Modelos Multivariados

Sesin 1: Una introduccin a Cpulas

Preparado por:
Marcelo Rodrguez - Juan Carlos Saavedra
Profesor:
Dr. Moreno Bevilacqua
Instituto de Estadstica
Universidad de Valparaso
Doctorado en Estadstica
Valparaso, Chile, 17 de Noviembre de 2014

Contenidos

Definicin formal de cpula

Teorema de Sklars

Cpulas y variables aleatorias

La cpula Arquimidiana

La clula emprica

Copula elptica

Definicin formal de cpula

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Introduccin
El trmino cpula, introducido por Sklars en 1959, son herramientas para el estudio de la estructura de dependencia
de distribuciones multivariantes.
La funcin de distribucin conjunta habitual contiene la informacin tanto sobre el comportamiento marginal de las
variables aleatorias individuales y sobre la estructura de dependencia entre las variables. La cpula se introduce para
desacoplar las propiedades marginales de las variables aleatorias y las estructuras de dependencia.
Una cpula mdimensional es una funcin de distribucin
conjunta con todas las distribuciones marginales de ser uniforme estndar. La notacin comn para una cpula es C(u1 ,
. . . , um ).
Puede existir evidencia emprica que respalda que los supuestos de independencia no se cumplen, el concepto de cpula
es de gran ayuda para hacer frente a estos problemas.
mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

4/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Subcpula bi-dimensional con dominio en I2

Definicin:
Una sub-cpula bi-dimensional (o 2-subcpula) es un funcin C 0
con las siguientes propiedades:
1

Es una funcin con dominio Dom C 0 = S1 S2 , donde S1 y

S2 son subconjuntos de I = [0; 1].

C 0 es acotada por debajo (grounded) y decreciente bi-dimensional.

Para todo u S1 y v S2 ,
C 0 (u, 1) = u y C 0 (1, v) = v.

Note que para todo (u, v) DomC 0 , 0 C 0 (u, v) 1, de modo

que el rango de C 0 (RanC 0 ) es tambin un subconjunto de I.

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

5/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Cpula bi-dimensional con dominio en I2

Definicin:
Una cpula bi-dimensional (o 2-cpula) es una sub-cpula C con
dominio en I2 . Equivalentemente, una cpula es una funcin C
desde I2 a I con las siguientes propiedades:
1

Para todo u, v en I2 .
C(u, 0) = 0 = C(0, v)
y
C(u, 1) = u y C(1, v) = v;

Para todo u1 , u2 , v1 , v2 en I con u1 u2 y v1 v2 ,

C(u2 , v2 ) C(u2 , v1 ) C(u1 , v2 ) + C(u1 , v1 ) 0.

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

6/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Cota de Frchet-Hoeffding

Teorema:
Sea C 0 una sub-cpula. Entonces para todo (u, v) en Dom C 0 ,
max(u + v 1, 0) C 0 (u, v) mn(u, v).
Demostracin: ver Nelsen, teorema 2.2.3, pgina 11.

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

7/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Teorema de la condicin de Lipschitz

Teorema:
Sea C 0 una sub-cpula. Entonces, para todo (u1 , u2 ), (v1 , v2 ) en
Dom C 0 ,
|C 0 (u2 , v2 ) C 0 (u1 , v1 )| |u2 u1 | + |v2 v1 |.
Por lo tanto, C 0 es uniformemente continuo en su dominio.

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

8/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Teoremas de derivadas parciales de cpulas

Teorema: Sea C una cpula. Para cualquier v en I, la derivada
parcial C(u, v)/u existe para casi todo u y para todo v y u,

C(u, v) 1.
u
Anlogamente, para cualquier u en I, la derivada parcial C(u, v)/v
existe para casi todo v y para todo u y v,
0

C(u, v) 1.
v
Adems, la funcin u C(u, v)/v y v C(u, v)/u estn
definidas y son no decrecientes en casi todas partes en I.
0

Demostracin: ver Nelsen, teorema 2.2.7, pginas 13 y 14.

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

9/46

Teorema de Sklars

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Una breve discusin de funciones de

distribucin
El teorema de Slarks es central en la teora de cpulas y aclara el
papel que juegan las cpulas en la relacin entre la distribucin
multivariante y sus distribuciones marginales. Se comienza con
una breve discusin de funciones de distribucin.
Definicin:
Una funcin de distribucin es una funcin F con dominio R de
tal manera que
1

F es no decrecientes y continua por la derecha,

F () = 0 y F (+) = 1.

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

11/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Una breve discusin de funciones de

distribucin

Definicin:
Una funcin de distribucin conjunta bivariante es una funcin
2
H con dominio R de tal manera que
1

H es no decrecientes, respecto a las dos variables,

H(x, ) = H(, y) = 0 y H(+, +) = 1.

2

De este modo, H est acotada por debajo y como Dom H = R ,

H tiene marginales F (x) = H(x, +) y G(y) = H(+, y).

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

12/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Teorema de Sklars

Teorema: Sklars (1959): Sea H una funcin de distribucin

conjunta con marginales F y G. Entonces existe una cpula C tal
que, para todo x, y en R,
H(x, y) = C(F (x), G(y)).
Si F y G son continuas, entonces C es nica; dicho de otro modo,
C est determinada de manera nica en RanF RanG. A la
inversa, si C es una cpula y F y G son funciones de distribucin,
entonces la funcin H es una funcin de distribucin conjunta con
marginales F y G.

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

13/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Teorema de Sklars multivariante

1

Sea F la funcin de distribucin conjunta y Fj , j = 1, . . . , m

las distribuciones marginales.
Entonces existe una cpula C : [0, 1]m [0, 1], tal que
F (x1 , . . . , xm ) = C(F1 (x1 ), . . . , Fm (xm ))
para todo x1 , . . . , xm [; ]. Por otra parte, si las marginales son continuas, entonces C es nico; de lo contrario C
se determina de forma nica en RanF1 . . . RanFm , donde
RanFj = Fj ([, ]) es el rango de Fj .

Lo contrario tambin es cierto. Es decir, si C es una cpula y

F1 , . . . , Fm son funciones de distribucin univariadas, entonces la funcin multivariante F (x1 , . . . , xm ) es una funcin de
distribucin conjunta con distribuciones marginales Fj .
mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

14/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Cuasi-inversa
Sin embargo, si una marginal no es estrictamente creciente, entonces no posee una inversa en el sentido habitual. Por lo tanto,
primero tenemos que definir la cuasi-inversa de una funcin de
distribucin.
Definicin:
Sea F una funcin de distribucin. Entonces una cuasi-inversa de
F es cualquier funcin F (1) con dominio I de tal manera que
1

Si t RanF , entonces F (1) (t) es cualquier nmero x R

de tal manera que F (x) = t, es decir, para todo t RanF ,
F (F (1) (t)) = t;

Si t
/ RanF , entonces
F (1) (t) = nf{x|F (x) t} = sup{x|F (x) t}
mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

15/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Relacin entre una sub-cpula y la

cuasi-inversa

Sea H un funcin de distribucin conjunta, F y G las distribuciones marginales, C 0 una sub-cpula. Entonces, para cualquier
(u, v) DomC 0
C 0 (u, v) = H(F (1) (u), G(1) (v)).
El resultado anterior se mantiene para cpulas si F y G son continuas y proporciona un mtodo de construccin de cpulas desde
la funcin de distribucin conjunta.

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

16/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Ejercicio propuesto 2.13 - Nelsen

Considere la distribucin bivariada de valores extremos tipo B
(Johnson y Kotz 1972). Sea X e Y VAs con funcin de distribucin conjunta dada por
H (x, y) = exp[(ex + ey )1/ ]
para todo x, y R, donde 1. Muestre que la cpula de X e
Y est dada por
 h
i1/ 

C (u, v) = exp ( log u) + ( log v)

Esta familia paramtrica de cpulas es conocida como Familia
Gumbel-Hougaard (Hutchinson y Lai 1990)

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

17/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Ejercicio propuesto 2.13 - Nelsen

Las funciones de distribuciones acumuladas marginales son
F (x) = exp(ex ) y G(y) = exp(ey ),
y sus funciones inversas:
F 1 (u) = log( log u) y G1 (v) = log( log v).
Entonces,
C (u, v) = H (F

(u), G

 h
i1/ 

(v)) = exp ( log u) + ( log v)

Ejemplos complementarios: ver Nelsen 2.8 - 2.9 - 2.10, pgina 22.

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

18/46

Cpulas y variables aleatorias

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Teorema de Slarks en terminos de una VA

Teorema: Sean X e Y dos variables aleatorias con funciones de
distribucin F y G, respectivamente, y funcin de distribucin
conjunta H. Entonces existe una cpula C tal que H(x, y) =
C(F (x), G(y)) se cumple.
Si F y G son continuo, entonces C es nico. De lo contrario,
C se determina de forma nica mediante RanF RanG.
The copula C es llamada cpula de X e Y , es denotada por
CXY .
Teorema: Sea X e Y variables aleatorias continuas. Entonces X
e Y son independientes si y solo si, CXY (u, v) = uv. Es decir,
H(x, y) = F (x)G(y).

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

20/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Cpulas de transformaciones

Teorema: Sea X e Y dos VAs continuas con cpula CXY . Si

y son estrictamente creciente en RanX y RanY , respectivamente, entonces C(X)(Y ) = CXY . As CXY es invariante bajo
transformaciones estrictamente crecientes de X e Y .
Demostracin ver Nelsen, teorema 2.4.3 pgina 25.

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

21/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Cpulas de transformaciones
Teorema: Sea X e Y dos VAs continuas con cpula CXY . Sea
y funciones estrictamente montonas en RanX y RanY , respectivamente.
1

Si es estrictamente creciente y es estrictamente decreciente, entonces

C(X)(Y ) (u, v) = u CXY (u, 1 v).

Si es estrictamente decreciente y es estrictamente creciente, entonces

C(X)(Y ) (u, v) = v CXY (1 u, v).

Si y son estrictamente decreciente, entonces

C(X)(Y ) (u, v) = u + v 1 + CXY (1 u, 1 v).
mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

22/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Las cotas de Frchet-Hoeffding para

funciones de distribucin conjunta

Una consecuencia del teorema de Sklars, si X e Y son VAs con

funcin de distribucin conjunta H y marginales F y G, entonces
para todo x, y R.
max(F (x) + G(y) 1, 0) H(x, y) mn(F (x), G(y))

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

23/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Cpulas de supervivencia
La funcin de supervivencia (o funcin de confiabilidad) est
definida por
F (x) = P[X > x] = 1 F (x).
La funcin de supervivencia conjunta es
H(x, y) = P[X > x, Y > y].
Las funciones marginales de supervivencia son F = H(x, )
y G = H(, y)
Considere la siguiente relaciones: H(x, y) = 1F (x)G(y)+
H(x, y) = F (x) + G(y) 1 + C(1 F (x), 1 G(y)).
v) = u + v 1 + C(1 u, 1 v) entonces
Si C(u,
(x), G(y)),
H(x, y) = C(F
donde C es llamada cpula de supervivencia.
mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

24/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Generacin de una variable aleatoria

Una de las aplicaciones principales de cpulas es en la simulacin

y los estudios de Monte Carlo. En esta seccin, vamos a abordar
el problema de la generacin de una muestra de una distribucin
especifica.
Mtodo de funcin de distribucin inversa: Para obtener
una observacin x de una variable aleatoria X con funcin de
distribucin F :
1

Generar un valor u proveniente de una distribucin U

U(0, 1);
Obtener x = F (1) (u), donde F (1) es la cuasi-inversa de F .

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

25/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Generacin de dos variables aleatorias

Mtodo de la distribucin condicional: Es un mtodo para generar pares (u, v) desde U(0, 1). Necesitamos la funcin de
condicional de distribucin de V dado U = u, que denotamos
cu (v):
C(u, v)
C(u + u, v) C(u, v)
=
u0
u
u

cu (v) = P [V v|U = u] = lm
Los pasos a seguir son:
1

3
4

Generar dos valores (u, t) provenientes de variables aleatorias

independientes U(0, 1).
(1)

(1)

Calcular v = cu (t), donde cu

denota la cuasi-inversa de
cu .
Luego calcular x = F (1) (u) e y = G(1) (v).
Repita el proceso n veces y encuentre (xi , yi ), para i =
1, 2, . . . , n.
mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

26/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Ejemplo (ver Nelsen, ejemplo 2.20)

Sea X e Y dos variables aleatorias con funcin de distribucin
conjunta H dada por
(x+1)(ey 1)
x+2ey 1 , (x, y) [1, 1] [0, ],
H(x, y) =
1 ey ,
(x, y) (1, ] [0, ],

0,
en otro caso.
Con marginales F y G dadas por

0,
(x + 1)/2,
F (x) =

1,

x < 1,
x [1, 1],
x > 1,


y G(y) =

0,
1 ey ,

y < 0,
y 0.

Adems las cuasi-inversas son F 1 (u) = 2u1 y G1 (v) = log(1

v).
mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

27/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Ejemplo (ver Nelsen, ejemplo 2.20)

Por lo tanto, la cpula C de X e Y es
C(u, v) = H(F 1 (u), G1 (v)) =

uv
,
u + v uv

donde
C(u, v)
cu (v) =
=
u

v
u + v uv

2
y

c1
u (t)

u t
.
=
1 (1 u) t

Entonces, el algoritmo para generar valores (x, y) es

1

Genere dos valores u, t independientes desde U (0, 1).

Calcule v =

Calcule x = 2u 1 e y = log(1 v)

Repita el proceso n veces.

u t
,
1(1u) t

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

28/46

La cpula Arquimidiana

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

La cpula Arquimidiana
En estas cpulas se puede encontrar una amplia gama de aplicaciones para una serie de razones:
la facilidad con la que pueden ser construidos;
la gran variedad de familias de cpulas que pertenecen a esta
clase;
bastantes buenas propiedades que poseen los miembros de
esta clase.
Las cpulas Arqumidianas originariamente, no aparecieron en la
estadstica, sino ms bien en el estudio de los espacios mtricos
probabilsticos, donde fueron estudiadas como parte del desarrollo
de una versin probabilista de la desigualdad triangular.

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

30/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Visin general de una cpula Arquimidiana

Definicin [Pseudo-inversa de ]: Sea : [0, 1] [0, ] una
funcin continua y estrictamente decreciente de [0, 1] a [0, ] de
manera tal que (1) = 0. Entonces la pseudo-inversa de es
una funcin [1] con Dom[1] = [0, ] y Ran[1] = [0, 1] est
dada por
 1
(t), 0 t (0),
[1] (t) =
0,
(0) t .
Si (0) = , entonces [1] = 1 .
Definicin [Cpula arquimidiana]: Una cpula arquimidiana
cumple la siguiente propiedad
(C(u1 , . . . , um )) = (u1 ) + . . . + (um ).
Si (0) = se define la cpula arquimidiana estricta mediante
C(u1 , . . . , um ) = 1 ((u1 ) + . . . + (um )) .
mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

31/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Ejemplo de cpulas arquimidianas

Cpula producto. Sea (t) = log t para t [0, 1]. Como

(0) = + y (1) = 0 entonces [1] (t) = 1 (t) = exp(t).
Por lo tanto,
C(u, v) = 1 ((u) + (v)) = exp{[( log u)+( log v)]} = uv.
Lo cual representa una cpula producto que sera una cpula
arquimidiana estricta.

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

32/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Ejemplo de cpulas arquimidianas

Cpula de la cota inferior de FH. Sea (t) = 1 t para
t [0, 1]. Como (0) = 1 y (1) = 0. Entonces

1 t, 0 t 1,
[1]
(t) =
= m
ax(1 t, 0).
0,
1 t +
Por lo tanto,
C(u, v) = [1] ((u) + (v)) = m
ax{1 [(1 u) + (1 v)], 0}.
Es decir,
C(u, v) = m
ax(u + v 1, 0).
Esta cpula es la cota inferior de Frechet-Hoeffding la cual sera
un cpula arquimidiana.

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

33/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

La cpula Clayton

Sea la funcin generadora de cpulas (t) = 1 t 1 para
[1, +) {0} (estricta si 0). Entonces, una cpula
arquimidiana se dice de Clayton si es definida mediante
h

i1/
C (u, v) = m
ax u + v 1, 0
.
Note que el ejemplo anterior es una cpula de Clayton para =
1.

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

34/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

La cpula Frank

h
i
Sea la funcin generadora de cpulas (t) = log exp(t)1
exp()1
para (, +) {0}. Entonces, una cpula arquimidiana
se dice de Frank si es definida mediante


1
[exp(u) 1][exp(v) 1]
C (u, v) = log 1 +
.

exp() 1

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

35/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

La cpula Gumbel

Sea la funcin generadora de cpulas (t) = ( log t) para

[1, +). Entonces, una cpula arquimidiana se dice de Gumbel
si es definida mediante
 h
i1/ 
.
C (u, v) = exp ( log u) + ( log v)
La cpula producto es una cpula de Gumbel para = 1.
Existen una infinidad de cpulas arquimidianas, para mayor detalle, ver Nelsen, Tabla 4.1 pgina 116.

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

36/46

La clula emprica

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Funcin de distribucin emprica

Definicin: Sea X1 , . . . , Xn variables aleatorias continuas independientes e idnticamente distribuidas (IID) con funcin de distribucin acumulada (FDA) F (t). Entonces la funcin de distribucin emprica (FDE) es definida mediante
n

1X
nmero de elementos en la muestra t
=
1(xi t),
Fn (t) =
n
n
i=1

donde 1(A) es la funcin indicatriz y representa


1, si xi t,
1(xi t) =
.
0, si xi > t
P
Para un t fijo, se puede demostrar que Fn (t) = n1 ni=1 1(Xi t)
es un estimador insesgado de F (t) = p. En efecto pues, nFn (t)
Bin(n, p), por lo tanto E[Fn (t)] = p = F (t).
mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

38/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Cpula emprica
Sea {(xk , yk )}nk=1 la realizacin de una muestra aleatoria de tamao n desde una distribucin continua bivariada. La cpula emprica es la funcin Cn dada por

Cn

i j
,
n n


=

nmero de pares (x, y) en la muestra donde x x(i) , y y(j)

n

donde x(i) e y(j) , 1 i, j n, denotan los estadsticos de orden

de la muestra.
A continuacin se mostrar, que la cpula emprica puede ser
visto como la distribucin emprica de los datos transformados
en rangos.

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

39/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Cpula emprica
Sea {(xi , yi )}ni=1 la realizacin de una MA de tamao n desde
una distribucin continua bivariada. Considere Ui = F (xi ) y
i = Fn (xi ) =
Vi =PG(yi ). Sabemos que FDE corregida sera
U
P
n
n
1
1

j=1 1(xj xi ) y Vi = Gn (yi ) = n+1

j=1 1(yj yi ).
n+1
Entonces, la cpula emprica es la funcin dada por:
Cn (u, v)

Fn1 (u), G
1
= H(
n (v))
P
n
1
1
1
= n i=1 1(x
 i Fn (u), yi Gn (v))

P
n (yi ) v
= n1 ni=1 1 Fn (xi ) u, G


P
i u, Vi v
= n1 ni=1 1 U

i = Ri y Vi = Si , adems Ri = Pn 1(xj xi ) y
dondePU
j=1
n+1
n+1
Si = nj=1 1(yj yi ) son los rangos de Xi e Yi respectivamente.

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

40/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Ejemplo de una cpula emprica

Sea {(xi , yi )}n=5
i=1 la realizacin de una MA de tamao 5 desde
una distribucin continua bivariada (desconocida).
i
1
2
3
4
5

xi
2
4
6
3
8

yi
7
2
9
1
3

Ri
1
3
4
2
5

Si
4
2
5
1
3

i = Ri /6
U
0,17
0,50
0,67
0,33
0,83

Vi = Si /6
0,67
0,33
0,83
0,17
0,50

u
0,20
0,40
0,60
0,80
1,00

v
0,20
0,40
0,60
0,80
1,00

Cn (u, v)
0/5 = 0,00
1/5 = 0,20
2/5 = 0,40
3/5 = 0,60
5/5 = 1,00

C(u, v) = uv
0,04
0,16
0,36
0,64
1,00

P
Por ejemplo, R4 = 5j=1 1(xj 3) = 1 + 1 = 2.
Los valores de u y v pueden ser cualquier valor en [0, 1], en
este caso se consider u = v = i/5.
Cn (u, v), es la cpula emprica y C(u, v), es la cpula producto.
P
i 0,60; Vi
Por ejemplo, Cn (0,60; 0,60) = 15 5i=1 1(U
0,60) = 2/5, pues slo (0, 50; 0, 33) y (0, 33; 0, 17) cumplen
la condicin.
mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

41/46

Clula elptica

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Cpula elptica

Son aquellas que se encuentran asociadas a variables aleatorias cuya funcin de distribucin miltivariada es simtrica ,
por lo que las curvas de nivel de las variables aleatorias que
tengan este tipo de cpulas forman elipses.
Las dos cpulas ms importantes son la cpula normal y la
cpula t student.

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

43/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Cpula normal

Sea Uj U (0, 1), para j = 1, . . . , m. Adems sea R una matriz de

correlacin (con m(m 1)/2 parmetros) semi-definida positiva.
Una cpula normal puede ser escrita como


CR (u1 , . . . , um ) = R 1 (u1 ), . . . , 1 (um )
donde es la funcin de distribucin de una normal estndar y
R es la distribucin normal estndar mvariada con vector de
media 0 y matriz de covarianza R, es decir R Nm (0, R).

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

44/46

I II III V VI VI

Sesin 1: Una introduccin a Cpulas

Cpula t-student

Sea = {(, ) : (1, ), Rmm } y t la distribucin

acumulada asociada a una t-student con grados de libertad.
Una cpula t-student puede ser escrita como


1
C (u1 , . . . , um ) = t, t1
(u1 ), . . . , t (um )
donde t, es la Funcin de distribucin conjunta de una t-Student
multivariada con matriz de correlacin y con grados de libertad.

mrodriguez@ucm.cl

Modelos Multivariados

17-11-2014

45/46

Fin Sesin 1
Gracias por asistir a esta presentacin