Exame de Metodologias de Risco

Nome: Fabi´an P´erez L´opez.

Data: 26 de janeiro de 2019.
Instruções:

■ O exame deve ser concluído em menos de 60 minutos.

■ Responda o que é solicitado em cada ponto, incluindo quaisquer suposições utilizadas. Se você não
conhece uma definição para as questões 4 e 5, invente-a, defina-a e use-a de acordo com sua definição.

■ Um número não vale uma resposta se a lógica utilizada não estiver incluída.

Questão 1 Definição formal da derivada de uma função f. A função f é diferenciável em um if

f(a+h) -f(a) lim

h→0 h existe.

Neste caso o limite é designado por f (a) e é chamado de derivada de f em a. Dizemos também que f é
0

diferenciável se f é diferenciável em a para todo a no domínio de f.

Questão 2 Intuitivamente (não formalmente), o que representa a segunda derivada de uma função? Como uma
revisão informal, dizemos que uma função f é convexa em um intervalo, se para todos a e b deste intervalo, o
segmento retilíneo que une (a, f (a)) com (b, f (b)) é acima do gráfico de f (gráfico em forma de ∪); A função f é
côncava se o referido segmento retilíneo estiver abaixo do gráfico de f (gráfico em forma de ∩). Assim, se f > 0
00

significa que f é crescente e, pelos teoremas do cálculo elementar, f é convexo. Caso contrário, se f < 0, f é
0 00 0

decrescente e, portanto, f é côncavo. Isto é o que representa a segunda derivada de uma função f. Um uso
importante da segunda derivada na localização de máximos e mínimos é o seguinte teorema, que enunciamos
formalmente.
Suponha que f (a) = 0. Se f (a) > 0, então f tem um mínimo local em a; se f (a) < 0, então f tem um máximo
0 00 00

local em a.

Questão 3 O que é uma função de verossimilhança e qual é a sua utilização na estimativa de parâmetros? Antes
da resposta, o leitor é contextualizado para melhor compreensão da definição que será dada em breve.
Um modelo estatístico F é um conjunto de distribuições (ou densidades ou funções de regressão). Um modelo
paramétrico é um conjunto F que pode ser parametrizado por um número finito de parâmetros. Por exemplo, se
assumirmos que os dados vêm de uma distribuição nor errado, então o modelo é

F = f (x; µ, σ) = σ√2π exp - 2σ (x-µ)

2
2
: µ ∈ R, σ > 0 .

Este é um modelo de dois parâmetros. Escrevemos a densidade como f (x; µ, σ) para mostrar que x é um valor
da variável aleatória, enquanto µ e σ são parâmetros. Em geral, um modelo paramétrico assume a forma

F = {f(x; θ): θ ∈ Θ}

onde θ é um parâmetro desconhecido (ou vetor de parâmetros) que pode assumir valores no espaço de
parâmetros Θ.
Essencialmente, o princípio da máxima verossimilhança assume que a amostra é representativa da população e
escolhe como estimador o valor do parâmetro que maximiza a função de densidade de probabilidade (doravante
pdf) f(x; θ ). Abaixo damos a definição da função de verossimilhança.

1
Seja (X 1 , . . . , X n ) um vetor aleatório com pdf f (x 1 , . . . ,x n ; θ), θ ∈ Θ. A função

eu(θ; x 1 , . . . , x n ) = f(x 1 , . . . ,x n ; θ)

considerada como uma função de θ, é chamada de função de verossimilhança.

Se X , . . . , X são independentes e distribuídos de forma idêntica (doravante iid) com pdf f (x; θ), a função de
1 n

verossimilhança é

eu(θ; x 1 , . . . , x n ) = f( xi ; θ).
eu=1

Por outro lado, sejam Θ ⊆ R e X = (X , . . . , X ). A função de verossimilhança é utilizada para, a partir dela,
k
1 n

encontrar um estimador Θ(X) que a maximize, ou seja, encontrar uma função Θ ˆ : R → R que satisfaça
n k

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

1 n 1 n (1)
θ∈Θ

Constantes não são suportadas como estimadores. Se existir um θ que satisfaça (1), chamamos-lhe estimador
de máxima verossimilhança (doravante MLE).

Questão 4 Tem uma carteira de crédito, a carteira é composta apenas por 3 créditos numa determinada data de
referência f 1 e sabe que todos os créditos têm maturidade inferior ou igual a um ano; Esta carteira é
monitorizada durante os 12 meses seguintes à data de referência e observa-se a seguinte distribuição de
incumprimentos:

■ O crédito 1 não entra em default,

■ O crédito 2 entra em default no mês 11,

■ O crédito 3 entra em default nos meses 4 e 9 (paira 2 vezes no ano).

Utilizando as informações acima, obtenha a melhor estimativa possível da probabilidade de um empréstimo

entrar em incumprimento no próximo ano.
Conforme mencionado no problema 3, o princípio da máxima verossimilhança assume que a amostra é
representativa da população e escolhe como estimador o valor do parâmetro que maximiza af (x; θ). Presume-se
que os pagamentos mensais de cada crédito são independentes.
Considere a variável aleatória X ij = 0 se o empréstimo i entrar em default no mês j (i = 1, . . . , 3, j = 1, . . . , 12)
ou X j = 1 se o empréstimo i vence no mês j; Seja p a probabilidade de cumprir ou pagar. Em seguida,
i

escrevemos a função de verossimilhança de acordo com a amostra de payoffs que o problema fornece (X = (X 11
. . . , X 3 12 )).

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

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

= p (1 - p) .33 3

Observando que maximizar L(p, X) é equivalente a maximizar log(L(p,

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

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

Por consequência
d
(log(L(p,X)))= 33 - 3

DP p1-p (2)

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

Portanto, a probabilidade de um empréstimo entrar em 11

.
incumprimento no próximo ano é 12
11 1
.
1-p=1-
12 12
Para confirmar que p =1
1é um máximo para a função de verossimilhança e recorrendo ao teorema
1
2

mencionado no final do problema 2, derivamos a equação (2) mais uma vez.

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

= - / 33 3N
página 2
(1 - p) 2

< 0 ∀p ∈ (0, 1).

Em particular, esta derivada é negativa para p = , confirmando assim que este valor é um máximo para a
1
1
1
2

função de verossimilhança declarada anteriormente.

Questão 5 Sabe-se que a probabilidade de um empréstimo com maturidade de 6 meses cair pla nos próximos 6
meses é p 1 (0 < p 1 < 1), qual é a probabilidade de esse empréstimo entrar em default no próximo ano?

Questão 5 Sabe-se que a probabilidade de um empréstimo com vencimento em 6 meses entrar em

incumprimento nos próximos 6 meses é p (0 < p < 1). Qual é a probabilidade de esse empréstimo entrar em
default no próximo ano?
Suponho que tenha a ver com questões de probabilidade de inadimplência; Não me foi possível modelá-lo como
tal.

3
Questão 6 Temos 2 vetores x e y, tais que

[x 1 , . . . , x n ] [y , . . . e ]
1 eu

onde m e n são inteiros positivos diferentes, ambos os vetores são ordenados de modo que x ≤ x 2 ≤ . . . ≤ x n yy
1

1 ≤ y 2 ≤ . . . ≤ e m . Crie um pseudocódigo para unir os dois vetores em um único vetor w que contém os dois

vetores ordenados em ordem crescente, ou seja, w = [w 1 , w 2 , . . . , w m+n ] tal que w i é um elemento de x ou i é

um elemento de y. Além disso, o vetor w deve satisfazer que w ≤ w ≤ . . .
1 2 . Dica: Usa o fato de que ambos
wm+n

os vetores estão ordenados.

Definir e inicializar o vetor w de comprimento m+n

w = (0,...,0)

Inicialize os contadores i e j
eu=1
j=1

while(i <= comprimento(x) e j <= comprimento(y))

{
se(x[i] <= y[j])
{
w[i+j-1] = x[i] Atribuir valor à entrada i+j-1
i = i + 1 Contador de incremento

pelo contrário

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

Os valores que possivelmente sobraram são somados a w dado que os dois vetores, x e y, têm comprimentos
diferentes. Como os vetores x e y já foram ordenados, esses valores restantes não precisam mais ser
ordenados.

enquanto(i <= comprimento(x))

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

enquanto(j <= comprimento(y))

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