Académique Documents
Professionnel Documents
Culture Documents
■ 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.
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
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)
vraisemblance est
estimateur Θ(X) qui la maximise, c'est-à-dire de trouver une fonction Θ ˆ : R → R qui satisfait n k
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 :
■ 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
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
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
d
2
33 3
(log(L(p, X))) dp
page 2
(1-p) 2
= - / 33 3N
page (1-p) 2 2
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
au contraire
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.