Examen des méthodologies de risque

Nom : Fabián P´erez L´opez.

Date : 26 janvier 2019.
Instructions:

■ L'examen doit être complété en moins de 60 minutes.

■ Répondez à ce qui est demandé pour chaque point, y compris les hypothèses utilisées. Si vous ne
connaissez pas de définition pour les questions 4 et 5, inventez-la, définissez-la et utilisez-la selon sa
définition.

■ Un nombre ne vaut pas de réponse si la logique utilisée n’est pas incluse.

Question 1 Définition formelle de la dérivée d'une fonction f. La fonction f est différentiable en a si

f(a+h) -f(a) lım

h→0 h Ça
existe.
Dans ce cas, la limite est désignée par f (a) et est appelée la dérivée de f dans a. On dit aussi que f est
0

différentiable si f est différentiable en a pour tout a dans le domaine de f.

Question 2 Intuitivement (pas formellement), que représente la dérivée seconde d'une fonction ? À titre informel,
nous disons qu'une fonction f est convexe sur un intervalle, si pour tout a et b de cet intervalle, le segment
rectiligne qui joint (a, f (a)) à (b, f (b )) est au-dessus du graphique de f (graphique en forme de ∪) ; La fonction f
est concave si ledit segment rectiligne est en dessous du graphe de f (graphe en forme de ∩). Ainsi, si f > 0 cela
00

signifie que f est croissant, et d'après les théorèmes du calcul élémentaire, f est convexe. Sinon, si f < 0, f est
0 00 0

décroissante et donc f est concave. C’est ce que représente la dérivée seconde d’une fonction f. Une utilisation
importante de la dérivée seconde pour localiser les maxima et les minima est le théorème suivant, que nous
énoncés formellement.
Supposons que f (a) = 0. Si f (a) > 0, alors f a un minimum local en a ; si f (a) < 0, alors f a un maximum local
0 00 00

en a.

Question 3 Qu'est-ce qu'une fonction de vraisemblance et quelle est son utilisation dans l'estimation des
paramètres ? Avant la réponse, le lecteur est mis en contexte pour une meilleure compréhension de la définition
qui sera donnée prochainement.
Un modèle statistique F est un ensemble de distributions (ou de densités ou de fonctions de régression). Un
modèle paramétrique est un ensemble F paramétrable par un nombre fini de paramètres. Par exemple, si nous
supposons que les données proviennent d'une distribution ni faux, alors le modèle est

F = f (x; µ, σ) = σ√2π exp - 2σ (x-µ)

2
2
: µ ∈ R, σ > 0 .

Il s'agit d'un modèle à deux paramètres. Nous avons écrit la densité sous la forme f (x; µ, σ) pour montrer que x
est une valeur de la variable aléatoire, tandis que µ et σ sont des paramètres. En général, un modèle
paramétrique prend la forme

F = {f(x; θ) : θ ∈ Θ}

où θ est un paramètre inconnu (ou vecteur de paramètres) pouvant prendre des valeurs dans l'espace des
paramètres Θ.

1
Essentiellement, le principe du maximum de vraisemblance suppose que l'échantillon est représentatif de la
population et choisit comme estimateur la valeur du paramètre qui maximise la fonction de densité de probabilité
(ci-après pdf) f(x; θ ). Nous donnons ci-dessous la définition de la fonction de vraisemblance.
Soit (X 1 , . . . , X n ) un vecteur aléatoire de pdf f (x 1 , . . . , xn ; θ), θ ∈ Θ. La fonction

L(θ; x 1 , . . . , x n ) = f(x 1 , . . . , xn ; θ)

considérée en fonction de θ, on l’appelle fonction de vraisemblance.

Si X , . . . , X sont indépendants et identiquement distribués (ci-après iid) avec pdf f (x; θ), la fonction de
1 n

vraisemblance est

L(θ; x 1 , . . . , x n ) = f(x je ; θ).

je = 1

D'autre part, soit Θ ⊆ R et X = (X , . . . , X ). La fonction de vraisemblance permet, à partir d'elle, de trouver un

k
1 n

estimateur Θ(X) qui la maximise, c'est-à-dire de trouver une fonction Θ ˆ : R → R qui satisfait n k

L(θ; x , . . . , x ) = sup L(θ; x , . . . ,x ).

1 n 1 n (1)
θ∈Θ

Les constantes ne sont pas prises en charge comme estimateurs. Si un θ qui satisfait (1) existe, nous l’appelons
estimateur du maximum de vraisemblance (ci-après MLE).

Question 4 Vous disposez d'un portefeuille de crédits, le portefeuille n'est composé que de 3 crédits à une
certaine date de référence f 1 et vous savez que tous les crédits ont une maturité inférieure ou égale à un an non
plus ; Ce portefeuille est suivi pendant les 12 mois suivant la date de référence et la répartition des défauts
suivante est observée :

■ Le crédit 1 ne fait pas défaut,

■ Crédit 2 par défaut au mois 11,

■ Crédit 3 par défaut au cours des mois 4 et 9 (par défaut 2 fois dans l'année).

Avec les informations ci-dessus, obtenez la meilleure estimation possible de la probabilité qu’un prêt fasse défaut
l’année prochaine.
Comme mentionné dans le problème 3, le principe du maximum de vraisemblance suppose que l'échantillon est
représentatif de la population et choisit comme estimateur la valeur du paramètre qui maximise af (x; θ). On
suppose que les mensualités de chaque crédit sont indépendantes.
Considérons la variable aléatoire X ij = 0 si le prêt i fait défaut au cours du mois j (i = 1, . . . , 3, j = 1, . . . , 12) ou X
i j = 1 si le prêt i est dû au cours du mois j ; Soit p la probabilité de réaliser ou de payer. Ensuite, nous écrivons la

fonction de vraisemblance en fonction de l'échantillon de gains fourni par le problème (X = (X 11 . . . , X 3 12 )).

2
 3 12
L(p,X) = AA p x ij
(1 - p) 1-x ij

je=1 j=1
= p (1 - p) p (1 - p) p (1 - p)
12 0 11 1 10 2

= p (1 - p) .33 3

Observant que maximiser L(p, X) équivaut à maximiser log(L(p,

log(L(p, X)) = log(p (1 - p) ) 33 3

= 33 log(p) + 3 log(1 - p).

Par conséquent
d
(log(L(p,X)))= 33 - 3

dp p1-p (2)

Donc
d
d
(log(L(p, X))) = dp
↔ 0
33 3
p 1p
↔
p= 0
1p
↔
33
p=
3

Par conséquent, la probabilité qu’un prêt soit en défaut l’année 11

.
prochaine est 12
11 1
1-p=1- .
12 12
Afin de confirmer que p =1
1 est un maximum pour la fonction de vraisemblance et en faisant appel au
1
2

théorème mentionné à la fin du problème 2, nous dérivons à nouveau l'équation (2).

d
2
33 3
(log(L(p, X))) dp
page 2
(1-p) 2

= - / 33 3N
page (1-p) 2 2

< 0 ∀p ∈ (0, 1).

En particulier, cette dérivée est négative pour p = 1

1
1
2 , confirmant ainsi que cette valeur est un maximum pour la
fonction de vraisemblance énoncée précédemment.

Question 5 On sait que la probabilité qu'un prêt d'une maturité de 6 mois diminue pla dans les 6 prochains mois
est p 1 (0 < p 1 < 1), quelle est la probabilité que ce prêt fasse défaut l'année prochaine ?

Question 5 On sait que la probabilité qu'un prêt arrivant à échéance dans 6 mois soit en défaut au cours des 6
prochains mois est p (0 < p < 1). Quelle est la probabilité que ce prêt fasse défaut l’année prochaine ?
Je suppose que cela a à voir avec des questions de probabilité de défaut ; Il ne m'a pas été possible de le
modéliser tel quel.

3
Question 6 On a 2 vecteurs x et y, tels que

[x 1 , . . . , x n ] [y , . . . , et ]
1 m

où m et n sont des entiers positifs différents, les deux vecteurs sont ordonnés de telle sorte que x ≤ x 2 ≤ . . . ≤ x
1

n yy 1 ≤ y 2 ≤ . . . ≤ et m . Créez un pseudocode pour joindre les deux vecteurs en un seul vecteur w qui contient

les deux vecteurs classés par ordre croissant, c'est-à-dire w = [w 1 , w 2 , . . . , w m+n ] tel que w i soit un élément
de x ou i soit un élément de y. De plus, le vecteur w doit satisfaire à ce que w ≤ w ≤ . . . w . Astuce : utilise le
1 2 m+n

fait que les deux vecteurs sont ordonnés.

Définir et initialiser le vecteur w de longueur m+n

w = (0,...,0)

Initialiser les compteurs i et j

je = 1
j=1

while(i <= longueur(x) et j <= longueur(y))

{
si (x[i] <= y[j])
{
w[i+j-1] = x[i] Attribuer une valeur à l'entrée i+j-1
i = i + 1 Compteur d'incréments

au contraire

w[i+j-1] = y[j] j=j+1

Les valeurs éventuellement restantes sont ajoutées à w étant donné que les deux vecteurs, x et y, sont de
longueurs différentes. Puisque les vecteurs x et y ont déjà été triés, ces valeurs restantes n'ont plus besoin d'être
triées.

pendant que(i <= longueur(x))

{
w[i+j-1] = x[i] i=i+1
}

tandis que (j <= longueur (y))

{
w[i+j-1] = y[j]
j=j+1
}