שכבת העומק. זה לא דף נוסחאות ולא כרטיסיות — זה פרק לימוד שבונה את הנושא מההתחלה. כל מושג מקצועי מופיע באנגלית (כך הוא במבחן ובספרות) עם הסבר בעברית. עבוד אותו לאט, עם עיפרון ביד; נסה לגזור בעצמך לפני שאתה קורא את הגזירה.
נוטציה: לפי IFoA Core Reading. בנוי 15.6.2026. משקל בסילבוס: Credibility נכלל ב-Bayesian + Credibility = 15%, אבל הוא הפער היחיד שלא נלמד בתואר — ולכן שווה השקעה לא פרופורציונלית.
איך להשתמש עם הכרטיסיות: הפרק הזה מלמד; הכרטיסיות (
flashcards-credibility-theory.md) משמרות. קרא פרק → ענה על הכרטיסים של אותו חלק → חזור על מה שנתקעת בו.
דמיין שאתה אקטואר שצריך לתמחר פוליסת ביטוח לנהג מסוים. יש לך שני מקורות מידע סותרים:
השאלה המרכזית של credibility theory: כמה משקל (weight) לתת לניסיון הפרטי לעומת הממוצע הכללי?
התשובה תמיד בצורה הזו — וזו הנוסחה שאתה חייב לראות בשינה:
$$ \text{Credibility premium} = Z \cdot \bar{X} + (1 - Z)\cdot \mu $$
האינטואיציה: $Z$ הוא "כמה אני מאמין לדאטה הפרטי". אם $Z=1$ — סומך לגמרי על הנהג ($\bar X$). אם $Z=0$ — מתעלם מהנהג, נותן לו את ממוצע הענף ($\mu$). כל השאלה היא איך קובעים את $Z$, וכאן נפרדות הגישות.
שתי האסכולות שתלמד: - Bayesian / greatest-accuracy credibility (כולל Bühlmann, Bühlmann-Straub, EBCT) — קובעת $Z$ כך שתמזער את שגיאת החיזוי. זו הגישה המודרנית ועיקר ה-CS1. - Classical / limited fluctuation credibility — שואלת "כמה דאטה צריך כדי שהשגיאה תהיה קטנה מספיק?". ישנה יותר, פחות מרכזית במבחן אבל עדיין נדרשת.
לפני Bühlmann צריך להבין את התשתית הבייסיאנית, כי Bühlmann הוא קירוב (approximation) שלה.
נניח שלכל פוליסה/נהג יש פרמטר סיכון (risk parameter) שנסמן $\theta$ — מספר שמאפיין "כמה מסוכן" הנהג באמת. אנחנו לא יודעים את $\theta$, אבל יש לנו אמונה עליו בצורת התפלגות:
$$ \Theta \sim \text{prior distribution} \quad (\text{the "structure function"}) $$
ה-prior הזה (נקרא גם structure function, פונקציית המבנה) מתאר את ההתפלגות של רמות הסיכון בכל אוכלוסיית הנהגים.
בהינתן $\Theta = \theta$, התביעות $X_1, X_2, \ldots, X_n$ של אותו נהג הן iid (independent and identically distributed) עם:
המטרה היא לחזות את התביעה הבאה של הנהג, כלומר להעריך את $\mu(\Theta)$ שלו. הגישה הבייסיאנית אומרת: אחרי שראינו דאטה $\mathbf{x} = (x_1,\ldots,x_n)$, עדכן את האמונה ל-posterior distribution וקח את התוחלת:
$$ \text{Bayesian estimate} = E[\mu(\Theta) \mid \mathbf{X} = \mathbf{x}] $$
תחת loss ריבועי (squared-error loss), ה-posterior mean הוא האומד שממזער את ה-MSE. זה האומד האידיאלי. הבעיה: לרוב הוא מסובך לחישוב, לא ליניארי, ודורש לדעת את כל ה-prior במדויק.
כאן נכנס Bühlmann: במקום האומד הבייסיאני המלא (שקשה), נחפש את הקירוב הליניארי הטוב ביותר אליו. מסתבר שהקירוב הזה הוא בדיוק נוסחת ה-credibility — ולכן היא כל כך יפה.
כל מודל Bühlmann נשען על שלושה מספרים. תכיר אותם היטב — חצי מהשאלות במבחן הן "חשב את שלושת אלה ואז הצב":
| סימון | שם מלא (אנגלית!) | הגדרה | במילים |
|---|---|---|---|
| $\mu$ | the overall (collective) mean | $E[\mu(\Theta)]$ | הממוצע הכללי של כל התיק |
| EPV | Expected Process Variance | $E[\,s^2(\Theta)\,] = E[\mathrm{Var}(X\mid\Theta)]$ | השונות הפנימית הממוצעת — "within" |
| VHM | Variance of the Hypothetical Means | $\mathrm{Var}(\mu(\Theta)) = \mathrm{Var}(E[X\mid\Theta])$ | השונות בין הנהגים — "between" |
המנטרה שמצילה במבחן: EPV = within, VHM = between. הבלבול ביניהם הוא הטעות #1. כתוב אותה בראש הדף לפני שאתה מתחיל.
- EPV (within): כמה רועש הנהג הבודד בתוך עצמו. תביעות משנה לשנה אצל אותו נהג.
- VHM (between): כמה שונים הנהגים זה מזה. אם כולם זהים → VHM=0.
מודל Bühlmann נותן:
$$ \boxed{\,Z = \dfrac{n}{n + k}, \qquad k = \dfrac{\text{EPV}}{\text{VHM}}\,} $$
ופרמיית האמינות:
$$ \text{Credibility premium} = Z\bar X + (1-Z)\mu, \qquad \bar X = \frac{1}{n}\sum_{i=1}^n X_i $$
זה החלק שהופך שינון להבנה. נתבונן ב-$k = \text{EPV}/\text{VHM}$:
בדיקות שפיות (sanity checks) — תמיד עשה אותן בסוף שאלה: - $n \to \infty \Rightarrow Z \to 1$ (אינסוף דאטה → סמוך לגמרי על הניסיון). - $\text{VHM} \to 0 \Rightarrow k \to \infty \Rightarrow Z \to 0$ (כל הנהגים זהים → תן לכולם את הממוצע). - $\text{EPV} \to 0 \Rightarrow k \to 0 \Rightarrow Z \to 1$ (אין רעש פנימי → כל תצפית מושלמת → סמוך מיד). - תמיד $0 \le Z \le 1$. אם קיבלת $Z$ מחוץ לטווח — יש טעות.
זה החלק התיאורטי שמסביר מאיפה באה הנוסחה. המבחן לא תמיד דורש את הגזירה המלאה, אבל הבנתה הופכת אותך מ"מציב נוסחאות" ל"אקטואר".
המטרה: לקרב את $\mu(\Theta)$ ע"י פונקציה ליניארית של התצפיות:
$$ \hat\mu = a_0 + \sum_{j=1}^{n} a_j X_j $$
נבחר את המקדמים $a_0, a_1, \ldots, a_n$ כדי למזער את שגיאת הריבוע הצפויה:
$$ \min_{a_0,\ldots,a_n}\; E\!\left[\left(\mu(\Theta) - a_0 - \sum_{j=1}^n a_j X_j\right)^{\!2}\right] $$
צעד 1 — סימטריה. התצפיות $X_1,\ldots,X_n$ מתחלפות (exchangeable), כך שבאופטימום כל המקדמים שווים: $a_1 = \cdots = a_n = b$. נכתוב $\hat\mu = a_0 + b\sum_j X_j = a_0 + bn\bar X$.
צעד 2 — תנאי אי-הטיה (unbiasedness). דורשים $E[\hat\mu] = E[\mu(\Theta)] = \mu$. כיוון ש-$E[\bar X] = \mu$: $$ a_0 + bn\mu = \mu \;\Rightarrow\; a_0 = \mu(1 - bn) $$ נסמן $Z = bn$, ואז $\hat\mu = Z\bar X + (1-Z)\mu$ — כבר קיבלנו את הצורה! נשאר למצוא את $Z$.
צעד 3 — תנאי הניצבות (the normal equation). האומד הליניארי האופטימלי מקיים שהשארית ניצבת לכל תצפית: $$ \mathrm{Cov}\big(\mu(\Theta) - Z\bar X - (1-Z)\mu,\; X_i\big) = 0 $$ נפתח. צריך שני רכיבי קווריאנס:
נציב בתנאי הניצבות ($\mu$ קבוע, לא תורם לקווריאנס): $$ \text{VHM} - Z\cdot\frac{\text{EPV} + n\,\text{VHM}}{n} = 0 $$ $$ Z = \frac{n\,\text{VHM}}{\text{EPV} + n\,\text{VHM}} = \frac{n}{\,n + \text{EPV}/\text{VHM}\,} = \frac{n}{n+k}. \qquad\blacksquare $$
זהו. הנוסחה $Z=n/(n+k)$ אינה "מהשמיים" — היא יוצאת בהכרח מהדרישה לאומד הליניארי הטוב ביותר. $k = \text{EPV}/\text{VHM}$ צץ באופן טבעי מהקווריאנסים.
נתון. מספר התביעות השנתי של נהג מתפלג Poisson עם ממוצע $\lambda$ (שונה בין נהגים). ה-prior של $\lambda$: $E[\lambda] = 0.2$, $\mathrm{Var}(\lambda) = 0.05$. נהג מסוים הגיש $\bar X = 0.5$ תביעות בממוצע על פני $n = 4$ שנים. חשב את פרמיית האמינות.
שלב 1 — שלושת הפרמטרים. - $\mu = E[\mu(\Theta)] = E[\lambda] = 0.2$. - $\text{EPV} = E[\mathrm{Var}(X\mid\lambda)]$. ל-Poisson, $\mathrm{Var}(X\mid\lambda)=\lambda$, לכן $\text{EPV} = E[\lambda] = 0.2$. - $\text{VHM} = \mathrm{Var}(\mu(\Theta)) = \mathrm{Var}(\lambda) = 0.05$.
שלב 2 — $k$ ו-$Z$. $$ k = \frac{\text{EPV}}{\text{VHM}} = \frac{0.2}{0.05} = 4, \qquad Z = \frac{n}{n+k} = \frac{4}{4+4} = 0.5. $$
שלב 3 — פרמיית האמינות. $$ Z\bar X + (1-Z)\mu = 0.5(0.5) + 0.5(0.2) = 0.25 + 0.10 = 0.35. $$
שלב 4 — sanity check. $0 \le Z=0.5 \le 1$ ✓. התוצאה $0.35$ נמצאת בין $\bar X=0.5$ ל-$\mu=0.2$ ✓ (פרמיית אמינות תמיד בין השניים). הנהג גרוע מהממוצע אבל לא מאמינים לו לגמרי — סביר.
Bühlmann הרגיל מניח שכל שנה/תצפית "שווה" באותה מידה. אבל בפועל לכל יחידת זמן יש חשיפה (exposure) שונה — נסמן $m_i$. דוגמאות ל-$m_i$: מספר פוליסות-שנים (policy-years) בקבוצה $i$, מספר נהגים, גודל הצי. שנה עם 1000 פוליסות אמינה יותר משנה עם 10.
הממוצע נעשה משוקלל-חשיפה (exposure-weighted): $$ \bar X = \frac{\sum_i m_i X_i}{\sum_i m_i} $$
וגורם האמינות משתמש בסך החשיפה $m = \sum_i m_i$ במקום $n$: $$ \boxed{\,Z = \frac{m}{m + k}, \qquad k = \frac{\text{EPV}}{\text{VHM}}\,} $$
המבנה זהה ל-Bühlmann — רק $n \to m$ ו-$\bar X$ משוקלל. זה כל ההבדל. אם תזכור את זה, חסכת חצי מהבלבול.
ב-Bühlmann-Straub, $X_i$ הוא בדרך כלל התביעה הממוצעת ליחידת חשיפה בקבוצה $i$ (claims per unit exposure), לא סך התביעות. לכן $\mathrm{Var}(X_i \mid \Theta) = s^2(\Theta)/m_i$ — השונות יורדת ככל שהחשיפה גדלה. זו הסיבה ש-$m_i$ נכנס כמשקל. שים לב לכך בשאלות — בלבול בין "סך תביעות" ל"תביעות לחשיפה" הוא מלכודת קלאסית.
ראינו ש-Bühlmann הוא קירוב ליניארי ל-posterior mean. אבל יש משפחות מיוחדות שבהן ה-posterior mean כבר ממילא בצורה הליניארית $Z\bar X + (1-Z)\mu$ — שם הקירוב מדויק (exact). זה קורה ב-conjugate families מסוימות. בשלוש דוגמאות אלה Bühlmann ו-Bayes נותנים בדיוק אותו דבר.
שלושת ה"חשודים המיידיים" (the usual suspects) במבחן: Poisson–Gamma, Normal–Normal, Binomial–Beta. אם רואים אחד מהם, כנראה רוצים exact credibility.
זו הדוגמה הקלאסית ביותר. שווה לדעת את הגזירה בעל-פה.
מודל. תצפיות $X_i \mid \lambda \sim \text{Poisson}(\lambda)$ iid. Prior: $\lambda \sim \text{Gamma}(\alpha, \beta)$ עם צפיפות $f(\lambda) \propto \lambda^{\alpha-1}e^{-\beta\lambda}$. (קונבנציית IFoA: $\beta$ הוא ה-rate; $E[\lambda]=\alpha/\beta$.)
Posterior. לפי בייס, posterior $\propto$ likelihood $\times$ prior: $$ f(\lambda\mid\mathbf x) \propto \underbrace{\prod_i \frac{e^{-\lambda}\lambda^{x_i}}{x_i!}}_{\text{likelihood}} \cdot \underbrace{\lambda^{\alpha-1}e^{-\beta\lambda}}_{\text{prior}} \propto \lambda^{\sum x_i + \alpha - 1}\, e^{-(n+\beta)\lambda} $$
זו צורת Gamma! לכן: $$ \boxed{\;\lambda \mid \mathbf x \;\sim\; \text{Gamma}\Big(\alpha + \textstyle\sum x_i,\; \beta + n\Big)\;} $$
Posterior mean. עבור $\text{Gamma}(a,b)$ התוחלת היא $a/b$: $$ E[\lambda \mid \mathbf x] = \frac{\alpha + \sum x_i}{\beta + n} $$
הקסם — שכתוב כ-credibility. נחלק את המונה והמכנה ונארגן: $$ \frac{\alpha + \sum x_i}{\beta + n} = \frac{n}{\beta+n}\cdot\underbrace{\frac{\sum x_i}{n}}_{\bar X} + \frac{\beta}{\beta+n}\cdot\underbrace{\frac{\alpha}{\beta}}_{\text{prior mean }\mu} $$
זוהי בדיוק $Z\bar X + (1-Z)\mu$ עם: $$ Z = \frac{n}{n+\beta}, \qquad \mu = \frac{\alpha}{\beta}. $$
אימות ש-$k=\beta$ דרך EPV/VHM. נוודא שזה עקבי עם Bühlmann: - $\text{EPV} = E[\mathrm{Var}(X\mid\lambda)] = E[\lambda] = \alpha/\beta$. - $\text{VHM} = \mathrm{Var}(E[X\mid\lambda]) = \mathrm{Var}(\lambda) = \alpha/\beta^2$. - $k = \dfrac{\text{EPV}}{\text{VHM}} = \dfrac{\alpha/\beta}{\alpha/\beta^2} = \beta.$ ✓
אז $Z = n/(n+k) = n/(n+\beta)$ — בדיוק מה שיצא מבייס. זה ה-"exact credibility": הקירוב הליניארי והפתרון הבייסיאני המלא חופפים.
מודל. $X_i \mid \theta \sim N(\theta, \sigma^2)$ (כאשר $\sigma^2$ ידוע), prior $\theta \sim N(\mu, \tau^2)$.
תוצאה. ה-posterior של $\theta$ נורמלי, ו: $$ E[\theta \mid \mathbf x] = Z\bar X + (1-Z)\mu, \qquad Z = \frac{n}{n + \sigma^2/\tau^2}. $$
אימות. $\text{EPV} = E[\mathrm{Var}(X\mid\theta)] = \sigma^2$ (קבוע), $\text{VHM} = \mathrm{Var}(\theta) = \tau^2$. לכן $k = \sigma^2/\tau^2$ ו-$Z=n/(n+k)$ — שוב exact. ה-prior variance $\tau^2$ הגדול יותר → פחות בטוח ב-prior → $Z$ גדול יותר. הגיוני.
מודל. $X \mid p \sim \text{Binomial}(n, p)$, prior $p \sim \text{Beta}(\alpha, \beta)$.
Posterior. $\;p \mid x \sim \text{Beta}(\alpha + \sum x_i,\; \beta + n - \sum x_i)$. (שוב conjugate — ה-posterior מאותה משפחה.)
Posterior mean. $\dfrac{\alpha + \sum x_i}{\alpha + \beta + n}$, שניתן לכתוב בצורת credibility עם $\mu = \alpha/(\alpha+\beta)$ (ה-prior mean של Beta).
| משפחה | prior | posterior | $\mu$ | $k$ |
|---|---|---|---|---|
| Poisson | Gamma$(\alpha,\beta)$ | Gamma$(\alpha+\sum x,\,\beta+n)$ | $\alpha/\beta$ | $\beta$ |
| Normal | $N(\mu,\tau^2)$ | Normal | $\mu$ | $\sigma^2/\tau^2$ |
| Binomial | Beta$(\alpha,\beta)$ | Beta$(\alpha+\sum x,\,\beta+n-\sum x)$ | $\alpha/(\alpha+\beta)$ | $\alpha+\beta$ |
המסר הגדול: במשפחות conjugate, posterior mean = linear credibility formula בדיוק. Bühlmann הוא ההכללה: הוא נותן את הקירוב הליניארי הטוב ביותר תמיד, וכשהמשפחה conjugate-ליניארית — הקירוב מושלם. זה מאחד את כל הפרק.
עד כה הנחנו שאנחנו יודעים את EPV ו-VHM (או את ה-prior המלא). בפועל אנחנו לא. EBCT אומד את הפרמטרים המבניים מהדאטה עצמו — נתונים על מספר קבוצות (risks) לאורך מספר שנים.
ההבדל ביניהם הוא, שוב, רק הטיפול בחשיפה — בדיוק כמו Bühlmann מול Bühlmann-Straub.
נתונים $N$ קבוצות (risks), אינדקס $i=1,\ldots,N$; כל קבוצה נצפתה לאורך $n$ שנים, אינדקס $j=1,\ldots,n$. תצפית $X_{ij}$.
הממוצע הכללי: $$ \hat\mu = \bar X = \frac{1}{Nn}\sum_{i=1}^N\sum_{j=1}^n X_{ij} $$
אומד ה-EPV (within — ממוצע השונויות בתוך כל קבוצה): $$ \widehat{\text{EPV}} = \frac{1}{N}\sum_{i=1}^N \left[\frac{1}{n-1}\sum_{j=1}^n (X_{ij} - \bar X_i)^2\right], \qquad \bar X_i = \frac1n\sum_j X_{ij} $$
אומד ה-VHM (between — שונות ממוצעי הקבוצות, פחות תיקון הטיה): $$ \widehat{\text{VHM}} = \frac{1}{N-1}\sum_{i=1}^N (\bar X_i - \bar X)^2 \;-\; \frac{\widehat{\text{EPV}}}{n} $$
מאיפה התיקון $-\widehat{\text{EPV}}/n$? השונות הנצפית בין ממוצעי הקבוצות מנופחת — היא כוללת גם את השונות האמיתית בין הקבוצות (VHM) וגם רעש דגימה (sampling noise) מתוך כל קבוצה. ה-sampling noise תורם $\text{EPV}/n$ בתוחלת, אז מחסירים אותו כדי לקבל אומד חסר-הטיה ל-VHM. זו דקות עדינה שמבדילה תשובה טובה.
ואז כרגיל: $\hat k = \widehat{\text{EPV}}/\widehat{\text{VHM}}$, $\;Z = n/(n+\hat k)$.
הערה למבחן: הנוסחאות האלה מסופקות בטבלאות הבחינה (provided in the exam). הכישור הנדרש הוא להציב נכון ולפרש, לא לשנן בעל-פה. תרגל הצבה במהירות ובדיקה שהמספרים הגיוניים.
לפעמים $\widehat{\text{VHM}}$ יוצא שלילי (כי תיקון ההטיה $-\widehat{\text{EPV}}/n$ גדול מהשונות הנצפית). שונות לא יכולה להיות שלילית, אז:
$$ \widehat{\text{VHM}} < 0 \;\Rightarrow\; \text{set } \widehat{\text{VHM}} = 0 \;\Rightarrow\; \hat k \to \infty \;\Rightarrow\; Z = 0. $$
הפרשנות: אין עדות סטטיסטית לשונות אמיתית בין הקבוצות — כל ההבדלים שנראו הם רעש דגימה. לכן הדאטה הפרטי חסר ערך, ונותנים לכולם את הממוצע הכולל. תשובה הגיונית לחלוטין, לא באג.
נתון. $N=3$ קבוצות, $n=2$ שנים. ממוצעי הקבוצות: $\bar X_1=10$, $\bar X_2=12$, $\bar X_3=14$. אומד EPV כבר חושב: $\widehat{\text{EPV}}=8$.
$\bar X = (10+12+14)/3 = 12$.
שונות ממוצעי הקבוצות (עם $N-1=2$): $$ \frac{1}{2}\big[(10-12)^2 + (12-12)^2 + (14-12)^2\big] = \frac{1}{2}(4+0+4) = 4. $$
$$ \widehat{\text{VHM}} = 4 - \frac{\widehat{\text{EPV}}}{n} = 4 - \frac{8}{2} = 0. $$
כאן $\widehat{\text{VHM}}=0$ בדיוק ⇒ $Z=0$ ⇒ כל הקבוצות מקבלות $12$. הרעש הפנימי (EPV=8) "בלע" את כל השונות הנראית בין הקבוצות.
הגישה הישנה יותר. שאלה שונה לגמרי: "כמה דאטה צריך כדי שהניסיון יהיה אמין מספיק?" במקום "מהו השקלול האופטימלי?".
מגדירים תקן ל-full credibility ($Z=1$): כמות הדאטה שבה, בהסתברות $p$, הניסיון הנצפה יהיה בתוך $\pm k$ אחוזים מהערך הצפוי. עבור תדירות תביעות Poisson, מספר התביעות הצפוי הנדרש ל-full credibility:
$$ \lambda_{\text{full}} = \left(\frac{z_{(1+p)/2}}{k}\right)^{\!2} $$
כאשר $z_{(1+p)/2}$ הוא ה-percentile של הנורמלי הסטנדרטי. לדוגמה, ל-$p=0.95$ ($z=1.96$) ו-$k=0.05$: $\lambda_{\text{full}} = (1.96/0.05)^2 \approx 1537$ תביעות.
אם יש פחות מ-$\lambda_{\text{full}}$ דאטה, נותנים אמינות חלקית:
$$ \boxed{\,Z = \sqrt{\dfrac{n}{n_{\text{full}}}}\,} \qquad (\text{capped at } 1) $$
מאיפה השורש? השגיאה התקנית (standard error) של הממוצע יורדת כ-$1/\sqrt n$. כדי שהאמינות תהיה פרופורציונלית להקטנת השגיאה, $Z \propto \sqrt n$. זו ההצדקה.
| Classical / Limited Fluctuation | Bühlmann / Bayesian | |
|---|---|---|
| השאלה | "כמה דאטה צריך לשגיאה קטנה?" | "מהו השקלול שממזער MSE?" |
| הגישה | significance / hypothesis-testing | optimal estimation |
| דורש | תקן full credibility שרירותי ($p,k$) | EPV, VHM (פרמטרים מבניים) |
| $Z$ | $\sqrt{n/n_{\text{full}}}$ | $n/(n+k)$ |
| חולשה | בחירת $p,k$ שרירותית | צריך לדעת/לאמוד EPV, VHM |
CS1 שם דגש רב יותר על Bühlmann/Bayesian, אבל מצפה שתכיר את שתיהן ותדע להשוות.
הבעיה: לתמחר עם מעט דאטה
│
┌───────────────┴───────────────┐
│ │
Bayesian / Greatest Accuracy Classical / Limited
(ממזער MSE) Fluctuation
│ (significance)
│ Z = √(n/n_full)
posterior mean = האידיאל
│
קירוב ליניארי הטוב ביותר → Bühlmann: Z = n/(n+k), k=EPV/VHM
│ │
┌──────────┴──────────┐ חשיפה משתנה? → Bühlmann-Straub
│ │ Z = m/(m+k)
conjugate? לא יודעים
(exact cred.) את ה-prior?
│ │
posterior = Z·X̄+(1-Z)μ EBCT:
בדיוק אומד EPV,VHM מהדאטה
(Poisson-Gamma, Model 1 (אחיד) / Model 2 (משוקלל)
Normal-Normal,
Binomial-Beta)
שלוש המשפטים שצריך לקחת: 1. כל credibility היא $Z\bar X + (1-Z)\mu$ — רק $Z$ משתנה בין הגישות. 2. Bühlmann = הקירוב הליניארי הטוב ביותר ל-posterior mean; $k=\text{EPV}/\text{VHM}$, EPV=within, VHM=between. 3. Bühlmann-Straub/EBCT-2 = אותו דבר עם חשיפה; EBCT = אומד את EPV,VHM מהדאטה; conjugate = הקירוב הופך מדויק.
תשובות לבדיקה עצמית של #4: $k=\text{EPV}/\text{VHM}=10/2=5$; $Z=5/(5+5)=0.5$; פרמיה $=0.5(8)+0.5(6)=7$. ✓ בטווח $[6,8]$.
נבנה ע"י אלי, 15.6.2026. שכבת עומק ל-Credibility Theory — להשלמת הכרטיסיות. עברית כשפת הסבר, מושגים מקצועיים באנגלית כבמבחן. משוב יתקבל בברכה ויוטמע.