Duration models - Exercises 1

Exercise 1.
Corrigé dans les vidéos.

Exercise 2.
Idem.

Exercise 3.

1. Le plus simple est de passer par la fonction de survie. On a, pour t ≥ u,

P(T ≥ t, T ≥ u) P(T ≥ t)
P(T ≥ t|T ≥ u) = = .
P(T ≥ u) P(T ≥ u)
Ce qui donne :  u α
P(T ≥ t|T ≥ u) = ,
t
donc une Pareto de paramètres α et u.
2. Pour le taux de risque instantané,
f (t) α
µ(t) = = .
S(t) t
Pour ce qui est de qx ,
 Z x+1 
S(x + 1)
qx = 1 − = 1 − exp − µ(t)dt ,
S(x) x

formules qu’il n’est peut-être pas idiot de leur faire remontrer. Du coup,
 α
x
qx = 1 − exp (α ln(x/(x + 1))) = 1 − .
x+1
Quelques remarques : si α est important, la variable de Pareto peut prendre de grandes
valeurs mais sans que ce soit dramatique (elle a plusieurs moments finis). Ce qui se
retrouve dans le risque, et dans qx . Si α est grand, qx va devenir assez proche de 1, et
donc on va avoir des durées en général moins importantes que si α était petit. Autre
remarque, qx tend vers 0 quand x tend vers l’infini.
3. Premier écueil : pour pouvoir répondre à cette question, il faut que α soit supérieur à 1,
sinon l’espérance de T ne sera pas finie. En utilisant la question 1,
Z ∞   ∞
x α α −(α − 1) α−1
E[T |T ≥ x] = x + dt = x + x α−1
= x + α−1 .
x t t x x
D’où
α−1
e(x) = .
xα−1
4. Non. Pour la vie humaine, on sait bien que l’on a plus de risque de mourir dans l’année
quand on est vieux que quand on est jeune. Or ici, µ(t) est décroissant avec t, de même
qx qui tend vers 0. On est dans un phénomène dit de rajeunissement. Plus du temps a
passé avant survenance de l’événement, moins il y a de chance que l’événement se produise
dans l’instant. En revanche, on peut quand même utiliser la loi de Pareto pour certains
phénomènes de durée. L’exemple le plus classique c’est la durée passée au chômage :
plus une personne est écartée depuis longtemps du marché de l’emploi, moins elle a de
chances de trouver un job. Donc la loi de Pareto pourrait être un candidat recevable pour
modéliser ce type de phénomènes.
Exercise 4.

1. T = (durée d’intérêt) temps entre infection et guérison du malade. C = durée avant

fin d’observation pour une autre cause que la guérison (exemple : fin de l’observation,
transfert dans un autre hôpital, rupture d’information en provenance d’un service, décès).
Ici, le décès peut être considéré comme une cause de censure ou alors dire que pour les
individus décédés, T = +∞. La variable τ, c’est la durée qui s’est écoulée entre la date
d’infection (qui est, pour simplifier, la date à laquelle le patient entre à l’hôpital) et la
date d’entrée en observation (ici le 1er décembre 2013). Y, c’est le temps qui s’est écoulé
entre l’infection et la fin d’observation.
2. Dans ce deuxième cas, idem, mais plus de troncature : comme on observe toute la période
d’épidémie, il est impossible d’avoir dans la base des gens qui auraient contractés la
maladie avant le début de l’observation.
3. T = durée avant résiliation du contrat. C = temps entre l’achat du contrat et la fin
d’observation. Pas de troncature, puisqu’on observe tous les contrats achetés en 2013,
étant donnée la longueur de la période d’observation.
4. Les individus concernés sont des données manquantes.
5. On introduit de la troncature, puisqu’on n’observe pas tous les achats de contrats de
2013. τ = durée entre l’achat du contrat et le début de la période d’observation.
6. Cette fois-ci, on supprime la troncature, parce que tous les contrats souscrits en 2013
sont encore actifs début 2014.

Exercise 5.

1. Calcul simple, le taux de risque instantané est constant, égal à λ. Ce n’est donc pas
adapté à décrire la mortalité humaine (pas de vieillissement). En revanche, c’est parfois
utilisé pour décrire la durée de vie de composants électroniques, qui sont peu sensibles
au vieillissement.
2. Y suit une loi exponentielle de paramètre λ + µ. Plusieurs façons de le montrer, le plus
simple étant d’écrire la fonction de survie et d’utiliser l’indépendance.
1
3. Loi des grands nombres : m̂1 converge vers E[Y ] = λ+µ .
4. On a

M (φ) = E [1T ≤C φ(T )]

= E [E [1T ≤C φ(T )|T ]]
= E [φ(T )E [1T ≤C |T ]] .

Calculons
E [1T ≤C |T = t] = E [1t≤C |T = t] = 1 − G(t−),
où G(t) = P(C ≤ t), en utilisant l’indépendance de T et C. D’où

M (φ) = E [φ(T ) exp(−µT )] .

5. On utilise la question précédente pour justifier que 1/n fois le numérateur converge vers
E[T exp(−µT )], et le dénominateur vers E[exp(−µT )]. Chacune de ces deux espérances
se calcule de façon simple :
λ 1
E[T exp(−µT )] = × ,
λ+µ λ+µ
et
λ
E[exp(−µT )] = .
λ+µ
 1
D’où la convergence vers λ+µ . Cet exercice est censé vous sensibiliser sur le fait que, si
on veut estimer l’espérance d’une variable censurée, si on jette les observations censurées
(ou si on ne tient pas compte de la censure), on sous-estime l’espérance de T. Négliger la
censure revient à ne pas tenir compte d’une sous-représentation des grandes valeurs dans
l’échantillon (puisqu’elles ont plus de chances d’être censurées).