Aktuarska matematika II, 2.dio. Bojan Basrak

Save this PDF as:
 WORD  PNG  TXT  JPG

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Aktuarska matematika II, 2.dio. Bojan Basrak"

Transcript

1 Aktuarska matematika II, 2.dio Bojan Basrak

2 1. Bayesovska statistika Apriori i aposteriori razdioba Matematički gledano vjerojatnost je tek funkcija koja na matematički konzistentan način slučajnim dogadajima pridružuje brojeve izmedju 0 i 1, no kad govorimo o vjerojatnosti stvarnih dogadjaja, nju tek moramo interpretirati. Pošto je pitanje interpretacije vjerojatnosti od izuzetne važnost za gotovo sve znanosti nije neobično da su mu posvećene mnoge knjige i radovi. Od odgovora na ovo pitanje ovisi i naš pristup statističkom zaključivanju, a s obzirom na taj odgovor statistička teorija se ponekad dijeli na frekvencionističku Bayesovsku 1

3 Osnovna ideja Bayesovske statistike je da parametri statističkih modela moraju i sami biti modelirani kao slučajni. Pri tome, mi i prije prikupljanja podataka imamo neku inicijalnu (više ili manje subjektivnu) ideju o razdiobi nepoznatog parametra. Inicijalna ili apriori razdioba eng. prior omogućuje nam da u model ugradimo npr. prethodno ili ekspertno znanje, no ona je izvor subjektivnosti u zaključivanju što je tipično i osnovni prigovor ovoj teoriji. Bayesovski pristup ipak dozvoljava da izračunamo vjerojatnosti oblika P (θ A) gdje je A bilo koji skup u prostoru parametara, dok je u klasičnoj statistici parametar θ nepoznat, no fiksan, bogomdan, pa ovakav izraz nema čak ni smisla računati. 2

4 Teorija nosi ime po svećeniku Thomasu Bayesu ( ) i njegovom posmrtno objavljenom radu, a emocije koje je ovakav pristup izazivao medju klasičnim statističarima odlično ilustrira izjava jednog od njih, naime Maurice Kendall je primjetio: Life would be much simpler if the Bayesians followed the example of their master and published posthumuosly. 3

5 Bayesov rad bio je posvećen jednom od najelementarnijih problema statističkog zaključivanja, tj. procjeni vjerojatnosti uspjeha u slučajnom pokusu, ako nam je poznat ishod n nezavisnih ponavljanja ovakvog pokusa. Mi bismo kraće govorili o procjeni parametra p binomne slučajne varijable s parametrima n i p. Prilikom rješavanja ovog problema Bayes je korisitio i formulu ili teorem koji danas zovemo njegovim imenom. Naime ako sa H označimo proizvoljnu hipotezu o parametru slučajnog pokusa, a sa D njegov ishod tada je elementarno vidjeti da iz definicije uvjetne vjerojatnosti slijedi formula P (H D) = P (H)P (D H)/P (D). Izraz P (H D) označava vjerojatnost hipoteza nakon što smo vidjeli podatke i naziva se vjerojatnost aposteriori, eng. posterior. U slučaju da je naša hipoteza oblika H = {θ = θ 0 }, tada kažemo da je hipoteza H jednostavna, a izraz P (D H) predstavlja uobičajenu vjerodostojnost. Vjerojatnost P (H) ovisi o odabranoj apriori razdiobi za parametar θ, pa se ponekad ignorirajući nazivnik u gornjoj formuli ona piše kao aposteriori vjerojatnost apriori vjerojatnost vjerodostojnost, gdje stoji kao oznaka proporcionalnosti. 4

6 Ukoliko je θ npr. slučajna varijabla s neprekidnom razdiobom i gustoćom f tada je P (H) = 0 za sve jednostavne hipoteze. No gornju formulu možemo primjeniti i na uvjetne gustoće, tako da ako je naš uzorak X poprimio vrijednost x, aposteriori razdiobu odredjuje aposteriori gustoća f(θ x) za koju vrijedi f(θ x) = f(θ)f(x θ)/f(x) ili ponovo f(θ x) f(θ)f(x θ). Primjetite da aposteriori razdioba sadrži puno više informacija o parametru θ nego što je sadrži uobičajeni točkovni ili čak intervalni procjenitelji. 5

7 Primjer Prepostavimo prvo da je X B(n, p) broj uspjeha u n nezavisnih ponavljanja slučajnog pokusa. Neka je X poprimila vrijednost k {0, 1,..., n}. Po definiciji binomne razdiobe je ( ) n f(k p) = p k (1 p) n k. k Prepostavimo da je apriori razdioba parametra p beta razdioba s parametrima a, b > 0, tj. p ima apriori gustoću f(p) = Γ(a + b) Γ(a)Γ(b) pa 1 (1 p) b 1. Posebno je apriori očekivanje parametra p jednako a/(a + b). Ako pretpostavimo da je X p B(n, p). Aposteriori gustoća očito zadovoljava f(p k) p k (1 p) n k p a 1 (1 p) b 1 = p k+a 1 (1 p) n k+b 1. Dakle aposteriori razdioba je ponovo beta s parametrima k + a i n k + b. 6

8 Za aposteriori očekivanje dobijemo k + a k + a + n k + b = k + a n + a + b. Uočite da kako veličina uzorka n raste, za očekivati je da raste i broj uspjeha bez obzira na parametar p (0, 1), no tada je aposteriori očekivanje približno k/n što je uobičajeni procjenitelj za p izveden metodom maksimalne vjerodostojnosti npr. Ovo je karakteristično za Bayesovski pristup statističkom zaključivanju, naime kao što smo vidjeli u odredjivanju aposteriori razdiobe, ona je produkt apriori razdiobe i vjerodostojnosti koja ovisi o prikupljenim podacima, no kako broj podataka raste, raste i njihov utjecaj. Dok je za male uzorke aposteriori razdioba bitno odredjena upravo apriori razdiobom. Napomena Kada apriori i aposteriori razdioba dolaze iz iste parametarske familije kao u gornjem primjeru kažemo da su konjugirane u odnosu na dani model. Takvi slučajevi su posebno zanimljivi jer je u njima tipično lakše pronaći aposteriori razdiobu, koja općenito može biti vrlo komplicirana. 7

9 Funkcija gubitka Ako bismo ipak htjeli izdvojiti jedan procjenitelj nepoznatog parametra Bayesovska statistika nas upućuje na korištenje funkcije gubitka L, koja usporedjuje našu procjenu sa stvarnom vrijednošću. Dakle prepostavimo ponovo da je sl. uzorak X poprimio vrijednost x te da nam je cilj naći veličinu g(x) koja će aproksimirati nepoznati θ. Da bismo procjenili kvalitetu našeg procjenitelja možemo koristiti veličinu L(g(x), θ). Razumno je prepostaviti da je L(θ, θ) = 0, tj. gubitka nema ako procjenitelj pogadja vrijednost parametra. Jasno je da u netrivijalnim primjerima nije moguće naći procjenitelj koji pogadja θ egzaktno, no ono čemu se možemo realistično nadati je da je prosječni gubitak koji činimo u procjeni mali. Zato se kvaliteta procjenitelja zapravo ocjenjuje preko funkcije rizika, odn. R(g(x)) = E[L(g(x), θ)] = L(g(x), θ)f(θ x)dθ. Naravno razne funkcije gubitka dat će nam i različite procjenitelje. 8

10 Najčešće korištena je funkcija kvadratnog gubitka tj. L(g(x), θ) = (g(x) θ) 2. Lako je vidjeti da rizik minimizira u ovom slučaju upravo očekivanje od θ u odn. na aposteriori razdiobu, pa je Bayesovski procjenitelj u ovom slučaju E f( x) θ = θf(θ x)dθ 9

11 Drugi često korišten izbor je funkcija apsolutnog gubitka L(g(x), θ) = g(x) θ. Ako prepostavimo da je θ realan parametar s vrijednostima u intervalu (, ), te stavimo g = g(x) za funkciju rizika vrijedi R(g) = R(g(x)) = g (g θ)f(θ, x)dθ Koristeći pravila o deriviranju kompozicije funkcija nalazimo d dg R(g) = g f(θ x)dθ g g (θ g)f(θ, x)dθ. f(θ x)dθ. Tako da je kritična točka funkcije R upravo onaj g za koji je g f(θ x)dθ = g f(θ x)dθ, tj. mora biti P (g θ) = P (g θ). Odn. Bayesovski procjenitelj za funkciju aposlutnog gubitka je jednostavno 10 medijan aposteriori razdiobe.

12 Kao treću alternativu možemo uzeti funkciju gubitka sve ili ništa { 0 ako g(x) = θ L(g(x), θ) = 1 inače. Kako se ne možemo koristiti diferenciranjem da bismo pronašli minimum funkcije rizika u ovom slučaju, uvest ćemo aproksimativnu funkciju gubitka { 0 ako g(x) θ < ε L ε (g(x), θ) = 1 inače. U slučaju da je aposteriori gustoća neprekidna funkcija, za male ε imamo aproksimaciju R ε (g) = EL ε (g, θ) = 1 g+ε g ε f(θ x)dθ 1 2εf(g x). Pa se minimum od R ε dostiže približno za maksimalne vrijednosti f(g x), a takve točke se zovu mod aposteriori razdiobe. Kako gubitak L ε L za ε 0, isto vrijedi i za minimum od R. 11

13 O apriori razdiobi Kako je proces statističkog zaključivanja u Bayesovskoj teoriji povezan s odlukom o apriori razdiobi, njen odabir je od ključne važnosti. U praksi se često koriste tzv. neinformativne apriori razdiobe. Takvom bismo npr. zvalu uniformnu razdiobu na intervalu (0, 1) u primjeru procjene parametra p binomne razdiobe. Kako prethodna saznanja možemo na više načina ugraditi u apriori razdiobu, Bayesovska statistika neizbježno subjektivna u tom odabiru, što dakako stavlja povećanu odgovornost na statističara koji mora pravdati svoj odabir. Neki od zahtjeva na apriori razdiobi su da mora svakako pokrivati sve uopće moguće vrijednosti parametra, te da ne smije biti previše lokalizirana. U praksi moramo voditi računa da je u odabiru apriori razdiobe lako napraviti grešku. Ovaj problem Bayesovci često ilustriraju riječima Olivera Cromwella pred saborom Škotske crkve iz godine: I beseech you, in the bowels of Christ, think it possible that you may be mistaken. 12

14 2. Teorija povjerenja Uvjetna očekivanja U ovom poglavlju bismo htjeli iskoristiti Bayesovski pristup statistici prilikom procjene razdiobe budućih šteta u nekom portfelju ili od nekog osiguranika. Odabrana razdioba će dakako utjecati i na visine premija, a njihovo odredjivanje jedan je od naših centralnih problema. Po onom što smo naučili do sada morat ćemo kombinirati do sada dostupne podatke o samom osiguraniku, sa našim prethodnim znanjem. Primjetite da historijskih podataka može biti vrlo malo, pomislite pri tom na osiguravatelje koji su procjenjivali rizik od urušavanja Twin Towers u New Yorku prije tragičnog napada ili na rizik kojem se danas izlažu osiguravatelji nekretnina u centru Los Angelesa npr. U prethodnom poglavlju, značajnu ulogu imale su uvjetne gustoće i uvjetne razdiobe, tako da ćemo prije nastavka ponoviti nekoliko glavnih rezultata vezanih i uz uvjetna očekivanja. 13

15 Sjetimo se da je E(X Y ) zapravo slučajna varijabla koja najbolje opisuje sl. varijablu X kao funkciju od Y. Iz matematički rigorozne definicije slijedi E(X) = E[E(X Y )] (2.1) E(f(X) X) = f(x) (2.2) E(Xf(Y ) Y ) = f(y )E(X Y ) (2.3) E[E(X Y ) X] 2 = inf g X]2 (2.4) (2.5) gdje nam ova zadnja relacija zapravo govori da je uvjetno očekivanje u srednjekvadratnom smislu optimalna procjena za sl. varijablu X u terminima od Y. U odn. na uvjetnu razdiobu možemo definirati i uvjetnu nezavisnost, tada kažemo da su sl. varijable X 1 i X 2 uvjetno nezavisne za dano Y. Naravno tada će vrijediti i E(X 1 X 2 Y ) = E(X 1 Y )E(X 2 Y ). Uočite da uvjetno nezavisne slučajne varijable ne moraju biti i stvarno nezavisne, one su to intuitivno tek onda kada nam je vrijednost od Y poznata. 14 Takodjer nezavisne sl. varijable uvjetovanjem mogu izgubiti to svojstvo.

16 Povjerenje Da bismo ilustrirali način na koji kombiniranjem podataka i prethodnih znanja možemo odrediti očekivanu vrijednost šteta u nekom portfelju pogledajmo jedan jednostavan Primjer osiguranik: lokalna bolnica sa 100 zaposlenika štete nastaju u slučaju tužbe pacijenata zbog pogrešaka u liječenju. podaci o zadnjih četiri godine govore da je godišnji trošak u ovakve svrhe bio u prosjeku hrk. iz velikog skupa nama dostupnih podataka o preostalim bolnicama u zemlji moguće procijeniti da je prosječna godišnja šteta za bolnicu od 100 zaposlenika hrk. No neke od preostalih bolnica posluju pod bitno drugačijim okolnostima, te su izložene većem riziku tretirajući kompleksnije slučajeve ili obradjujući nešto veći broj pacijenata po zaposleniku. Naš zadatak je prije svega odrediti neto premiju za nadolazeću godinu za bolnicu koja tek pristupa osiguranju. 15

17 Odmah možemo ponuditi dva odgovora. Jedan je da iz podataka za dotičnu bolnicu zaključimo da je odgovarajuća neto premija , što će osiguravatelj dakako uvećati doplatkom za sigurnost i svojim administrativnim troškovima. Druga je mogućnost da zanemarimo relativno mali skup podataka o toj bolnici i neto premiju postavimo na , do kojih smo došli koristeći veći skup podataka, no oni su dakako nešto manje relevatni za tu konkretnu bolnicu. Veća premija znači dakako i veći očekivani dobitak za osiguravatelja, no prevelika premija bi mogla ravnatelja bolnice otjerati k drugom osiguravatelju. 16

18 Za neto premiju mogli bismo odrediti i bilo koju konveksnu kombinaciju ova dva iznosa tj. z (1 z) gdje je z [0, 1] takozvani faktor povjerenja. Upravo ovaj odgovor dobijamo slijedimo li princip povjerenja. Iz izraza za premiju je jasno da će ona biti najbliža empirijskoj vrijednosti očekivanja što je z bliže 1. Ako z pada u ovom konkretnom primjeru premija će rasti k iznosu U principu, ako ocjenimo da je skup podataka koji nam je dao kao očekivanu vrijednost štete nereprezentativan, ili ako se produlji period u kojem smo skupljali podatke povisivali bismo faktor z. No vrijedi i obrnuto, ako je duljina perioda za koji imamo podatke kraća, ili ako smo raspolagali podacima o velikom broju bolnica sličnih karakteristika, za z bismo uzeli nešto manju vrijednost. 17

19 Sažeto govoreći, neto premija u teoriji povjerenja konveksna je kombinacija oblika z X + (1 z) µ (2.6) gdje je X prosječna vrijednost prikupljenog uzorka, a µ je očekivana vrijednost šteta prema našim prethodnim saznanjima. Općenito će z će ovisiti o duljini našeg uzorka, kao i o stupnju uvjerenja koji imamo u očekivanu vrijednost šteta dobivenu iz apriori znanja. S druge strane ne želimo da faktor z ovisi o stvarnim vrijednostima ova dva iznosa. Naš cilj je koherentna metoda njegovog odredjivanja. 18

20 Bayesovsko povjerenje Kako smo vidjeli Bayesovska statistika nudi prirodnu metodu kojom možemo kombinirati prethodno saznanje ili vrlo veliki skup podataka izražen u vidu apriori razdiobe s empirijskim podacima. Stoga ne iznenadjuje da je možemo iskoristiti kako bismo došli do faktora povjerenja u nekim slučajevima. Pretpostavimo kvadratnu funkciju gubitka, tako da je naš procjenitelj očekivanja šteta X, zapravo očekivanje od X u odnosu na aposteriori razdiobu. Detaljno ćemo obraditi dva važna modela. 19

21 Primjer (P/Γ model) Prepostavimo da sve štete u portfelju iznose točno 1. Tako da je ukupna šteta u nekom periodu odredjena jedino njihovim brojem, Prepostavimo nadalje da broj šteta u svakoj godini ima Poissonovu razdiobu s parametrom λ. Prepostavimo da parametar λ nije poznat, no na osnovu prethodnog iskustva i drugih podataka utvrdjeno da je λ približno ima Γ(a, b) razdiobu. Nama su nadalje, dostupni podaci o posljednjih n godina, koje modeliramo kao P (λ) distribuirane sl. varijable X 1,..., X n koje su uvjetno na λ takodjer i medjusobno nezavisne. Preciznije, naša prepostavka je da su X i λ P (λ) te n.j.d. Prepostavimo da je sl. uzorak poprimio vrijednost X = (X 1,..., X n ) x = (x 1,..., x n ). Nas zanima odredjivanje neto premija na osnovu ovih saznanja. Uočite prvo E(X n+1 X) = E[E(X n+1 λ, X) X] = E(λ X). 20

22 Označimo sa X = X n+1 broj šteta u nadolazećoj godini. Kako je E(X λ) = λ, prirodno je iskoristiti mogućnost da izračunamo Bayesovski procjenitelj nepoznatog parametra λ i njega koristimo kao procjenu neto premija. Imamo dakle tipičan problem Bayesovske statistike. Iz iznesenih podataka slijedi da je apriori gustoća f(λ) = a vjerodostojnost iznosi ba Γ(a) λa 1 exp( bλ), λ > 0, f(x λ) = λx 1+ +x n x 1! x n! e λn. Tako da za aposteriori gustoću vrijedi f(λ x) λ x 1+ +x n +a 1 e (b+n)λ. 21

23 Možemo zaključiti da je aposteriori razdioba Γ(x x n + a, b + n), stoga je Bayesovski procjenitelj za neto premiju E[λ X = x] = x x n + a b + n ako X = x. Primjetite da je apriori očekivanje od λ (pa dakle i od X) jednako a/b, dok bi uobičajeni empirijski procjenitelj tog očekivanja iznosio (x x n )/n. Ako postavimo z = n/(b + n) uočite da vrijedi E[λ X = x] = z x x n n, + (1 z) a b. Dakle Bayesovski procjenitelj neto premije je konveksna kombinacija poput one koje smo sreli u teoriji povjerenja i izrazu (2.6). Ponovo je za velike n ovaj procjenitelj asimptotski jednak empirijskoj procjeni tj. aritmetičkoj sredini uzorka. Dok za male uzorke on značajno ovisi o apriori razdiobi. Posebno je u odsustvu svarnih podataka (tj. za n = 0), Bayesovska procjena jednaka a/b, tj. očekivanju u odn. na apriori razdiobu. Primjetite nadalje da faktor povjerenja pada k 0 kako raste parametar b, tj. kako se smanjuje varijanca apriori razdiobe i s njom neizvjesnost o stvarnoj vrijednosti parametra. 22

24 U knjizi je ovaj model ilustriran na jednom jednostavnom primjeru: u 10 sukcesivnih godina broj šteta ima sljedeće vrijednosti: 144, 144, 174, 148, 151, 156, 168, 147, 140, 161. Prepostavimo da ovi brojevi dolaze iz P/Γ modela uz dvije apriori razdiobe na parametar λ (poznato je λ = 150 jer su brojevi simulirani) Γ(500, 5) i Γ(100, 1) 23

25 180 Stvarni broj steta Gama 100,1 120 Gama 500, Godina Primjetite da iako obje apriori razdiobe imaju očekivanje 100, razdioba Γ(500, 5) ima bitno manju varijancu, što uzrokuje sporiju konvergenciju Bayesovskog procjenitelja k stvarnoj vrijednosti. 24

26 Primjer (N/N model) Za razliku od prethodnog primjera prepostavite da veličine X 1,..., X n označavaju ukupne štete u n minulih godina, naš cilj je ponovo odrediti očekivani iznos štete X = X n+1 u narednoj godini. Prepostavimo da je uzorak (X 1,..., X n ) poprimio vrijednost x = (x 1,..., x n ). Ovoga puta prepostavimo da štete slijede normalnu razdiobu N(θ, σ 2 1) uz iste oznake. Prepostavimo da nam je parametar σ 1 poznat, dok za parametar θ možemo samo prepostaviti da i sam dolazi iz apriori razdiobe N(µ, σ 2 2), gdje su µ i σ 2 poznati parametri. Prema tome, uvjetovano na θ opažene štete X 1,..., X n kao i šteta X u narednoj godini su nezavisne i distribuirane kao N(θ, σ 2 1). I ovdje je E(X n+1 X) = E[E(X n+1 θ, X) X] = E(θ X). 25

27 Jasno je da je apriori gustoća parametra θ ( (θ µ) 2) f(θ) exp, θ R, 2σ 2 2 a vjerodostojnost iznosi ( n f(x θ) exp i=1(x i θ) 2 ), x R n, 2σ 2 1 tako da se lako vidi kako aposteriori gustoća zadovoljava ( n f(θ x) exp i=1(x i θ) 2 (θ µ) 2 ), θ R. 2σ 2 1 Sredjivanjem gornjeg izraza po θ, slijedi da je aposteriori razdioba od θ uz dano X = x ( σ 2 N 1 µ + σ2n x 2 σ, 1σ 2 2 ) 2, σ1 2 + nσ2 2 σ1 2 + nσ2 2 gdje je x = (x x n )/n. 26 2σ 2 2

28 Tako da je pod uvjetom X = x E[θ X] = σ2 1µ + σ 2 2n x σ nσ 2 2 = σ 2 1 σ nσ 2 2 Dakle, ponovo dobijamo izraz oblika (2.6) uz z = n. n + σ1/σ µ + σ2 2n x. σ1 2 + nσ2 2 Pa je i u ovom modelu Bayesovski procjenitelj moguće zapisati kao konveksnu kombinaciju oblika (2.6) uz dobro odabrani faktor povjerenja. Kao i prije faktor povjerenja raste k 1, za n, te pada k 0, ako se σ 2 smanjuje (i opet s njim se smanjuje i neizvjesnost o stvarnoj vrijednosti parametra θ). 27

29 Primjetite da su osnovne prepostavke oba ova Bayesovska modela svaku pojedinu policu opisuje par (θ, (X i )), gdje je sl. varijabla θ tzv. parametar rizika ili heterogenosti, a niz sl. varijabli (X i ) predstavlja niz šteta u danoj polici., razdioba od X i ovisi o slučajnom parametru θ, uz dano θ sl. varijable X i su n.j.d.. U gornjim primjerima bila nam je poznata i razdioba parametra θ, tj. apriori razdioba. Nadalje primjetite da model ne implicira da su X i i bezuvjetno medjusobno nezavisne,. Promotrimo npr. N/N model ponovo, iz prepostavki slijedi E(X 1 X 2 ) = E[E(X 1 X 2 θ)] = E[E(X 1 θ)e(x 2 θ)] = E[θ 2 ] = σ µ 2. Za nezavisne sl. varijable ovo očekivanje moralo bi biti jednako E(X 1 )E(X 2 ). S druge strane imamo E(X 1 ) = E(X 2 ) = E(E(X 2 θ)) = E(θ) = µ. Dakle nezavisnost slijedi jedino u slučaju da je σ 2 = 0, tj. samo kada 28 parametar θ nije slučajan već unaprijed poznat.

30 Situacija koju smo vidjeli u prethodna dva primjera nažalost nije uvijek ovako dobra. Bayesovski procjenitelj općenito ne mora biti linearna funkcija sl. uzorka X, pa se općenito ne može zapisati u obliku (2.6) koristeći faktor povjerenja. Štoviše Bayesovski procjenitelj općenito ne možemo egzaktno izračunati. Dodatni problem u praksi je i kako doći do ostalih parametara modela, npr. u slučaju P/Γ modela morali bismo znati parametar b prije statističke analize. Uočite da nismo diskutirali kako odabrati te parametre. U praksi je jasno da će oni odražavati naša subjektivna uvjerenja o stvarnim vrijednostima parametra θ. Uzgred primjetimo da θ u Bayesovskim modelima može općenito biti i višedimenzionalan parametar, dakle ne nužno realna sl. varijabla. 29

31 Empirijska Bayesovska teorija povjerenja (model 1) Preuzet ćemo i dalje osnovne pretpostavke Bayesovskih modela, no ovoga puta nećemo prepostaviti da nam je poznata apriori razdioba parametra θ. Preciznije naše prepostavke su svaku pojedinu policu (ili dio portfelja) opisuje par (θ, (X i )), gdje je parametar θ nepoznat, a niz sl. varijabli (X i ) predstavlja niz šteta u danoj polici., razdioba od X i ovisi o slučajnom parametru θ, uz dano θ sl. varijable X i su n.j.d.. Cilj nam je ponovo odrediti neto premiju, odn. očekivanu vrijednosti od X = X n+1 ako nam je dan sl. uzorak X = (X 1,..., X n ). 30

32 Uvedimo sljedeće oznake m(θ) = E(X i θ) i s 2 (θ) = var(x i θ). Kako su uz dano θ sl. varijable X i jednako distribuirane, m(θ) i s 2 (θ) ne ovisi o indeksu i. Primjetite nadalje da su, s obzirom na to da je θ sl. varijabla i ove dvije vrijednosti takodjer sl. varijable. Ukoliko bi nam θ bio poznat, m(θ) bi upravo bio tražena neto premija, no naš cilj je kao i do sada procijeniti m(θ) uz dano X. Bayesovski procjenitelj koji smo do sada koristili bio je E[m(θ) X], i davao je jasan odgovor na traženo pitanje. No on nam kao što smo već istakli može biti vrlo komplicirana, a ne nužno linearna funkcija našeg uzorka i poznatih veličina. 31

33 Dodatne teškoće s kojima se dakle susrećemo su m(θ) nije nužno oblika m(θ) = θ kao u prethodna dva modela, s 2 (θ) nije nužno konstanta kao u N/N modelu, parametar θ nije nužno realan broj, apriori razdioba od θ nam nije poznata. U novim i težim okolnostima pokušat ćemo umjesto Bayesovskog procjenitelja, naći samo optimal procjenitelj za m(θ) medju linearnim funkcijama našeg uzorka tj. medju procjeniteljima koji se mogu zapisati kao a 0 + a 1 X 1 + a 2 X a n X n. 32

34 Kao kriterij optimalnosti ovog linearnog Bayesovskog procjenitelja i dalje možemo koristiti kvadratnu funkciju gubitka, pa je naš cilj zapravo pronaći konstante a 0, a 1,..., a n tako da minimiziramo sljedeći izraz E (m(θ) (a 0 + a 1 X 1 + a 2 X a n X n )) 2. Srednjekvadratna pogreška glatka je funkcija parametara a i. Zato njen minimum možemo tražiti diferenciranjem. Parcijalna derivacija po a 0 nam daje sljedeću jednadžbu u točki minimuma E (m(θ) (a 0 + a 1 X 1 + a 2 X a n X n )) = 0. Pa je prema definiciji funkcije m, iz EX i = E(E(X i θ)) = Em(θ) ( ) n a 0 = E (m(θ)) 1 a i. (2.7) i=1 33

35 Ako diferenciramo srednjekvadratnu pogrešku po a i, i > 0, dobijemo uvjet E (X i [m(θ) (a 0 + a 1 X 1 + a 2 X a n X n )]) = 0. (2.8) Sad uočimo da vrijedi E(X i m(θ)) = E[E(X i m(θ) θ] = E(m(θ) 2 ) = var(m(θ)) + [E(m(θ))] 2. Slično je i za j k Na kraju uočite E(X j X k ) = var(m(θ)) + [E(m(θ))] 2. E(X 2 i ) = E[E(X 2 i θ)] = E[s 2 (θ)] + E[m 2 (θ)] (2.9) = E[s 2 (θ)] + var[m(θ)] + (E[m(θ)]) 2. Tako da se (2.8) može zapisati i kao ( ) n (var[m(θ)] a i E[s 2 (θ)] = 1 a i + (E[m(θ)]) 2 a 0 E[m(θ)] ). i=1 34

36 Odavde je jasno (mada smo to mogli zaključiti i zbog simetrije) da za optimalne parametre mora biti a 1 = a 2 =... = a m. Označimo z = n i=1 a i, tj. a i = z/n, za i 1. Tako da se traženi procjenitelj može zapisati i u obliku gdje je naravno a 0 + z X, X = 1 n n X i. Dakle, jednadžbe (2.7) i (2.9) čine sustav od dvije linearne jednadžbe s dvije nepoznanice, a njegovim rješavanjem slijedi a 0 = (1 z)e[m(θ)] i z = 35 i=1 n n + E[s 2 (θ)]/var(m(θ)).

37 Na kraju ponovo dobijemo procjenu za m(θ) u obliku z X + (1 z)e[m(θ)], slično kao i u (2.6). Primjetite da je faktor povjerenja z istog oblika kao i u N/N odn. P/Γ modelu. Konačno, moramo uočiti da smo tri parametra u gornjem računu E[m(θ)], E[s 2 (θ)] te var(m(θ)) tretirali kao unaprijed poznata iako to u praksi nije slučaj. U Bayesovskim primjerima kao npr. N/N modelu ti parametri zaista jesu poznati jer nam je poznata apriori razdioba. Kako ovdje apriori razdiobu ne znamo, u praksi ove brojeve moramo procjeniti. 36

38 O procjeni Em(θ), Es 2 (θ), var(m(θ)) Pretpostavit ćemo da imamo na raspolaganju podatke o više polica istog tipa. Drugim riječima, štete za i-tu policu iznose X i,j, j 1. Pri tom prepostavljamo da vrijede sljedeće tvrdnje i-tu policu opisuje par (θ i, (X i,j )), gdje je sl. varijabla θ i parametar rizika ili heterogenosti, a niz sl. varijabli (X i,j ) predstavlja niz šteta u danoj polici., parovi (θ i, (X i,j )), i = 1, 2,... su n.j.d. Posebno su θ i, i = 1, 2,... n.j.d. razdioba od X i,j ovisi o slučajnom parametru θ i, uz dano θ i sl. varijable X i,j su n.j.d. Katkad se govori da je i-ta polica jedna u kolektivu rizika, eng. collective. 37

39 Prepostavimo da nas zanima odrediti neto premiju za i-tu policu. Bayesovska statistika nas upućuje na korištenje uvjetnog očekivanja m(θ i ) = E(X i,1 θ i ). No kao što smo gore argumentirali, ovo je očekivanje općenito vrlo teško izračunati, ali se možemo poslužiti optimalnim linearnim procjeniteljem. On je ovisio o tri parametra: E[m(θ i )], E[s 2 (θ i )] i var(m(θ i )). Uočite da ove veličine ne ovise o i. Nadalje veličine m(θ i ) i s 2 (θ i ) možemo procijeniti iz uzorka uobičajenim procjeniteljima n te X i = 1 n ŝ 2 i = 1 n 1 j=1 X i,j n (X i,j X i ) 2 j=1 38

40 Ako su nam dostupni podaci za m polica, E[m(θ i )] i E[s 2 (θ i )] možemo procjeniti koristeći njihove prosječne vrijednosti X = 1 N N i=1 X i = 1 N N i=1 1 n n j=1 X i,j i s 2 = 1 N N ŝ 2 i = 1 N i=1 N i=1 1 n 1 n (X i,j X i ) 2. j=1 39

41 Za var(m(θ i )) razuman procjenitelj je 1 N 1 N ( X i X) 2, i=1 no može se pokazati da je on pristran stoga koristimo korigirani procjenitelj ˆv = 1 N 1 N ( X i X) 2 1 n s2. i=1 Iako je ovaj procjenitelj nepristran ni on u praksi nije korišten jer ponekad može primiti negativne vrijednosti tako da varijancu var(m(θ i )) zapravo procjenjujemo koristeći sljedeći pristrani procjenitelj max{ˆv, 0}. 40

42 Ako ponovo promotrimo vrijednosti faktora povjerenja z = n n + E[s 2 (θ)]/var(m(θ)) u ovom modelu, ponovo možemo uočiti da je z rastuća funkcija od n tj. duljine uzorka. S druge strane z pada kako raste izraz E[s 2 (θ)]/var(m(θ)), to je takodjer razumljivo, jer on mjeri odnos varijabilnosti procjenitelja za m(θ i ) tj. za konkretnu policu u odn. na varijabilnost procjenitelja za sve rizike u kolektivu. Iako smo naglasili da faktor povjerenja ne bi trebao ovisiti o prikupljenim podacima, u praksi on ovisi o njima jer vrijednost E[s 2 (θ)]/var(m(θ)) ne znamo, pa je procjenjujemo iz podataka na gore opisan način. 41

43 Na kraju uočite da je zbog korištenja kvadratne funkcije gubitka kod ocjene optimalnosti linearnog procjenitelja, jedino bilo bitno znati da E[m(θ i )], E[s 2 (θ i )] i var(m(θ i )) ne ovise o indeksu i. Tako da smo isti račun mogli provesti i pod nešto oslabljenim prepostavkama na naš model i-tu policu opisuje par (θ i, (X i,j )), gdje je sl. varijabla θ i parametar rizika ili heterogenosti, a niz sl. varijabli (X i,j ) predstavlja niz šteta u danoj polici., parovi (θ i, (X i,j )), i = 1, 2,... su medjusobno nezavisni. rizika θ i, i = 1, 2,... su n.j.d. razdioba od X i,j indeksu j Parametri ovisi o slučajnom parametru θ i, ali može ovisiti i o uz dano θ i sl. varijable X i,j su nezavisne, a E(X i,j θ i ) kao i var(x i,j θ i ) ne ovise o j 42

44 Ovaj model se u literaturi ponekad naziva Bühlmannovim. On se od dosad korištenog modela razlikuje u sljedećem matrica šteta ((X i,j ) j 1 ) i 1 se sastoji od nezavisnih redaka (X i,j ) j 1 ) koji nisu nužno jednako distribuirani, u polici i smo jedino zahtjevali da su E(X i,j θ i ) kao i var(x i,j θ i ) neovisne o j, no razdiobe od X i,j, j 1, nisu nužno jednake. Dakle i pod ovim slabijim pretpostavkama gornji rezultati ostaju nepromjenjeni. 43

45 Empirijska Bayesovska teorija povjerenja uz varijabilni volumen rizika (model 2) Prethodni odjeljak počeli smo s prepostavkom da su iznosi šteta u sukcesivnim godinama n.j.d. sl. varijable ako nam je poznat parametar rizika θ. No u praksi se obim posla mjeren npr. brojem prodanih polica ili naplaćenim premijama mijenja s vremenom. Razumno je prepostaviti da nam je volumen rizika za godine i = 1,..., n, n + 1 poznat i iznosi P i u i-toj godini. Nadalje poznate su nam i dalje ukupne štete u portfelju za prvih n godina, recimo u iznosima Y 1,..., Y n. Nas i dalje zanima na osnovu ovih podataka procjeniti očekivanu ukupnu štetu u sljedećoj godini E(Y n+1 θ). Primjetite da nam je volumen rizika, ili intuitivno obim posla u nadolazećoj godini poznat i iznosi P n+1. 44

46 Iz ovih podataka možemo dobiti novi niz sl. varijabli na sljedeći način X i = Y i /P i, i = 1, 2,... Dakle X i predstavlja ukupne štete u i-toj godini, ali standardizirane, odn. podjeljene ukupnim volumenom rizika u toj godini. Naravno za očekivati je da ovakve X i imaju sličnije razdiobe nego Y i. Zato se naše nove prepostavke tiču upravo ovih varijabli i glase policu (ili dio portfelja) modelira par (θ, (X i )), gdje je parametar rizika θ nepoznat, a niz sl. varijabli (X i ) predstavlja niz šteta u danoj polici, razdioba od X i ovisi o slučajnom parametru θ, varijable X i su nezavisne, ali ne nužno i jednako dis- uz dano θ sl. tribuirane. Veličine ne ovise o i. m(θ) = E(X i θ) i s 2 (θ) = P i var(x i θ) 45

47 Kada je obim posla konstantan kroz vrijeme, recimo P i = 1 za sve godine, ovaj novi model se ne razlikuje od Bühlmannovog. Inače je u literaturi poznat kao Bühlmann Straubov model. Primjer Za ilustraciju gornjih pretpostavki, uzmimo npr. da P i predstavlja broj prodanih polica u i-toj godini, te da su pojedinačne štete nezavisne kada nam je poznat njihov zajednički parametar rizika θ. Nadalje pretpostavite da očekivanje odn. varijanca pojedinačne štete iznose m(θ) odn. s 2 (θ) Uočite da je u ovom primjeru E(Y i θ) = P i m(θ) i var(y i θ) = s 2 (θ)p i dok za normalizirane ukupne štete X i = Y i /P i sada vrijedi E(X i θ) = m(θ) i var(x i θ) = s 2 (θ)/p i. Posebno su dakle zadovoljene prepostavke gore uvedenog modela. 46

48 I ovdje je optimalan odgovor na problem procjene neto premije odn. očekivane vrijednosti od Y n+1 uz dane podatke, zapravo Bayesovski procjenitelj E(Y i θ) = P i m(θ). Kako nam je on nepoznat i tipično vrlo kompliciran, i ovdje ćemo potražiti optimalan linearan procjenitelj za m(θ) u srednjekvadratnom smislu. Drugim riječima tražimo konstante a 0, a 1,..., a n tako da minimiziramo sljedeći izraz E (m(θ) (a 0 + a 1 X 1 + a 2 X a n X n )) 2. Možemo primjeniti metodu diferenciranja i traženja kritičnih točaka kao i prije da odredimo ove konstante. 47

49 Jednostavan, ali podulji račun pokazuje kako su optimalne konstante: a 0 = E[m(θ)]E[s2 (θ)]/var(m(θ)) n i=1 P i + E[s 2 (θ)]/var(m(θ)), a k = P k n i=1 P i + E[s 2 (θ)]/var(m(θ)), k = 1, Sad kad je poznat optimalan linearan procjenitelj za m(θ) oblika a 0 +a 1 X 1 + a 2 X a n X n, provjerite da i njega možemo zapisati u obliku uz korištenje težinskog prosjeka i faktor povjerenja z = z X + (1 z)e(m(θ)) X = n i=1 P i X i n i=1 P i n i=1 P i n i=1 P i + E[s 2 (θ)]/var(m(θ)). 48

50 Uočite da koeficijenti a k, k = 1, 2,..., nisu nužno jednaki. Izuzev u slučaju kad su volumeni rizika jednaki. Posebno, ako su svi P i jednaki 1, dobijemo isto rješenje kao i prijašnjem modelu, no to ne iznenadjuje jer se tada i modeli potpuno podudaraju. Na kraju, primjetimo da rješenje opet ovisi o tri parametra E[m(θ)], E[s 2 (θ)] i var(m(θ)). No, i njih moramo procijeniti, pri tom možemo koristiti iste ideje kao i u prethodnom modelu. 49

51 Prije procjene dakle nabrojimo osnovne podatke i uvjete pod kojima provodimo statističku analizu. Oni su u suštini isti kao i prije, jedino sad imamo više podataka i-ti rizik opisuje par (θ i, (P i,j ), (Y i,j )), gdje je sl. varijabla θ i parametar rizika ili heterogenosti, P i,j je volumen tog rizika u j-toj godini, a sl. varijabla Y i,j predstavlja štetu i-tog rizika u j-toj godini, za sl. varijable X i,j = Y i,j /P i,j vrijedi da su parovi (θ i, (X i,j )), i = 1, 2,... medjusobno nezavisni. Parametri rizika θ i, i = 1, 2,... su n.j.d. razdioba od X i,j indeksu j ovisi o slučajnom parametru θ i, ali može ovisiti i o uz dano θ i sl. varijable X i,j su nezavisne, ali m(θ i ) = E(X i,j θ i ) kao i s 2 (θ i ) = P i,j var(x i,j θ i ) ne ovise o j 50

52 Veličine m(θ i ) i s 2 (θ i ) možemo procijeniti iz uzorka sljedećim procjeniteljima X i = n j=1 P i,j X i,j n j=1 P i,j te ŝ 2 i = 1 n 1 n P i,j (X i,j X i ) 2. j=1 51

53 Stoga procjenitelji za E(m(θ i )) odn. E(s 2 (θ i )) iznose N n j=1 j=1 P i,j X i,j X = N n j=1 j=1 P i,j odn. s 2 = 1 N n j=1 1 n 1 n P i,j (X i,j X i ) 2. j=1 Može se pokazati da su oni nepristrani. 52

54 Ostaje nam procijeniti var(m(θ i )), no pokazuje se da je nepristran procjenitelj dan izrazom [ 1 1 n n ˆv = P P i,j (X i,j Nn 1 X i ) 2 j=1 j=1 1 ] n 1 n P i,j (X i,j N n 1 X i ) 2, gdje je P = j=1 1 Nn 1 j=1 n j=1 n P i,j (1 j=1 n ) j=1 P i,j n. j=1 P i,j n j=1 I ovdje je moguće da ˆv poprimi negativne vrijednosti stoga se koristimo razumnijim, ali pristranim procjeniteljem max{ˆv, 0}. Kako i naslućujemo, u slučaju da su svi P i,j jednaki 1, ove formule se potpuno podudaraju s onima koje smo izveli u Bühlmannovom modelu. 53

55 3. Jednostavan sustav iskustvenog utvrdjivanja premija Sustav bonusa Široko je rasprostranjen princip odredjivanja premija koji visinu premije dovodi u ovisnost o broju šteta ugovaratelja osiguranja u prethodnim godinama. On se posebno često primjenjuje kod osiguranja motornih vozila. Ovaj princip se naziva sustavom bonusa ili na engleskom NCD - No Claim Discount. U praksi dulji niz godina bez šteta, znači i veći popust za osiguranika kod ugovaranja premije. Jedna od poželjnih nuspojava ovog sustava za osiguravatelja je da obeshrabruje prijavljivanje malih šteta. Administriranje malih šteta, je s druge strane razmjerno veliki trošak za osiguravatelja. Uštede koje osiguravatelj ostvaruje na ovaj način omogućuju mu postavljanje nižih tj. kompetitivnijih premija. 54

56 Sustav bonusa čine dvije komponente: kategorije popusta, označene brojevima: 0, 1, 2,..., k, s pripadajućim popustom 0 x 1 x 2 x k. pravila prelaska iz jedne kategorije u drugu.. Kategorije tipično odgovaraju broju godina bez štete. Pravila mogu nakon prijave štete osiguranika prebaciti u kategoriju s nižim popustom, npr. za jednu ili dvije kategorije. U praksi popust osiguranika može ovisiti i o drugim poznatim faktorima rizika, npr. dobi, spolu i sl. 55

57 Primjer (Sustav bonusa s tri kategorije) Prepostavimo da imamo homogenu grupu osiguranika, te da su odredjene sljedeće kategorije u kojima postoci označavaju popust u odn. na punu premiju. Kategorija Popust 0 0 % 1 25% 2 40 % Ako osiguranik prijavi štetu, spušta se za jednu kategoriju ako je to moguće ili ostaje u kategoriji 0 ako nije. I obrnuto, nakon svake godine bez prijave štete osiguranik se uspinje za jednu kategoriju, osim ako već nije u kategoriji 2, kada u njoj i ostaje. 56

58 U praksi se koriste sustavi s više kategorija nego u gornjem primjeru (npr. 5 ili 6), i kompliciranijim pravilima prelaska. Ono što nas zanima je tipično izračunati očekivanu štetu i vrijednost premija u homogenoj grupi osiguranika kroz dulji niz godina. Zato nam trebaju dodatne informacije. Prije svega potrebno je znati vjerojatnost da će osiguranici pretrpiti štetu u pojedinoj godini, a zatim i vjerojatnosti prelaska iz kategorije u kategoriju. One se obično zadaju u matrici prijelaza oblika P = p 00 p p 0k p 10. p p 1k.... p k0 p k1... p kk Broj p ij označava vjerojatnost prelaska iz stanja i u stanje j nakon jedne godine.. 57

59 Čitaoc koji poznaje definiciju Markovljevih lanaca prepoznat će da je proces koji opisuje put osiguranika kroz kategorije upravo jedan takav lanac. U praksi je potrebno znati i inicijalnu razdiobu lanca, odn. u našem slučaju osiguranika po kategorijama, ona je odredjena vektorom vjerojatnosti π (0) = (π (0) 0, π (0) 1,..., π (0) k ). Npr. ako su na početku svi osiguranici u kategoriji 0, imamo π (0) = (1, 0,..., 0). Ako označimo s π (i) = (π (i) 0, π (i) 1,..., π (i) k ), razdiobu osiguranika po kategorijama nakon i godina. Lako se vidi da vrijedi π (i) l = k j=0 π (i 1) j p jl, ili u vektorskom zapisu π (i) = π (i 1) P. 58

60 Iz teorije Markovljevih lanaca poznato je da pod relativno blagim uvjetima, razdioba π (i) teži k nekoj graničnoj razdiobi π, za i. Iz π (i) = π (i 1) P, sada slijedi i da razdioba π zadovoljava π = πp, a za takvu razdiobu kažemo da je invarijantna za danu matricu prijelaza. U jeziku linearne algebre je vektor π svojstveni vektor za svojstvenu vrijednost 1 matrice P u odn. na množenje matricom zdesna. 59

61 Primjer (nastavak prethodnog) U bonus sustavu s tri kategorije pretpostavite da je vjerojatnost prijavljivanja štete 0.1, nadjite stacionarnu distribucija osiguranika po kategorijama. P = Ako ispišemo sustav jednadžbi za π = πp dobit ćemo 0.1π π 1 = π 0 0.9π π 2 = π 1 0.9π π 2 = π 2. 60

62 Kako se radi o linearno zavisnim jednadžbama moramo iskoristiti i činjenicu da vektor π predstavlja razdiobu, tj, vrijedi Riješavanje sustava nam daje π 0 + π 1 + π 2 = 1. π = ( 1 91, 9 91, 81 ). 91 Pokažite da granična razdioba, u slučaju kad je vjerojatnost prijavljivanja štete u nekoj godini 0.2, iznosi π = (1/21, 4/21, 16/21). 61

63 Pogledajmo sada što se dogadja ako sustav bonusa primjenimo na heterogeni portfelj. Npr. portfelj osiguranja vozila u kojem osiguranike dijelimo na dobre i loše vozače. Podrobnija analiza većine korištenih sustava bonusa u praksi, pokazuje da u heterogenim portfeljima oni ne funkcioniraju kako su dizajnirani. Naime osiguranici ne plaćaju premije proporcionalno svojim očekivanima vrijednostima štete. Iako je matematički uvijek moguće postaviti broj kategorija i pravila tako da sustav zadovolji i zahtjev proporcionalnosti, u praksi se to ne čini jer bi takav sustav bio složen i teško razumljiv. 62

64 Primjer (nastavak prethodnog) Prepostavima da u sustavu s tri kategorije nositelje osiguranja možemo dijeliti na dobre i loše vozače. Vjerojatnost prijavljivanja štete u jednoj godini je za dobre vozače je 0.1, dok za loše ona iznosi 0.2. Prepostavimo da je razdioba visine odštetnih zathjeva ista u obje skupine. Za očekivati je da premija loših vozača mora biti dvostruka u odn. na dobre. Prisjetite se da stacionarnu razdiobu dobrih vozača po kategorijama već znamo. Ako puna premija iznosi c, onda je očekivana vrijednosti prosječne premije plaćene u ovoj grupi osiguranika Slično za loše vozače ona iznosi dakle razlika je gotovo neznatna c c + 0.6c = 0.619c c c + 0.6c = 0.648c,

65 Razlozi za ovu pojavu su intuitivno razumljivi. Kao prvo, popusti su relativno mali, kao i broj kategorija, što ne omogućava preciznije razlikovanja dvije grupe vozača. Kao drugi razlog, uočite da je vjerojatnost šteta u obje grupe relativno mala, pa vozači i u jednoj i u drugoj imaju visoke vjerojatnosti uživanja maksimalne razine popusta. 64

66 Posljedice sustava bonusa na vjerojatnosti prijavljivanja šteta Do sada smo prepostavljali da osiguranici prijavljuju sve nastale štete, no to ne mora biti tako. Ako se vratimo našem primjeru, i pretpostavimo punu premiju u iznosu 500, ona za druge dvije kategorije iznosi 375, odn U odluci da li će prijaviti štetu ili ne, osiguranik može voditi računa o budućim premijama. Ako je npr. pripadao kategoriji 0, te ako ne bude imao više nezgoda u budućnosti, njegove premije će iznositi ili 500, 375, 300, 300,..., ako prijavi štetu 375, 300, 300, 300,..., ako ne prijavi štetu. Dakle, razlika budućih premija je 200, pa mu se ovako gledano ne isplati prijaviti štetu manju od tog iznosa. 65

67 Ako je vozač pripadao kategoriji 1, razlika premija će iznositi 275, a u kategoriji 2 ona će iznositi 75. Iz toga možemo zaključiti da će u slučaju nezgode, osiguranici u raznim kategorijama prijavljivati štete s različitim vjerojatnostima. U gornjim izračunima, gledali smo razliku izmedju premija tokom sljedećeg perioda sve dok vozač ponovo ne dostigne kategoriju maksimalnog popusta. No osiguranik može promatrati i kraće periode, npr. ako očekuje dodatne štetu u bliskoj budućnosti. Period koji koristi osiguranik da bi razmotrio razliku premija izmedju prijavljivanja i neprijavljivanja štete zove se osiguranikov horizont. 66

68 Kako smo vidjeli, vjerojatnosti da osiguranik pretrpi gubitak nije jednaka vjerojatnosti prijavljivanja štete. O tome moramo voditi računa kad odredjujemo vjerojatnosti prelaska. Ako je poznata razdioba iznosa štete i horizont osiguranika za sve osiguranike u našem portfelju, za očekivati je da će racionalni osiguranici prijaviti štetu u iznosu X ako ona zadovoljava X > c u = ušteda premija koju osiguranik unutar svog vremenskog horizonta postiže neprijavljivanjem štete. 67

69 U našem primjeru osiguranik iz kategorije 1, s vremenskim horizontom od bar dvije godine neće prijaviti štetu, ako ona iznosi manje od c u = 275. Općenito je vjerojatnost da će osiguranik prijaviti štetu u danoj godini (i pri tom tipično promijeniti kategoriju na niže) jednaka P ( nezgoda )P ( prijava nezgoda ), gdje je P ( prijava nezgoda ) = P (X > c u ). 68

USB Charger. Battery charger/power supply via 12 or 24V cigarette lighter

USB Charger. Battery charger/power supply via 12 or 24V cigarette lighter USB Charger Battery charger/power supply via 12 or 24V cigarette lighter Compact charger for devices chargeable via USB For example ipod, iphone, MP3 player, etc. Output voltage: 5V; up to 1.2A; short-circuit

Διαβάστε περισσότερα

PRSKALICA - LELA 5 L / 10 L

PRSKALICA - LELA 5 L / 10 L PRSKALICA - LELA 5 L / 10 L UPUTSTVO ZA UPOTREBU. 1 Prskalica je pogodna za rasprsivanje materija kao sto su : insekticidi, fungicidi i sredstva za tretiranje semena. Prskalica je namenjena za kućnu upotrebu,

Διαβάστε περισσότερα

e-κτιθέμεθα Tαξιδεύουμε στο Μαυροβούνιο και μαθαίνουμε Σέρβικα (γκλουπ, συγνώμη Μαυροβουνιακά). DNEVNE NOVINE! Ανακαλύπτουμε τα καλά

e-κτιθέμεθα Tαξιδεύουμε στο Μαυροβούνιο και μαθαίνουμε Σέρβικα (γκλουπ, συγνώμη Μαυροβουνιακά). DNEVNE NOVINE! Ανακαλύπτουμε τα καλά e-κτιθέμεθα δημιουργικώς ΝΟΕΜΒΡΙΟΣ 2011 Tαξιδεύουμε στο Μαυροβούνιο και μαθαίνουμε Σέρβικα (γκλουπ, συγνώμη Μαυροβουνιακά). DNEVNE NOVINE! Ανακαλύπτουμε τα καλά της επικοινωνίας με το adbook. Συμμετέχουμε

Διαβάστε περισσότερα

Upute za uporabu SUŠILICA RUBLJA. Kazalo IDCA G35

Upute za uporabu SUŠILICA RUBLJA. Kazalo IDCA G35 Upute za uporabu SUŠILICA RUBLJA HR Hrvatski,1 GR Ελληνικά,17 PT Português,33 Kazalo Važne informacije, 2-3 Postavljanje, 4 Gdje postaviti sušilicu rublja Prozračivanje Električni priključak Uvodne informacije

Διαβάστε περισσότερα

Upute za uporabu. Kazalo SUŠILICA RUBLJA IDCL G5 B H

Upute za uporabu. Kazalo SUŠILICA RUBLJA IDCL G5 B H Upute za uporabu SUŠILICA RUBLJA HR Hrvatski, 1 IT Italino, 33 IDCL G5 B H www.indesit.com GR! Ovaj vas simbol podsjeća da morate pročitati ovu knjižicu s uputama.! Ovu knjižicu držite pri ruci kako biste

Διαβάστε περισσότερα

Upute za uporabu. Kazalo SUŠILICA RUBLJA IDCL 75 B H

Upute za uporabu. Kazalo SUŠILICA RUBLJA IDCL 75 B H Upute za uporabu SUŠILICA RUBLJA HR Hrvatski,1 DE Deutsch,33 IDCL 75 B H www.indesit.com GR! Ovaj vas simbol podsjeća da morate pročitati ovu knjižicu s uputama.! Ovu knjižicu držite pri ruci kako biste

Διαβάστε περισσότερα

PRSKALICA - LELA 12 L / LELA16 L

PRSKALICA - LELA 12 L / LELA16 L PRSKALICA - LELA 12 L / LELA16 L UPUTSTVO ZA UPOTREBU 1 Prskalica je pogodna za raspršivanje materija kao sto su : insekticidi, fungicidi i sredstva za tretiranje semena. Uredjaj je namenjen za kućnu,

Διαβάστε περισσότερα

IAN 73789 AIR SANDER PDEXS 150 A1. AIR SANDER Operation and Safety Notes Translation of original operation manual

IAN 73789 AIR SANDER PDEXS 150 A1. AIR SANDER Operation and Safety Notes Translation of original operation manual AIR SANDER PDEXS 150 A1 AIR SANDER Operation and Safety Notes Translation of original operation manual ŞLEFUITOR EXCENTRIC CU AER COMPRIMAT Instrucţiuni de utilizare şi de siguranţă Traducerea instrucţiunilor

Διαβάστε περισσότερα

Hiotakis: Otkriće nafte i gasa donijeće procvat ekonomije Crne Gore

Hiotakis: Otkriće nafte i gasa donijeće procvat ekonomije Crne Gore Εφημερίδα Pobjeda, κρατική - 17/5/2014 Objavljeno: sub, 17. maj, 2014. Osvježeno: danas 8:40 Hiotakis: Otkriće nafte i gasa donijeće procvat ekonomije Crne Gore PODGORICA Crnogorsku ekonomiju očekuje procvat

Διαβάστε περισσότερα

Instructions for use WASHING MACHINE. Contents IWSE 61051

Instructions for use WASHING MACHINE. Contents IWSE 61051 Instructions for use WASHING MACHINE GB English,1 HR Hrvatski,13 GR Ελληνικά, 25 Contents Installation, 2-3 Unpacking and levelling Connecting the electricity and water supplies The first wash cycle Technical

Διαβάστε περισσότερα

Logamatic SC20. el Οδηγία εγκατάστασης και χρήσης 2 hr Upute za instaliranje i rukovanje 27 sl Navodila za namestitev in uporabo 49

Logamatic SC20. el Οδηγία εγκατάστασης και χρήσης 2 hr Upute za instaliranje i rukovanje 27 sl Navodila za namestitev in uporabo 49 el Οδηγία εγκατάστασης και χρήσης 2 hr Upute za instaliranje i rukovanje 27 sl Navodila za namestitev in uporabo 49 7747006071-00.1 SD Logamatic SC20 7 747 008 478 (02/2007) Περιεχόµενα Περιεχόµενα 1 Υποδείξεις

Διαβάστε περισσότερα

g j ispred e i i Γ γ kao th u engl. that Θ θ Λ λ l λεξικό leksiko Π π p πόλη poli Χ χ h χάος haos gramatiki, jeolojia δelfini

g j ispred e i i Γ γ kao th u engl. that Θ θ Λ λ l λεξικό leksiko Π π p πόλη poli Χ χ h χάος haos gramatiki, jeolojia δelfini Kratki frazeološki rječnik novogrčkog jezika izgovor Naglasak: mjesto naglaska bilježi se akutom ( ) ; na jednosložnim riječima naglasak se ne bilježi. Upitnik se bilježi znakom ; slovo izgovor primjer

Διαβάστε περισσότερα

ELECTRIC NAILER / STAPLER PHET 15 A1

ELECTRIC NAILER / STAPLER PHET 15 A1 ELECTRIC NAILER / STAPLER PHET 15 A1 ELECTRIC NAILER / STAPLER Operation and Safety Notes Translation of original operation manual ELEKTRIČNA KLAMERICA Upute za posluživanje i za Vašu sigurnost Prijevod

Διαβάστε περισσότερα

MOTORNI TRIMERI BC-900 (S) / BC-1250 ( S,XC ) / BC-1900 (S, XC)

MOTORNI TRIMERI BC-900 (S) / BC-1250 ( S,XC ) / BC-1900 (S, XC) MOTORNI TRIMERI BC-900 (S) / BC-1250 ( S,XC ) / BC-1900 (S, XC) UPUTSTVO ZA UPOTREBU PROČITAJTE OVO UPUTSTVO PAŽLJIVO 1 Hvala na poverenju pri kupovini našeg Villager motornog trimera. Motorni trimeri

Διαβάστε περισσότερα

Džepni turistički rečnik

Džepni turistički rečnik GRČKI 28. jul Samo u Novostima Džepni turistički rečnik Audio-verzija Audio verzija na www.novosti.rs 4.avgust Turski 11. avgust Nemački 18. avgust Ruski 1 2 1 Putovanje Putovanje PUTOVANJE Ταξίδι AUDIO

Διαβάστε περισσότερα

ΜΕΛΗ PJESME SAPFO. Priredio i preveo Orsat Ligorio

ΜΕΛΗ PJESME SAPFO. Priredio i preveo Orsat Ligorio ΣΑΠΦΩ ΜΕΛΗ PJESME SAPFO Priredio i preveo Orsat Ligorio Uvod Protkan famom od najstarijih vremena, Sapfin je životopis zapravo nepoznat. Prema Strabonu (13. 2, 3) rođena je oko 630 pr.n.e. u mjestu Erez

Διαβάστε περισσότερα

English... 2 Be sure to note the fold-out page. Hrvatski... 12. Românã... 23... 33. Deutsch... 57 Bitte beachten Sie die Ausklappseite

English... 2 Be sure to note the fold-out page. Hrvatski... 12. Românã... 23... 33. Deutsch... 57 Bitte beachten Sie die Ausklappseite RP71568-Fritteuse LB7 Seite 1 Montag, 19. Dezember 2011 2:34 14 English......................................... 2 Be sure to note the fold-out page. Hrvatski....................................... 12

Διαβάστε περισσότερα

Η Προϊστορία της Γιουγκοσλαβίας

Η Προϊστορία της Γιουγκοσλαβίας Η Προϊστορία της Γιουγκοσλαβίας Rastko Vasié Διευθυντής Ερευνών στο Αρχαιολογικό Ινστιτούτο της Σερβικής Ακαδημίας Επιστημών - Βελιγράδι Μετάφραση: Σ. Χατζηγεωργιάδου Το έδαφος της σημερινής Γιουγκοσλαβίας

Διαβάστε περισσότερα

Ministarstvo znanosti, obrazovanja i športa Agencija za odgoj i obrazovanje Hrvatsko društvo klasičnih filologa ZAPORKA NATJECATELJA: ŽUPANIJSKO NATJECANJE U POZNAVANJU KLASIČNIH JEZIKA u kategoriji GRČKI

Διαβάστε περισσότερα

Washing Machine User s Manual Perilica rublja Korisnički priručnik Πλυντήριο Ρούχων Εγχειρίδιο Χρήστη Pralni stroj Navodila za uporabo

Washing Machine User s Manual Perilica rublja Korisnički priručnik Πλυντήριο Ρούχων Εγχειρίδιο Χρήστη Pralni stroj Navodila za uporabo EV 5800 +Y Washing Machine User s Manual Perilica rublja Korisnički priručnik Πλυντήριο Ρούχων Εγχειρίδιο Χρήστη Pralni stroj Navodila za uporabo Document Number 2820523382_EN / 01-02-13.(11:12) 1 Important

Διαβάστε περισσότερα

24o YNE PIO I O O IA 24th INTERNATIONAL CONFERENCE OF PHILOSOPHY

24o YNE PIO I O O IA 24th INTERNATIONAL CONFERENCE OF PHILOSOPHY IE NH ETAIPEIA E HNIKH I O O IA 5, 17456 - H H YMMETOXH N 1 (N μ 29/02/2012 ) (.,,,,.): KATOIKIA : TH E NO TH E NO KATOIKIA : KINHTO TH E NO: NA META X TO : μ YNE PO AKPOATH KAI YNE PO PO O OY YNO EYEI

Διαβάστε περισσότερα

(Tekst značajan za EGP)

(Tekst značajan za EGP) L 82/14 UREDBA KOMISIJE (EU) 2015/516 оd 26. ožujka 2015. o izmjeni Uredbe (EZ) br. 874/2004 o utvrđivanju pravila javne politike u vezi s primjenom i funkcijama vršne.eu domene i načela kojima se uređuje

Διαβάστε περισσότερα

English+Adria >> CATALOGUE >EVOLUTION >INTELLIGENT POWER >HEAVY

English+Adria >> CATALOGUE >EVOLUTION >INTELLIGENT POWER >HEAVY English+Adria >> CATALOGUE >EVOLUTION >INTELLIGENT POWER >HEAVY PRESENTATION The EXIDE Technologies s Transportation divisions provide a broad range of startg and deep-cycle batteries for vehicles cludg

Διαβάστε περισσότερα

115 61 92-72 Rev. 2 LC 153-HD / 961310034. EastEuro

115 61 92-72 Rev. 2 LC 153-HD / 961310034. EastEuro Priručnik s naputcima Molimo da pažljivo pročitate ove naputke i da stroj uporabite tek kada se uvjerite da ste ih u potpunosti razumjeli. Εγχειρίδιο οδηγιών Διαβάστε προσεχτικά αυτές τις οδηγίες και βεβαιωθείτε

Διαβάστε περισσότερα

TRAINING OF PHOTOVOLTAIC INSTALLERS. Survey on markets needs and perceptions. Questionnaire. for PV industry key actors and PV owners (WP2 -D2.

TRAINING OF PHOTOVOLTAIC INSTALLERS. Survey on markets needs and perceptions. Questionnaire. for PV industry key actors and PV owners (WP2 -D2. TRAINING OF PHOTOVOLTAIC INSTALLERS Survey on markets needs and perceptions Questionnaire for PV industry key actors and PV owners (WP2 -D2.5) Issued by ReSEL-TUC, 14-Oct-10 Contract N : IEE/09/928/SI2.558379

Διαβάστε περισσότερα

ΗΛΕΚΤΡΙΚΟ Ο ΧΛΟΟΚ ELEKTRI"NA KOSILICA ZA TRAVU (ROTACIJSKA) ЭЛЕКТРИЧЕСКАЯ РОТАЦИОННАЯ ГАЗОНОКГ

ΗΛΕΚΤΡΙΚΟ Ο ΧΛΟΟΚ ELEKTRINA KOSILICA ZA TRAVU (ROTACIJSKA) ЭЛЕКТРИЧЕСКАЯ РОТАЦИОННАЯ ГАЗОНОКГ ΗΛΕΚΤΡΙΚΟ Ο ΧΛΟΟΚ ΟΟΚΟΠΤΙΚΟ ELEKTRI"NA KOSILICA ZA TRAVU (ROTACIJSKA) ЭЛЕКТРИЧЕСКАЯ РОТАЦИОННАЯ ГАЗОНОКГ АЗОНОКОСИЛКАОСИЛКА MA INA ELECTRIC^ PENTRU TUNS GAZONUL ELEKTROMOS FORGÓKÉSES F NYÍRÓ ELEKTRYCZNA

Διαβάστε περισσότερα

9. Matriqnoe predstavlenie line nyh operatorov. Diagonalizuemostь matricy line nogo operatora.

9. Matriqnoe predstavlenie line nyh operatorov. Diagonalizuemostь matricy line nogo operatora. A Utexev 9 Matriqnoe predstavlenie line nyh operatorov Diagonalizuemostь matricy line nogo operatora 1 Matriqnoe predstavlenie line nyh operatorov Budem oboznaqatь qerez V line noe vektornoe prostranstvo

Διαβάστε περισσότερα

Θεωρια Αριθµων. Εκπαιδευτικο Υλικο Μαθηµατος

Θεωρια Αριθµων. Εκπαιδευτικο Υλικο Μαθηµατος Θεωρια Αριθµων Εκπαιδευτικο Υλικο Μαθηµατος Ακαδηµαϊκο Ετος 2012-2013 ιδασκοντες: Α. Μπεληγιάννης - Σ. Παπαδάκης Ιστοσελιδα Μαθηµατος : http://users.uoi.gr/abeligia/numbertheory/nt.html 25 Μαιου 2013 2

Διαβάστε περισσότερα

ΗΛΙΑΣΚΟΣ ΦΡΟΝΤΙΣΤΗΡΙΑ. Θετικής - Τεχνολογικής Κατεύθυνσης Μαθηματικά Γ Λυκείου Όρια - Συνέχεια ΥΠΗΡΕΣΙΕΣ ΠΑΙΔΕΙΑΣ ΥΨΗΛΟΥ ΕΠΙΠΕΔΟΥ ΣΤΕΦΑΝΟΣ ΗΛΙΑΣΚΟΣ

ΗΛΙΑΣΚΟΣ ΦΡΟΝΤΙΣΤΗΡΙΑ. Θετικής - Τεχνολογικής Κατεύθυνσης Μαθηματικά Γ Λυκείου Όρια - Συνέχεια ΥΠΗΡΕΣΙΕΣ ΠΑΙΔΕΙΑΣ ΥΨΗΛΟΥ ΕΠΙΠΕΔΟΥ ΣΤΕΦΑΝΟΣ ΗΛΙΑΣΚΟΣ ΗΛΙΑΣΚΟΣ ΦΡΟΝΤΙΣΤΗΡΙΑ ΥΠΗΡΕΣΙΕΣ ΠΑΙΔΕΙΑΣ ΥΨΗΛΟΥ ΕΠΙΠΕΔΟΥ Θετικής Τεχνολογικής Κατεύθυνσης Μαθηματικά Γ Λυκείου Όρια Συνέχεια ΣΤΕΦΑΝΟΣ ΗΛΙΑΣΚΟΣ mail: info@iliaskosgr wwwiliaskosgr f] g,! R f] g,, f] g

Διαβάστε περισσότερα

Petrol Grass Trimmer FBS 43 A1

Petrol Grass Trimmer FBS 43 A1 K E Before reading, unfold the page containing the illustrations and familiarise yourself with all functions of the device. M Prije nego što pročitate tekst, otvorite stranicu sa slikama i upoznajte se

Διαβάστε περισσότερα

Montaj. Συναρμολόγηση. Montaža 11. Sklapanje. Ortam Yükleme. Φόρτωση χαρτιού. Nalaganje medija. Umetanje medija. Yazılımın Kurulması

Montaj. Συναρμολόγηση. Montaža 11. Sklapanje. Ortam Yükleme. Φόρτωση χαρτιού. Nalaganje medija. Umetanje medija. Yazılımın Kurulması TR Montaj MK Склопување EL Συναρμολόγηση SR Montaža 11 SL HR Montaža Sklapanje TR EL SL HR MK SR Kurulum Kılavuzu Οδηγός εγκατάστασης Priročnik za namestitev Vodič za postavu Упатство за поставување Uputstvo

Διαβάστε περισσότερα

x E[x] x xµº λx. E[x] λx. x 2 3x +2

x E[x] x xµº λx. E[x] λx. x 2 3x +2 ¾ λ¹ ÐÓÒ Ó ÙÖ ½ ¼ º õ ¹ ¹ ÙÖ ¾ ÙÖ º ÃÐ ¹ ½ ¼º ¹ Ð Ñ ÐÙÐÙ µ λ¹ λ¹ ÐÙÐÙ µº λ¹ º ý ½ ¼ ø λ¹ ÃÐ º λ¹ ÌÙÖ Ò ÌÙÖ º ÌÙÖ Ò ÚÓÒ Æ ÙÑ ÒÒ ¹ ÇÊÌÊ Æ Ä Çĺ ý λ¹ ¹ º Ö ÙØ ÓÒ Ñ Ò µ Ø ¹ ÓÛ ÓÑÔÙØ Ö µ ¹ λ¹ º λ¹ ÙÒØ ÓÒ Ð

Διαβάστε περισσότερα

Washing Machine User s Manual Perilica rublja Korisnički priručnik Πλυντήριο Ρούχων Εγχειρίδιο Χρήστη Pralni stroj Navodila za uporabo

Washing Machine User s Manual Perilica rublja Korisnički priručnik Πλυντήριο Ρούχων Εγχειρίδιο Χρήστη Pralni stroj Navodila za uporabo EV 5600 +Y Washing Machine User s Manual Perilica rublja Korisnički priručnik Πλυντήριο Ρούχων Εγχειρίδιο Χρήστη Pralni stroj Navodila za uporabo Document Number 2820523298_EN / 01-02-13.(13:43) 1 Important

Διαβάστε περισσότερα

YNE PIO I O O IA 20th INTERNATIONAL CONFERENCE OF PHILOSOPHY EMA: «GREEK PHILOSOPHY AND ITS RELEVANCE TO ISSUES OF OUR AGE».

YNE PIO I O O IA 20th INTERNATIONAL CONFERENCE OF PHILOSOPHY EMA: «GREEK PHILOSOPHY AND ITS RELEVANCE TO ISSUES OF OUR AGE». IE NH ETAIPEIA E HNIKH I O O IA 5, 17456 - TEL: +30210-9956955, +30210-7277545,+ 30210-7277548 FAX: +30210-9923281, +30210-7248979 Website: http://www.hri.org/iagp, http://www.iagp.gr E-mail: kboud714@ppp.uoa.gr

Διαβάστε περισσότερα

20.2.5 Å/ ÅÃ... YD/ kod... 130

20.2.5 Å/ ÅÃ... YD/ kod... 130 Περιεχόμενα 13 Ψάχνοντας υποαπασχόληση 1 13.1 Διάλογοι.................................................. 1 13.1.1 Ÿ º Â È Ç½µ¹ Å»µ¹..................................... 1 13.1.2 Ä µãä¹±äìá¹...........................................

Διαβάστε περισσότερα

Electrical brewing pot Ηλεκτρικό μπρίκι Električna džezva Електрическо джезве Električni kuhalnik

Electrical brewing pot Ηλεκτρικό μπρίκι Električna džezva Електрическо джезве Električni kuhalnik Electrical brewing pot Ηλεκτρικό μπρίκι Električna džezva Електрическо джезве Električni kuhalnik GB GR SR BG SLO INSTRUCTION MANUAL ΒΙΒΛΙΟ ΟΔΗΓΙΩΝ UPUTSTVO ZA UPOTREBU ИНСТРУКЦИИ ЗА ЕКСПЛОАТАЦИЯ NAVODILA

Διαβάστε περισσότερα

Grčki jezik. Ispitni katalog za državnu maturu u škol. god. 2009./2010. lipanj 2008

Grčki jezik. Ispitni katalog za državnu maturu u škol. god. 2009./2010. lipanj 2008 Nacionalni centar za vanjsko vrednovanje obrazovanja Grčki jezik Ispitni katalog za državnu maturu u škol. god. 2009./2010. lipanj 2008 Stručna radna skupina za izradbu ispitnih materijala iz Grčkoga jezika:

Διαβάστε περισσότερα

21 YNE PIO I O O IA 21st INTERNATIONAL CONFERENCE OF PHILOSOPHY

21 YNE PIO I O O IA 21st INTERNATIONAL CONFERENCE OF PHILOSOPHY INTERNATIONAL ASSOCIATION FOR GREEK PHILOSOPHY 5, SIMONIDOU STR., 174 56 ALIMOS GREECE TEL: +30210-9956955, +30210-7277545, +30210-7277548 FAX: +30210-9923281, +30210-7248979 Website: http://www.hri.org/iagp,

Διαβάστε περισσότερα

NOVOSTI NΕΑ ΜΟΝΤΕΛΑ 2014

NOVOSTI NΕΑ ΜΟΝΤΕΛΑ 2014 OK FETY NOVOSTI NΕΑ ΜΟΝΤΕΛΑ 2014 THE THE SAFETY BOOK SEKTORI AKTIVNOSTI DE ACTIVITEITEN RIZICI ΟΙ ΚΙΝΔΥΝΟΙ POLJOPRIVREDA / VRT ΓΕΩΡΓΙΑ / ΚΗΠΟΣ GRAĐEVINA BTP / ΚΑΤΑΣΚΕΥΗ POMOĆNI POSLOVI / OBRTNIŠTVO ΔΕΥΤΕΡΟ

Διαβάστε περισσότερα

#INGLiveWell ΤΥΧΕΡΟΙ ΑΡΙΘΜΟΙ ΤΗΣ ΚΛΗΡΩΣΗΣ ΤΩΝ ΔΩΡΩΝ / LUCKY NUMBERS FROM THE LOTTERY DRAW FOR THE GIFTS

#INGLiveWell ΤΥΧΕΡΟΙ ΑΡΙΘΜΟΙ ΤΗΣ ΚΛΗΡΩΣΗΣ ΤΩΝ ΔΩΡΩΝ / LUCKY NUMBERS FROM THE LOTTERY DRAW FOR THE GIFTS 1 1002 Euromedica 1 επίσκεψη σε γιατρούς διαφόρων ειδικοτήτων, στην Κλινική Αθήναιον 2 1008 Όμιλος Εταιρειών Υγείας ΒΙΟΙΑΤΡΙΚΗ 3 1016 Όμιλος Εταιρειών Υγείας ΒΙΟΙΑΤΡΙΚΗ 4 1017 Όμιλος Εταιρειών Υγείας ΒΙΟΙΑΤΡΙΚΗ

Διαβάστε περισσότερα

1. AT Αυστρία... 3. 2. BE Βέλγιο... 4 3. BG Βουλγαρία... 5 4. CY Κύπρος... 8. 5. CZ Τσεχική Δημοκρατία... 9 6. DE Γερμανία... 13. 7. DK Δανία...

1. AT Αυστρία... 3. 2. BE Βέλγιο... 4 3. BG Βουλγαρία... 5 4. CY Κύπρος... 8. 5. CZ Τσεχική Δημοκρατία... 9 6. DE Γερμανία... 13. 7. DK Δανία... ΑΡΙΘΜΟΙ ΦΟΡΟΛΟΓΙΚΗΣ ΤΑΥΤΟΠΟΙΗΣΗΣ () Οι ΑΦΜ ανά θέμα : Πού βρίσκουμε τους ; 1. AT Αυστρία... 3 2. BE Βέλγιο... 4 3. BG Βουλγαρία... 5 4. CY Κύπρος... 8 5. CZ Τσεχική Δημοκρατία... 9 6. DE Γερμανία... 13

Διαβάστε περισσότερα

Μηχανική Μετάφραση Αριθμητικών

Μηχανική Μετάφραση Αριθμητικών ΕΚΠΑ/ΕΜΠ ΔΠΜΣ ΤΕΧΝΟΓΛΩΣΣΙΑ Λογικός Προγραμματισμός Ακ. Έτος 2013-2014 Εξάμηνο Β Διδάσκων: καθ. Μαΐστρος Γιάνης Μηχανική Μετάφραση Αριθμητικών Καρβουνιάρη Δήμητρα Κωλέττη Ερασμία Παπαθανασοπούλου Γεωργία

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΑ Χ Ρ ΗΜ ΑΤ ΙΣ Τ ΗΡ ΙΑ CISCO EXPO 2009 G. V a s s i l i o u - E. K o n t a k i s g.vassiliou@helex.gr - e.k on t ak is@helex.gr 29 Α π ρ ι λ ί ο υ 20 0 9 Financial Services H E L E X N O C A g e

Διαβάστε περισσότερα

Εγκατάσταση λογισμικού και αναβάθμιση συσκευής Device software installation and software upgrade

Εγκατάσταση λογισμικού και αναβάθμιση συσκευής Device software installation and software upgrade Για να ελέγξετε το λογισμικό που έχει τώρα η συσκευή κάντε κλικ Menu > Options > Device > About Device Versions. Στο πιο κάτω παράδειγμα η συσκευή έχει έκδοση λογισμικού 6.0.0.546 με πλατφόρμα 6.6.0.207.

Διαβάστε περισσότερα

(G) = 4 1 (G) = 3 (G) = 6 6 W G G C = {K 2,i i = 1, 2,...} (C[, 2]) (C[, 2]) {u 1, u 2, u 3 } {u 2, u 3, u 4 } {u 3, u 4, u 5 } {u 3, u 4, u 6 } G u v G (G) = 2 O 1 O 2, O 3, O 4, O 5, O 6, O 7 O 8, O

Διαβάστε περισσότερα

Refrigerator. user manual. imagine the possibilities

Refrigerator. user manual. imagine the possibilities SEAD RS7* Refrigerator user manual English imagine the possibilities Thank you for purchasing a Samsung product. To receive a more complete service, please register your product at www.samsung.com/register

Διαβάστε περισσότερα

Τα προγράμματα αυτά σήμερα είναι τα εξής:

Τα προγράμματα αυτά σήμερα είναι τα εξής: Η Επιτροπη Ευρωπαικών Προγραμμάτων του Πανεπιστημίου Νεάπολις (ΕΠΝ) αποτελείται από Ερευνητές, Συμβούλους, Νομικό Σύμβουλο, Ακαδημαϊκούς και Διοικητικούς, των οποίων ο κύριος στόχος είναι να εντοπίσουν,

Διαβάστε περισσότερα

TALAR ROSA -. / ',)45$%"67789

TALAR ROSA -. / ',)45$%67789 TALAR ROSA!"#"$"%$&'$%(" )*"+%(""%$," *$ -. / 0"$%%"$&'1)2$3!"$ ',)45$%"67789 ," %"(%:,;,"%,$"$)$*2

Διαβάστε περισσότερα

Bicycle helmet SP - 33 LED-rear light SP - 2

Bicycle helmet SP - 33 LED-rear light SP - 2 Bicycle helmet SP - 33 LED-rear light SP - 2 USER MANUAL UPUTE ZA UPORABU MODUL DE UTILIZARE УПЪТВАНЕ ЗА УПОТРЕБА ΟΔΗΓΙΕΣ ΧΡΗΣΗΣ GEBRAUCHSANLEITUNG PSA 89/686/EWG DIN EN 1078 TÜV Süd Product Service GmbH,

Διαβάστε περισσότερα

Κεφάλαιο 2 Πίνακες - Ορίζουσες

Κεφάλαιο 2 Πίνακες - Ορίζουσες Κεφάλαιο Πίνακες - Ορίζουσες Βασικοί ορισμοί και πίνακες Πίνακες Παραδείγματα: Ο πίνακας πωλήσεων ανά τρίμηνο μίας εταιρείας για τρία είδη που εμπορεύεται: ο Τρίμηνο ο Τρίμηνο 3 ο Τρίμηνο ο Τρίμηνο Είδος

Διαβάστε περισσότερα

Γραµµικη Αλγεβρα Ι Επιλυση Επιλεγµενων Ασκησεων Φυλλαδιου 4

Γραµµικη Αλγεβρα Ι Επιλυση Επιλεγµενων Ασκησεων Φυλλαδιου 4 Γραµµικη Αλγεβρα Ι Επιλυση Επιλεγµενων Ασκησεων Φυλλαδιου 4 ιδασκοντες: Ν Μαρµαρίδης - Α Μπεληγιάννης Βοηθος Ασκησεων: Χ Ψαρουδάκης Ιστοσελιδα Μαθηµατος : http://wwwmathuoigr/ abeligia/linearalgebrai/laihtml

Διαβάστε περισσότερα

ΜΕΡΙΚΕΣ ΕΙΔΙΚΕΣ ΣΥΝΕΧΕΙΣ ΚΑΤΑΝΟΜΕΣ

ΜΕΡΙΚΕΣ ΕΙΔΙΚΕΣ ΣΥΝΕΧΕΙΣ ΚΑΤΑΝΟΜΕΣ ΚΕΦΑΛΑΙΟ 8 ΜΕΡΙΚΕΣ ΕΙΔΙΚΕΣ ΣΥΝΕΧΕΙΣ ΚΑΤΑΝΟΜΕΣ Στις ενότητες που ακολουθούν εξετάζουμε συνεχείς κατανομές με ευρεία χρήση στις εφαρμογές. Σε αυτές περιλαμβάνονται η ομοιόμορφη, η εκθετική, η Γάμμα και η

Διαβάστε περισσότερα

και Νίκος Τσιτσιµελής. 1 Στη Σερβική έχουν µεταφραστεί ο Πέτρος Χάρης Τελευταία Νύχτα στη Γη, 2004, η Αργυρώ

και Νίκος Τσιτσιµελής. 1 Στη Σερβική έχουν µεταφραστεί ο Πέτρος Χάρης Τελευταία Νύχτα στη Γη, 2004, η Αργυρώ Νίκη Γκαρδιακού Ραντούλοβιτς ΜΕΤΑΦΡΑΣΗ ΤΟΥ ΕΛΛΗΝΙΚΟΥ ΜΥΘΙΣΤΟΡΗΜΑΤΟΣ ΤΟΥ 20 ΟΥ ΑΙΩΝΑ ΣΤΗ ΣΕΡΒΙΚΗ Tα τελευταία χρόνια η ελληνική λογοτεχνία των νεοτέρων χρόνων έχει γίνει πολύ δηµοφιλής στη Σερβία. Εδώ κατά

Διαβάστε περισσότερα

Modern Greek *P40074A0112* P40074A. Edexcel International GCSE. Thursday 31 May 2012 Morning Time: 3 hours. Instructions. Information.

Modern Greek *P40074A0112* P40074A. Edexcel International GCSE. Thursday 31 May 2012 Morning Time: 3 hours. Instructions. Information. Write your name here Surname Other names Edexcel International GCSE Centre Number Modern Greek Candidate Number Thursday 31 May 2012 Morning Time: 3 hours You do not need any other materials. Paper Reference

Διαβάστε περισσότερα

Αφιερώνεται στα παιδιά μας Σπυριδούλα, Αχιλλέα και Αναστασία

Αφιερώνεται στα παιδιά μας Σπυριδούλα, Αχιλλέα και Αναστασία 0 3 10 71 < < 3 1 7 ; (y k ) 0 LU n n M (2; 4; 1; 2) 2 n 2 = 2 2 n 2 n 2 = 2y 2 n n ' y = x [a; b] [a; b] x n = '(x n 1 ) (x n ) x 0 = 0 S p R 2 ; S p := fx 2 R 2 : kxk p = 1g; p = 1; 2; 1 K i

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΜΑΘΗΜΑΤΙΚΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΚΑΙ ΤΩΝ ΑΠΟΦΑΣΕΩΝ» ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Θέμα: «Γραμμικά μοντέλα παλινδρόμησης

Διαβάστε περισσότερα

Κεφάλαιο 3 ΠΑΡΑΓΩΓΟΣ. 3.1 Η έννοια της παραγώγου. y = f(x) f(x 0 ), = f(x 0 + x) f(x 0 )

Κεφάλαιο 3 ΠΑΡΑΓΩΓΟΣ. 3.1 Η έννοια της παραγώγου. y = f(x) f(x 0 ), = f(x 0 + x) f(x 0 ) Κεφάλαιο 3 ΠΑΡΑΓΩΓΟΣ 3.1 Η έννοια της παραγώγου Εστω y = f(x) µία συνάρτηση, που συνδέει τις µεταβλητές ποσότητες x και y. Ενα ερώτηµα που µπορεί να προκύψει καθώς µελετούµε τις δύο αυτές ποσοτήτες είναι

Διαβάστε περισσότερα

ΜΙΓΑ ΙΚΟΙ. 3. Για κάθε z 1, z 2 C ισχύει z1 + z2 = z1 + z2. 4. Για κάθε z C ισχύει z z 2 z. 5. Για κάθε µιγαδικό z ισχύει: 6.

ΜΙΓΑ ΙΚΟΙ. 3. Για κάθε z 1, z 2 C ισχύει z1 + z2 = z1 + z2. 4. Για κάθε z C ισχύει z z 2 z. 5. Για κάθε µιγαδικό z ισχύει: 6. ΜΙΓΑ ΙΚΟΙ 1 Για κάθε z 1, z 2 C ισχύει z1 z2 z1 z2 1 2 Για κάθε z 1, z 2 C ισχύει z1 z2 z1 z2 3 Για κάθε z 1, z 2 C ισχύει z1 + z2 = z1 + z2 4 Για κάθε z C ισχύει z z 2 z 5 Για κάθε µιγαδικό z ισχύει:

Διαβάστε περισσότερα

Το αντικείμενο αυτό είναι χειροποίητο από 100% οικολογικό βαμβάκι, με φυτικές βαφές και φυτική κόλλα.

Το αντικείμενο αυτό είναι χειροποίητο από 100% οικολογικό βαμβάκι, με φυτικές βαφές και φυτική κόλλα. Cotton leather paper Με υπερηφάνια σας παρουσιάζουμε μια νέα σειρά χειροποίητων προϊόντων το...cotton leather paper. Το αντικείμενο αυτό είναι χειροποίητο από 100% οικολογικό βαμβάκι, με φυτικές βαφές

Διαβάστε περισσότερα

ίκτυο προστασίας για τα Ελληνικά αγροτικά και οικόσιτα ζώα on.net e-foundatio //www.save itute: http:/ toring Insti SAVE-Monit

ίκτυο προστασίας για τα Ελληνικά αγροτικά και οικόσιτα ζώα on.net e-foundatio //www.save itute: http:/ toring Insti SAVE-Monit How to run a Herdbook: Basics and Basics According to the pedigree scheme, you need to write down the ancestors of your animals. Breeders should be able easily to write down the necessary data It is better

Διαβάστε περισσότερα

ΤΡΑΤΑΛΟΣ Α.Ε ΤΙΜΟΚΑΤΑΛΟΓΟΣ ΧΟΝ ΡΙΚΗΣ ACE 2014 ΠΕΡΙΓΡΑΦΗ ΧΟΝ ΡΙΚΗ ΛΙΑΝΙΚΗ

ΤΡΑΤΑΛΟΣ Α.Ε ΤΙΜΟΚΑΤΑΛΟΓΟΣ ΧΟΝ ΡΙΚΗΣ ACE 2014 ΠΕΡΙΓΡΑΦΗ ΧΟΝ ΡΙΚΗ ΛΙΑΝΙΚΗ 626 ZZ HIGH QUALITY ΡΟΥΛΕΜΑΝ 1,5 3 70x48x35 (4.055) ΡΟΥΛΕΜΑΝ 120 204 88,4x30x26 (4.058) ΡΟΥΛΕΜΑΝ 200 340 ACE 104948/10 JLM ΡΟΥΛΕΜΑΝ 12 20,4 ACE 108 (8X22X7) ΡΟΥΛΕΜΑΝ 4 6,8 ACE 11749/10 ΡΟΥΛΕΜΑΝ 2,7 4,59

Διαβάστε περισσότερα

!"#$ %"&'$!&!"(!)%*+, -$!!.!$"("-#$&"%-

!#$ %&'$!&!(!)%*+, -$!!.!$(-#$&%- !"#$ %"&$!&!"(!)%*+, -$!!.!$"("-#$&"%-.#/."0, .1%"("/+.!2$"/ 3333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333 4.)!$"!$-(#&!- 33333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333

Διαβάστε περισσότερα

Ταχέα (μεγάλης ενέργειας) νετρόνια (fast neutrons): Τα ταχέα νετρόνια μπορούν να προκαλέσουν ελαστικές

Ταχέα (μεγάλης ενέργειας) νετρόνια (fast neutrons): Τα ταχέα νετρόνια μπορούν να προκαλέσουν ελαστικές Νετρόνια Τα νετρόνια (n) είναι αφόρτιστα σωματίδια, απαιτείται πυρηνική αλλ/ση ώστε να μεταφερθεί ενέργεια στο υλικό (απορροφητή). Η πιθανότητα αλλ/σης (ενεργός διατομή, σ) εξαρτάται σε μεγάλο βαθμό από

Διαβάστε περισσότερα

Εκπαιδευτικός Οµιλος ΒΙΤΑΛΗ

Εκπαιδευτικός Οµιλος ΒΙΤΑΛΗ Πίνακες ρ. Κωνσταντίνος Κυρίτσης Μακράς Στοάς 7 & Εθνικής Αντιστάσεως Πειραιάς 185 31 12 Μαρτίου 2009 Περίληψη Οι παρούσες σηµειώσεις αποτελούν µια σύνοψη της ϑεωρίας και της άλγεβρας των πινάκων. Το ϕυλλάδιο

Διαβάστε περισσότερα

ΧΑΡΑΚΤΗΡΙΣΜΟΣ ΣΤΕΡΕΩΝ ΑΠΟΒΛΗΤΩΝ

ΧΑΡΑΚΤΗΡΙΣΜΟΣ ΣΤΕΡΕΩΝ ΑΠΟΒΛΗΤΩΝ ΧΑΡΑΚΤΗΡΙΣΜΟΣ ΣΤΕΡΕΩΝ ΑΠΟΒΛΗΤΩΝ Β. Tσιρίδης 1, Π. Σαμαράς 2, Α. Κούγκολος 3 και Γ. Π. Σακελλαρόπουλος 1 1 Τμήμα Χημικών Μηχανικών, Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης και Ινστιτούτο Τεχνικής Χημικών

Διαβάστε περισσότερα

w w u u w u = 1 w v = 0 u v = (w 1, w 2,..., w N ) a β k V β i,j = p(w j = 1 z i = 1) θ d Dir(a) Dir(a) z d,n multi(θ d ) V w d,n β zd,n p(θ,, a, β) = p(θ,, a, β) p( a, β) similarity = (A, B) = AB A

Διαβάστε περισσότερα

QUICK INSTALLATION GUIDE

QUICK INSTALLATION GUIDE Wireless AC 750 DUAL-BAND EASY ROUTer QUICK INSTALLATION GUIDE INSTALLATIONSGUIDE GUIA DE INSTALAÇÃO ΟΔΗΓΟΣ ΓΡΗΓΟΡΗΣ ΕΓΚΑΤΑΣΤΑΣΗΣ VODIČ ZA BRZU INSTALACIJU KRATKA NAVODILA ZA UPORABO GHID DE INSTALARE

Διαβάστε περισσότερα

ΣΤΑΤΙΚΗ ΜΕΛΕΤΗ ΣΥΣΤΗΜΑ ΣΤΗΡΙΞΗΣ ΦΩΤΟΒΟΛΤΑΪΚΩΝ ΠΑΝΕΛ ΣΕ ΒΙΟΜΗΧΑΝΙΚΗ ΣΤΕΓΗ

ΣΤΑΤΙΚΗ ΜΕΛΕΤΗ ΣΥΣΤΗΜΑ ΣΤΗΡΙΞΗΣ ΦΩΤΟΒΟΛΤΑΪΚΩΝ ΠΑΝΕΛ ΣΕ ΒΙΟΜΗΧΑΝΙΚΗ ΣΤΕΓΗ 2012-AF30 ΣΤΑΤΙΚΗ ΜΕΛΕΤΗ ΣΥΣΤΗΜΑ ΣΤΗΡΙΞΗΣ ΦΩΤΟΒΟΛΤΑΪΚΩΝ ΠΑΝΕΛ ΣΕ ΒΙΟΜΗΧΑΝΙΚΗ ΣΤΕΓΗ ΔΕΛΑΒΑΡΙΔΗΣ Ο.Ε. ΠΕΡΙΕΧΟΜΕΝΑ 1. ΤΕΧΝΙΚΗ ΕΚΘΕΣΗ. 2. ΦΟΡΤΙΣΕΙΣ (ΔΡΑΣΕΙΣ ΚΑΙ ΣΥΝΔΥΑΣΜΟΙ). 3. ΣΤΑΤΙΚΗ ΕΠΙΛΥΣΗ ΔΙΑΣΤΑΣΙΟΛΟΓΗΣΗ

Διαβάστε περισσότερα

ẋ = f(x) n 1 f i (i = 1, 2,..., n) x i (i = 1, 2,..., n) x(0) = x o x(t) t > 0 t < 0 x(t) x o U I xo I xo : α xo < t < β xo α xo β xo x(t) t β t α + x f(x) = 0 x x x x V 1 x x o V 1 x(t) t > 0 x o V 1

Διαβάστε περισσότερα

Απαντήσεις Λύσεις σε Θέματα από την Τράπεζα Θεμάτων. Μάθημα: Άλγεβρα Α Λυκείου

Απαντήσεις Λύσεις σε Θέματα από την Τράπεζα Θεμάτων. Μάθημα: Άλγεβρα Α Λυκείου Απαντήσεις Λύσεις σε Θέματα από την Τράπεζα Θεμάτων Μάθημα: Άλγεβρα Α Λυκείου Παρουσιάζουμε συνοπτικές λύσεις σε επιλεγμένα Θέματα («Θέμα 4ο») από την Τράπεζα θεμάτων. Το αρχείο αυτό τις επόμενες ημέρες

Διαβάστε περισσότερα

GREECE BULGARIA 6 th JOINT MONITORING

GREECE BULGARIA 6 th JOINT MONITORING GREECE BULGARIA 6 th JOINT MONITORING COMMITTEE BANSKO 26-5-2015 LEGISLATIVE FRAMEWORK Regulation 1083/2006 (general provisions for ERDF). Regulation 1080/2006 (ERDF) Regulation 1028/2006 (Implementing

Διαβάστε περισσότερα

Ποιες από τις παρακάτω προτάσεις είναι αληθείς; Δικαιολογήστε την απάντησή σας.

Ποιες από τις παρακάτω προτάσεις είναι αληθείς; Δικαιολογήστε την απάντησή σας. Ποιες από τις παρακάτω προτάσεις είναι αληθείς; Δικαιολογήστε την απάντησή σας. 1. Κάθε πολυώνυμο ανάγωγο επί του Z είναι ανάγωγο επί του Q. Σωστό. 2. Κάθε πολυώνυμο ανάγωγο επί του Q είναι ανάγωγο επί

Διαβάστε περισσότερα

Bayesian Biostatistics Using BUGS

Bayesian Biostatistics Using BUGS Bayesian Biostatistics Using BUGS Βιο-Στατιστική κατά Bayes µε τη χρήση του Λογισµικού BUGS ΜΑΘΗΜΑ 4: ΕΙΣΑΓΩΓΗ ΣΤΟΝ ΕΛΕΓΧΟ ΥΠΟΘΕΣΕΩΝ, ΕΠΙΛΟΓΗ ΜΟΝΤΕΛΩΝ ΚΑΙ ΜΕΤΑΒΛΗΤΩΝ ΚΑΤΑ BAYES ΜΕ ΤΟ WINBUGS I. Ntzoufras

Διαβάστε περισσότερα

ΓΕΝΙΚΗ ΚΑΙ ΑΝΟΡΓΑΝΗ ΧΗΜΕΙΑ

ΓΕΝΙΚΗ ΚΑΙ ΑΝΟΡΓΑΝΗ ΧΗΜΕΙΑ ΓΕΝΙΚΗ ΚΑΙ ΑΝΟΡΓΑΝΗ Τµήµατα ΧΗΜΕΙΑ 1. Φυτικής Παραγωγής 2. Επιστ. & Τεχνολ. Τροφίµων Τετάρτη 9.30-10.15 Παρασκευή 11.30 13.15 ΕΡΓΑΣΤΗΡΙΟ Φυτική Παραγωγή Πέµπτη 8.30-12.30 Επιστ. & Τεχνολ. Τροφίµων Τετάρτη

Διαβάστε περισσότερα

str. 16 Klub putnika - The Travel Club www.klubputnika.org Svi putnički r(j)ečnici su besplatno dostupni na sajtu.

str. 16 Klub putnika - The Travel Club www.klubputnika.org Svi putnički r(j)ečnici su besplatno dostupni na sajtu. str. 16 Klub putnika - The Travel Club www.klubputnika.org Svi putnički r(j)ečnici su besplatno dostupni na sajtu. Klub putnika - The Travel Club PUTNIČKI R(J)EČNIK GRČKI www.klubputnika.org str. 14 *

Διαβάστε περισσότερα

B G [0; 1) S S # S y 1 ; y 3 0 t 20 y 2 ; y 4 0 t 20 y 1 y 2 h n t: r = 10 5 ; a = 10 6 ei n = ỹi n y i t n ); i = 1; 3: r = 10 5 ; a = 10 6 ei n = ỹi n y i t n ); i = 2; 4: r = 10 5 ; a = 10 6 t = 20

Διαβάστε περισσότερα

3. ΠΑΡΑΜΕΤΡΟΙ ΚΑΤΑΝΟΜΩΝ

3. ΠΑΡΑΜΕΤΡΟΙ ΚΑΤΑΝΟΜΩΝ 20 3. ΠΑΡΑΜΕΤΡΟΙ ΚΑΤΑΝΟΜΩΝ ΟΡΙΣΜΟΣ ΤΗΣ ΜΕΣΗΣ ΤΙΜΗΣ Μια πολύ σηµαντική έννοια στη θεωρία πιθανοτήτων και τη στατιστική είναι η έννοια της µαθηµατικής ελπίδας ή αναµενόµενης τιµής ή µέσης τιµής µιας τυχαίας

Διαβάστε περισσότερα

Bebe 09010/06.20 ΣΙΕΛ-ΜΠΕΖ-ΜΠΛΕ 46-48-50 08414 Α /07.50 ΜΠΕΖ-ΣΙΕΛ 48-50 08214/07.00 ΣΙΕΛ-ΜΠΛΕ-ΜΠΕΖ 46-48-50 08413/07.50 ΛΕΥΚΟ/ΜΠΛΕ 48-50

Bebe 09010/06.20 ΣΙΕΛ-ΜΠΕΖ-ΜΠΛΕ 46-48-50 08414 Α /07.50 ΜΠΕΖ-ΣΙΕΛ 48-50 08214/07.00 ΣΙΕΛ-ΜΠΛΕ-ΜΠΕΖ 46-48-50 08413/07.50 ΛΕΥΚΟ/ΜΠΛΕ 48-50 09010/06.20 ΣΙΕΛ-ΜΠΕΖ-ΜΠΛΕ 46-48-50 08414 Α /07.50 ΜΠΕΖ-ΣΙΕΛ 48-50 Bebe 08214/07.00 ΣΙΕΛ-ΜΠΛΕ-ΜΠΕΖ 46-48-50 08413/07.50 ΛΕΥΚΟ/ΜΠΛΕ 48-50 08216/07.00 ΛΕΥΚΟ-ΕΚΡΟΥ-ΜΠΛΕ-ΣΙΕΛ 46-48-50 2 0880/06.00 ΛΕΥΚΟ-ΜΠΛΕ-ΕΚΡΟΥ

Διαβάστε περισσότερα

Risk! " #$%&'() *!'+,'''## -. / # $

Risk!  #$%&'() *!'+,'''## -. / # $ Risk! " #$%&'(!'+,'''## -. / 0! " # $ +/ #%&''&(+(( &'',$ #-&''&$ #(./0&'',$( ( (! #( &''/$ #$ 3 #4&'',$ #- &'',$ #5&''6(&''&7&'',$ / ( /8 9 :&' " 4; < # $ 3 " ( #$ = = #$ #$ ( 3 - > # $ 3 = = " 3 3, 6?3

Διαβάστε περισσότερα

SOAP API. https://bulksmsn.gr. Table of Contents

SOAP API. https://bulksmsn.gr. Table of Contents SOAP API https://bulksmsn.gr Table of Contents Send SMS...2 Query SMS...3 Multiple Query SMS...4 Credits...5 Save Contact...5 Delete Contact...7 Delete Message...8 Email: sales@bulksmsn.gr, Τηλ: 211 850

Διαβάστε περισσότερα

Έκτη Διάλεξη Ονοματολογία

Έκτη Διάλεξη Ονοματολογία Έκτη Διάλεξη Ονοματολογία Α) ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΟΝΟΜΑΤΟΛΟΓΙΑ ΜΕΤΑΛΛΑ Στοιχείο Σύμβολο Σθένος Νάτριο Να 1 Κάλιο Κ 1 Μαγνήσιο Mg 2 Ασβέστιο Ca 2 Σίδηρος Fe 2 ή 3 Χαλκός Cu 2 Ψευδάργυρος Zn 2 Λίθιο Li 1 Άργυρος

Διαβάστε περισσότερα

FOOD MILL ΜΎΛΟΣ ΑΛΈΣΜΑΤΟΣ Z15900 7 HR PASIRKA RO SITĂ PENTRU PASAT BG МЕЛНИЧКА ЗА ПАСИРАНЕ CH PASSIERMÜHLE. 66231/11 CB 7 Z15900 Manual, Size:A5, 8 pt

FOOD MILL ΜΎΛΟΣ ΑΛΈΣΜΑΤΟΣ Z15900 7 HR PASIRKA RO SITĂ PENTRU PASAT BG МЕЛНИЧКА ЗА ПАСИРАНЕ CH PASSIERMÜHLE. 66231/11 CB 7 Z15900 Manual, Size:A5, 8 pt GB FOOD MILL HR PASIRKA RO SITĂ PENTRU PASAT BG МЕЛНИЧКА ЗА ПАСИРАНЕ GR CY ΜΎΛΟΣ ΑΛΈΣΜΑΤΟΣ DE CY AT CH PASSIERMÜHLE Z15900 7 66231 CB 7 Manual_re.indd 1 6/7/2011 4:07:46 PM Scope of delivery / Opseg isporuke

Διαβάστε περισσότερα

στους τελευταίους γύρους, έτσι ώστε να τον φθάσω και να γίνει µια προσπάθεια για τριπλό µατς για τον παγκόσµιο τίτλο µεταξύ των δυό µας και του

στους τελευταίους γύρους, έτσι ώστε να τον φθάσω και να γίνει µια προσπάθεια για τριπλό µατς για τον παγκόσµιο τίτλο µεταξύ των δυό µας και του ΤΟΥΡΝΟΥΑ ΤΩΝ ΙΕΚ ΙΚΗΤΩΝ ΛΟΝ ΙΙΝΟ,, 15/3 1/4/2013 Επιµέέλεει ια: : Βαγγέλης Βιδάλης ΕΛΛΗΝΙΚΗ ΣΚΑΚΙΣΤΙΚΗ ΟΜΟΣΠΟΝ ΙΑ Ειδική Εκδοση από το «Ελληνικό Σκάκι» - Απρίλιος 2013 Εισαγωγικό Σηµείωµα Το τουρνουά των

Διαβάστε περισσότερα

Bayesian Biostatistics Using BUGS

Bayesian Biostatistics Using BUGS Bayesian Biostatistics Using BUGS Βιο-Στατιστική κατά Bayes µε τη χρήση του Λογισµικού BUGS ΜΑΘΗΜΑ 2: ΕΙΣΑΓΩΓΗ ΣΤΟ WINBUGS I. Ntzoufras E-mail: ntzoufras@aueb.gr Department of Statistics, Athens University

Διαβάστε περισσότερα

= k. n! k! (n k)!, k=0

= k. n! k! (n k)!, k=0 ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ Συμπληρωματικές Ασκήσεις Χειμερινό Εξάμηνο 2015 Χρήστος Α Αθανασιάδης Συμβολίζουμε με O το μηδενικό πίνακα καταλλήλων διαστάσεων, με I (ορισμένες φορές, με I n τον n n ταυτοτικό πίνακα,

Διαβάστε περισσότερα

n i P(x i ) P(X = x i ) = lim

n i P(x i ) P(X = x i ) = lim Κεϕάλαιο 2 Πιθανότητες και Τυχαίες Μεταβλητές Μπορούµε να καταλάβουµε την έννοια της πιθανότητας από τη σχετική συχνότητα εµϕάνισης n i κάποιας τιµής x i µιας διακριτής τ.µ. X. Αν είχαµε τη δυνατότητα

Διαβάστε περισσότερα

Πρότυπο Πειραματικό Λύκειο. Project Α Λυκείου

Πρότυπο Πειραματικό Λύκειο. Project Α Λυκείου Πρότυπο Πειραματικό Λύκειο Πανεπιστημίου Μακεδονίας Project Α Λυκείου «Ποιος είμαι και τι θέλω να σπουδάσω;» Φύση εργασίας: Νηπιαγωγός Διαπαιδαγωγεί και κοινωνικοποιεί τα παιδιά Είναι υπεύθυνος για

Διαβάστε περισσότερα

ΦΑΚΕΛΟΣ ΠΙΣΤΟΠΟΙΗΣΗΣ ΠΙΝΑΚΑ ΑΝΕΛΚΥΣΤΗΡΑ ISL_V4

ΦΑΚΕΛΟΣ ΠΙΣΤΟΠΟΙΗΣΗΣ ΠΙΝΑΚΑ ΑΝΕΛΚΥΣΤΗΡΑ ISL_V4 ΦΑΚΕΛΟΣ ΠΙΣΤΟΠΟΙΗΣΗΣ ΠΙΝΑΚΑ ΑΝΕΛΚΥΣΤΗΡΑ IL_V VEION V (EV.8) ΕΡΓΟΣΤΑΣΙΟ: ΠΕΡΡΑΙΒΟΥ, ΘΕΣΣΑΛΟΝΙΚΗ, ΕΛΛΑΔΑ Τηλ. 99 email: info@istechnology.gr FAX. 99 UL: www.istechnology.gr Copyright I technology /.a.8 9.

Διαβάστε περισσότερα

Αλγόριθµοι Brute-Force και Διεξοδική Αναζήτηση

Αλγόριθµοι Brute-Force και Διεξοδική Αναζήτηση Αλγόριθµοι Brute-Force και Διεξοδική Αναζήτηση Περίληψη Αλγόριθµοι τύπου Brute-Force Παραδείγµατα Αναζήτησης Ταξινόµησης Πλησιέστερα σηµεία Convex hull Βελτιστοποίηση Knapsack problem Προβλήµατα Ανάθεσης

Διαβάστε περισσότερα

ΚΑΤΑΣΤΑΣΗ ΜΕΛΑΝΙΩΝ-TONERS ΕΚΤΥΠΩΤΩΝ- ΜΗΧΑΝΗΜΑΤΩΝ FAX-ΦΩΤΟΤΥΠΙΚΩΝ

ΚΑΤΑΣΤΑΣΗ ΜΕΛΑΝΙΩΝ-TONERS ΕΚΤΥΠΩΤΩΝ- ΜΗΧΑΝΗΜΑΤΩΝ FAX-ΦΩΤΟΤΥΠΙΚΩΝ ΟΡΓΑΝΙΣΜΟΣ ΛΙΜΕΝΟΣ ΠΕΙΡΑΙΩΣ Α. Ε. Δ/ΝΣΗ: ΠΡΟΜΗΘΕΙΩΝ ΤΜΗΜΑ: ΣΥΜΒΑΣΕΩΝ ΠΑΡΟΧΗΣ ΥΠΗΡΕΣΙΩΝ ΚΑΤΑΣΤΑΣΗ ΜΕΛΑΝΙΩΝ-TONERS ΕΚΤΥΠΩΤΩΝ- ΜΗΧΑΝΗΜΑΤΩΝ FAX-ΦΩΤΟΤΥΠΙΚΩΝ Α/Α Περιγραφή είδους EPSON toner cartridge CS00 για

Διαβάστε περισσότερα

ΕΞΕΤΑΣΕΙΣ ΣΤΗ ΓΕΝΙΚΗ ΧΗΜΕΙΑ

ΕΞΕΤΑΣΕΙΣ ΣΤΗ ΓΕΝΙΚΗ ΧΗΜΕΙΑ ΕΞΕΤΑΣΕΙΣ ΣΤΗ ΓΕΝΙΚΗ ΧΗΜΕΙΑ ΘΕΜΑΤΑ 1. Γράψτε την τετράδα των κβαντικών αριθμών που χαρακτηρίζει τα ακόλουθα ηλεκτρόνια: (α) Το εξώτατο ηλεκτρόνιο του ατόμου Rb. (β) Το ηλεκτρόνιο που κερδίζει το ιόν S

Διαβάστε περισσότερα

VCR120WD VCR144WD VCR168WD

VCR120WD VCR144WD VCR168WD VCR120WD VCR144WD VCR168WD Rechargeable vacuum cleaner Επαναφορτιζόμενο σκουπάκι Aspirateur rechargeable Aspirator fara fir, reincarcabil Usisivač na baterije Прахосмукачка със зарядно устройство GB GR

Διαβάστε περισσότερα

Τηλέφωνο Παραγγελιών : 210 23 23 240

Τηλέφωνο Παραγγελιών : 210 23 23 240 Σελίδες:1/10 BLACK HP INKJETS INKJET CARTRIDGE PRINTER COMMENTS UNIVERSALL REFILL KIT BLACK COLOUR HP c9396 (no.88xl) OfficeJet Pro K550,K5400 series,l 7580 DeskJet 710, 712, 720, 722, 820, 830, 832, 850,

Διαβάστε περισσότερα

Tipologie installative - Installation types Type d installation - Installationstypen Tipos de instalación - Τυπολογίες εγκατάστασης

Tipologie installative - Installation types Type d installation - Installationstypen Tipos de instalación - Τυπολογίες εγκατάστασης AMPADE MOOCROMATICHE VIMAR DIMMERABII A 0 V~ - VIMAR 0 V~ DIMMABE MOOCHROME AMP AMPE MOOCHROME VIMAR VARIATEUR 0 V~ - DIMMERFÄHIGE MOOCHROMATICHE AMPE VO VIMAR MIT 0 V~ ÁMPARA MOOCROMÁTICA VIMAR REGUABE

Διαβάστε περισσότερα

EFFICIENT TOP-K QUERYING OVER SOCIAL-TAGGING NETWORKS

EFFICIENT TOP-K QUERYING OVER SOCIAL-TAGGING NETWORKS EFFICIENT TOP-K QUERYING OVER SOCIAL-TAGGING NETWORKS Ralf Schenkel, Tom Crecelious, Mouna Kacimi, Sebastian Michel, Thomas Neumann, Josiane Xavier Parreira, Gerhard Weikum ΠΡΟΒΛΗΜΑ Εύρεση ενός αποτελεσματικού

Διαβάστε περισσότερα

Φυσική ραδιενέργεια περιβάλλοντος και ραδιενεργός ρύπανση. Π. Κρητίδης και Ε. Φλώρου Εργαστήριο Ραδιενέργειας Περιβάλλοντος ΙΠΤ-Α, ΕΚΕΦΕ «Δημόκριτος»

Φυσική ραδιενέργεια περιβάλλοντος και ραδιενεργός ρύπανση. Π. Κρητίδης και Ε. Φλώρου Εργαστήριο Ραδιενέργειας Περιβάλλοντος ΙΠΤ-Α, ΕΚΕΦΕ «Δημόκριτος» Φυσική ραδιενέργεια περιβάλλοντος και ραδιενεργός ρύπανση Π. Κρητίδης και Ε. Φλώρου Εργαστήριο Ραδιενέργειας Περιβάλλοντος ΙΠΤ-Α, ΕΚΕΦΕ «Δημόκριτος» Φυσικά ραδιενεργά στοιχεία Παράδειγμα από την οικογένεια

Διαβάστε περισσότερα

Αριθµοί Κλειδιά στις Τεχνολογίες των Πληροφοριών και της Επικοινωνίας στα σχολεία στην Ευρώπη Έκδοση 2004

Αριθµοί Κλειδιά στις Τεχνολογίες των Πληροφοριών και της Επικοινωνίας στα σχολεία στην Ευρώπη Έκδοση 2004 ελτίο Τύπου Αριθµοί Κλειδιά στις Τεχνολογίες των Πληροφοριών και της Επικοινωνίας στα σχολεία στην Ευρώπη Έκδοση 24 Η ανάπτυξη της δυναµικής της τεχνολογίας των πολυµέσων και του ιαδικτύου για εκπαιδευτικούς

Διαβάστε περισσότερα

Ask seic kai Jèmata sth JewrÐa Mètrou kai Olokl rwsh

Ask seic kai Jèmata sth JewrÐa Mètrou kai Olokl rwsh Ask seic kai Jèmata sth JewrÐa Mètrou kai Olokl rwsh Ginnhc K. Sarant pouloc jnik Mets bio Poluteqne o Sqol farmosmłnwn Majhmatik n & Fusik n pisthm n TomŁac Majhmatik n 22 Febrouar ou 28 Perieqìmena Συμβολισμός

Διαβάστε περισσότερα