Telle mennesker lærerveiledning

Telle mennesker lærerveiledning Telle mennesker lærerveiledning Sammendrag Barn begynner å telle allerede ved svært lav alder Telling er en viktig matematisk kompetanse i førskoleopplæring og de første klassene i grunnskolen. Men telling

Detaljer

ST0202 Statistikk for samfunnsvitere

ST0202 Statistikk for samfunnsvitere ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Loven om total sannsynlighet La A og Ā være komplementære hendelser, mens B er en annen hendelse. Da er: P(B) =P(B oga)+p(b

Detaljer

Kundesamtale teste hypoteser

Kundesamtale teste hypoteser Kundesamtale teste hypoteser 1 Forberedelser: Lean Business Modell (forretningsideen) Hvem vil ha problemet / Målgruppen som du tror har problemet Problem: De problemene vi antar at kundene har Samt en

Detaljer

Bli kjent med Lønnskostnader. Veien fra tro til vitenskap!

Bli kjent med Lønnskostnader. Veien fra tro til vitenskap! Bli kjent med Lønnskostnader Veien fra tro til vitenskap! Denne manualen skal gi deg som administrativ bruker av Tidsbanken bedre oversikt over hvilke muligheter som finnes i Tidsbanken rundt lønnskostnader

Detaljer

Statistisk beskrivelse av enkeltvariabler. SOS1120 Kvantitativ metode. Disposisjon. Datamatrisen. Forelesningsnotater 6. forelesning høsten 2005

Statistisk beskrivelse av enkeltvariabler. SOS1120 Kvantitativ metode. Disposisjon. Datamatrisen. Forelesningsnotater 6. forelesning høsten 2005 SOS110 Kvantitativ metode Forelesningsnotater 6 forelesning høsten 005 Statistisk beskrivelse av enkeltvariabler (Univariat analyse) Per Arne Tufte Disposisjon Datamatrisen Variabler Datamatrisen Frekvensfordelinger

Detaljer

Lærebok Robert Johnson og Patricia Kuby: Elementary Statistics, 10. utgave. Pensumoversikt. Forelesninger og øvinger

Lærebok Robert Johnson og Patricia Kuby: Elementary Statistics, 10. utgave. Pensumoversikt. Forelesninger og øvinger 2 Lærebok Robert Johnson og Patricia Kuby: Elementary Statistics, 10. utgave ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 3 4 Pensumoversikt Forelesninger og øvinger

Detaljer

ST0202 Statistikk for samfunnsvitere. Bo Lindqvist Institutt for matematiske fag

ST0202 Statistikk for samfunnsvitere. Bo Lindqvist Institutt for matematiske fag ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Lærebok Robert Johnson og Patricia Kuby: Elementary Statistics, 10. utgave 3 Pensumoversikt Kap. 2 Beskrivende statistikk,

Detaljer

Informasjonsorganisering. Information Architecture Peter Morville & Jorge Arango Kapittel 4, 5 & 6

Informasjonsorganisering. Information Architecture Peter Morville & Jorge Arango Kapittel 4, 5 & 6 Informasjonsorganisering Information Architecture Peter Morville & Jorge Arango Kapittel 4, 5 & 6 Bevissthet om sted, omgivelser og tingenes plassering Ting er noe vi forstår i relasjon til noe annet Informasjonsomgivelsenes

Detaljer

Tema: Nytt skoleår Fronter 92

Tema: Nytt skoleår Fronter 92 Tema: Nytt skoleår Fronter 92 Dette heftet er produsert av Fronter as www.fronter.com Heftet kan kun kopieres eller distribueres elektronisk ifølge kontrakt eller avtale med Tema: Nytt skoleår... 1 Innledning...

Detaljer