Teora de copulas

Definicin

Funcin de distribucin de probabilidad (bi o multivariante), cuyas distribuciones marginales son uniformes
[0,1].

Propiedades

Continuidad, Diferenciabilidad e Invariancia

Medidas de asociacin:
*Tau de Kendall
*Rho de Spearman
*Coeficiente de correlacin lineal de Pearson
Cuantifican relaciones no necesariamente lineales, se utilizan directamente como funciones de evaluacin para
contrastar la independencia de variables.
*Dependencia negativa perfecta(-1),variables aleatorias contramonotonicas
*Dependencia positiva perfecta(1), comonotonicas
Conforme se aleja de -1 y 1 la medida, es sinnimo de falta de dependencia entre las variables.

Ventajas

Tipos de copulas en funcin del conocimiento de su forma

*Reflejan relacin de dependencia

*Las relaciones se cuantifican de

1. Copulas paramtricas

forma relativamente fcil

Responden a una misma ecuacin paramtrica definen una familia de

copulas. En ellas participan parmetros que relacionan la dependencia
entre las variables asociadas.

*No dependen de la variacin que

presenten las distribuciones marginales.

2. Copulas no paramtricas (empricas)

Desventajas
No hay ningn indicio de cual es la

En ellas no participa ningn parmetro, tienen una estructura emprica

que les permite ajustarse de forma local a los datos.

forma paramtrica de la copula.

Por lo tanto, para proceder con un anlisis
paramtrico tradicional se debe asumir una
forma funcional para la copula.

Dentro de uno y otro grupo, gozan de popularidad la clase de cpulas

arquimedianas caracterizadas por la facilidad con que pueden ser
construidas y por la gran variedad de estructuras de dependencia que
permiten reproducir.

Cpulas elpticas
Se asocian a distribuciones elpticas (simtricas)
Las copulas Normales y de Student son cpulas elpticas, son simtricas y de utilizacin relativamente
simple, ya que se conocen bien las distribuciones asociadas.

Copula Normal

Se asocia a la distribucin normal multidimensional.

Sea una matriz diagonal definida positiva con diag() = 1 y

la distribucin normal bivariada
estndar y matriz de correlacin . La copula normal se define de la siguiente forma:

Donde x y y se distribuyen de manera conjuntamente normal con coeficiente de correlacin de Pearson

[1, 1] y 1() es la funcin inversa de la distribucin normal estndar.

La densidad de la copula normal:

La copula de Student: Es la funcin de dependencia asociada a la distribucin t multidimensional. Por ejemplo, en

el caso bivariado:

Donde
x e y se distribuyen conjuntamente tv de Student con grados de libertad y

coeficiente de correlacin de Pearson [1, 1] y es la funcin inversa de la distribucin t de Student con grados
de libertad.

Tabla con medidas de dependencia para copula Gaussiana y de Student.

En el caso bivariado el parmetro es el valor del coeficiente de correlacin lineal de Pearson. Para el caso
multivariado es la matriz de correlacin.

Copulas de valor extremo

Su estructura deriva de la funcin de distribucin generalizada de valor extremo multivariada.
Es muy importante en el anlisis de valores extremos en la medicin de riesgos.
Tienen la forma:
Forma alternativa:

Copulas arquimedianas

Permiten, a diferencia de las elpticas (simtricas) y de las de valor extremo (muy orientadas a dependencias en las
colas), recoger muchos tipos de estructuras de dependencia adicionales. Otra ventaja de este tipo de copulas es la
facilidad con la que pueden ser construidas.

La funcin generadora que las representa es:

La cual debe ser continua, estrictamente decreciente, convexa y cumple que (1)=0, es la pseudo- inversa de .

Copula de Frank

La funcin de distribucin:

Y la funcin de densidad:

Copula de Gumbel

Funcin de distribucin:

Funcin de densidad:

El coeficiente de correlacin de Kendall, en funcin de su parmetro , se define como:

Copula de Clayton
La funcin de distribucin para la copula de Clayton es:

y la densidad:

El coeficiente de correlacin de Kendall, en funcin de su parmetro , se define como:

Teorema de Sklar: interpretacin probabilstica: es la relacin entre copulas y funciones

de distribucin de variables aleatorias.

Sea una funcin de distribucin bidimensional cuyas marginales son Fx y Fy. Entonces,
existe una cpula C / (x, y) [ ,], tal que:
F(x, y)= C(Fx (x), Fy ( y))

asegura no solamente que las copulas son funciones de distribucin conjuntas, sino
que el reciproco tambin es cierto: las funciones de distribucin conjuntas se pueden
reescribir en trminos de las marginales y una nica subcpula, que a su vez puede
extenderse (en general, no de forma nica) a una copula.

1. Determinar las funciones marginales.

2. Proponer un conjunto inicial de familias de copulas candidatas que, por sus

caractersticas, se perfilan como adecuadas para reflejar la relacin existente entre las
variables. Esta propuesta se har de acuerdo al conocimiento o intuicin sobre la forma
de dicha relacin.

3. Seleccin de una copula por familia. En el caso paramtrico se trata de determinar los
valores asociados a los parmetros correspondientes a cada familia para lo cual, se
suelen utilizar expresiones que permitan el calculo de dichos parmetros a partir de la
estimacin muestra de alguna medida de asociacin como el cociente de correlacin de
Spearman o la Tau de Kendall.

Seleccionar la copula adecuada:

Log- Verosimilitud y criterios de informacin: Se comparan varias copulas a partir de dos
estadsticos.

1.- El valor de la funcin de log verosimilitud evaluada en el estimador de mxima

verosimilitud.

2.-Criterio de informacin de akaike reformulado.

Comparar entre copulas paramtricas y empricas utilizando estadsticos de bondad

de ajuste.