Ir al contenido

Cópulas (teoría de probabilidad)

De Wikipedia, la enciclopedia libre

En la teoría de la probabilidad y estadística, una cópula es una función de distribución multivariada de probabilidad cuyas distribuciones marginales para cada variable son distribuciones uniformes. Las cópulas describen la estructura de dependencia entre variables aleatorias, no es extraño que la palabra cópula insinúa vínculo o unión, proviene del latín y su significado es conexión o lazo que une dos cosas distintas, similar a las cópulas gramaticales en lingüística. Las cópulas han sido usadas en el área de finanzas y en aplicaciones de optimización de carteras.[1][2][3]

El célebre teorema de Sklar en 1959,[4]​ establece que cualquier función de distribución conjunta multivariada puede ser escrita en términos de distribuciones marginales univariadas y una cópula, esta última que describe la estructura de dependencia entre las variables.

Definición matemática

[editar]
Cópula en el cubo unidad.

Una cópula n-dimensional o n-cópula es una función que satisface las siguientes condiciones:

  • para cada y ,
  • para cualquier ,
  • cumple la condición de monotonicidad (H-volumen).

Teorema de Sklar

[editar]

El teorema de Sklar, llamado así por Abe Sklar, proporciona el fundamento teórico para la aplicación de las cópulas.[5][6]​ El teorema de Sklar afirma que toda función de distribución multivariante

de un vector aleatorio puede expresarse en términos de las distribuciones marginales y una función cópula , que satisface la siguiente relación:

Si la distribución multivariante admite una densidad de probabilidad , y su función de densidad se conoce, también sucede que:

donde es la densidad de la cópula.

Aplicaciones

[editar]

Las cópulas han sido aplicadas en diferentes campos, por ejemplo, en actuaría en la cual diversos procesos en los seguros de accidentes involucran pares de variables correlacionadas. Un ejemplo destacado es la pérdida y los gastos que se le asignan a una reclamación en una empresa de seguros. En estos casos, los modelos de cópulas son ampliamente utilizados ya que pueden ser computacionalmente fáciles, generan medidas de asociación no paramétricas y son modelos suficientemente flexibles como para tener una posibilidad de ajustar los datos.[7]​ En el área financiera son utilizadas en el modelado de los activos y la gestión de riesgos. En ingeniería, Sotirios P.Chatzis y Yiannis Demiris presentaron una nueva aplicación de la cópula, en su artículo "The copula echo state network", en el cual se propone una nueva metodología para el modelado de datos secuenciales, basado en la postulación de las redes neuronales recurrentes y sistemas dinámicos.[8]​ Las cópulas son populares en aplicaciones estadísticas con alta dimensionalidad puesto que permiten modelar fácilmente la distribución de vectores aleatorios mediante la estimación de marginales y cópulas separadamente. Hay muchas familias de cópulas paramétricas disponibles que permiten controlar la fuerza de la dependencia.

Las cópulas bidimensionales son conocidas en otras áreas de la matemática bajo el nombre de permutones (< inglés permutons) o medidas doblemente estocásticas.

Véase también

[editar]

Referencias

[editar]
  1. Low, Rand Kwong Yew; Alcock, Jamie; Faff, Robert; Brailsford, Timothy (2013-8). «Canonical vine copulas in the context of modern portfolio management: Are they worth it?». Journal of Banking & Finance (en inglés) 37 (8): 3085-3099. doi:10.1016/j.jbankfin.2013.02.036. Consultado el 13 de julio de 2019. 
  2. Nguyen, Phong; Liu, Wei-han (2017-3). «Time-Varying Linkage of Possible Safe Haven Assets: A Cross-Market and Cross-asset Analysis: Time-varying Linkage of Possible Safe Haven Assets». International Review of Finance (en inglés) 17 (1): 43-76. doi:10.1111/irfi.12089. Consultado el 13 de julio de 2019. 
  3. Yew Low, Rand Kwong; Faff, Robert; Aas, Kjersti (2016-5). «Enhancing mean–variance portfolio selection by modeling distributional asymmetries». Journal of Economics and Business (en inglés) 85: 49-72. doi:10.1016/j.jeconbus.2016.01.003. Consultado el 13 de julio de 2019. 
  4. Ayyad, C; Porcu, E (2008), «Inferencia y modelizacion mediante cópulas», Universidad Jaume .
  5. Sklar, A. (1959), «Fonctions de répartition à n dimensions et leurs marges», Publ. Inst. Statist. Univ. Paris 8: 229-231 .
  6. Durante, Fabrizio; Fernández-Sánchez, Juan; Sempi, Carlo (2013), «A Topological Proof of Sklar's Theorem», Applied Mathematics Letters 26 (9): 945-948, doi:10.1016/j.aml.2013.04.005 .
  7. Klugman, A; Parsa, R (1999), «Fitting bivariate loss distributions with copulas», Insurance: Mathematics and Economics 16: 139-148 .
  8. Cruz, D; Cepeda, E (2012), «Cópulas: Un nuevo enfoque para la modelización en Geoestadística», X Congreso latinoamericano de Sociedades de Estadística .

Enlaces externos

[editar]
  • [1]. Semillero de investigación en probabilidad estadística y aplicaciones (IPREA) de la Universidad Distrital Francisco José de Caldas. Bogotá, Colombia.