Cópula (estadística)

Statistical distribution for dependence between random variables

En teoría de probabilidad y estadística , una cópula es una función de distribución acumulativa multivariante para la cual la distribución de probabilidad marginal de cada variable es uniforme en el intervalo [0, 1]. Las cópulas se utilizan para describir/modelar la dependencia (intercorrelación) entre variables aleatorias . ^[1] Su nombre, introducido por el matemático aplicado Abe Sklar en 1959, proviene del latín para "enlace" o "lazo", similar pero no relacionado con las cópulas gramaticales en lingüística . Las cópulas se han utilizado ampliamente en finanzas cuantitativas para modelar y minimizar el riesgo de cola ^[2] y aplicaciones de optimización de cartera . ^[3]

El teorema de Sklar establece que cualquier distribución conjunta multivariada puede escribirse en términos de funciones de distribución marginal univariadas y una cópula que describe la estructura de dependencia entre las variables.

Las cópulas son populares en aplicaciones estadísticas de alta dimensión, ya que permiten modelar y estimar fácilmente la distribución de vectores aleatorios estimando las marginales y las cópulas por separado. Hay muchas familias de cópulas paramétricas disponibles, que generalmente tienen parámetros que controlan la fuerza de la dependencia. A continuación, se describen algunos modelos de cópulas paramétricas populares.

Las cópulas bidimensionales se conocen en otras áreas de las matemáticas con el nombre de permutones y medidas doblemente estocásticas .

Definición matemática

Considere un vector aleatorio . Suponga que sus marginales son continuas, es decir, las CDF marginales son funciones continuas . Al aplicar la transformación integral de probabilidad a cada componente, el vector aleatorio ${\displaystyle (X_{1},X_{2},\dots ,X_{d})}$ ${\displaystyle F_{i}(x)=\Pr[X_{i}\leq x]}$

${\displaystyle (U_{1},U_{2},\dots ,U_{d})=\left(F_{1}(X_{1}),F_{2}(X_{2}),\dots ,F_{d}(X_{d})\right)}$

tiene marginales que se distribuyen uniformemente en el intervalo [0, 1].

La cópula de se define como la función de distribución acumulativa conjunta de : ${\displaystyle (X_{1},X_{2},\dots ,X_{d})}$ ${\displaystyle (U_{1},U_{2},\dots ,U_{d})}$

${\displaystyle C(u_{1},u_{2},\dots ,u_{d})=\Pr[U_{1}\leq u_{1},U_{2}\leq u_{2},\dots ,U_{d}\leq u_{d}].}$

La cópula C contiene toda la información sobre la estructura de dependencia entre los componentes de mientras que las funciones de distribución acumulativa marginal contienen toda la información sobre las distribuciones marginales de . ${\displaystyle (X_{1},X_{2},\dots ,X_{d})}$ ${\displaystyle F_{i}}$ ${\displaystyle X_{i}}$

El proceso inverso de estos pasos se puede utilizar para generar muestras pseudoaleatorias a partir de clases generales de distribuciones de probabilidad multivariadas . Es decir, dado un procedimiento para generar una muestra a partir de la función cópula, la muestra requerida se puede construir como ${\displaystyle (U_{1},U_{2},\dots ,U_{d})}$

${\displaystyle (X_{1},X_{2},\dots ,X_{d})=\left(F_{1}^{-1}(U_{1}),F_{2}^{-1}(U_{2}),\dots ,F_{d}^{-1}(U_{d})\right).}$

Las inversas generalizadas casi con toda seguridad no plantean problemas , ya que se supuso que eran continuas. Además, la fórmula anterior para la función cópula se puede reescribir como: ${\displaystyle F_{i}^{-1}}$ ${\displaystyle F_{i}}$

${\displaystyle C(u_{1},u_{2},\dots ,u_{d})=\Pr[X_{1}\leq F_{1}^{-1}(u_{1}),X_{2}\leq F_{2}^{-1}(u_{2}),\dots ,X_{d}\leq F_{d}^{-1}(u_{d})].}$

Definición

En términos probabilísticos , es una cópula d -dimensional si C es una función de distribución acumulativa conjunta de un vector aleatorio d -dimensional en el cubo unitario con marginales uniformes . ^[4] ${\displaystyle C:[0,1]^{d}\rightarrow [0,1]}$ ${\displaystyle [0,1]^{d}}$

En términos analíticos , es una cópula d -dimensional si ${\displaystyle C:[0,1]^{d}\rightarrow [0,1]}$

• ${\displaystyle C(u_{1},\dots ,u_{i-1},0,u_{i+1},\dots ,u_{d})=0}$, la cópula es cero si cualquiera de los argumentos es cero,
• ${\displaystyle C(1,\dots ,1,u,1,\dots ,1)=u}$, la cópula es igual a u si un argumento es u y todos los demás 1,
• C es d -no decreciente, es decir, para cada hiperrectángulo el C -volumen de B es no negativo: ${\displaystyle B=\prod _{i=1}^{d}[x_{i},y_{i}]\subseteq [0,1]^{d}}$

  ${\displaystyle \int _{B}\mathrm {d} C(u)=\sum _{\mathbf {z} \in \prod _{i=1}^{d}\{x_{i},y_{i}\}}(-1)^{N(\mathbf {z} )}C(\mathbf {z} )\geq 0,}$

donde el . ${\displaystyle N(\mathbf {z} )=\#\{k:z_{k}=x_{k}\}}$

Por ejemplo, en el caso bivariado, es una cópula bivariada si , y para todos y . ${\displaystyle C:[0,1]\times [0,1]\rightarrow [0,1]}$ ${\displaystyle C(0,u)=C(u,0)=0}$ ${\displaystyle C(1,u)=C(u,1)=u}$ ${\displaystyle C(u_{2},v_{2})-C(u_{2},v_{1})-C(u_{1},v_{2})+C(u_{1},v_{1})\geq 0}$ ${\displaystyle 0\leq u_{1}\leq u_{2}\leq 1}$ ${\displaystyle 0\leq v_{1}\leq v_{2}\leq 1}$

Teorema de Sklar

Diagrama de densidad y contorno de una distribución gaussiana bivariada

Gráfica de densidad y contorno de dos marginales normales unidas con una cópula de Gumbel

El teorema de Sklar, llamado así por Abe Sklar , proporciona la base teórica para la aplicación de cópulas. ^{[5] [6]} El teorema de Sklar establece que cada función de distribución acumulativa multivariada

${\displaystyle H(x_{1},\dots ,x_{d})=\Pr[X_{1}\leq x_{1},\dots ,X_{d}\leq x_{d}]}$

de un vector aleatorio se puede expresar en términos de sus marginales y una cópula . En efecto: ${\displaystyle (X_{1},X_{2},\dots ,X_{d})}$ ${\displaystyle F_{i}(x_{i})=\Pr[X_{i}\leq x_{i}]}$ ${\displaystyle C}$

${\displaystyle H(x_{1},\dots ,x_{d})=C\left(F_{1}(x_{1}),\dots ,F_{d}(x_{d})\right).}$

Si la distribución multivariada tiene una densidad , y si esta densidad está disponible, también se cumple que ${\displaystyle h}$

${\displaystyle h(x_{1},\dots ,x_{d})=c(F_{1}(x_{1}),\dots ,F_{d}(x_{d}))\cdot f_{1}(x_{1})\cdot \dots \cdot f_{d}(x_{d}),}$

donde es la densidad de la cópula. ${\displaystyle c}$

El teorema también establece que, dado , la cópula es única en la que es el producto cartesiano de los rangos de las funciones de distribución acumuladas marginales. Esto implica que la cópula es única si las marginales son continuas. ${\displaystyle H}$ ${\displaystyle \operatorname {Ran} (F_{1})\times \cdots \times \operatorname {Ran} (F_{d})}$ ${\displaystyle F_{i}}$

Lo inverso también es cierto: dada una cópula y marginales , entonces se define una función de distribución acumulativa d -dimensional con distribuciones marginales . ${\displaystyle C:[0,1]^{d}\rightarrow [0,1]}$ ${\displaystyle F_{i}(x)}$ ${\displaystyle C\left(F_{1}(x_{1}),\dots ,F_{d}(x_{d})\right)}$ ${\displaystyle F_{i}(x)}$

Condición de estacionariedad

Las cópulas funcionan principalmente cuando las series de tiempo son estacionarias ^[7] y continuas. ^[8] Por lo tanto, un paso de preprocesamiento muy importante es verificar la autocorrelación , la tendencia y la estacionalidad dentro de las series de tiempo.

Cuando las series de tiempo están autocorrelacionadas, pueden generar una dependencia inexistente entre conjuntos de variables y dar como resultado una estructura de dependencia de cópula incorrecta. ^[9]

Límites de la cópula de Fréchet-Hoeffding

Gráficos de los límites de la cópula bivariada de Fréchet-Hoeffding y de la cópula de independencia (en el medio).

El teorema de Fréchet-Hoeffding (según Maurice René Fréchet y Wassily Hoeffding ^[10] ) establece que para cualquier cópula y cualquier ecuación se cumplen los siguientes límites: ${\displaystyle C:[0,1]^{d}\rightarrow [0,1]}$ ${\displaystyle (u_{1},\dots ,u_{d})\in [0,1]^{d}}$

${\displaystyle W(u_{1},\dots ,u_{d})\leq C(u_{1},\dots ,u_{d})\leq M(u_{1},\dots ,u_{d}).}$

La función W se denomina límite inferior de Fréchet-Hoeffding y se define como

${\displaystyle W(u_{1},\ldots ,u_{d})=\max \left\{1-d+\sum \limits _{i=1}^{d}{u_{i}},\,0\right\}.}$

La función M se denomina límite superior de Fréchet-Hoeffding y se define como

${\displaystyle M(u_{1},\ldots ,u_{d})=\min\{u_{1},\dots ,u_{d}\}.}$

El límite superior es claro: M es siempre una cópula, corresponde a variables aleatorias comonotónicas .

El límite inferior es puntualmente preciso, en el sentido de que para u fijo , existe una cópula tal que . Sin embargo, W es una cópula solo en dos dimensiones, en cuyo caso corresponde a variables aleatorias contramonótonas. ${\displaystyle {\tilde {C}}}$ ${\displaystyle {\tilde {C}}(u)=W(u)}$

En dos dimensiones, es decir, el caso bivariado, el teorema de Fréchet-Hoeffding establece

${\displaystyle \max\{u+v-1,\,0\}\leq C(u,v)\leq \min\{u,v\}.}$

Familias de cópulas

Se han descrito varias familias de cópulas.

Cópula gaussiana

Distribución acumulada y de densidad de la cópula gaussiana con ρ  = 0,4

La cópula gaussiana es una distribución sobre el hipercubo unitario . Se construye a partir de una distribución normal multivariante sobre utilizando la transformada integral de probabilidad . ${\displaystyle [0,1]^{d}}$ ${\displaystyle \mathbb {R} ^{d}}$

Para una matriz de correlación dada , la cópula gaussiana con matriz de parámetros se puede escribir como ${\displaystyle R\in [-1,1]^{d\times d}}$ ${\displaystyle R}$

${\displaystyle C_{R}^{\text{Gauss}}(u)=\Phi _{R}\left(\Phi ^{-1}(u_{1}),\dots ,\Phi ^{-1}(u_{d})\right),}$

donde es la función de distribución acumulativa inversa de una normal estándar y es la función de distribución acumulativa conjunta de una distribución normal multivariante con vector de media cero y matriz de covarianza igual a la matriz de correlación . Si bien no existe una fórmula analítica simple para la función cópula, , puede ser acotada superior o inferiormente y aproximarse mediante integración numérica. ^{[11] [12]} La densidad se puede escribir como ^[13] ${\displaystyle \Phi ^{-1}}$ ${\displaystyle \Phi _{R}}$ ${\displaystyle R}$ ${\displaystyle C_{R}^{\text{Gauss}}(u)}$

${\displaystyle c_{R}^{\text{Gauss}}(u)={\frac {1}{\sqrt {\det {R}}}}\exp \left(-{\frac {1}{2}}{\begin{pmatrix}\Phi ^{-1}(u_{1})\\\vdots \\\Phi ^{-1}(u_{d})\end{pmatrix}}^{T}\cdot \left(R^{-1}-I\right)\cdot {\begin{pmatrix}\Phi ^{-1}(u_{1})\\\vdots \\\Phi ^{-1}(u_{d})\end{pmatrix}}\right),}$

¿Dónde está la matriz identidad? ${\displaystyle \mathbf {I} }$

Cópulas arquimedianas

Las cópulas arquimedianas son una clase asociativa de cópulas. La mayoría de las cópulas arquimedianas más comunes admiten una fórmula explícita, algo que no es posible, por ejemplo, para la cópula gaussiana. En la práctica, las cópulas arquimedianas son populares porque permiten modelar la dependencia en dimensiones arbitrariamente altas con un solo parámetro, que determina la fuerza de la dependencia.

Una cópula C se llama arquimediana si admite la representación ^[14]

${\displaystyle C(u_{1},\dots ,u_{d};\theta )=\psi ^{-1}\left(\psi (u_{1};\theta )+\cdots +\psi (u_{d};\theta );\theta \right)}$

donde es una función continua, estrictamente decreciente y convexa tal que , es un parámetro dentro de algún espacio de parámetros , y es la llamada función generadora y es su pseudoinversa definida por ${\displaystyle \psi \!:[0,1]\times \Theta \rightarrow [0,\infty )}$ ${\displaystyle \psi (1;\theta )=0}$ ${\displaystyle \theta }$ ${\displaystyle \Theta }$ ${\displaystyle \psi }$ ${\displaystyle \psi ^{-1}}$

${\displaystyle \psi ^{-1}(t;\theta )=\left\{{\begin{array}{ll}\psi ^{-1}(t;\theta )&{\mbox{if }}0\leq t\leq \psi (0;\theta )\\0&{\mbox{if }}\psi (0;\theta )\leq t\leq \infty .\end{array}}\right.}$

Además, la fórmula anterior para C produce una cópula para si y solo si es d-monótona en . ^[15] Es decir, si es 10 veces diferenciable y las derivadas satisfacen ${\displaystyle \psi ^{-1}}$ ${\displaystyle \psi ^{-1}}$ ${\displaystyle [0,\infty )}$ ${\displaystyle d-2}$

${\displaystyle (-1)^{k}\psi ^{-1,(k)}(t;\theta )\geq 0}$

para todos y y es no creciente y convexo . ${\displaystyle t\geq 0}$ ${\displaystyle k=0,1,\dots ,d-2}$ ${\displaystyle (-1)^{d-2}\psi ^{-1,(d-2)}(t;\theta )}$

Cópulas arquimedianas más importantes

Las siguientes tablas destacan las cópulas arquimedianas bivariadas más destacadas, con su generador correspondiente. No todas son completamente monótonas , es decir, d -monótonas para todas o d -monótonas solo para algunas . ${\displaystyle d\in \mathbb {N} }$ ${\displaystyle \theta \in \Theta }$

Expectativa para modelos de cópula e integración de Monte Carlo

En aplicaciones estadísticas, muchos problemas se pueden formular de la siguiente manera. Uno está interesado en la esperanza de una función de respuesta aplicada a un vector aleatorio . ^[18] Si denotamos la CDF de este vector aleatorio con , la cantidad de interés se puede escribir como ${\displaystyle g:\mathbb {R} ^{d}\rightarrow \mathbb {R} }$ ${\displaystyle (X_{1},\dots ,X_{d})}$ ${\displaystyle H}$

${\displaystyle \operatorname {E} \left[g(X_{1},\dots ,X_{d})\right]=\int _{\mathbb {R} ^{d}}g(x_{1},\dots ,x_{d})\,\mathrm {d} H(x_{1},\dots ,x_{d}).}$

Si se da mediante un modelo de cópula, es decir, ${\displaystyle H}$

${\displaystyle H(x_{1},\dots ,x_{d})=C(F_{1}(x_{1}),\dots ,F_{d}(x_{d}))}$

Esta expectativa puede reescribirse como

${\displaystyle \operatorname {E} \left[g(X_{1},\dots ,X_{d})\right]=\int _{[0,1]^{d}}g(F_{1}^{-1}(u_{1}),\dots ,F_{d}^{-1}(u_{d}))\,\mathrm {d} C(u_{1},\dots ,u_{d}).}$

En el caso de que la cópula C sea absolutamente continua , es decir, C tenga una densidad c , esta ecuación se puede escribir como

${\displaystyle \operatorname {E} \left[g(X_{1},\dots ,X_{d})\right]=\int _{[0,1]^{d}}g(F_{1}^{-1}(u_{1}),\dots ,F_{d}^{-1}(u_{d}))\cdot c(u_{1},\dots ,u_{d})\,du_{1}\cdots \mathrm {d} u_{d},}$

y si cada distribución marginal tiene la densidad se cumple además que ${\displaystyle f_{i}}$

${\displaystyle \operatorname {E} \left[g(X_{1},\dots ,X_{d})\right]=\int _{\mathbb {R} ^{d}}g(x_{1},\dots x_{d})\cdot c(F_{1}(x_{1}),\dots ,F_{d}(x_{d}))\cdot f_{1}(x_{1})\cdots f_{d}(x_{d})\,\mathrm {d} x_{1}\cdots \mathrm {d} x_{d}.}$

Si se conocen la cópula y las marginales (o si se han estimado), esta expectativa se puede aproximar mediante el siguiente algoritmo de Monte Carlo:

1. Extraer una muestra de tamaño n de la cópula C ${\displaystyle (U_{1}^{k},\dots ,U_{d}^{k})\sim C\;\;(k=1,\dots ,n)}$
2. Aplicando las funciones de distribución acumulativa marginales inversas, se obtiene una muestra de estableciendo ${\displaystyle (X_{1},\dots ,X_{d})}$ ${\displaystyle (X_{1}^{k},\dots ,X_{d}^{k})=(F_{1}^{-1}(U_{1}^{k}),\dots ,F_{d}^{-1}(U_{d}^{k}))\sim H\;\;(k=1,\dots ,n)}$
3. Aproximado por su valor empírico: ${\displaystyle \operatorname {E} \left[g(X_{1},\dots ,X_{d})\right]}$

${\displaystyle \operatorname {E} \left[g(X_{1},\dots ,X_{d})\right]\approx {\frac {1}{n}}\sum _{k=1}^{n}g(X_{1}^{k},\dots ,X_{d}^{k})}$

Cópulas empíricas

Al estudiar datos multivariados, es posible que deseemos investigar la cópula subyacente. Supongamos que tenemos observaciones

${\displaystyle (X_{1}^{i},X_{2}^{i},\dots ,X_{d}^{i}),\,i=1,\dots ,n}$

de un vector aleatorio con marginales continuas. Las observaciones de cópula “verdaderas” correspondientes serían ${\displaystyle (X_{1},X_{2},\dots ,X_{d})}$

${\displaystyle (U_{1}^{i},U_{2}^{i},\dots ,U_{d}^{i})=\left(F_{1}(X_{1}^{i}),F_{2}(X_{2}^{i}),\dots ,F_{d}(X_{d}^{i})\right),\,i=1,\dots ,n.}$

Sin embargo, las funciones de distribución marginales no suelen conocerse, por lo que se pueden construir observaciones pseudocópula utilizando las funciones de distribución empíricas. ${\displaystyle F_{i}}$

${\displaystyle F_{k}^{n}(x)={\frac {1}{n}}\sum _{i=1}^{n}\mathbf {1} (X_{k}^{i}\leq x)}$

En cambio, las observaciones de pseudocópula se definen como

${\displaystyle ({\tilde {U}}_{1}^{i},{\tilde {U}}_{2}^{i},\dots ,{\tilde {U}}_{d}^{i})=\left(F_{1}^{n}(X_{1}^{i}),F_{2}^{n}(X_{2}^{i}),\dots ,F_{d}^{n}(X_{d}^{i})\right),\,i=1,\dots ,n.}$

La cópula empírica correspondiente se define entonces como

${\displaystyle C^{n}(u_{1},\dots ,u_{d})={\frac {1}{n}}\sum _{i=1}^{n}\mathbf {1} \left({\tilde {U}}_{1}^{i}\leq u_{1},\dots ,{\tilde {U}}_{d}^{i}\leq u_{d}\right).}$

Los componentes de las muestras de pseudocópula también se pueden escribir como , donde es el rango de la observación : ${\displaystyle {\tilde {U}}_{k}^{i}=R_{k}^{i}/n}$ ${\displaystyle R_{k}^{i}}$ ${\displaystyle X_{k}^{i}}$

${\displaystyle R_{k}^{i}=\sum _{j=1}^{n}\mathbf {1} (X_{k}^{j}\leq X_{k}^{i})}$

Por lo tanto, la cópula empírica puede verse como la distribución empírica de los datos transformados por rango.

La versión de muestra de la rho de Spearman: ^[19]

${\displaystyle r={\frac {12}{n^{2}-1}}\sum _{i=1}^{n}\sum _{j=1}^{n}\left[C^{n}\left({\frac {i}{n}},{\frac {j}{n}}\right)-{\frac {i}{n}}\cdot {\frac {j}{n}}\right]}$

Aplicaciones

Finanzas cuantitativas

Ejemplos de cópulas bivariadas utilizadas en finanzas.

En finanzas cuantitativas, las cópulas se aplican a la gestión de riesgos , a la gestión y optimización de carteras y a la fijación de precios de derivados .

En el caso de los primeros, las cópulas se utilizan para realizar pruebas de estrés y comprobaciones de robustez que son especialmente importantes durante los "regímenes de crisis/pánico/caída" en los que pueden producirse eventos de caída extremos (por ejemplo, la crisis financiera mundial de 2007-2008). La fórmula también se adaptó para los mercados financieros y se utilizó para estimar la distribución de probabilidad de pérdidas en los conjuntos de préstamos o bonos .

Durante un régimen bajista, un gran número de inversores que han mantenido posiciones en activos más riesgosos, como acciones o bienes raíces, pueden buscar refugio en inversiones "más seguras", como efectivo o bonos. Esto también se conoce como efecto de huida hacia la calidad y los inversores tienden a salir de sus posiciones en activos más riesgosos en grandes cantidades en un corto período de tiempo. Como resultado, durante los regímenes bajistas, las correlaciones entre acciones son mayores en el lado bajista que en el lado alcista y esto puede tener efectos desastrosos en la economía. ^{[22] [23]} Por ejemplo, anecdóticamente, a menudo leemos titulares de noticias financieras que informan sobre la pérdida de cientos de millones de dólares en la bolsa de valores en un solo día; sin embargo, rara vez leemos informes de ganancias positivas del mercado de valores de la misma magnitud y en el mismo corto período de tiempo.

Las cópulas ayudan a analizar los efectos de los regímenes bajistas al permitir modelar por separado los marginales y la estructura de dependencia de un modelo de probabilidad multivariable. Por ejemplo, considere la bolsa de valores como un mercado que consta de un gran número de operadores, cada uno de los cuales opera con sus propias estrategias para maximizar las ganancias. El comportamiento individualista de cada operador puede describirse modelando los marginales. Sin embargo, como todos los operadores operan en la misma bolsa, las acciones de cada operador tienen un efecto de interacción con las de otros operadores. Este efecto de interacción puede describirse modelando la estructura de dependencia. Por lo tanto, las cópulas nos permiten analizar los efectos de interacción que son de particular interés durante los regímenes bajistas, ya que los inversores tienden a agrupar su comportamiento y decisiones comerciales . (Véase también economía computacional basada en agentes , donde el precio se trata como un fenómeno emergente , resultante de la interacción de los diversos participantes del mercado, o agentes).

Los usuarios de la fórmula han sido criticados por crear "culturas de evaluación" que continuaron utilizando cópulas simples a pesar de que se reconoció que las versiones simples eran inadecuadas para ese propósito. ^{[24] [25]} Por lo tanto, anteriormente, los modelos de cópula escalables para grandes dimensiones solo permitían el modelado de estructuras de dependencia elípticas (es decir, cópulas gaussianas y t de Student) que no permiten asimetrías de correlación donde las correlaciones difieren en los regímenes al alza o a la baja. Sin embargo, el desarrollo de cópulas de enredadera ^[26] (también conocidas como cópulas de pares) permite el modelado flexible de la estructura de dependencia para carteras de grandes dimensiones. ^[27] La ​​cópula de enredadera canónica de Clayton permite la ocurrencia de eventos de baja extremos y se ha aplicado con éxito en aplicaciones de optimización de carteras y gestión de riesgos. El modelo puede reducir los efectos de las correlaciones de baja extremos y produce un rendimiento estadístico y económico mejorado en comparación con las cópulas de dependencia elípticas escalables, como la cópula gaussiana y la t de Student. ^[28]

Otros modelos desarrollados para aplicaciones de gestión de riesgos son las cópulas de pánico, que se combinan con estimaciones de mercado de las distribuciones marginales para analizar los efectos de los regímenes de pánico en la distribución de ganancias y pérdidas de la cartera. Las cópulas de pánico se crean mediante simulación de Monte Carlo , combinadas con una nueva ponderación de la probabilidad de cada escenario. ^[29]

En lo que respecta a la fijación de precios de derivados , el modelado de dependencia con funciones de cópula se utiliza ampliamente en aplicaciones de evaluación de riesgos financieros y análisis actuarial , por ejemplo en la fijación de precios de obligaciones de deuda colateralizadas (CDO). ^[30] Algunos creen que la metodología de aplicación de la cópula gaussiana a los derivados de crédito es una de las razones detrás de la crisis financiera mundial de 2008-2009 ; ^{[31] [32] [33]} véase David X. Li § CDOs and Gaussian copula .

A pesar de esta percepción, existen intentos documentados dentro de la industria financiera, que ocurrieron antes de la crisis, para abordar las limitaciones de la cópula gaussiana y de las funciones de cópula en general, específicamente la falta de dinámica de dependencia. La cópula gaussiana es deficiente ya que solo permite una estructura de dependencia elíptica, ya que la dependencia solo se modela utilizando la matriz de varianza-covarianza. ^[28] Esta metodología es limitada de tal manera que no permite que la dependencia evolucione ya que los mercados financieros exhiben una dependencia asimétrica, por lo que las correlaciones entre activos aumentan significativamente durante las recesiones en comparación con las recesiones. Por lo tanto, los enfoques de modelado que utilizan la cópula gaussiana exhiben una representación deficiente de los eventos extremos . ^{[28] [34]} Ha habido intentos de proponer modelos que rectifiquen algunas de las limitaciones de la cópula. ^{[34] [35] [36]}

Además de los CDO, las cópulas se han aplicado a otras clases de activos como una herramienta flexible para analizar productos derivados de múltiples activos. La primera aplicación de este tipo fuera del crédito fue utilizar una cópula para construir una superficie de volatilidad implícita de la canasta , ^[37] teniendo en cuenta la sonrisa de volatilidad de los componentes de la canasta. Desde entonces, las cópulas han ganado popularidad en la fijación de precios y la gestión de riesgos ^[38] de opciones sobre múltiples activos en presencia de una sonrisa de volatilidad, en derivados de renta variable , de divisas y de renta fija .

Ingeniería civil

Recientemente, las funciones de cópula se han aplicado con éxito a la formulación de bases de datos para el análisis de confiabilidad de puentes de carreteras y a varios estudios de simulación multivariante en ingeniería civil, ^[39] confiabilidad de ingeniería eólica y sísmica, ^[40] e ingeniería mecánica y offshore. ^[41] Los investigadores también están probando estas funciones en el campo del transporte para comprender la interacción entre los comportamientos de los conductores individuales que, en su totalidad, dan forma al flujo de tráfico.

Ingeniería de confiabilidad

Las cópulas se utilizan para el análisis de confiabilidad de sistemas complejos de componentes de máquinas con modos de falla competitivos. ^[42]

Análisis de datos de garantía

Las cópulas se utilizan para el análisis de datos de garantía en los que se analiza la dependencia de la cola. ^[43]

Combustión turbulenta

Las cópulas se utilizan para modelar la combustión turbulenta parcialmente premezclada, que es común en las cámaras de combustión prácticas. ^{[44] [45]}

Medicamento

Las cópulas tienen muchas aplicaciones en el área de la medicina , por ejemplo,

1. Las cópulas se han utilizado en el campo de la resonancia magnética (MRI), por ejemplo, para segmentar imágenes , ^[46] para llenar una vacante de modelos gráficos en la genética de imágenes en un estudio sobre esquizofrenia , ^[47] y para distinguir entre pacientes normales y pacientes con Alzheimer . ^[48]
2. Las cópulas se han utilizado en el área de investigación cerebral basada en señales de EEG , por ejemplo, para detectar somnolencia durante la siesta diurna, ^[49] para rastrear cambios en los anchos de banda equivalentes instantáneos (IEBW), ^[50] para derivar la sincronía para el diagnóstico temprano de la enfermedad de Alzheimer , ^[51] para caracterizar la dependencia en la actividad oscilatoria entre canales de EEG, ^[52] y para evaluar la confiabilidad del uso de métodos para capturar la dependencia entre pares de canales de EEG utilizando sus envolventes variables en el tiempo. ^[53] Las funciones de cópula se han aplicado con éxito al análisis de dependencias neuronales ^[54] y recuentos de picos en neurociencia. ^[55]
3. Se ha desarrollado un modelo de cópula en el campo de la oncología , por ejemplo, para modelar conjuntamente genotipos , fenotipos y vías para reconstruir una red celular para identificar interacciones entre un fenotipo específico y múltiples características moleculares (por ejemplo, mutaciones y cambios en la expresión génica ). Bao et al. ^[56] utilizaron datos de la línea celular de cáncer NCI60 para identificar varios subconjuntos de características moleculares que funcionan conjuntamente como predictores de fenotipos clínicos. La cópula propuesta puede tener un impacto en la investigación biomédica , que abarca desde el tratamiento del cáncer hasta la prevención de enfermedades. La cópula también se ha utilizado para predecir el diagnóstico histológico de lesiones colorrectales a partir de imágenes de colonoscopia , ^[57] y para clasificar subtipos de cáncer. ^[58]
4. Se ha desarrollado un modelo de análisis basado en cópulas en el campo de las enfermedades cardíacas y cardiovasculares, por ejemplo, para predecir la variación de la frecuencia cardíaca (FC). La frecuencia cardíaca (FC) es uno de los indicadores de salud más críticos para controlar la intensidad del ejercicio y el grado de carga porque está estrechamente relacionada con la frecuencia cardíaca. Por lo tanto, una técnica precisa de predicción de la FC a corto plazo puede ofrecer una alerta temprana eficiente para la salud humana y reducir los eventos nocivos. Namazi (2022) ^[59] utilizó un nuevo algoritmo híbrido para predecir la FC.

Geodesia

La combinación de métodos basados ​​en SSA y cópula se ha aplicado por primera vez como una nueva herramienta estocástica para la predicción de parámetros de orientación de la Tierra. ^{[60] [61]}

Investigación hidrológica

Las cópulas se han utilizado tanto en análisis teóricos como aplicados de datos hidroclimáticos. Los estudios teóricos adoptaron la metodología basada en cópulas, por ejemplo, para comprender mejor las estructuras de dependencia de la temperatura y la precipitación en diferentes partes del mundo. ^{[9] [62] [63]} Los estudios aplicados adoptaron la metodología basada en cópulas para examinar, por ejemplo, las sequías agrícolas ^[64] o los efectos conjuntos de los extremos de temperatura y precipitación en el crecimiento de la vegetación. ^[65]

Investigación sobre el clima y el tiempo

Las cópulas se han utilizado ampliamente en investigaciones relacionadas con el clima y el tiempo. ^{[66] [67]}

Variabilidad de la irradiación solar

Se han utilizado cópulas para estimar la variabilidad de la irradiancia solar en redes espaciales y temporalmente para ubicaciones individuales. ^{[68] [69]}

Generación de vectores aleatorios

Se pueden generar grandes rastros sintéticos de vectores y series temporales estacionarias utilizando cópulas empíricas, preservando al mismo tiempo toda la estructura de dependencia de pequeños conjuntos de datos. ^[70] Dichos rastros empíricos son útiles en varios estudios de rendimiento basados ​​en simulación. ^[71]

Clasificación de motores eléctricos

Las cópulas se han utilizado para la clasificación de calidad en la fabricación de motores conmutados electrónicamente. ^[72]

Procesamiento de señales

Las cópulas son importantes porque representan una estructura de dependencia sin utilizar distribuciones marginales . Las cópulas se han utilizado ampliamente en el campo de las finanzas , pero su uso en el procesamiento de señales es relativamente nuevo. Las cópulas se han empleado en el campo de la comunicación inalámbrica para clasificar señales de radar , detección de cambios en aplicaciones de teledetección y procesamiento de señales de EEG en medicina . En esta sección, se presenta una breve derivación matemática para obtener la función de densidad de cópulas seguida de una tabla que proporciona una lista de funciones de densidad de cópulas con las aplicaciones de procesamiento de señales relevantes.

Astronomía

Se han utilizado cópulas para determinar la función de luminosidad de radio del núcleo de los núcleos galácticos activos (AGN), ^[73] si bien esto no se puede lograr utilizando métodos tradicionales debido a las dificultades en la integridad de la muestra.

Derivación matemática de la función de densidad de cópula

Para dos variables aleatorias cualesquiera X e Y , la función de distribución de probabilidad conjunta continua se puede escribir como

${\displaystyle F_{XY}(x,y)=\Pr {\begin{Bmatrix}X\leq {x},Y\leq {y}\end{Bmatrix}},}$

donde y son las funciones de distribución acumulativa marginal de las variables aleatorias X e Y , respectivamente. ${\textstyle F_{X}(x)=\Pr {\begin{Bmatrix}X\leq {x}\end{Bmatrix}}}$ ${\textstyle F_{Y}(y)=\Pr {\begin{Bmatrix}Y\leq {y}\end{Bmatrix}}}$

Entonces la función de distribución de la cópula se puede definir usando el teorema de Sklar ^{[74] [75]} como: ${\displaystyle C(u,v)}$

${\displaystyle F_{XY}(x,y)=C(F_{X}(x),F_{Y}(y))\triangleq C(u,v),}$

donde y son funciones de distribución marginal, conjuntas y . ${\displaystyle u=F_{X}(x)}$ ${\displaystyle v=F_{Y}(y)}$ ${\displaystyle F_{XY}(x,y)}$ ${\displaystyle u,v\in (0,1)}$

Suponiendo que ae es dos veces diferenciable, comenzamos utilizando la relación entre la función de densidad de probabilidad conjunta (PDF) y la función de distribución acumulada conjunta (CDF) y sus derivadas parciales. ${\displaystyle F_{XY}(\cdot ,\cdot )}$

${\displaystyle {\begin{alignedat}{6}f_{XY}(x,y)={}&{\partial ^{2}F_{XY}(x,y) \over \partial x\,\partial y}\\\vdots \\f_{XY}(x,y)={}&{\partial ^{2}C(F_{X}(x),F_{Y}(y)) \over \partial x\,\partial y}\\\vdots \\f_{XY}(x,y)={}&{\partial ^{2}C(u,v) \over \partial u\,\partial v}\cdot {\partial F_{X}(x) \over \partial x}\cdot {\partial F_{Y}(y) \over \partial y}\\\vdots \\f_{XY}(x,y)={}&c(u,v)f_{X}(x)f_{Y}(y)\\\vdots \\{\frac {f_{XY}(x,y)}{f_{X}(x)f_{Y}(y)}}={}&c(u,v)\end{alignedat}}}$

donde es la función de densidad de cópula y son las funciones de densidad de probabilidad marginal de X e Y , respectivamente. Hay cuatro elementos en esta ecuación y, si se conocen tres elementos, se puede calcular el cuarto elemento. Por ejemplo, se puede utilizar, ${\displaystyle c(u,v)}$ ${\displaystyle f_{X}(x)}$ ${\displaystyle f_{Y}(y)}$

• Cuando se conoce la función de densidad de probabilidad conjunta entre dos variables aleatorias, se conoce la función de densidad de cópula y se conoce una de las dos funciones marginales, entonces se puede calcular la otra función marginal, o
• Cuando se conocen las dos funciones marginales y la función de densidad de cópula, se puede calcular la función de densidad de probabilidad conjunta entre las dos variables aleatorias, o
• Cuando se conocen las dos funciones marginales y la función de densidad de probabilidad conjunta entre las dos variables aleatorias, se puede calcular la función de densidad de cópula.

Lista de funciones de densidad de cópula y aplicaciones

Varias funciones de densidad de cópulas bivariadas son importantes en el área de procesamiento de señales. y son funciones de distribución marginal y y son funciones de densidad marginal. Se ha demostrado que la extensión y generalización de cópulas para el procesamiento estadístico de señales construye nuevas cópulas bivariadas para distribuciones exponenciales, de Weibull y de Rician. ^[76] Zeng et al. ^[77] presentaron algoritmos, simulación, selección óptima y aplicaciones prácticas de estas cópulas en el procesamiento de señales. ${\displaystyle u=F_{X}(x)}$ ${\displaystyle v=F_{Y}(y)}$ ${\displaystyle f_{X}(x)}$ ${\displaystyle f_{Y}(y)}$

Véase también

• Acoplamiento (probabilidad)

Referencias

1. Thorsten Schmidt (2006) "Cómo lidiar con las cópulas", https://web.archive.org/web/20100705040514/http://www.tu-chemnitz.de/mathematik/fima/publikationen/TSchmidt_Copulas.pdf
2. Low, RKY; Alcock, J.; Faff, R.; Brailsford, T. (2013). "Cópulas canónicas de vid en el contexto de la gestión de cartera moderna: ¿valen la pena?". Journal of Banking & Finance . 37 (8): 3085–3099. doi :10.1016/j.jbankfin.2013.02.036. S2CID  154138333.
3. Low, RKY; Faff, R.; Aas, K. (2016). "Mejora de la selección de carteras de media-varianza mediante el modelado de asimetrías distributivas" (PDF) . Journal of Economics and Business . 85 : 49–72. doi :10.1016/j.jeconbus.2016.01.003.
4. Nelsen, Roger B. (1999), Introducción a las cópulas , Nueva York: Springer, ISBN 978-0-387-98623-4
5. Sklar, A. (1959), "Fonctions de répartition à n dimension et leurs marges", Publ. Inst. Estadístico. Univ. París , 8 : 229-231
6. Durante, Fabricio; Fernández-Sánchez, Juan; Sempi, Carlo (2013), "Una prueba topológica del teorema de Sklar", Applied Mathematics Letters , 26 (9): 945–948, doi : 10.1016/j.aml.2013.04.005
7. Sadegh, Mojtaba; Ragno, Elisa; AghaKouchak, Amir (2017). "Multivariate Copula Analysis Toolbox (MvCAT): Description dependent and beneath doubt using a bayesian framework" (Caja de herramientas de análisis de cópula multivariante [MvCAT]: descripción de la dependencia y la incertidumbre subyacente mediante un marco bayesiano). Investigación de recursos hídricos . 53 (6): 5166–5183. Bibcode :2017WRR....53.5166S. doi : 10.1002/2016WR020242 . ISSN  1944-7973.
8. AghaKouchak, Amir; Bárdossy, András; Habib, Emad (2010). "Modelado de incertidumbre basado en cópula: aplicación a estimaciones de precipitación con sensores múltiples". Procesos hidrológicos . 24 (15): 2111–2124. doi :10.1002/hyp.7632. ISSN  1099-1085. S2CID  12283329.
9. Tootoonchi, Faranak; Haerter, Jan Olaf; Räty, Olle; Grabs, Thomas; Sadegh, Mojtaba; Teutschbein, Claudia (21 de julio de 2020). "Cópulas para aplicaciones hidroclimáticas: una nota práctica sobre conceptos erróneos y trampas comunes". Discusiones sobre hidrología y ciencias del sistema terrestre : 1–31. doi : 10.5194/hess-2020-306 . ISSN:  1027-5606. S2CID  : 224352645.
10. JJ O'Connor y EF Robertson (marzo de 2011). "Biografía de Wassily Hoeffding". Facultad de Matemáticas y Estadística, Universidad de St Andrews , Escocia . Consultado el 14 de febrero de 2019 .
11. Botev, ZI (2016). "La ley normal bajo restricciones lineales: simulación y estimación mediante inclinación minimax". Revista de la Royal Statistical Society, Serie B. 79 : 125–148. arXiv : 1603.04166 . Código Bibliográfico :2016arXiv160304166B. doi :10.1111/rssb.12162. S2CID  : 88515228.
12. Botev, Zdravko I. (10 de noviembre de 2015). "TruncatedNormal: Normal multivariante truncada" – vía R-Packages.
13. Arbenz, Philipp (2013). "Distribuciones de cópulas bayesianas, con aplicación a la gestión de riesgos operacionales: algunos comentarios". Metodología y computación en probabilidad aplicada . 15 (1): 105–108. doi :10.1007/s11009-011-9224-0. hdl : 20.500.11850/64244 . S2CID  121861059.
14. Nelsen, RB (2006). Introducción a las cópulas (segunda edición). Nueva York: Springer. ISBN 978-1-4419-2109-3.
15. McNeil, AJ; Nešlehová, J. (2009). "Cópulas arquimedianas multivariadas, funciones d -monótonas y distribuciones simétricas de 1 norma". Anales de Estadística . 37 (5b): 3059–3097. arXiv : 0908.3750 . doi :10.1214/07-AOS556. S2CID  9858856. ${\displaystyle {\mathit {l}}}$
16. Ali, MM; Mikhail, NN; Haq, MS (1978), "Una clase de distribuciones bivariadas que incluyen la logística bivariada", J. Multivariate Anal. , 8 (3): 405–412, doi : 10.1016/0047-259X(78)90063-5
17. Clayton, David G. (1978). "Un modelo de asociación en tablas de vida bivariadas y su aplicación en estudios epidemiológicos de tendencia familiar en la incidencia de enfermedades crónicas". Biometrika . 65 (1): 141–151. doi :10.1093/biomet/65.1.141. JSTOR  2335289.
18. Alexander J. McNeil, Rudiger Frey y Paul Embrechts (2005) "Gestión cuantitativa del riesgo: conceptos, técnicas y herramientas", Princeton Series in Finance
19. Nelsen, Roger B. (2006). Introducción a las cópulas (2.ª ed.). Nueva York: Springer. pág. 220. ISBN 978-0-387-28678-5.
20. Low, Rand (11 de mayo de 2017). "Cópulas de Vine: modelado del riesgo sistémico y mejora de la optimización de carteras de mayor momento". Contabilidad y finanzas . 58 : 423–463. doi : 10.1111/acfi.12274 .
21. Rad, Hossein; Low, Rand Kwong Yew; Faff, Robert (27 de abril de 2016). "La rentabilidad de las estrategias de negociación por pares: métodos de distancia, cointegración y cópula". Finanzas cuantitativas . 16 (10): 1541–1558. doi :10.1080/14697688.2016.1164337. S2CID  219717488.
22. Longin, F; Solnik, B (2001), "Correlación extrema de los mercados de valores internacionales", Journal of Finance , 56 (2): 649–676, CiteSeerX 10.1.1.321.4899 , doi :10.1111/0022-1082.00340, S2CID  6143150 
23. Ang, A; Chen, J (2002), "Correlaciones asimétricas de carteras de acciones", Journal of Financial Economics , 63 (3): 443–494, doi :10.1016/s0304-405x(02)00068-5
24. Salmon, Felix. "Receta para el desastre: la fórmula que mató a Wall Street". Wired . ISSN  1059-1028 . Consultado el 11 de agosto de 2023 .
25. MacKenzie, Donald; Spears, Taylor (2014). "'La fórmula que mató a Wall Street': La cópula gaussiana y las prácticas de modelado en la banca de inversión". Estudios sociales de la ciencia . 44 (3): 393–417. doi :10.1177/0306312713517157. hdl : 20.500.11820/3095760a-6d7c-4829-b327-98c9c28c1db6 . ISSN  0306-3127. JSTOR  43284238. PMID  25051588. S2CID  15907952.
26. Cooke, RM; Joe, H.; Aas, K. (enero de 2011). Kurowicka, D.; Joe, H. (eds.). Manual de cópula de vid para modelado de dependencia (PDF) . World Scientific. págs. 37–72. ISBN 978-981-4299-87-9.
27. Aas, K; Czado, C ; Bakken, H (2009), "Construcciones de pares-cópulas de dependencia múltiple", Seguros: Matemáticas y Economía , 44 (2): 182–198, CiteSeerX 10.1.1.61.3984 , doi :10.1016/j.insmatheco.2007.02.001, S2CID  18320750 
28. Low, R; Alcock, J; Brailsford, T; Faff, R (2013), "Cópulas de vid canónicas en el contexto de la gestión de cartera moderna: ¿Valen la pena?", Journal of Banking and Finance , 37 (8): 3085–3099, doi :10.1016/j.jbankfin.2013.02.036, S2CID  154138333
29. Meucci, Attilio (2011), "Una nueva generación de cópulas para la gestión de riesgos y carteras", Risk , 24 (9): 122–126
30. Meneguzzo, David; Vecchiato, Walter (noviembre de 2003), "Sensibilidad de cópula en obligaciones de deuda colateralizadas y swaps de incumplimiento de canasta", Journal of Futures Markets , 24 (1): 37–70, doi :10.1002/fut.10110
31. Receta para el desastre: La fórmula que mató a Wall Street Wired , 23/02/2009
32. MacKenzie, Donald (2008), "End-of-the-World Trade", London Review of Books (publicado el 8 de mayo de 2008), págs. 24-26 , consultado el 27 de julio de 2009
33. Jones, Sam (24 de abril de 2009), "La fórmula que derribó a Wall Street" , Financial Times , archivado desde el original el 2022-12-11 , consultado el 2010-05-05
34. Lipton, Alexander; Rennie, Andrew (2008). Correlación crediticia: la vida después de las cópulas . World Scientific. ISBN 978-981-270-949-3.
35. Donnelly, C; Embrechts, P (2010). "El diablo está en las colas: matemáticas actuariales y la crisis de las hipotecas de alto riesgo". ASTIN Bulletin . 40 (1): 1–33.
36. Brigo, D; Pallavicini, A; Torresetti, R (2010). Modelos crediticios y la crisis: un viaje a los CDO, las cópulas, las correlaciones y los modelos dinámicos . Wiley and Sons.
37. Qu, Dong (2001). "Superficie de volatilidad implícita en la canasta". Derivatives Week (4 de junio).
38. Qu, Dong (2005). "Fijación de precios de opciones de canasta con sesgo". Revista Wilmott (julio).
39. Thompson, David; Kilgore, Roger (2011), "Estimación de probabilidades de flujo conjunto en confluencias de corrientes mediante cópulas", Transportation Research Record , 2262 : 200–206, doi :10.3141/2262-20, S2CID  17179491 , consultado el 21 de febrero de 2012
40. Yang, SC; Liu, TJ; Hong, HP (2017). "Fiabilidad de sistemas de torres y torres lineales bajo cargas sísmicas o de viento que varían espaciotemporalmente". Journal of Structural Engineering . 143 (10): 04017137. doi :10.1061/(ASCE)ST.1943-541X.0001835.
41. Zhang, Yi; Beer, Michael; Quek, Ser Tong (1 de julio de 2015). "Evaluación del rendimiento a largo plazo y diseño de estructuras offshore". Computers & Structures . 154 : 101–115. doi :10.1016/j.compstruc.2015.02.029.
42. Pham, Hong (2003), Manual de ingeniería de confiabilidad , Springer, págs. 150-151
43. Wu, S. (2014), "Construcción de cópulas asimétricas y su aplicación en el modelado de confiabilidad bidimensional" (PDF) , Revista Europea de Investigación Operativa , 238 (2): 476–485, doi :10.1016/j.ejor.2014.03.016, S2CID  22916401
44. Ruan, S.; Swaminathan, N; Darbyshire, O (2014), "Modelado de llamas de chorro turbulento elevadas utilizando flamelets: evaluación a priori y validación a posteriori", Combustion Theory and Modelling , 18 (2): 295–329, Bibcode :2014CTM....18..295R, doi :10.1080/13647830.2014.898409, S2CID  53641133
45. Darbyshire, OR; Swaminathan, N (2012), "Un supuesto modelo pdf conjunto para combustión turbulenta con relación de equivalencia variable", Combustion Science and Technology , 184 (12): 2036–2067, doi :10.1080/00102202.2012.696566, S2CID  98096093
46. Lapuyade-Lahorgue, Jerome; Xue, Jing-Hao; Ruan, Su (julio de 2017). "Segmentación de imágenes de múltiples fuentes utilizando campos ocultos de Markov con distribuciones estadísticas multivariadas basadas en cópula". IEEE Transactions on Image Processing . 26 (7): 3187–3195. Bibcode :2017ITIP...26.3187L. doi :10.1109/tip.2017.2685345. ISSN  1057-7149. PMID  28333631. S2CID  11762408.
47. Zhang, Aiying; Fang, Jian; Calhoun, Vince D.; Wang, Yu-ping (abril de 2018). "Modelo de cópula gaussiana latente de alta dimensión para datos mixtos en genética de imágenes". 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018) . IEEE. págs. 105–109. doi :10.1109/isbi.2018.8363533. ISBN 978-1-5386-3636-7.S2CID44114562  .​
48. Bahrami, Mohsen; Hossein-Zadeh, Gholam-Ali (mayo de 2015). "Cambios de asortatividad en la enfermedad de Alzheimer: un estudio de FMRI en estado de reposo". 23.ª Conferencia iraní sobre ingeniería eléctrica de 2015. IEEE. págs. 141–144. doi :10.1109/iraniancee.2015.7146198. ISBN . 978-1-4799-1972-7.S2CID20649428  .​
49. Qian, Dong; Wang, Bei; Qing, Xiangyun; Zhang, Tao; Zhang, Yu; Wang, Xingyu; Nakamura, Masatoshi (abril de 2017). "Detección de somnolencia mediante clasificador discriminante de cópula bayesiana basado en señales de EEG durante una siesta corta diurna". IEEE Transactions on Biomedical Engineering . 64 (4): 743–754. doi :10.1109/tbme.2016.2574812. ISSN  0018-9294. PMID  27254855. S2CID  24244444.
50. Yoshida, Hisashi; Kuramoto, Haruka; Sunada, Yusuke; Kikkawa, Sho (agosto de 2007). "Análisis de EEG en estado de mantenimiento de vigilia frente a somnolencia mediante anchos de banda equivalentes instantáneos". 2007 29.ª Conferencia internacional anual de la IEEE Engineering in Medicine and Biology Society . Vol. 2007. IEEE. págs. 19–22. doi :10.1109/iembs.2007.4352212. ISBN . 978-1-4244-0787-3. Número de identificación personal  18001878. Número de identificación personal  29527332.
51. Iyengar, Satish G.; Dauwels, Justin; Varshney, Pramod K.; Cichocki, Andrzej (2010). "Cuantificación de la sincronía del EEG mediante cópulas". Conferencia internacional IEEE de 2010 sobre acústica, habla y procesamiento de señales . IEEE. págs. 505–508. doi :10.1109/icassp.2010.5495664. ISBN . 978-1-4244-4295-9.S2CID16476449  .​
52. Gao, Xu; Shen, Weining; Ting, Chee-Ming; Cramer, Steven C.; Srinivasan, Ramesh; Ombao, Hernando (abril de 2019). "Estimación de la conectividad cerebral mediante modelos gráficos gaussianos de cópula". 2019 IEEE 16th International Symposium on Biomedical Imaging (ISBI 2019) . IEEE. págs. 108–112. doi :10.1109/isbi.2019.8759538. ISBN 978-1-5386-3641-1.S2CID 195881851  .
53. Fadlallah, BH; Brockmeier, AJ; Seth, S.; Lin Li; Keil, A.; Principe, JC (agosto de 2012). "Un marco de asociación para analizar la estructura de dependencia en series temporales". Conferencia internacional anual de 2012 de la IEEE Engineering in Medicine and Biology Society . Vol. 2012. IEEE. págs. 6176–6179. doi :10.1109/embc.2012.6347404. ISBN. 978-1-4577-1787-1. Número de identificación personal  23367339. Número de identificación personal  9061806.
54. Eban, E; Rothschild, R; Mizrahi, A; Nelken, I; Elidan, G (2013), Carvalho, C; Ravikumar, P (eds.), "Redes de cópula dinámicas para modelar series de tiempo de valor real" (PDF) , Journal of Machine Learning Research , 31
55. Onken, A; Grünewälder, S; Munk, MH; Obermayer, K (2009), Aertsen, Ad (ed.), "Análisis de las dependencias del ruido a corto plazo de los recuentos de picos en la corteza prefrontal de macacos utilizando cópulas y la transformación de linterna", PLOS Computational Biology , 5 (11): e1000577, Bibcode :2009PLSCB...5E0577O, doi : 10.1371/journal.pcbi.1000577 , PMC 2776173 , PMID  19956759 
56. Bao, Le; Zhu, Zhou; Ye, Jingjing (marzo de 2009). "Modelado de redes de vías génicas oncológicas con múltiples genotipos y fenotipos mediante un método de cópula". Simposio IEEE de 2009 sobre inteligencia computacional en bioinformática y biología computacional . IEEE. págs. 237–246. doi :10.1109/cibcb.2009.4925734. ISBN . 978-1-4244-2756-7. Número de identificación del sujeto  16779505.
57. Kwitt, Roland; Uhl, Andreas; Hafner, Michael; Gangl, Alfred; Wrba, Friedrich; Vecsei, Andreas (junio de 2010). "Predicción de la histología de las lesiones colorrectales en un marco probabilístico". Conferencia de la IEEE Computer Society de 2010 sobre visión artificial y reconocimiento de patrones - Talleres . IEEE. págs. 103–110. doi :10.1109/cvprw.2010.5543146. ISBN . 978-1-4244-7029-7.S2CID14841548  .​
58. Kon, MA; Nikolaev, N. (diciembre de 2011). "Normalización empírica para el análisis discriminante cuadrático y la clasificación de subtipos de cáncer". 2011 10th International Conference on Machine Learning and Applications and Workshops (Conferencia internacional sobre aprendizaje automático y aplicaciones de 2011 y talleres) . IEEE. págs. 374–379. arXiv : 1203.6345 . doi :10.1109/icmla.2011.160. hdl : 2144/38445 . ISBN . 978-1-4577-2134-2. Número de identificación del sujeto  346934.
59. Namazi, Asieh (diciembre de 2022). "Sobre la mejora de la predicción de la frecuencia cardíaca mediante la combinación del análisis de espectro singular y el enfoque de análisis basado en cópulas". PeerJ . 10 : e14601. doi : 10.7717/peerj.14601 . ISSN  2167-8359. PMC 9774013 . PMID  36570014. 
60. Modiri, S.; Belda, S.; Heinkelmann, R.; Hoseini, M.; Ferrándiz, JM; Schuh, H. (2018). "Predicción del movimiento polar usando la combinación de SSA y análisis basado en cópula". Tierra, planetas y espacio . 70 (70): 115. Bibcode :2018EP&S...70..115M. doi : 10.1186/s40623-018-0888-3 . PMC 6434970 . PMID  30996648. 
61. Modiri, S.; Belda, S.; Hoseini, M.; Heinkelmann, R.; Ferrándiz, JM; Schuh, H. (2020). "Un nuevo método híbrido para mejorar la predicción de LOD a ultracorto plazo". Journal of Geodesy . 94 (23): 23. Bibcode :2020JGeod..94...23M. doi : 10.1007/s00190-020-01354-y . PMC 7004433 . PMID  32109976. 
62. Lazoglou, Georgia; Anagnostopoulou, Christina (febrero de 2019). "Distribución conjunta de temperatura y precipitación en el Mediterráneo, utilizando el método Copula". Climatología teórica y aplicada . 135 (3–4): 1399–1411. Código Bibliográfico :2019ThApC.135.1399L. doi :10.1007/s00704-018-2447-z. ISSN  0177-798X. S2CID  125268690.
63. Cong, Rong-Gang; Brady, Mark (2012). "La interdependencia entre la lluvia y la temperatura: análisis de cópulas". The Scientific World Journal . 2012 : 405675. doi : 10.1100/2012/405675 . ISSN  1537-744X. PMC 3504421 . PMID  23213286. 
64. Wang, Long; Yu, Hang; Yang, Maoling; Yang, Rui; Gao, Rui; Wang, Ying (abril de 2019). "Un índice de sequía: el índice estandarizado de precipitación, evapotranspiración y escorrentía". Revista de hidrología . 571 : 651–668. Código Bibliográfico :2019JHyd..571..651W. doi :10.1016/j.jhydrol.2019.02.023. S2CID  134409125.
65. Alidoost, Fakhereh; Su, Zhongbo; Stein, Alfred (diciembre de 2019). "Evaluación de los efectos de los fenómenos climáticos extremos en el rendimiento, la producción y el precio de los cultivos mediante distribuciones multivariadas: una nueva aplicación de cópula". Extremos climáticos y meteorológicos . 26 : 100227. Bibcode :2019WCE....2600227A. doi : 10.1016/j.wace.2019.100227 .
66. Schölzel, C.; Friederichs, P. (2008). "Variables aleatorias multivariadas no distribuidas normalmente en la investigación climática: introducción al enfoque de cópula". Procesos no lineales en geofísica . 15 (5): 761–772. Bibcode :2008NPGeo..15..761S. doi : 10.5194/npg-15-761-2008 .
67. Laux, P.; Vogl, S.; Qiu, W.; Knoche, HR; Kunstmann, H. (2011). "Refinamiento estadístico basado en cópula de la precipitación en simulaciones RCM sobre terreno complejo". Hydrol. Earth Syst. Sci . 15 (7): 2401–2419. Bibcode :2011HESS...15.2401L. doi : 10.5194/hess-15-2401-2011 .
68. Munkhammar, J.; Widén, J. (2017). "Un método de cópula para simular la irradiancia solar instantánea correlacionada en redes espaciales". Energía solar . 143 : 10–21. Código Bibliográfico :2017SoEn..143...10M. doi :10.1016/j.solener.2016.12.022.
69. Munkhammar, J.; Widén, J. (2017). "Un modelo de cópula basado en autocorrelación para generar series temporales realistas de índices de cielo despejado". Energía solar . 158 : 9–19. Código Bibliográfico :2017SoEn..158....9M. doi :10.1016/j.solener.2017.09.028.
70. Strelen, Johann Christoph (2009). Herramientas para entrada de simulación dependiente con cópulas . Segunda Conferencia Internacional ICST sobre Herramientas y Técnicas de Simulación. doi : 10.4108/icst.simutools2009.5596 .
71. Bandara, HMND; Jayasumana, AP (diciembre de 2011). "Sobre las características y el modelado de recursos P2P con atributos estáticos y dinámicos correlacionados". Conferencia de telecomunicaciones globales IEEE 2011 - GLOBECOM 2011. IEEE Globecom. págs. 1–6. CiteSeerX 10.1.1.309.3975 . doi :10.1109/GLOCOM.2011.6134288. ISBN .  978-1-4244-9268-8. Número de identificación del sujeto  7135860.
72. Mileva Boshkoska, Biljana; Bohanec, Marko; Boškoski, Pavle; Juričić, Ðani (1 de abril de 2015). "Sistema de soporte de decisiones basado en cópula para la clasificación de calidad en la fabricación de motores conmutados electrónicamente". Journal of Intelligent Manufacturing . 26 (2): 281–293. doi :10.1007/s10845-013-0781-7. ISSN  1572-8145. S2CID  982081.
73. Zunli, Yuan; Jiancheng, Wang; Diana, Worrall; Bin-Bin, Zhang; Jirong, Mao (2018). "Determinación de la función de luminosidad de radio central de los AGN de ​​radio mediante cópula". The Astrophysical Journal Supplement Series . 239 (2): 33. arXiv : 1810.12713 . Código Bibliográfico :2018ApJS..239...33Y. doi : 10.3847/1538-4365/aaed3b . S2CID  59330508.
74. Apelar, Paul; Goursat, Édouard (1895). Teoría de las funciones algébriques et de leurs intégrales estudio de las funciones analíticas sobre una superficie de Riemann / por Paul Appell, Édouard Goursat. París: Gauthier-Villars. doi : 10.5962/bhl.title.18731.
75. Durante, Fabricio; Fernández-Sánchez, Juan; Sempi, Carlo (2013). "Una prueba topológica del teorema de Sklar". Letras de Matemática Aplicada . 26 (9): 945–948. doi : 10.1016/j.aml.2013.04.005 . ISSN  0893-9659.
76. Zeng, Xuexing; Ren, Jinchang; Wang, Zheng; Marshall, Stephen; Durrani, Tariq (enero de 2014). "Cópulas para el procesamiento estadístico de señales (Parte I): extensiones y generalización" (PDF) . Procesamiento de señales . 94 : 691–702. doi :10.1016/j.sigpro.2013.07.009. ISSN  0165-1684.
77. Zeng, Xuexing; Ren, Jinchang; Sun, Meijun; Marshall, Stephen; Durrani, Tariq (enero de 2014). "Cópulas para procesamiento estadístico de señales (Parte II): Simulación, selección óptima y aplicaciones prácticas" (PDF) . Procesamiento de señales . 94 : 681–690. doi :10.1016/j.sigpro.2013.07.006. ISSN  0165-1684.
78. Storvik, B.; Storvik, G.; Fjortoft, R. (2009). "Sobre la combinación de datos multisensoriales utilizando distribuciones metagaussianas". IEEE Transactions on Geoscience and Remote Sensing . 47 (7): 2372–2379. Bibcode :2009ITGRS..47.2372S. doi :10.1109/tgrs.2009.2012699. ISSN  0196-2892. S2CID  371395.
79. Dass, SC; Yongfang Zhu; Jain, AK (2006). "Validación de un sistema de autenticación biométrica: requisitos de tamaño de muestra". IEEE Transactions on Pattern Analysis and Machine Intelligence . 28 (12): 1902–1319. doi :10.1109/tpami.2006.255. ISSN  0162-8828. PMID  17108366. S2CID  1272268.
80. Papaefthymiou, G.; Kurowicka, D. (2009). "Uso de cópulas para modelar la dependencia estocástica en el análisis de incertidumbre de sistemas de potencia". IEEE Transactions on Power Systems . 24 (1): 40–49. Bibcode :2009ITPSy..24...40P. doi :10.1109/tpwrs.2008.2004728. ISSN  0885-8950.
81. Brunel, NJ-B.; Lapuyade-Lahorgue, J.; Pieczynski, W. (2010). "Modelado y clasificación no supervisada de cadenas ocultas de Markov multivariadas con cópulas". IEEE Transactions on Automatic Control . 55 (2): 338–349. doi :10.1109/tac.2009.2034929. ISSN  0018-9286. S2CID  941655.
82. Lai, Chin Diew; Balakrishnan, N. (2009). Distribuciones bivariadas continuas . doi :10.1007/b101765. ISBN 978-0-387-09613-1.
83. Durrani, TS; Zeng, X. (2007). "Cópulas para distribuciones de probabilidad bivariadas". Electronics Letters . 43 (4): 248. Bibcode :2007ElL....43..248D. doi :10.1049/el:20073737. ISSN  0013-5194.
84. Liu, X. (2010). "Cópulas de distribuciones bivariadas de Rayleigh y log-normales". Electronics Letters . 46 (25): 1669. Bibcode :2010ElL....46.1669L. doi :10.1049/el.2010.2777. ISSN  0013-5194.
85. Zeng, Xuexing; Ren, Jinchang; Wang, Zheng; Marshall, Stephen; Durrani, Tariq (2014). "Cópulas para procesamiento estadístico de señales (Parte I): extensiones y generalización" (PDF) . Procesamiento de señales . 94 : 691–702. doi :10.1016/j.sigpro.2013.07.009. ISSN  0165-1684.
86. Hachicha, S.; Chaabene, F. (2010). Frouin, Robert J; Yoo, Hong Rhyong; Won, Joong-Sun; Feng, Aiping (eds.). "Detección de cambios de SAR mediante cópula de Rayleigh". Teledetección del entorno costero oceánico, terrestre y atmosférico . 7858 . SPIE: 78581F. Bibcode :2010SPIE.7858E..1FH. doi :10.1117/12.870023. S2CID  129437866.
87. "Comunicación codificada a través de canales de atenuación", Comunicación digital a través de canales de atenuación , John Wiley & Sons, Inc., págs. 758–795, 2005, doi :10.1002/0471715220.ch13, ISBN 978-0-471-71522-1
88. Das, Saikat; Bhattacharya, Amitabha (2020). "Aplicación de la mezcla de distribución lognormal para representar las estadísticas de primer orden de canales inalámbricos". IEEE Systems Journal . 14 (3): 4394–4401. Bibcode :2020ISysJ..14.4394D. doi :10.1109/JSYST.2020.2968409. ISSN  1932-8184. S2CID  213729677.
89. Alouini, M.-S.; Simon, MK (2002). "Diversidad dual sobre canales de desvanecimiento log-normales correlacionados". IEEE Transactions on Communications . 50 (12): 1946–1959. doi :10.1109/TCOMM.2002.806552. ISSN  0090-6778.
90. Kolesárová, Anna; Mesiar, Radko; Saminger-Platz, Susanne (2018), Medina, Jesús; Ojeda-Aciego, Manuel; Verdegay, José Luis; Pelta, David A. (eds.), "Generalized Farlie-Gumbel-Morgenstern Copulas", Procesamiento de la información y gestión de la incertidumbre en sistemas basados ​​en el conocimiento. Teoría y fundamentos , Comunicaciones en informática y ciencias de la información, vol. 853, Springer International Publishing, págs. 244–252, doi :10.1007/978-3-319-91473-2_21, ISBN 978-3-319-91472-5
91. Sundaresan, Ashok; Varshney, Pramod K. (2011). "Estimación de la ubicación de una fuente de señal aleatoria basada en observaciones de sensores correlacionados". IEEE Transactions on Signal Processing . 59 (2): 787–799. Bibcode :2011ITSP...59..787S. doi :10.1109/tsp.2010.2084084. ISSN  1053-587X. S2CID  5725233.
92. Iyengar, Satish G.; Varshney, Pramod K .; Damarla, Thyagaraju (2011). "Un marco basado en cópulas paramétricas para la prueba de hipótesis utilizando datos heterogéneos". IEEE Transactions on Signal Processing . 59 (5): 2308–2319. Bibcode :2011ITSP...59.2308I. doi :10.1109/tsp.2011.2105483. ISSN  1053-587X. S2CID  5549193.
93. Liu, Xin; Wang, Yu (2023). "Soluciones analíticas para la probabilidad anual de falla de pendiente inducida por la lluvia en una pendiente específica utilizando una distribución bivariada de la intensidad y duración de la lluvia". Ingeniería Geológica . 313 : 106969. Bibcode :2023EngGe.31306969L. doi :10.1016/j.enggeo.2022.106969. ISSN  1872-6917. S2CID  254807263.
94. Sundaresan, Ashok; Varshney, Pramod K .; Rao, Nageswara SV (2011). "Fusión basada en cópula de decisiones correlacionadas". IEEE Transactions on Aerospace and Electronic Systems . 47 (1): 454–471. Bibcode :2011ITAES..47..454S. doi :10.1109/taes.2011.5705686. ISSN  0018-9251. S2CID  22562771.

Lectura adicional

• La referencia estándar para una introducción a las cópulas. Abarca todos los aspectos fundamentales, resume las clases de cópulas más populares y proporciona pruebas de los teoremas importantes relacionados con las cópulas.

Roger B. Nelsen (1999), "Introducción a las cópulas", Springer. ISBN 978-0-387-98623-4 

• Un libro que cubre temas actuales en la investigación matemática sobre cópulas:

Piotr Jaworski, Fabrizio Durante, Wolfgang Karl Härdle, Tomasz Rychlik (Editores): (2010): "Teoría de cópulas y sus aplicaciones" Apuntes de clase de estadística, Springer. ISBN 978-3-642-12464-8 

• Una referencia para aplicaciones de muestreo y modelos estocásticos relacionados con cópulas es

Jan-Frederik Mai, Matthias Scherer (2012): Simulación de cópulas (modelos estocásticos, algoritmos de muestreo y aplicaciones). World Scientific. ISBN 978-1-84816-874-9 

• Un artículo que cubre el desarrollo histórico de la teoría de las cópulas, por la persona asociada con la "invención" de las cópulas, Abe Sklar .

Abe Sklar (1997): "Variables aleatorias, funciones de distribución y cópulas: una mirada personal hacia atrás y hacia adelante" en Rüschendorf, L., Schweizer, B. y Taylor, M. (eds) Distribuciones con marginales fijos y temas relacionados (Apuntes de clase, serie monográfica número 28). ISBN 978-0-940600-40-9 

• The standard reference for multivariate models and copula theory in the context of financial and insurance models

Alexander J. McNeil, Rudiger Frey and Paul Embrechts (2005) "Quantitative Risk Management: Concepts, Techniques, and Tools", Princeton Series in Finance. ISBN 978-0-691-12255-7

External links

• "Copula", Encyclopedia of Mathematics, EMS Press, 2001 [1994]
• Copula Wiki: community portal for researchers with interest in copulas Archived 2016-09-11 at the Wayback Machine
• A collection of Copula simulation and estimation codes
• Copulas & Correlation using Excel Simulation Articles
• Chapter 1 of Jan-Frederik Mai, Matthias Scherer (2012) "Simulating Copulas: Stochastic Models, Sampling Algorithms, and Applications"