Table Of ContentContents
1 Introduction 3
1.1 What motivateddata mining? Why is it important? . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 So, what is data mining?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Data mining| on what kind of data? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1 Relationaldatabases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.2 Data warehouses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.3 Transactional databases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.4 Advanced database systems and advanced database applications . . . . . . . . . . . . . . . . . 13
1.4 Data miningfunctionalities| what kinds of patterns can be mined? . . . . . . . . . . . . . . . . . . . 13
1.4.1 Concept/class description: characterization and discrimination . . . . . . . . . . . . . . . . . . 13
1.4.2 Association analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.3 Classi(cid:12)cation and prediction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.4 Clustering analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4.5 Evolution and deviation analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5 Are allof the patterns interesting? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.6 A classi(cid:12)cation of data miningsystems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.7 Major issues in data mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.8 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1
Contents
2 Data Warehouse and OLAP Technology for Data Mining 3
2.1 What is a data warehouse? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 A multidimensionaldata model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.1 Fromtables to data cubes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.2 Stars, snow(cid:13)akes, and fact constellations: schemas for multidimensionaldatabases . . . . . . . 8
2.2.3 Examples for de(cid:12)ning star, snow(cid:13)ake, and fact constellation schemas . . . . . . . . . . . . . . . 11
2.2.4 Measures: their categorization and computation . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.5 Introducing concept hierarchies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.6 OLAP operations in the multidimensionaldata model . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.7 A starnet query model for querying multidimensionaldatabases . . . . . . . . . . . . . . . . . . 18
2.3 Data warehouse architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.1 Steps for the design and construction of data warehouses . . . . . . . . . . . . . . . . . . . . . 19
2.3.2 A three-tier data warehouse architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3.3 OLAP server architectures: ROLAP vs. MOLAP vs. HOLAP . . . . . . . . . . . . . . . . . . . 22
2.3.4 SQL extensions to support OLAP operations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4 Data warehouse implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.1 E(cid:14)cient computationof data cubes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.2 Indexing OLAP data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4.3 E(cid:14)cient processing of OLAP queries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4.4 Metadata repository . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4.5 Data warehouse back-end tools and utilities . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.5 Further development of data cube technology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.5.1 Discovery-driven exploration of data cubes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.5.2 Complexaggregation at multiplegranularities: Multifeature cubes . . . . . . . . . . . . . . . . 36
2.6 Fromdata warehousing to data mining. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.6.1 Data warehouse usage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.6.2 Fromon-line analyticalprocessing to on-line analyticalmining . . . . . . . . . . . . . . . . . . 39
2.7 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
1
Contents
3 Data Preprocessing 3
3.1 Why preprocess the data? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.2 Data cleaning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2.1 Missing values . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.2.2 Noisy data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.2.3 Inconsistent data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.3 Data integration and transformation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.3.1 Data integration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.3.2 Data transformation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.4 Data reduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.4.1 Data cube aggregation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.4.2 Dimensionalityreduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.4.3 Data compression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.4.4 Numerosity reduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.5 Discretization and concept hierarchy generation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.5.1 Discretization and concept hierarchy generation for numeric data . . . . . . . . . . . . . . . . . 19
3.5.2 Concept hierarchy generation for categorical data . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1
Contents
4 Primitivesfor Data Mining 3
4.1 Data miningprimitives: what de(cid:12)nes a data miningtask? . . . . . . . . . . . . . . . . . . . . . . . . . 3
4.1.1 Task-relevant data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
4.1.2 The kind of knowledge to be mined. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
4.1.3 Background knowledge: concept hierarchies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
4.1.4 Interestingness measures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4.1.5 Presentation and visualization of discovered patterns . . . . . . . . . . . . . . . . . . . . . . . . 12
4.2 A data miningquery language. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.2.1 Syntax for task-relevant data speci(cid:12)cation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.2.2 Syntax for specifying the kind of knowledge to be mined . . . . . . . . . . . . . . . . . . . . . . 15
4.2.3 Syntax for concept hierarchy speci(cid:12)cation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2.4 Syntax for interestingness measure speci(cid:12)cation . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.2.5 Syntax for pattern presentation and visualizationspeci(cid:12)cation . . . . . . . . . . . . . . . . . . 20
4.2.6 Putting it all together | an exampleof a DMQL query . . . . . . . . . . . . . . . . . . . . . . 21
4.3 Designing graphical user interfaces based on a data miningquery language. . . . . . . . . . . . . . . . 22
4.4 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1
Contents
5 Concept Description: Characterization and Comparison 1
5.1 What is concept description? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
5.2 Data generalization and summarization-basedcharacterization . . . . . . . . . . . . . . . . . . . . . . 2
5.2.1 Data cube approach for data generalization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
5.2.2 Attribute-oriented induction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
5.2.3 Presentation of the derived generalization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
5.3 E(cid:14)cient implementationof attribute-oriented induction . . . . . . . . . . . . . . . . . . . . . . . . . . 10
5.3.1 Basic attribute-oriented induction algorithm. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
5.3.2 Data cube implementationof attribute-oriented induction . . . . . . . . . . . . . . . . . . . . . 11
5.4 Analytical characterization: Analysis of attribute relevance . . . . . . . . . . . . . . . . . . . . . . . . 12
5.4.1 Why perform attribute relevance analysis?. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
5.4.2 Methods of attribute relevance analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
5.4.3 Analyticalcharacterization: An example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.5 Mining class comparisons: Discriminatingbetween di(cid:11)erent classes . . . . . . . . . . . . . . . . . . . . 17
5.5.1 Class comparisonmethods and implementations . . . . . . . . . . . . . . . . . . . . . . . . . . 17
5.5.2 Presentation of class comparison descriptions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
5.5.3 Class description: Presentation of both characterization and comparison . . . . . . . . . . . . . 20
5.6 Mining descriptive statistical measures in large databases . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.6.1 Measuring the central tendency . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.6.2 Measuring the dispersion of data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5.6.3 Graph displays of basic statistical class descriptions . . . . . . . . . . . . . . . . . . . . . . . . 25
5.7 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5.7.1 Concept description: A comparison with typical machine learning methods . . . . . . . . . . . 28
5.7.2 Incremental and parallel miningof concept description . . . . . . . . . . . . . . . . . . . . . . . 30
5.7.3 Interestingness measures for concept description . . . . . . . . . . . . . . . . . . . . . . . . . . 30
5.8 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
i
Contents
6 Mining Association Rules in Large Databases 3
6.1 Association rule mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
6.1.1 Market basket analysis: A motivatingexample for association rule mining . . . . . . . . . . . . 3
6.1.2 Basic concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
6.1.3 Association rule mining: A road map. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
6.2 Mining single-dimensionalBoolean association rules fromtransactional databases . . . . . . . . . . . . 6
6.2.1 The Apriori algorithm: Finding frequent itemsets . . . . . . . . . . . . . . . . . . . . . . . . . . 6
6.2.2 Generating association rules fromfrequent itemsets. . . . . . . . . . . . . . . . . . . . . . . . . 9
6.2.3 Variations of the Apriori algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
6.3 Mining multilevelassociation rules fromtransaction databases . . . . . . . . . . . . . . . . . . . . . . 12
6.3.1 Multilevel association rules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
6.3.2 Approaches to miningmultilevelassociation rules . . . . . . . . . . . . . . . . . . . . . . . . . . 14
6.3.3 Checking for redundant multilevelassociation rules . . . . . . . . . . . . . . . . . . . . . . . . . 16
6.4 Mining multidimensionalassociation rules fromrelational databases and data warehouses . . . . . . . 17
6.4.1 Multidimensionalassociation rules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
6.4.2 Mining multidimensionalassociation rules using static discretization of quantitative attributes 18
6.4.3 Mining quantitative association rules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
6.4.4 Mining distance-based association rules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
6.5 Fromassociation miningto correlation analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
6.5.1 Strong rules are not necessarily interesting: An example . . . . . . . . . . . . . . . . . . . . . . 23
6.5.2 Fromassociation analysis to correlation analysis . . . . . . . . . . . . . . . . . . . . . . . . . . 23
6.6 Constraint-based association mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
6.6.1 Metarule-guided miningof association rules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
6.6.2 Mining guided by additionalrule constraints . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
6.7 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1
Contents
7 Classi(cid:12)cationand Prediction 3
7.1 What is classi(cid:12)cation? What is prediction? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
7.2 Issues regarding classi(cid:12)cation and prediction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
7.3 Classi(cid:12)cation by decision tree induction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
7.3.1 Decision tree induction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
7.3.2 Tree pruning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
7.3.3 Extracting classi(cid:12)cation rules fromdecision trees . . . . . . . . . . . . . . . . . . . . . . . . . . 10
7.3.4 Enhancements to basic decision tree induction . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
7.3.5 Scalabilityand decision tree induction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
7.3.6 Integrating data warehousing techniques and decision tree induction . . . . . . . . . . . . . . . 13
7.4 Bayesian classi(cid:12)cation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
7.4.1 Bayes theorem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
7.4.2 Naive Bayesian classi(cid:12)cation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
7.4.3 Bayesian belief networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
7.4.4 TrainingBayesian belief networks. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
7.5 Classi(cid:12)cation by backpropagation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
7.5.1 A multilayerfeed-forward neural network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
7.5.2 De(cid:12)ning a network topology. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
7.5.3 Backpropagation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
7.5.4 Backpropagation and interpretability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
7.6 Association-based classi(cid:12)cation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
7.7 Other classi(cid:12)cation methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
7.7.1 k-nearest neighbor classi(cid:12)ers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
7.7.2 Case-based reasoning. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
7.7.3 Genetic algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
7.7.4 Rough set theory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
7.7.5 Fuzzy set approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
7.8 Prediction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
7.8.1 Linear and multipleregression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
7.8.2 Nonlinear regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
7.8.3 Other regression models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
7.9 Classi(cid:12)er accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
7.9.1 Estimatingclassi(cid:12)er accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
7.9.2 Increasing classi(cid:12)er accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
7.9.3 Is accuracy enough to judge a classi(cid:12)er? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
7.10 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1
(cid:0) (cid:1)(cid:3)(cid:2)(cid:5)(cid:4)(cid:7)(cid:6)(cid:8)(cid:2)(cid:5)(cid:4)(cid:10)(cid:9)
(cid:11) (cid:12)(cid:14)(cid:13)(cid:16)(cid:15)(cid:18)(cid:17)(cid:20)(cid:19)(cid:22)(cid:21)(cid:24)(cid:23)(cid:26)(cid:25)(cid:26)(cid:27)(cid:29)(cid:28)(cid:30)(cid:13) (cid:31)!(cid:17)#"$(cid:17) %
&(’*)(cid:5)+-,/.1032*46587*9(4:0:;(cid:20)<=.1>/.17@?(cid:24)4:2@4BAC’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’ E
&(’FHG3?(cid:24)IJ;#4LK1M(cid:18)N(cid:30).10O.D2@>P5O7@9(cid:30)4:0Q;#<:2@>(cid:30)RS.T>J.17@?(cid:24)4:2@4D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’ U
&(’F(’@) VL2@4:4Q2@WS2@7X.1<:2@0Q2Y;#4Z.T>JN[4:2@WS2@7X.1<Q2@0:2Y;(cid:20)4(cid:22)\!]^;_.14:9(<:2@>(cid:30)R(cid:26)0:,(;a‘b9J.17@2@0$?aKTMZ5O7@9(cid:30)4:0Q;#<:2@>(cid:30)Rc’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’ d
&(’F(’eF f$>(cid:24)0Q;#<:gh.T7Yi$4B5(cid:20).17@;(cid:22)N[gh.1<Q2j.Tk(cid:30)7@;#4l’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’ m
&(’F(’eE no2@>J.1<Q?Sgh.T<:2X.1k(cid:30)7@;#4p’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’ q
&(’F(’U rsKhW[2*>/.17$t1Kh<ON(cid:24)2@>J.17$t(cid:24).1>JN[<O.10:2@KTiu4O5#.17@;(cid:22)Nvgh.1<:2X.Tk(cid:30)7@;#4w’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’ x
&(’F(’ed y3.1<:2X.Tk(cid:30)7@;#4ZKTMzW[2Y{(cid:30);(cid:22)Nv0$?(cid:24)IJ;#4(cid:26)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)|
&(’EH}l5#.T0:;#RbKh<Q2*~_.10:2@Kb>(cid:127)KTMzW^.#(cid:128)OKh<35O7@9(cid:30)4:0Q;#<:2@>(cid:30)R[WS;#0Q,(cid:30)K(cid:30)N(cid:24)4c’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))h)
&(’U (cid:129)(cid:29).1<Q0:2@0:2@Kb>(cid:30)2@>(cid:30)RDWS;(cid:20)0:,(cid:30)K(cid:30)N(cid:24)4(cid:26)’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)F
&(’U/’@) (cid:130)37X.T4:4:2X5#.T7(cid:131)IJ.1<Q0:2@0:2@Kb>(cid:30)2@>(cid:30)RDWS;(cid:20)0:,(cid:30)K(cid:30)N(cid:24)4_\(cid:18)(cid:132)biuW[;(cid:22).1>(4(cid:133).T>JN^(cid:132)biuW[;(cid:22)N(cid:24)Kb2jN(cid:134)4c’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)F
&(’U/’eF (cid:129)(cid:29).T<:0:2@0Q2*Kb>(cid:30)2@>(cid:30)RDW[;#0:,(cid:30)K(cid:30)N(cid:24)4(cid:135)2@>[7j.T<:Rb;(cid:136)N(.10B.TkJ.14Q;#4(cid:22)\(cid:137)M <:KhW(cid:138)(cid:132)bi$WS;(cid:22)N(cid:134)Kh2XN(cid:24)4(cid:18)0QKS(cid:130)(cid:135)(cid:139)(cid:131)}=(cid:140)s}=rL(cid:141)(cid:142)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)d
&(’d(cid:144)(cid:143)s2*;(cid:20)<B.1<O5Q,(cid:30)2X5#.17(cid:137)WS;#0Q,(cid:30)K(cid:30)N(cid:24)4S’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)m
&(’d(’@) }LRhRb7*KbWS;#<O.10Q2*gb;6.1>JN[N(cid:24)2@g(cid:24)2*4Q2@gh;6,(2*;(cid:20)<B.1<O5Q,(cid:30)2X5#.17(cid:29)5O7@9(cid:30)4:0Q;#<:2@>(cid:30)R(cid:26)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)m
&(’d(’eF nof:(cid:140)(cid:135)(cid:130)(cid:135)(cid:143)D\(cid:30)n3.17X.T>J5O;(cid:22)N[f$0:;(cid:20)<B.10Q2@gh;a(cid:140)s;(cid:22)N(cid:24)9J5O2@>(cid:30)RS.T>JNS(cid:130)37@9(cid:30)4Q0:;#<Q2@>(cid:30)R(cid:26)9(cid:30)4:2@>(cid:30)RS(cid:143)s2@;#<B.T<B5Q,(cid:30)2@;#4(cid:145)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)q
&(’d(’eE (cid:130)(cid:135)(cid:146)L(cid:140)6(cid:147)(cid:135)\(cid:30)(cid:130)37@9(cid:30)4Q0:;#<Q2@>(cid:30)RS(cid:146)(cid:135)4Q2*>(RS(cid:140)6(cid:147)(cid:29)I(cid:30)<Q;#4:;(cid:20)>(cid:148)0O.10Q2*gb;#4(cid:149)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:10))(cid:22)&
&(’d(’U (cid:130)(cid:135)(cid:143)s}=]P(cid:147)o(cid:139)!(cid:147)(cid:18)(cid:150)(cid:14)rD\(}(cid:151),(cid:30)2@;#<B.T<B5Q,(cid:30)2X5#.T7z5O7@9(cid:30)4Q0:;#<Q2*>(R(cid:127).17@RbKh<:2@0Q,(cid:30)W(cid:10)9(cid:30)4:2@>(cid:30)R(cid:26)N(cid:24)?(cid:24)>J.1W[2X5(cid:135)WSK(cid:30)N(cid:24);(cid:20)7*2@>(cid:30)R ’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)Fh|
&(’m(cid:144)VL;#>(cid:30)4Q2@0$?hi$kJ.T4:;(cid:22)N^5O7@9(cid:30)4Q0:;#<Q2*>(RSWS;(cid:20)0:,(cid:30)K(cid:30)N(cid:24)4S’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)F(cid:30))
&(’m(’@) V(cid:14)n3(cid:141)(cid:30)(cid:130)3}=rC\1}-N(cid:24);#>(cid:30)4Q2@0$?hi$kJ.T4:;(cid:22)N(cid:26)5O7@9(cid:30)4Q0:;#<Q2@>(cid:30)R(cid:14)WS;#0Q,(cid:30)K(cid:30)NDkJ.T4:;(cid:22)NCKh>(cid:26)5OKb>(cid:30)>(cid:30);(cid:22)5O0Q;(cid:22)N(cid:26)<Q;#Rh2@Kb>(cid:30)4(cid:29)(cid:152)(cid:135)2*0Q,a4Q9(cid:24)(cid:153)(cid:127)5O2@;#>(cid:24)0:7@?D,(2*Rb,
N(cid:134);#>(cid:30)4:2@0$? ’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)F(cid:30))
&(’m(’eF (cid:150)(cid:14)(cid:129)(cid:29)G(cid:135)f:(cid:130)(cid:135)(cid:141)(cid:154)\J(cid:150)L<BN(cid:24);(cid:20)<:2@>(cid:30)RS(cid:129)(cid:137)Kh2@>(cid:24)0:4(cid:135)G(cid:29)K(cid:155)f:N(cid:24);#>(cid:24)0:2(cid:156)M(cid:16)?[0:,(cid:30);D(cid:130)37@9(cid:30)4:0Q;#<:2@>(cid:30)RS(cid:141)(cid:134)0:<:9/5O0:9(cid:30)<Q;(cid:138)’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)FhF
&(’m(’eE V(cid:14)(cid:147)(cid:18)rL(cid:130)(cid:135)(cid:139)!(cid:146)L(cid:147)(cid:135)\J(cid:130)37@9(cid:30)4Q0:;#<Q2*>(R(cid:26)kJ.14Q;(cid:22)N[Kh>PN(cid:24);#>(cid:30)4Q2@0$?(cid:127)N(cid:24)2@4:0Q<:2@k(cid:30)9(cid:30)0Q2@Kh>(cid:26)M 9(cid:30)>J5O0Q2*Kb>(cid:30)4(cid:157)’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)FhE
&(’q(cid:144)(cid:158)(cid:14)<Q2XNbiuk/.14:;_N(cid:127)587*9(4:0:;(cid:20)<:2@>(cid:30)R(cid:26)WS;(cid:20)0:,(cid:30)K(cid:30)N(cid:24)4(cid:159)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)F1U
&(’q(’@) (cid:141)(cid:134)G(cid:135)f:r6(cid:158)(cid:26)\(cid:24)}l(cid:141)(cid:24)0O.10Q2*4Q0:2X5#.T7(cid:131)f$>(cid:24)M(cid:16)Kh<QW(cid:127).T0:2@Kh>S(cid:158)(cid:14)<Q2XN(cid:26)}6I(I(cid:30)<:K(cid:24).h5Q,(cid:145)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)Fhd
&(’q(’eF +(cid:145)._gb;(cid:22)(cid:130)37@9(cid:30)4:0Q;#<(cid:22)\(cid:18)(cid:130)37@9(cid:30)4Q0:;#<Q2@>(cid:30)R(cid:26)9(cid:30)4:2@>(cid:30)R(cid:155)(cid:152)(cid:135)._gh;#7@;#0(cid:135)0Q<B.1>(4$M(cid:16)Kb<:W(cid:127).T0:2@Kh>(cid:160)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)Fhm
&(’q(’eE (cid:130)(cid:135)(cid:139)(cid:154)f:¡(cid:14)(cid:146)6(cid:147)(cid:135)\/(cid:130)37*9(4:0:;(cid:20)<:2@>(cid:30)R(cid:26),(cid:30)2@Rh,(cid:134)i¢N(cid:24)2@W[;#>(cid:30)4:2@Kb>J.17(cid:30)4QIJ.h58;=’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)Fh&
&(’&(cid:144)]^K(cid:30)N(cid:24);(cid:20)7Yi$kJ.T4:;(cid:22)N^5O7@9(cid:30)4Q0:;#<Q2*>(RSWS;(cid:20)0:,(cid:30)K(cid:30)N(cid:24)4£’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)Fhx
&(’x(cid:144)(cid:150)L9(cid:30)0Q7*2@;#<6.T>J.17@?(cid:24)4:2@4P’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)Fhx
&(’x(’@) (cid:141)(cid:134)0B.10Q2@4:0:2X5#.T7!.1I(cid:30)I(<:K(cid:148).b5Q,SM Kh<3Kh9(cid:30)0Q7*2@;#<6N(cid:134);#0:;(cid:22)580:2@Kh>⁄’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)Eh|
&(’x(’eF VL2@4:0O.1>J58;Oiuk/.14:;_N^Kh9(cid:30)0Q7@2*;(cid:20)<(cid:133)N(cid:24);(cid:20)0:;(cid:22)5O0Q2@Kh> ’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)E(cid:30))
&(’x(’eE VL;#g(cid:24)2X.10Q2@Kh>(cid:24)i$kJ.14Q;(cid:22)N(cid:26)Kb9(cid:30)0:7@2@;#<6N(cid:24);(cid:20)0:;(cid:22)5O0Q2@Kh>c’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)EhF
&(’*)_|(cid:145)(cid:141)(cid:24)9(WSW(cid:127).T<:?¥’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’=’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’D’(cid:14)’=’C’=’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’D’(cid:14)’(cid:14)’=’C’=’(cid:14)’D’(cid:14)’(cid:14)’(cid:14)’(cid:151)EhE
)
(cid:0) (cid:1)(cid:3)(cid:2)(cid:5)(cid:4)(cid:7)(cid:6)(cid:8)(cid:2)(cid:5)(cid:4)(cid:10)(cid:9)
(cid:11) (cid:12)(cid:14)(cid:13)(cid:16)(cid:15)(cid:17)(cid:13)(cid:18)(cid:15)(cid:17)(cid:19)(cid:21)(cid:20)(cid:23)(cid:22)(cid:25)(cid:24)(cid:27)(cid:26)(cid:17)(cid:28)(cid:18)(cid:29)(cid:31)(cid:30)! #"$(cid:26)%(cid:29)’&((cid:22)*)(cid:23)+-,*./, 0
1*2436587:9’7<;>=@?BA4CD=FEGABHI9J=F9(cid:25)KJLNM’?BEGAOK(cid:31)ABP-7<9*QGABHR9S=@?’TU9(cid:25)=F?BV(cid:31)QGABQWH@XWYZHRP-[*?47]\_^8=FE‘=ba#cRd‘7De‘EGQ!28282f28282f28282(cid:23)2g2(cid:23)282f2828282 h
1*243I2B3 5i7<9’7<;‘=F?BABC/=FEjA4HI9-HI9JQjEG;jMSe‘EGM*;G7/K(cid:21)K’=FE‘=k282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 h
1*243I2ml T#nRnI;G7<n(cid:31)=FEGABHI9J=F9(cid:25)KJ=@[’[’;jHD\oABPp=FEGABHI9bAB9-Qj[S=FEjAO=F?q=F9(cid:25)K-PrM*?4EjABPr7/K(cid:31)AO=8K’=FE‘=fnI7<9’7<;‘=F?BABC/=FEjA4HI9s282(cid:23)2g2(cid:23)282f2828282 t
1*243I2mh 5i7<9’7<;‘=F?BABC/=FEjA4HI9-H@XuHRcRd]7/e‘EUAOK(cid:31)7:9vEjAxwS7<;GQ8=F9SKye‘?O=FQjQ>zFQjM’c$e‘?O=FQGQ#{’AB7<;>=@;>ej{’AB7<Q|28282f28282f28282(cid:23)2g2(cid:23)282f2828282 }
1*243I2t 5i7<9’7<;‘=F?BABC/=FEjA4HI9-HI9JAB9’{*7<;GABEG7DKJ=@9SKpK(cid:31)7<;jA4~I7/Ky[’;GHI[S7:;GEGAB7<Q(cid:127)2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 }
1*243I2m} 5i7<9’7<;‘=F?BABC/=FEjA4HI9-HI9Ne]?(cid:128)=@QGQUe‘HIP-[(cid:25)HRQjA4EjABHR9r{’AB7<;‘=F;>ej{’AB7<Q(cid:129)282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 }
1*243I2m(cid:130) YZ?O=@QGQ(cid:132)(cid:131)(cid:132)cS=@QG7/KynR7:9’7<;>=@?BA4CD=FEGABHI9N=@9SKrPyAB9’AB9’nfHRcRd]7/e‘EUK’=@E>=re‘M’c(cid:25)7<Q(2f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:130)
1*2lkLpAB9’AB9’nr(cid:133)(cid:31)[S=@EGAO=F?q^8=@E>=Fc(cid:25)=FQG7:Q(cid:134)2g2(cid:23)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:130)
1*2l*2B3 (cid:133)o[S=FEjA(cid:128)=@?qK’=FE‘=be]M’cS7(e‘HR9’QjEG;jMSe‘EGABHI9(cid:135)=F9SKyQj[S=FEjA(cid:128)=@?qa8(cid:136)$T(cid:23)(cid:137)(cid:138)2f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139)
1*2l*2ml (cid:133)o[S=FEjA(cid:128)=@?qej{S=F;‘=Re‘Ej7<;GABC/=@EGABHR9(cid:140)2f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139)
1*2l*2mh (cid:133)o[S=FEjA(cid:128)=@?q=FQjQGH’e‘AO=FEjA4HI9J=@9S=F?BV(cid:31)QGABQ(cid:141)28282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139)
1*2l*2t (cid:133)o[S=FEjA(cid:128)=@?qe‘?O=FQjQGAxw(cid:142)e<=@EGABHR9p=F9SKy[’;j7/K(cid:31)AOe‘EGABHI9 2f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139)
1*2l*2m} (cid:133)o[S=FEjA(cid:128)=@?qe‘?BM’QGEj7<;GAB9’nrPy7<EG{*HoKoQ(cid:143)2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139)
1*2hkLpAB9’AB9’n((cid:144)(cid:145)ABP-7‘(cid:131)G(cid:133)(cid:31)7<;jAB7<Q(cid:143)^8=@E>=Fc(cid:25)=FQG7:QU=F9SKy(cid:144)(cid:17)7<P-[(cid:25)HR;‘=F?$^8=FE>=@cS=FQj7<Q(cid:146)2f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139)
1*2h*2B3 (cid:133)oA4PyAB?(cid:128)=@;GABE(cid:132)V8QG7/=@;>ej{sAB9pEGABP-7](cid:131)(cid:147)Qj7<;GAB7<QU=@9S=F?BV(cid:31)QGABQ(cid:148)2(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139)
1*2h*2ml (cid:144)(cid:17);j7<9SKp=F9S=@?BVvQjABQ(cid:149)282(cid:23)2g2(cid:23)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139)
1*2h*2mh (cid:137)(cid:150)7<;jABHoKoA(cid:128)e]A4E(cid:132)V-=@9S=F?BV(cid:31)QGABQU2g2(cid:23)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139)
1*2h*2t (cid:133)o7/(cid:151)IM’7<9(cid:31)EGAO=F?$[(cid:25)=FEGEj7<;G9(cid:152)P-AB9’AB9’n(cid:153)2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:139)
1*2h*2m} (cid:137)(cid:154)?(cid:128)=@9-PyA49*A49*nfc(cid:31)V-K(cid:31)AB~vAOK(cid:31)7](cid:131)(cid:155)=@9SKI(cid:131)Ge‘HR9S(cid:151)IM’7:;-282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156)
1*2t LpAB9’AB9’n((cid:144)(cid:17)7‘\’EU^8=FE>=@cS=FQj7<Q(cid:145)282(cid:23)2g2(cid:23)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156)
1*2t(cid:25)2B3 (cid:144)(cid:17)7‘\’EUK’=@E>=(=F9S=@?BVvQjABQ(cid:143)=@9SKyA49oX(cid:18)HR;jPJ=FEjABHR9(;G7<Ej;GAB7<~R=F?(cid:145)2f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156)
1*2t(cid:25)2ml (cid:157)#7<V(cid:31)(cid:158)ZHR;‘KI(cid:131)(cid:147)c(cid:25)=FQG7DKs=FQjQGH’e‘AO=FEjA4HI9J=@9S=F?BV(cid:31)QGABQ(cid:145)282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156)
1*2t(cid:25)2mh ^#H’e‘M’Py7<9(cid:31)E(cid:143)e]?(cid:128)=@QGQjA(cid:159)w$e<=FEjA4HI9s=F9S=@?4V(cid:31)QjA4Q(cid:148)28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156)
1*2t(cid:25)2t T#M’EGHIPJ=@EG7/K_7‘\’EG;>=Ie‘EGABHI9JH@XuQjEG;GM(cid:25)e‘EGM’;j7<QfAB9-Ej7‘\’E(cid:23)K(cid:31)H’e‘M*P-7<9(cid:31)EGQ(cid:14)282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156)
1*2}kLpAB9’AB9’nrLpM’?BEjA4Py7/K(cid:31)AO=8^8=FE>=@cS=FQj7<Qb282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156)
1*2}*2B3 (cid:133)oA4PyAB?(cid:128)=@;GABE(cid:132)V8QG7/=@;>ej{sAB9pPrM’?BEGABPr7/K(cid:31)AO=8K’=@E>=(cid:7)2f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156)
1*2}*2ml LNM’?BEGAx(cid:131)(cid:155)KoA4Py7<9’QjA4HI9S=F?(cid:25)=F9S=@?4V(cid:31)QjA4QZHFX(cid:17)PrM’?BEGABPr7/K(cid:31)AO=8K’=@E>=6282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156)
1*2}*2mh LNA49*A49*n(cid:160)=@QGQGH’e‘AO=@EGABHR9’Q(cid:145)AB9yPrM’?BEGABPr7/K(cid:31)AO=8K’=FE‘=(cid:5)2(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156)
1*2(cid:130)kLpAB9’AB9’n(EG{*7(cid:23)¡(cid:27)HI;G?OKI(cid:131)(cid:132)¡¢AOK(cid:31)7‘(cid:131)(cid:132)¡(cid:27)7<c£282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 (cid:156)
1*2(cid:130)*2B3 ¡(cid:27)7:c-P-AB9’AB9’n(=F9SKy=re‘?O=FQGQjAxw(cid:142)e<=FEjABHR9pHFX(cid:17)¡(cid:27)7<cpP-AB9’AB9’n8E>=@QG⁄(cid:31)Q-28282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 1
1*2(cid:130)*2ml ¡(cid:27)7:c-M’Q‘=FnR7gP-AB9’AB9’n¥2g2(cid:23)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 1
1*2(cid:130)*2mh ¡(cid:27)7:c-QGEj;GMSe]EGM’;j7bPyA49*A49*n(cid:8)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 1
1*2(cid:130)*2t ¡(cid:27)7:cJe‘HI9vEj7<9(cid:31)EUPyA49*A49*nƒ2(cid:23)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 1
1*2(cid:139)k(cid:133)(cid:31)M*P-PJ=@;GV(cid:149)28282f28282f28282(cid:23)2g2(cid:23)282f2828282f28282f282(cid:23)282f28282f2828282f282(cid:23)2g2(cid:23)28282f28282f28282(cid:23)2g2(cid:23)282f2828282 1
3
(cid:0) (cid:1)(cid:3)(cid:2)(cid:5)(cid:4)(cid:7)(cid:6)(cid:8)(cid:2)(cid:5)(cid:4)(cid:10)(cid:9)
(cid:11)(cid:13)(cid:12)(cid:15)(cid:14)(cid:17)(cid:16)(cid:13)(cid:18)(cid:19)(cid:16)(cid:15)(cid:20)(cid:22)(cid:21)(cid:24)(cid:23)(cid:25)(cid:21)(cid:24)(cid:23)(cid:27)(cid:26)(cid:15)(cid:28)(cid:30)(cid:29)(cid:27)(cid:29)(cid:27)(cid:31)(cid:24)(cid:21)! "(cid:16)(cid:13)(cid:18)#(cid:21)(cid:24)$(cid:13)(cid:23)&%’(cid:16)(cid:13)(cid:23)&(*)&+-,.(cid:23)&((cid:27)%/(cid:21)0(cid:23)1(cid:14)(cid:17)(cid:16)(cid:13)(cid:18)(cid:19)(cid:16)2(cid:20)(cid:22)(cid:21)(cid:24)(cid:23)(cid:27)(cid:21)0(cid:23)(cid:27)(cid:26) 3
4(cid:19)5(cid:13)674(cid:15)8/9-:;9=<?>A@B>A@BC=D’E(cid:13)E(cid:13)F7>HGI9-:J>AKL@(cid:13)MN6O6P6/6Q6/6/6/6Q6/6/6Q6/6P6/6Q6/6/6Q6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R
4(cid:19)5(cid:13)674S674NTVUBMW:WKLXY>7ZI[#\(cid:17)8/9-:]9^<_>7@(cid:13)>7@(cid:13)C^‘(cid:27)KaKLF7M&b0KLcd8’KSXe9">7@.fhgiEj[#Gk>mlnGVDdE(cid:13)E(cid:13)F7>HGI9":W>7KS@(cid:13)M16/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R
4(cid:19)5(cid:13)674S6porqs@.:J[IF7FA>7CL[I@.:ut’U(cid:13)[IcJv_Dd@(cid:13)MJwx[IcJ>7@(cid:13)C(cid:30)wy>7:Wz{8/9-:]9^<_>7@(cid:13)>7@(cid:13)C^‘(cid:27)[#GJz(cid:13)@(cid:13)>H|LU(cid:13)[IM}6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R
4(cid:19)5(cid:13)6po(cid:127)~’:WzB[Icd‘yz(cid:13)[(cid:128)XY[IMyKL@e8/9-:;9(cid:30)<_>7@(cid:13)>7@(cid:13)C(cid:129)6Q6/6/6/6Q6/6/6Q6/6P6/6Q6/6/6Q6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R
4(cid:19)5(cid:13)6po(cid:13)6741(cid:130)’>7MWUj9"F(cid:131)9-@j\_9-U(cid:132)\.>7K(cid:133)\(cid:13)9":]9OXY>7@(cid:13)>7@(cid:13)C(cid:134)6/6Q6/6/6Q6/6P6/6Q6/6/6Q6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R
4(cid:19)5(cid:13)6po(cid:13)6po(cid:135)gBG;>7[I@.:W>(cid:136)l(cid:137)G/\(cid:13)9-:;9^XY>7@(cid:13)>7@(cid:13)C(cid:138)6/6Q6/6/6/6Q6/6/6Q6/6P6/6Q6/6/6Q6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R
4(cid:19)5(cid:13)6po(cid:13)6pR(cid:135)TVKLXYX(cid:17)[Ic]G;>H9"Fj8/9-:]9^<_>7@(cid:13)>7@(cid:13)C(cid:30)g.v.MW:J[IXYMy9-@j\_(cid:139)(cid:27)cJKS:JKS:sv.Ej[(cid:128)M(cid:140)6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R
4(cid:19)5(cid:13)6pR(cid:127)g.K(cid:13)G;>H9"FnqsXYEj9LG;:WMVK-bx8/9-:;9=<_>7@(cid:13)>7@(cid:13)C(cid:141)6Q6/6/6/6Q6/6/6Q6/6P6/6Q6/6/6Q6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 R
4(cid:19)5(cid:13)6(cid:142)(cid:127)‘(cid:27)cW[(cid:128)@j\.MP9"@j\Y(cid:143)(cid:144)[IMW[(cid:19)9-c]GJz{qsMJMWU(cid:13)[(cid:128)MP>7@_8P9":]9^<_>7@(cid:13)>7@(cid:13)C(cid:145)6Q6/6P6/6Q6/6/6Q6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 (cid:142)
4(cid:19)5(cid:13)6p(cid:146)(cid:127)g.UBXYXe9"cWv(cid:138)6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6Q6/6/6Q6/6P6/6Q6/6/6Q6/6/6/6Q6/6P6O6P6/6/6Q6/6/6Q6/6/6P6O6P6/6Q6/6/6/6 (cid:142)
4
