Você está na página 1de 105

Tipos de Dependncia entre Variveis Aleatrias e Teoria

de Cpulas
Autor: Mrcio Luis Lanfredi Viola
Supervisora: Profa. Dra. Vernica Andrea Gonzlez-Lpez
Instituto de Matemtica, Estatstica e Computao Cientfica (IMECC-UNICAMP)
Dezembro/2009

Sumrio
1 Tipos de Dependncia entre Variveis Aleatrias

1.1

Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2

Funes Totalmente Positivas e Totalmente Negativas . . . . . . . . . . . . .

1.3

Dependncia do Quadrante Positivo (e Negativo) e do Octante . . . . . . .

1.3.1

Variveis Aleatrias Estocasticamente Crescentes e Decrescentes,


Dependncia Crescente na Cauda Direita e Dependncia Decrescente na Cauda Esquerda

. . . . . . . . . . . . . . . . . . . . . . . . .

12

1.4

Variveis Aleatrias Negativamente Associadas . . . . . . . . . . . . . . . . .

17

1.5

Implicaes e Contra-exemplos envolvendo os Conceitos de Dependncia .

19

1.6

Tabelas referentes ao Captulo . . . . . . . . . . . . . . . . . . . . . . . . . . . .

23

2 Teoria de Cpulas

27

2.1

Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

27

2.2

Cpula e Teorema de Sklar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

29

2.3

Cpulas Arquimedianas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

39

2.4

Cpulas Multivariadas e a Transformada de Laplace . . . . . . . . . . . . . .

45

3 Varivel BIPIT

55

3.1

Variveis PIT e BIPIT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

55

3.2

Propriedades da funo K . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

62

4 Tau de Kendall
4.1

67

Concordncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
i

67

5 Kendall Plot

79

5.1

Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

79

5.2

Construo do Kendall Plot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

80

5.2.1

QQplot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

80

5.2.2

Kendall Plot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

81

Resultados e Fundamentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

84

5.3

Referncias Bibliogrficas

94

ii

Lista de Figuras
2.1

Scatterplots: Dados exponenciais independentes (primeira figura); dados exponenciais


independentes transformados pelas acumuladas (segunda figura). . . . . . . . . . . .

30

2.2

Gerador no estrito e pseudo-inversa [1] para a cpula Arquimediana W . . . . .

44

2.3

Gerador estrito e pseudo-inversa [1] para a cpula Arquimediana . . . . . . . .

45

3.1

QQplot entre a amostra Hi = H(xi , yi ) da BIPIT H associada distribuio normal


bivariada do Exemplo 3.1 e uma amostra {U1 , . . . , U100 } com distribuio U (0, 1). . .

3.2

56

QQplot das amostras das BIPITS H e H1 : {H1 , . . . , Hn } e {H11 , . . . , H1n } respectivamente, n = 100, onde Hi = H(ui , vi ) = ui vi sendo ui , vi amostras de U (0, 1)
e H1i = H(x1i , y1i ) = F1 (x1i )G1 (y1i ) sendo x1i com distribuio exp(2) e y1i com
distribuio exp(10). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.3

57

Funes distribuio de Kendall das cpulas M (linha cheia preta), W (linha cheia
cinza) e famlia de Gumbel para = {1, 3, 7} (primeira figura); famlia de Clayton
para = {1, 3, 4} (segunda figura). . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.4

64

Funes (v), v I, das cpulas M (linha cheia preta), W (linha cheia cinza)
e famlia de Gumbel para = {1, 3, 7} (primeira figura); famlia de Clayton para
= {1, 3, 4}. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.1

65

QQplots referentes Exemplo 4.5: H0i = (ui , vi ), H1i = C0.5 (ui , vi ), H2i = C2 (ui , vi )
com C cpula de Clayton com parmetro (A linha com ponto e tracejado a diagonal principal do grfico). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
iii

77

5.1

b (dnpe) K 1 (p) proveniente


Grficos da inversa da funo distribuio K 1 (p) vs. H
n
de n = 100 pseudo-observaes da cpula 4.2.12 (primeira figura); e Wdnpe:n,K =
E(H(dnpe) ), n = 100, sob hiptese da mesma cpula (segunda figura). . . . . . . . . .

5.2

88

Kendall Plot sob hiptese nula de independncia para a amostra {(x1 , y1 ), . . . , (x100 , y100 )}
sendo xi com distribuio exp(2) e yi com distribuio exp(10) com {xi } gerados de
forma independente de {yi }. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5.3

Kendall Plot sob hiptese nula de independncia de n = 100 pares de observaes do


vetor aleatrio (X, Y ) com Y = 1 X. . . . . . . . . . . . . . . . . . . . . . . . . . .

5.4

90

Kendall Plot sob hiptese nula de independncia, de n = 100 pares de observaes


do vetor aleatrio (X, Y ) com Y = X. . . . . . . . . . . . . . . . . . . . . . . . . . .

5.5

89

91

Kendall Plot sob hiptese nula de cpula de Clayton = 2 (Wi:n,K0 referente a


Clayton com = 2) de amostras aleatrias de tamanho n = 100 associadas a cpula
de Clayton com os respectivos parmetros = {0.5, 2, 5}. . . . . . . . . . . . . . . . .

iv

92

Lista de Tabelas
6.1

Funo de probabilidade conjunta de (X1 , X2 , X3 , X4 ) . . . . . . . . . . . . . . . . .

24

6.2

Funo de probabilidade conjunta de X e Y . . . . . . . . . . . . . . . . . . . . . . .

24

6.3

Funo de probabilidade conjunta de X e Y . . . . . . . . . . . . . . . . . . . . . . .

24

6.4

Funo de probabilidade conjunta de X e Y . . . . . . . . . . . . . . . . . . . . . . .

24

6.5

Funo de probabilidade conjunta de (Y1 , Y2 ) . . . . . . . . . . . . . . . . . . . . . .

25

3.1

Algumas famlias paramtricas de cpulas Arquimedianas com seus geradores e espaos paramtricos (*na cpula de Clayton o gerador estrito se 0, caso contrrio
no estrito). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.1

Cpulas Arquimedianas da Tabela 3.1 com os respectivos geradores e funes distriuio K. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.1

44

62

Medida de associao de Kendall expressa em funo do parmetro para algumas


famlias de cpulas Arquimedianas. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

70

Captulo 1

Tipos de Dependncia entre Variveis


Aleatrias

1.1

Introduo

Os conceitos e anlise de dependncia so necessrios para o entendimento do modelo a ser


considerado e quando este pode ser aplicado. Isto inclui a anlise da estrutura de dependncia
conveniente ao modelo e se a dependncia do modelo aumenta quando os parmetros multivariados
aumentam, isto , um modelo multivariado pode ser analisado a partir das estruturas de dependncia
que ele consiga cobrir em relao ao universo das estruturas de dependncia possveis. Assim,
as propriedades de dependncia so importantes para a avaliao da adequao de um modelo
particular perante uma dada aplicao ou um conjunto de dados. No entanto, na prtica, pode ser
difcil a comprovao das propriedades tericas assumidas pelos modelos.
O estudo dos vrios tipos de dependncia importante pois um dado modelo de cpula pode ser
mais adequado para um tipo de dependncia pretendido do que para outro. Por exemplo, h modelos
de cpula que modelam dependncias positivas (limitante superior de Frchet [25]) enquanto que
h modelos de cpula que modelam dependncias negativas (limitante inferior de Frchet [25]).
H vrias formas para definir dependncias sendo que h conceitos que podem ser considerados
mais fortes como, por exemplo, dependncia M T P2 ou M RR2 , e outros que podem ser considerados
1

2
mais fracos como, por exemplo, dependncia PQD ou NQD.

1.2

Funes Totalmente Positivas e Totalmente Negativas

As definies dadas a seguir referem-se funes gerais sendo que a funo densidade ou a funo
de probabilidade so casos particulares. Nesta seo, por simplicidade, sero dadas as definies e
propriedades utilizando-se funes contnuas. O caso discreto anlogo.
Definio 1.1. Seja uma funo f (x) uma funo no-negativa definida em = 1 2 ... n
onde cada i totalmente ordenado, satisfazendo
f (x y)f (x y) f (x)f (y)

(2.1)

onde e so operaes definidas como sendo


x y = (max(x1 , y1 ), ...., max(xn , yn ))
e
x y = (min(x1 , y1 ), ...., min(xn , yn ));
x, y onde x = (x1 , ..., xn ) e y = (y1 , ..., yn ). A funo densidade que satisfizer (2.1) ser denominada funo multivariada totalmente positiva de ordem 2 (multivariate totally positive of order 2)
denotada por M T P2 . Um vetor aleatrio X = (X1 , ..., Xn ) de n componentes ser chamado M T P2
se sua funo densidade for M T P2 [27].
A funo f (x) que satisfizer a desigualdade (2.1) considerando-se no lugar de ser chamada
funo multivariada totalmente negativa de ordem 2 (multivariate reverse rule of order 2) denotada
por M RR2 [28].
Para a anlise das definies acima ser considerado o caso n = 2. Para este caso, ser dada
uma interpretao para cada um dos conceitos citados.
Definio 1.2. Seja uma funo f (x, y) no-negativa de duas variveis definidas em = 1 2
sendo 1 e 2 totalmente ordenados. A funo ser totalmente positiva de ordem r, denotada por
T Pr , se para todo x1 < ... < xm , y1 < .... < ym , xi 1 , yi 2 , 1 m r, o determinante da
matriz quadrada de ordem r, |f (xi , yi )|i,j=1,...,m , 1 m r, definido como sendo [26]

|f (xi , yi )|i,j=1,2,...,m


f (x , y ) f (x , y ) ... f (x , y )

1 1
1 2
1 m

f (x2 , y1 ) f (x2 , y2 ) ... f (x2 , ym )



.
.
.
=
.
.
.



.
.
.


f (xm , y1 ) f (xm , y2 ) ... f (xm , ym )

(2.2)

for no-negativo.
Quando r = 2, a partir da condio de que o determinante (2.2) seja no-negativo, obtm-se
f (x1 , x2 )f (y1 , y2 ) f (x1 , y2 )f (y1 , x2 ) 0 para toda escolha x1 < x2 , y1 < y2 , xi 1 , yi 2 ,
i = 1, 2. Neste caso, a funo f (x, y) ser totalmente positiva de ordem 2 (totally positive of order
2) [27]. Este conceito foi generalizado por meio da Definio 1.1.
Uma funo f (x, y), no-negativa, de duas variveis reais, definidas em 1 2 sendo 1 e 2
totalmente ordenados ser totalmente negativa de ordem 2 (reverse rule of order 2), denotado por
RR2 se f (x1 , x2 )f (y1 , y2 ) f (x1 , y2 )f (y1 , x2 ) 0 para toda escolha x1 < x2 e y1 < y2 , xi 1 ,
yi 2 , i = 1, 2 [28].
Quando a funo f for uma funo densidade, o seu domnio ser real, ou seja, i = R,
i = 1, ...., n.
A condio de dependncia positiva f (x1 , x2 )f (y1 , y2 ) f (x1 , y2 )f (y1 , x2 ) significa que mais
provvel que ocorram dois pares com componentes assumindo valores grande-grande ou pequenopequeno do que dois pares com componentes assumindo valores grande-pequeno ou pequeno-grande.
Os conceitos T P2 e RR2 podem ser estendidos. Considere uma medida de probabilidade nos
conjuntos de Borel em Rn . Se I1 , ..., In forem intervalos em R, define-se
e(I1 , ..., In ) = (I1 ...In ).
Se I e J forem intervalos em R, I < J se x I, y J implicar em x < y . Define-se [2, 23]:
Definio 1.3. Seja
e uma medida de probabilidade em R2 . Esta medida ser RR2 se
0

e(I1 , I2 )e
(I1 , I2 )
e(I1 , I2 )e
(I1 , I2 ) para todos os intervalos I1 < I1 , I2 < I2 em R.
Definio 1.4. Seja
e uma medida de probabilidade em Rn , n 2. Esta medida ser RR2 aos
pares se
e(I1 , ..., In ) for RR2 nos pares Ii , Ij para todo 1 i < j n sendo que as demais variveis
(intervalos) so mantidas fixas. As v.a. X1 , ..., Xn (ou o vetor aleatrio X ou sua f.d.a F) sero
RR2 aos pares se sua correspondente medida de probabilidade em Rn for RR2 aos pares.

4
A seguir, sero apresentadas algumas propriedades referentes ao conceito M T P2 . A demonstrao das propriedades podem ser encontradas em [27]. As propriedades 1 4 so teis para a
obteno de funes densidade M T P2 a partir de outras funes densidade M T P2 e as propriedades
5 7 so teis para a obteno de funes densidade M T P2 a partir de funes densidade P F2 e/ou
T P2 .
1. Seja f uma funo densidade M T P2 em . Ento a funo densidade marginal, , em

Qk

i=1 i

dada por
Z

(x1 , ..., xk ) =

....
n

f (x1 , ..., xk , xk+1 , ..., xn )dxk+1 ...dxn


k+1

M T P2 ;
2. Se f e g forem funes densidade M T P2 . Ento, a funo f g ser M T P2 ;
3. Sejam =

Qn

i=1 i ,

Qn

i=1 i ,

Qn

i=1 i

onde i , i e i so espaos totalmente ordenados.

Sejam f e g funes densidade M T P2 , respectivamente, em e . Define-se,


R
h(y, z) = f (y, x)g(x, z)d(x), = 1 ... n . Ento, h uma funo M T P2 em ;
4. Se f (x) for M T P2 , x , 1 , ..., n forem todas funes crescentes (ou todas funes decrescentes), respectivamente, em 1 , ..., n e {k (xk )}nk=1 forem funes positivas. Ento, a
Q
funo (x) = (x1 , ..., xn ) = ( ni=1 i (xk ))f (1 (x1 ), ..., n (xn )) ser M T P2 em ;
5. Seja X = (X1 , ..., Xn ) um vetor aleatrio composto por variveis aleatrias X1 , ..., Xn independentes onde cada Xi , i = 1, ..., n, possui funo densidade, fXi , P F2 1 . Seja Y = (Y1 , ..., Yn )
um vetor aleatrio com funo densidade conjunta, fY , M T P2 em Rn e suponha que X e Y
so independentes. Ento, Z = X + Y possui uma funo densidade M T P2 ;
6. Seja X = (X1 , ..., Xn ) um vetor aleatrio composto por variveis aleatrias X1 , ..., Xn independentes onde cada Xi , i = 1, ..., n, possui funo densidade, fXi , P F2 e seja Xo uma v.a.
independente de X possuindo funo densidade fXo . Define-se Zi = Xi + Xo , i = 1, ..., n.
Ento, a funo densidade conjunta de Z = (Z1 , ..., Zn ) M T P2 ;
1

Uma funo f (x) definida em (, ) P Fr (Plya frequency function of order r) se f (x y) for T Pr ,

< x, y < [26].

5
7. Seja X = (X1 , ..., Xn ) um vetor aleatrio composto por variveis aleatrias X1 , ..., Xn independentes onde cada Xi , i = 1, ..., n possui funo densidade, fXi . Seja Xo uma varivel aleatria
positiva. Se, para i = 1, ..., n, fXi (u/v) for T P2 em < u < e v > 0, ou fXi (uv) for
T P2 em < u < e v > 0, ento ambos os vetores aleatrios Z = (X1 Xo , ..., Xn Xo ) e
W = (X1 /Xo , ..., Xn /Xo ) tero funes densidade M T P2 ;
8. Seja X = (X1 , ..., Xn ) um vetor aleatrio possuindo densidade conjunta M T P2 . Sejam e ,
ambas funes crescentes (ou ambas funes decrescentes), em Rn . Ento,
E[(X)(X)] (E[(X)])(E[(X)]).

Vale observar que, utilizando-se as propriedades 1 e 2, obtm-se a propriedade 3 e que da


propriedade 2, obtm-se: Variveis aleatrias independentes possuem funo densidade conjunta
M T P2 .
Da propriedade 1 obtm-se: Se X = (X1 , ..., Xn ) for M T P2 ento qualquer subconjunto formado
pelas componentes de X, por exemplo, (Xi , ..., Xk ) ser M T P2 onde 2 i, k < n
E, da propriedade 8, obtm-se que
Cov((X), (X)) 0

(2.3)

a qual sugere a seguinte definio [11, 27]:


Definio 1.5. Seja X = (X1 , ..., Xn ) um vetor aleatrio satisfazendo a expresso (2.3) para qualquer par de funes crescentes (ou decrescentes) e . As componentes de X, X1 , ..., Xn , so
denominadas variveis aleatrias associadas.
Utilizando-se a definio anterior, obtm-se o seguinte resultado:
Teorema 1.1. Seja X = (X1 , ..., Xn ) um vetor aleatrio formado por v.a. associadas e sejam
1 , ..., k funes no-negativas em Rn sendo todas crescentes (ou todas decrescentes). Ento,
" k
#
k
Y
Y
E
i (X)
E [i (X)]
(2.4)
i=1

i=1

6
Demonstrao: Para a demonstrao consulte [27].
Em particular, se i (X) = i (Xi ), i = 1, ..., n, a expresso (2.4) do teorema anterior fornece
E[1 (X1 )...n (Xn )]

n
Y

E[i (Xi )]

(2.5)

i=1

Especialmente, a expresso (2.5) permite demonstrar


Q
Q
P (X1 c1 , ..., Xn cn ) ni=1 P (Xi ci ) e P (X1 c1 , ..., Xn cn ) ni=1 P (Xi ci ). Na
prxima seo, tais desigualdades designaro outros tipos de dependncia.
Vale observar que a partir do conceito de dependncia M T P2 obteve-se o conceito de variveis
aleatrias associadas. Com isso, o conceito de dependncia M T P2 mais forte do que o conceito
de variveis aleatrias associadas no sentido de que o primeiro implica no segundo.
A seguir, sero apresentadas algumas propriedades referentes v.a. associadas [11].
1. Um subconjunto de v.a. associadas associado;
2. Se dois conjuntos de v.a. associadas forem independentes, ento a unio ser um conjunto de
v.a. associadas;
3. Funes no-decrescentes de v.a. associadas so associadas;
4. Um conjunto formado por uma nica v.a. associado;
5. Variveis aleatrias independentes so associadas;
(k)

(k)

(k)

6. Se T(k) = (T1 , ..., Tn ) for um vetor aleatrio com Ti , i = 1, ..., n, associadas para cada k
e T(k) T, em distribuio, ento as componentes do vetor aleatrio T = (T1 , ..., Tn ) sero
associadas.
Sero apresentados, a seguir, alguns exemplos de funes densidade M T P2 [27].
Exemplo 1: Seja X = (X1 , ..., Xn ) uma amostra aletria formada por variveis aleatrias i.i.d.
Xi , possuindo funo densidade f . Ento, a densidade conjunta das estatsticas de ordem
X1,n , ..., Xn,n M T P2 ;

7
P
Exemplo 2: Considere que X = (X1 , ..., Xn ) N (0, ). Esta distribuio ser M T P2 se e
P
somente se 1 possuir elementos fora da diagonal no-negativos;
Exemplo 3: A funo densidade da Distribuio Logstica Multivariada definida como sendo
(
f (x1 , ..., xn ) = n!exp

n
X

)(
1+

xi

i=1

n
X

)(m+1)
xi

i=1

O Ncleo Generalizado de Cauchy dado por

k(y) =

(1 +

1
Pn

i=1 yi )

onde yi > 0, i = 1, ..., n. Este ncleo T P2 em cada par de variveis. Com isso, a Distribuio
Logstica Multivariada M T P2 pelas propriedades 2 e 4 referentes funo densidade M T P2 ;
Exemplo 4: Seja X1 , ..., Xn v.a. independentes com Xi Gama(i , i ), i 1, i > 0,
i = 1, ..., n. A funo densidade fXi (x) = ci xi 1 ei x , x > 0 P F2 . Se Xo for independente de X1 , ..., Xn , Xo Gama(o , o ), ento o vetor Z = (X1 + Xo , ...., Xn + Xo ) possui
Distribuio Gamma Multivariada e, pela propriedade 6 referente funo densidade M T P2 ,
tem-se que a sua densidade conjunta ser M T P2 ;
Exemplo 5: Seja X1 , ..., Xn v.a. independentes com Xi Gama(i , i ), i > 0, i > 0,
i = 1, ..., n. A funo densidade fXi (u/v) = ci (u/v)i 1 ei (u/v) , T P2 para u e v positivos.
Se Xo for independente de X1 , ..., Xn e Xi 2i , ento o vetor
Z = ((X1 /1 )(Xo /o )1 , ...., (Xn /n )(Xo /o )1 ) possuir Distribuio F Multivariada e, pela
propriedade 7 referente funo densidade M T P2 , tem-se que a sua densidade conjunta ser
M T P2 ;
Exemplo 6: Seja X = (X1 , ..., Xn ) N (0, I) e S 2 , X e S independentes.

Seja

Z = (Z1 , ..., Zn ) = (X1 /S, ..., Xn /S). O vetor aleatrio Z possui Distribuio de Cauchy
multivariada. Ento, (|Z1 |, ..., |Zn |) possui densidade conjunta M T P2 considerando o mesmo
argumento do exemplo prvio desde que eu

2 /v 2

T P2 com u > 0, v > 0.

A seguir, sero apresentadas algumas propriedades referentes s funes M RR2 [28].

8
1. Se f e g forem funes M RR2 . Ento, a funo f g ser M RR2 ;
2. Se f (x) for M RR2 com x e 1 , ..., n forem todas funes crescentes (ou todas funes decrescentes), respectivamente, em 1 , ..., n . Ento, a funo (x) = (x1 , ..., xn )=f (1 (x1 ), ...n (xn ))
ser M RR2 em ;
A seguir, sero apresentados alguns exemplos de distribuies M RR2 [28].
Exemplo 1: Seja X = (X1 , ..., Xn ) um vetor aleatrio composto por v.a. independentes tais
P
P
que Xi Binomial(ni , pi ), ni=1 pi = 1, ni=1 Xi = N . A distribuio de X dada por
n

Y x
N!
Pn
PX (x) = Qn
pi i
x
!
(N

x
)!
i
i
i=1
i=1

n
X

i=1

!N Pni=1 xi
pi

(2.6)

i=1

onde x = (x1 , ..., xn ) representa um dado valor que o vetor aleatrio X assume e pi 0,
i = 1, ..., n. Esta distribuio denominada Distribuio Multinomial e, pode-se mostrar, que
esta M RR2 ;
Exemplo 2: Seja X = (X1 , ..., Xn ) um vetor aleatrio. A funo de probabilidade da Distribuio Hipergeomtrica Multivariada dada por
"
PX (x) =
com

Pn

i=1 xi

Qn

i=1

Mi

!#

xi

= m, 0 xi Mi , i = 1, ..., n e

M
m
Pn

Pn

i=1 Mi
Pn
i=1 xi

i=1 Mi

!1
(2.7)

= M onde x = (x1 , ..., xn ) representa

um dado valor que o vetor aleatrio X assume. Esta distribuio M RR2 ;


Exemplo 3: Seja X = (X1 , ..., Xn ) um vetor aleatrio. A funo densidade da Distribuio de
Dirichlet dada por

0 1
P
n
n
X
Y
( nj=0 j )
1
1
f (x) = Qn
xj
xj j
(
)
j
j=0
j=1

onde

Pn

j=1 xj

(2.8)

j=1

1, 0 xj e j 1, j = 0, .., n sendo (.) a Funo Gama. A Distribuio de

Dirichlet M RR2 .

1.3

Dependncia do Quadrante Positivo (e Negativo) e do Octante

Considere X um vetor aleatrio de dimenso n (n 2) com f.d.a. F . Define-se a dependncia do


octante superior positivo (positive upper orthant dependent) e a dependncia do octante inferior
positivo (positive lower orthant dependent) [25] como sendo:
Definio 1.6. X = (X1 , ..., Xn ) ou F possuem dependncia do octante superior positivo (PUOD)
Q
se P (Xi > ai , i = 1, ..., n) ni=1 P (Xi > ai ), a = (a1 , ..., an ) Rn .
Definio 1.7. X = (X1 , ..., Xn ) ou F possuem dependncia do octante inferior positivo (PLOD)
Q
se P (Xi ai , i = 1, ..., n) ni=1 P (Xi ai ), a = (a1 , ..., an ) Rn .
Se X verifica as Definies 1.6 e 1.7 ento X ou F possuem dependncia do octante positivo(positive orthant dependent) denotada por POD.
Intuitivamente, a expresso da Definio 1.6 significa que mais provvel que X1 , ..., Xn assumam, simultaneamente, valores grandes comparado com o vetor de v.a. independentes com as
mesmas correspondentes distribuies marginais univariadas.
Similarmente, sero enunciados os conceitos de dependncia do octante inferior negativo (negative lower orthant dependent), dependncia do octante superior negativo (negative upper orthant
dependent) e dependncia do octante negativo (negative orthant dependent) [25].
Definio 1.8. X = (X1 , ..., Xn ) ou F possuem dependncia do octante superior negativo (NUOD)
Q
se P (Xi > ai , i = 1, ..., n) ni=1 P (Xi > ai ), a = (a1 , ..., an ) Rn .
Definio 1.9. X = (X1 , ..., Xn ) ou F possuem dependncia do octante inferior negativo (NLOD)
Q
se P (Xi ai , i = 1, ..., n) ni=1 P (Xi ai ), a = (a1 , ..., an ) Rn .
Se X verifica as Definies 1.8 e 1.9 ento X ou F possuem dependncia do octante negativo
(NOD).
As expresses que compem as definies 1.6 e 1.7, em geral, para n 3, no se equivalem (veja
um contra-exemplo na seo 3.2.5). Porm, para n = 2, elas se equivalem. Isto, tambm, vale para
as definies 1.8 e 1.9. Com isso, definies acima se reduzem, para n = 2, s seguintes:
Seja X = (X1 , X2 ) um vetor aleatrio bivariado com f.d.a. F . Ento, define-se a dependncia
do quadrante positivo (positive quadrant dependent) [30, 25] como sendo:

10
Definio 1.10. X ou F possuem dependncia do quadrante positivo (PQD) se
P (X1 > a1 , X2 > a2 ) P (X1 > a1 )P (X2 > a2 ), a1 , a2 R, ou equivalentemente,
P (X1 a1 , X2 a2 ) P(X1 a1 ) P(X2 a2 ), a1 , a2 R.
A expresso da definio 1.10 representa uma condio de dependncia positiva e significa que
mais provvel que X1 e X2 assumam, conjuntamente, valores grandes ou pequenos comparado com
0

X1 e X2 onde X1 = X1 e X2 = X2 sendo X1 e X2 ) v.a. independentes.


Similarmente, ser apresentada a dependncia do quadrante negativo(negative quadrant dependent)
[30, 25] definido a seguir.
Definio 1.11. X ou F possuem dependncia do quadrante negativo (NQD) se
P (X1 > a1 , X2 > a2 ) P (X1 > a1 )P (X2 > a2 ), a1 , a2 R, ou equivalentemente,
P (X1 a1 , X2 a2 ) P(X1 a1 ) P(X2 a2 ), a1 , a2 R.
A seguir, sero apresentadas algumas propriedades referentes ao conceito de dependncia PQD
e NQD [30].
1. O vetor de v.a. (X, X) ser PQD para todo X;
2. Se o vetor de v.a. (X, Y ) for PQD, ento o vetor (X, Y ) ser NQD;
3. Se o vetor de v.a. (X, Y ) for PQD ento o vetor (r(X), s(Y )) ser PQD se r e s forem funes
no-decrescentes;
4. Sejam (X1 , Y1 ), ..., (Xn , Yn ) pares independentes de v.a. com funes de distribuio F1 , ...., Fn .
Sejam r e s funes de n variveis e sejam X = r(X1 , ..., Xn ) e Y = s(Y1 , ..., Yn ). Ento:
(a) (X, Y ) ser PQD se, para cada i, as seguintes condies forem vlidas:

i. Fi PQD e r, s so concordantes

para a i-sima coordenada ou;

ii. Fi NQD e r, s so discordantes

para a i-sima coordenada.

Duas funes reais r e s de n variveis independentes sero concordantes para a i-sima coordenada se,

considerando-as funes da i-sima coordenada, deixando as demais fixas, ambas so funes no-decrescentes ou
ambas so funes no-crescentes.
3
Duas funes reais r e s de n variveis independentes sero concordantes para a i-sima coordenada se,
considerando-as funes da i-sima coordenada, deixando as demais fixas, uma das funes no-decrescente e a
outra no-crescente.

11
(b) (X, Y ) ser NQD se, para cada i, as seguintes condies forem vlidas:
i. Fi PQD e r, s so discordantes para a i-sima coordenada ou;
ii. Fi NQD e r, s so concordantes para a i-sima coordenada.

5. Sejam (X1 , Y1 ), ..., (Xn , Yn ) pares independentes de v.a. com funes de distribuio F1 , ...., Fn .
Sejam U e V v.a. independentes e independentes de (X1 , Y1 ), ..., (Xn , Yn ) e sejam
X = r(U, X1 , ..., Xn ) e Y = s(V, X1 , ..., Xn ). Ento, as concluses dos tens (a) e (b) na
propriedade 4. continuam vlidas.
6. Se (X, Y ) for PQD e se existirem E(XY ), E(X) e E(Y ), ento E(XY ) E(X)E(Y ).
A seguir, sero apresentados alguns exemplos de v.a. PQD [30]. As justificativas dos exemplos
baseiam-se nas propriedades anteriores.
Exemplo 1: Para qualquer v.a. X e para qualquer funo no-decrescente s, o vetor (X, s(X))
ser PQD;
Exemplo 2: (X = U + aZ, Y = V + bZ) ser PQD se as constantes a e b tiverem o mesmo
sinal para quaisquer v.a. independentes U , V e Z;
Exemplo 3: Para quaisquer v.a. independentes X e V , (X, Y = X + V ) ser PQD;
Exemplo 4: (X = r(U, Z), Y = s(V, Z)) ser PQD se U , V e Z forem v.a. independentes e r
e s forem funes no-decrescentes em Z (arbitrrias para as demais v.a.).
Agora, sero apresentadas algumas propriedades relativas ao conceito NOD [8]:
1. Qualquer conjunto de v.a. independentes ser NOD;
2. Qualquer subconjunto de tamanho 2 formado por v.a. NOD ser NOD;
3. Se X1 , ..., Xn forem v.a. NOD e 1 , ..., n forem funes Borel-mensurveis crescentes com
valores reais. Ento, 1 (X1 ), ..., n (Xn ) sero v.a. NOD;
4. A unio de conjuntos independentes de v.a. NOD ser NOD.

12
Tambm, sero apresentados alguns exemplos de distribuies NOD [23].
Exemplo 1: A Distribuio Multinomial dada por (2.6) NOD;
Exemplo 2: A Distribuio Hipergeomtrica Multivariada dada por (2.7) NOD;
Exemplo 3: A Distribuio de Dirichlet dada por (2.8) NOD.

1.3.1

Variveis Aleatrias Estocasticamente Crescentes e Decrescentes,


Dependncia Crescente na Cauda Direita e Dependncia Decrescente
na Cauda Esquerda

Denotando-se =(F1 , ..., Fn ) como a classe das distribuies multivariadas que possuem funes
de distribuio marginais F1 , ..., Fn , considere X = (X1 , X2 ) um vetor aleatrio bivariado possuindo
f.d.a F =(F1 , F2 ). Define-se:
Definio 1.12. A varivel aleatria X2 ser estocasticamente crescente (stochastically increasing),
denotada por SI, em X1 ou a distribuio condicional F2|1 ser estocasticamente crescente () se
P (X2 > x2 |X1 = x1 ) = 1 F2|1 (x2 |x1 ) x1 , x2 [25].
Se, na Definio 1.12, trocarmos os ndices 1 por 2 e 2 por 1, ter-se- que X1 ser SI em X2 ou
F1|2 ser SI.
A expresso da definio 1.12 representa uma condio de dependncia positiva e significa que
a probabilidade de que X2 ultrapasse um limiar x2 crescente quando X1 aumentar.
Se, na Definio 1.12, trocarmos por , a varivel aleatria X2 ser estocasticamente decrescentes (stochastically decreasing), denotada por SD, em X1 [25].
H dois conceitos de dependncia que podem ser considerados como uma extenso multivariada
do conceito SI (Definio 1.12): dependncia positiva atravs da ordenao estocstica (positive dependence through the stochastic ordering) e dependncia condicionalmente crescente em sequncia
(conditional increasing in sequence)[8].
Definio 1.13. O vetor aleatrio (X1 , ..., Xn ) possuir dependncia positiva atravs da ordenao
estocstica, denotada por PDS, se [X1 , ..., Xi1 |Xi = xi ] for estocasticamente crescente quando xi
aumentar, para todo i = 1, ..., n.

13
Definio 1.14. O vetor aleatrio (X1 , ..., Xn ) possuir dependncia condicionalmente crescente
em sequncia, denotada por CIS, se Xi for estocasticamente crescente em X1 , ..., Xi1 , isto , se
P (Xi > xi |X1 = x1 , ..., Xi1 = xi1 ) (for crescente em) x1 , ..., xi1 , xi , i = 1, ..., n.
Note que, para n = 2, PDS equivale X2 SI em X1 e X1 SI em X2 . Da mesma forma, CIS
equivale SI.
Os conceitos de v.a. PDS e CIS possuem as seguintes verses para dependncia negativa:
dependncia negativa atravs da ordenao estocstica (negative dependence through the stochastic
ordering) e dependncia condicionalmente decrescente em sequncia (conditional decreasing in
sequence).
Definio 1.15. O vetor aleatrio (X1 , ..., Xn ) possuir dependncia negativa atravs da ordenao
estocstica, denotada por NDS, se [X1 , ..., Xi1 |Xi = xi ] for estocasticamente decrescente em xi ,
para todo i = 1, ..., n [23].
Definio 1.16. O vetor aleatrio (X1 , ..., Xn ) possuir dependncia condicionalmente decrescente
em sequncia, denotada por CDS, se P (Xi > xi |X1 = x1 , ..., Xi1 = xi1 ) (for decrescente em)
x1 , ..., xi1 , xi , i = 1, ..., n [8].
Para v.a. CDS (veja a Definio 1.16) e NOD (veja as Definies 1.8 e 1.9), tem-se a seguinte
propriedade [23]: Sejam Xo , X1 , ..., Xn v.a. independentes sendo que cada v.a. possui funo densidade ou funo de probabilidade P F2 . Ento, para x fixo, as v.a. condicionais
(X1 , ..., Xn |Xo + X1 + ... + Xn = x) so RR2 aos pares e, consequentemente, sero CDS e NOD.
Nas Definies 1.14 e 1.16, ao invs, das v.a. X1 , ..., Xi1 serem condicionadas, respectivamente,
aos valores fixo x1 , ..., xi1 , pode-se considerar X1 , ..., Xi1 condicionadas, respectivamente, em
X1 > x1 , ..., Xi1 > xi1 ou X1 x1 , ..., Xi1 xi1 . Dessa forma, tem-se as seguintes definies
[8].
Definio 1.17. As v.a. X1 , ..., Xn sero crescentes na cauda direita em sequncia (right-tail
increasing in sequence), denotada por RTIS, se P (Xi > xi |X1 > x1 , ..., Xi1 > xi1 ) (for
crescente em) x1 , ..., xi1 , xi , i = 1, ..., n.

14
Definio 1.18. As v.a. X1 , ..., Xn sero crescentes na cauda esquerda em sequncia (left-tail
decreasing in sequence), denotada por LTIS, se P (Xi xi |X1 x1 , ..., Xi1 xi1 ) x1 , ..., xi1 ,
xi , i = 1, ..., n.
Se n = 2, a Definio 1.17 torna-se: A v.a. X2 ser crescente na cauda direita (right-tail
increasing), denotada por RTI, em X1 se P (X2 > x2 |X1 > x1 ) =

1F (x1 ,x2 )
1F1 (x1 )

x1 , x2 [25].

Se n = 2, a Definio 1.18 torna-se: A v.a. X2 ser crescente na cauda esquerda (left-tail


incresing), denotada por LTI, em X1 se P (X2 x2 |X1 x1 ) =

F (x1 ,x2 )
F1 (x1 )

x1 , x2 [8].

As expresses nas Definies 1.17 e 1.18 so condies de dependncia positiva. Pela Definio
1.17, para o caso em que n = 2, tem-se que mais provvel que X2 assuma valores grandes quando
X1 aumentar. E, pela Definio 1.18, para o caso em que n = 2, tem-se que mais provvel que X2
assuma valores pequenos quando X1 diminuir.
Se, nas Definies 1.17 e 1.18, a monocidade for trocada por , ter-se- os conceitos referentes
dependncia negativa.
Se, na Definio 1.17, a monocidade for trocada por tem-se que as v.a. X1 , ..., Xn sero
decrescentes na cauda direita em sequncia (right-tail decreasing in sequence), denotada por
RTDS, ou seja, P (Xi > xi |X1 > x1 , ..., Xi1 > xi1 ) x1 , ..., xi1 , xi , i = 1, ..., n [8] sendo que,
para n = 2, a v.a. X2 ser decrescente na cauda direita (right-tail decresing), denotada por
RTD, em X1 , ou seja, P (X2 > x2 |X1 > x1 ) =

F (x1 ,x2 )
F1 (x1 )

x1 , x2 [8, 25].

Se, na Definio 1.18, a monocidade for trocada por tem-se que as v.a. X1 , ..., Xn sero
decrescentes na cauda esquerda em sequncia (left-tail decreasing in sequence), denotada por
LTDS, se P (Xi xi |X1 x1 , ..., Xi1 xi1 ) x1 , ..., xi1 , xi , i = 1, ..., n [8] sendo que, para
n = 2, a v.a. X2 ser decrescente na cauda esquerda (left-tail decreasing ), denotada por LTD,
em X1 , ou seja, P (X2 x2 |X1 x1 ) =

F (x1 ,x2 )
F1 (x1 )

x1 , x2 [8, 25].

A seguir, algumas propriedades referentes s dependncias SI, SD, CDS, RTDS, RTD sero
dadas [8]:
1. X2 ser SD em X1 se e somente se X2 for SI em X1 . Alm disso, X2 ser SD em X1 se e
somente se X2 for SI em X1 ;
2. Seja o vetor aleatrio (X, Y ) possuindo funo densidade f (x, y) satisfazendo

15


f (x , y ) f (x , y )
1 1
1 2


f (x2 , y1 ) f (x2 , y2 )

para cada escolha x1 < x2 , y1 < y2 . Ento, Y ser SD em X;


3. Sejam:
(a) (X1 , ..., Xn ) um vetor aleatrio possuindo funo densidade f (x1 , ..., xn ) que satisfaz

f (x , ..., x , ..., x , ..., x ) f (x , ..., x , ..., x0 , ..., x )
1
i
j
n
1
i
n

j

f (x1 , ..., x0 , ..., xj , ..., xn ) f (x1 , ..., x0 , ..., x0 , ..., xn )
i
i
j




0

0

(3.9)

para cada par de variveis permanecendo as demais fixas onde xi < xi e xj < xj ;
(b) Todas as funes de densidade marginais fk (x1 , ..., xk ), 1 k < n satisfazendo (3.9) para
cada par de variveis permanecendo as demais fixas.
Ento, (X1 , ..., Xn ) ser CDS e cada permutao de (X1 , ..., Xn ) ser CDS;
4. Seja o vetor aleatrio (X1 , ..., Xn ) CDS. Ento, E((Xi )|X1 = x1 , ..., Xi1 = xi1 ) ser decrescente em x1 , ..., xi1 para cada funo integrvel crescente ;
5. Seja a sequncia {Xn , n 1} de vetores aleatrios CDS p-dimensionais com f.d.a. {Hn , n 1}
tais que Hn H fracamente quando n onde H a f.d.a. do vetor aleatrio p-dimensional
X. Ento, X ser CDS;
6. Qualquer conjunto de v.a. independentes RTDS;
7. Qualquer subconjunto de v.a. RTDS RTDS;
8. Se X1 , ..., Xn forem v.a. RTDS e 1 , ..., n forem funes Borel-mensurveis crescentes, ento
1 (X1 ), ..., n (Xn ) ser RTDS;
9. Seja X = (X1 , X2 ). Ento, X2 RTD em X1 P (X2 x2 |X1 > x1 ) x1 para todo
x2 E((X2 )|X1 > x1 ) x1 para toda funo real crescente;

16
10. Seja X2 v.a. RTD na v.a. X1 e seja Z uma v.a. independente de (X1 , X2 ). Definindo
X = X1 + aZ e Y = X2 + bZ, a e b constantes, tem-se que Y RTD em X;
11. Seja a sequncia {Xn , n 1} de vetores aleatrios RTDS p-dimensionais com f.d.a.
{Hn , n 1} tais que Hn H fracamente quando n onde H a f.d.a. do vetor aleatrio
p-dimensional X. Ento, X ser RTDS;
12. Seja (U, V ) RTD e seja Z uma v.a. independente de (U, V ). Definindo 1 e 2 , funes
Borel-mensurveis que mapeiam R2 em R com 1 (u, .) crescente em u e 2 (., v) crescente em
v. Ento, (X, Y ) RTD onde X = 1 (U, Z) e Y = 2 (Z, V );
13. Sejam X = (X1 , ..., Xn ) um vetor aleatrio formado por v.a. RTDS, l : R R uma funo
Borel-mensurvel crescente para cada l = 1, ..., n. Sejam Z = (Z1 , ...Zn ) um vetor aleatrio
formado por v.a. RTDS sendo X e Z independentes. Definindo Yl = l (Xl ) + Zl , l = 1, ..., n,
tem-se que Y1 , ..., Yn so RTDS;
14. Sejam
(a) Seja (X1 , ..., Xn ) um vetor aleatrio tal que F n (x1 , ..., xn ) = P (X1 > x1 , ..., Xn > xn )
satisfaa:
i.


F (x , ..., x , ..., x , ..., x ) F ((x , ..., x , ..., x0 , ..., x )
i
j
n
n
1
i
n
n 1
j

0
0
0
F n (x1 , ..., x , ..., xj , ..., xn ) F n ((x1 , ..., x , ..., x , ..., xn )
i
i
j




0

0

(3.10)

para cada par de variveis permanecendo as demais fixas xi < xi e xj < xj ;


ii. Se F k (x1 , ..., xk ) = P (X1 > x1 , ..., Xk > xk ), 1 k < n, verificar (3.10) para cada
par de variveis permanecendo as demais fixas;
Ento, (X1 , ..., Xn ) ser RTDS e qualquer permutao de (X1 , ..., Xn ) ser RTDS;
A seguir, sero apresentados alguns exemplos relativos alguns conceitos de dependncia apresentados nesta seo [8, 23]:
Exemplo 1: A Distribuio Multinormal com vetor de mdias = (1 , ..., n ) e matriz de
P
varincia-covarincia
definida positiva CDS;

17
Exemplo 2: A Distribuio Multinomial dada por (2.6) CDS e NDS;
Exemplo 3: A Distribuio de Dirichlet dada por (2.8) CDS.

1.4

Variveis Aleatrias Negativamente Associadas

Definio 1.19. As variveis aleatrias X1 , ..., Xn possuem associao negativa (negative association),
denotada por NA, se para cada par de subconjuntos disjuntos A1 , A2 de {1, ..., n} tem-se
Cov((Xi , i A1 ), (Xj , j A2 )) 0

(4.11)

sempre que e forem funes crescentes [23].


Vale observar que (4.11) continua vlida se e forem funes decrescentes.
A seguir, sero apresentadas algumas propriedades referentes ao conceito de v.a. NA [23].
1. Sejam A1 , ..., Am subconjuntos disjuntos de ndices {1, ..., n} e , ..., m funes crescentes e
positivas. Se as variveis aleatrias, X1 , ..., Xn , forem NA, ento:

"m
Y

#
i (Xj , j Ai )

i=1

m
Y

E[i (Xj , j Ai )]

i=1

2. Um subconjunto de duas ou mais v.a. NA NA;


3. Um conjunto de v.a. independentes NA;
4. Funes crescentes definidas em subconjuntos disjuntos de um conjunto de v.a. NA so NA;
5. A unio de conjuntos independentes de v.a. NA NA;
6. Sejam X1 , ..., Xn v.a. independentes e suponha que a esperana condicional
P
P
E((Xi , i A)| iA Xi ) seja crescente em iA Xi , para cada funo crescente e para
cada subconjunto apropriado A de ndices {1, ..., n}. Ento, a distribuio condicional de
P
X1 , ..., Xn dado
Xi NA, quase certamente;

18
7. Sejam X1 , ..., Xn v.a. independentes possuindo funes densidade P F2 . Ento, a distribuio
P
condicional conjunta de X1 , ..., Xn dado
Xi NA, quase certamente.
Uma consequncia da propriedade 1 a dada a seguir: Se A1 , A2 forem subconjuntos disjuntos
de ndices {1, ..., n} e x1 , ..., xn R. Ento,
P (Xi xi , i = 1, ..., n) P (Xi xi , i Ai )P (Xj xj , j A2 )
e
P (Xi > xi , i = 1, ..., n) P (Xi > xi , i Ai )P (Xj > xj , j A2 );
Ento, em particular, X1 , ..., Xn so NOD.
A seguir sero apresentados alguns exemplos de distribuies NA [23].
Exemplo 1: Seja x = (x1 , ..., xn ) um conjunto de n nmeros reais. Uma distribuio de
permutao a distribuio conjunta do vetor X = (X1 , ..., Xn ) que assume os valores de
todas a n! permutaes de x com igual probabilidade, sendo cada probabilidade igual

1
n! ,

n > 1. Temos que uma distribuio de permutao NA;


Exemplo 2: A Distribuio Multinomial dada por (2.6) NA;
Exemplo 3: A Distribuio Hipergeomtrica Multivariada dada por (2.7) NA;
Exemplo 4: Seja X = (X1 , .., Xn ) uma amostra aleatria de uma populao. Seja Ri o posto
de Xi , i = 1, ..., n. Como R = (R1 , ..., Rn ) possui distribuio de permutao, tem-se que R
ser NA;
Exemplo 5: Variveis aleatrias que possuem distribuies normais negativamente correlacionadas so NA;
Exemplo 6: A Distribuio de Dirichlet dada por (2.8) NA.

19

1.5

Implicaes e Contra-exemplos envolvendo os Conceitos de Dependncia

Teorema 1.2. Todos os tipos de dependncias, definidos nas sees anteriores, so invariantes com
respeito s transformaes estritamente crescentes sobre as componentes do vetor aleatrio.
Demonstrao: Para a demonstrao consulte [25].

Teorema 1.3. Relaes para o caso bivariado:


(a) densidade T P2 SI LTD, RTI;
(b) LTD ou RTI associao PQD;
(c) densidade T P2 f.d.a. T P2 e funo de sobrevivncia T P2 ;
(d) f.d.a T P2 LTD e funo de sobrevivncia T P2 RTI.
Demonstrao: Para a demonstrao consulte [25].
Pelo teorema anterior, observa-se que a dependncia T P2 uma dependncia forte pois esta
implica nas dependncias SI, LTD, RTI, associao e PQD entre v.a. . A dependncia mais fraca
a PQD.

Teorema 1.4. Relaes para o caso multivariado:


(a) um subvetor aleatrio de um vetor aleatrio associado associado;
(b) associao PUOD e PLOD;

20
(c) PDS PUOD e PLOD;
(d) CIS associao.
Demonstrao: Para a demonstrao consulte [25].
A seguir, sero dadas outras implicaes entre os conceitos de dependncia:
1. Um par de v.a. NQD NA [23];
2. Um par de v.a. NA NOD [23];
3. RTDS equivale NUOD [8];
4. LTI equivale NQD. Porm, para n 3, LTIS no implica em NUOD [8];
5. RTIS implica em PUOD [8];
6. Se (X1 , X2 ) for SD, ele ser tambm RTD.
Na sequncia, sero dados exemplos de implicaes que no so vlidas. Na seo 1.6 so
mostradas as tabelas utilizadas em alguns contra-exemplos.
Contra-Exemplo 1: Para n 3, NUOD e NLOD no se equivalem [23]
Sejam as v.a. X1 , X2 e X3 assumindo valores (0, 1, 1), (1, 0, 1), (1, 1, 0) e (0, 0, 0) sendo que
cada valor assume a probabilidade 1/4. Ento,
P (X1 > 0, X2 > 0, X3 > 0) = 0 <

1
= P (X1 > 0)P (X2 > 0)P (X3 > 0)
8

mas
P (X1 0, X2 0, X3 0) =

1
1
> = P (X1 0)P (X2 0)P (X3 0);
4
8

Contra-Exemplo 2: Nem v.a. NUOD e nem v.a. NLOD implica em v.a. NA [23]
No contra-exemplo seguinte, X = (X1 , X2 , X3 , X4 ) ser NOD mas no ser NA.

21
Seja o vetor aleatrio X = (X1 , X2 , X3 , X4 ) onde cada v.a. Xi possui Distribuio de Bernoulli
com P (Xi = 1) = 0, 5, i = 1, ..., 4. Considere os pares (X1 , X2 ) e (X3 , X4 ) possuindo a mesma
distribuio bivariada. A funo de probabilidade conjunta de (X1 , X2 , X3 , X4 ) dada pela
Tabela 6.1.
Pode-se verificar que todas as condies NLOD e NUOD so vlidas.
Porm, P (Xi = 1, i = 1, ..., 4) > P (X1 = X2 = 1)P (X3 = X4 = 1) viola o conceito NA;

Contra-Exemplo 3: RTD no implica em LTI [8]


Sejam (X, Y ) duas v.a. tendo funo de probabilidade conjunta dada pela Tabela 6.2.
Como P (Y > 0|X 0) =

3
10 ,

P (Y > 0|X 1) =

44
165 ,

P (Y > 0|X 2) =

30
165

P (Y > 0|X 3) = 0 tem-se que Y RTD em X.


Porm, P (Y = 0|X 0) =

3
5

>

5
9

= P (Y = 0|X 1) e, assim, Y no LTI em X;

Contra-Exemplo 4: LTI no equivale RTD [8]


Para mostrar que LTI no implica em RTD, considere (X, Y ) duas v.a. tendo distribuio
conjunta de probabilidade dada pela Tabela 6.3.
Como P (Y = 0|X 0) = 52 , P (Y = 0|X 1) = 12 , P (Y = 0|X 2) =
P (Y = 0|X 3) =

3
5

3
5

tem-se que Y LTI em X.

Porm, P (Y = 1|X > 1) = 0, 30 < 0, 40 = P (Y = 1|X > 2) e, assim, Y no RTD em X;

Contra-Exemplo 5: Para n 3, LTIS no equivale NUOD [8]


Considere as v.a. X, Y e Z tais que Z condicionado em X x e Y y, possui funo
densidade
P (Z z|X x, Y y) = 1 exp{z(x + y)}

(5.12)

com z > 0. As v.a. X e Y possuem funo de distribuio conjunta dada pela Tabela 6.3.
Desde que lado direito de (5.12) crescente em x e y e, a partir do exemplo supra-citado,
(X, Y ) LTI e a sequncia (X, Y, Z) LTIS.

22
Porm, desde que
P (Z z|X x) = 1 exp{z(x + 1)}
e
P (Z z|Y y) = 1 exp{z(y + 3)}
segue que
P (X > 2, Y > 0, Z > 2) = e8 1, 35e6 +0, 45e4 > 0, 1e8 = P (X > 2)P (Y > 0)P (Z > 2);
Contra-Exemplo 6: CDS no implica em RTDS [8]
Para mostrar que CDS no implica em RTDS, considere X1 , X2 e X3 v.a. tais que
fX3 |X1 ,X2 (x3 |x1 , x2 ) = x2 ex2 x3
com x3 > 0. As v.a. X1 e X2 possuem funo de probabilidade conjunta dada pela Tabela
6.4.
Como P (X2 > 1|X1 = 0) = 1, P (X2 > 1|X1 = 1) = 31 , P (X2 > 1|X1 = 2) = 14 ,
P (X2 > 2|X1 = 0) = 31 , P (X2 > 2|X1 = 1) =

1
3

e P (X2 > 2|X1 = 2) = 0 tem-se que X2

SD em X1 . Alm disso, como P (X3 > x|X1 = x1 , X2 = x2 ) = exp{x2 x} x2 tem-se que


(X1 , X2 , X3 ) CDS.
Por outro lado, utilizando-se a identidade

P (C|A B) = P (C|A)

P (B)
P (A)
+ P (C|B)
P (A) + P (B)
P (A) + P (B)

quando P (A B) = 0, P (A) > 0 e P (B) > 0, obtm-se


P (X3 > x|X1 > 0, X2 > 1) =
=

1
P (X3 > x|X1 = 1, X2 = 3) + P (X3 > x|X1 = 2, X2 = 2) =
2

1 3x
e
+ e2x
2

enquanto que P (X3 > x|X1 > 1, X2 > 1) = P (X3 > x|X1 = 2, X2 = 2) = e2x .

23
Como P (X3 > x|X1 > 1, X2 > 1) > P (X3 > x|X1 > 0, X2 > 1), x > 0 tem-se que
(X1 , X2 , X3 ) no RTDS;

Contra-Exemplo 7: NA no implica em RR2 aos pares, CDS ou NDS [23]


No contra-exemplo seguinte, ser mostrado que Y NA mas no RR2 aos pares, CDS ou
NDS.
Seja X = (X1 , X2 , X3 ) um vetor aleatrio possuindo uma funo de probabilidade multinomial
trivariada f com probabilidades p1 , p2 e p3 estritamente positivas e X1 + X2 + X3 = 3.
Considere o vetor aleatrio induzido Y = (Y1 , Y2 ) onde Y1 = X1 X2 e Y2 = X3 . A funo de
probabilidade conjunta de (Y1 , Y2 ) ser denotada por g e dada pela Tabela 6.5.
A Distribuio Multinomial RR2 aos pares, CDS e NDS [2, 28]. Ser mostrado que a funo
de probabilidade conjunta g no nem RR2 , nem CDS e nem NDS.
Pela funo de probabilidade conjunta g de (Y1 , Y2 ) obtm-se que

g(0, 0) g(0, 1)

P (x) =
g(1, 0) g(1, 1)




>0

Ento, conclui-se que g no RR2 .


Notando que P (Y2 > 0|Y1 = 0) = 1 P (Y2 = 0|Y1 = 0) < 1 enquanto que
P (Y2 > 0|Y1 = 1) = 1 P (Y2 = 0|Y1 = 1) = 1, conclui-se que Y no CDS.
Como, para um vetor bivariado, CDS equivale NDS, segue que Y no NDS.
Pelas propriedades 7 e 4 da seo 1.4, conclui-se, respectivamente, que X NA e Y NA.
Portanto, NA no implica em RR2 aos pares, CDS ou NDS j que Y NA mas no RR2 ,
CDS ou NDS.
Alm das implicaes, citadas anteriormente, que no so vlidas, tem-se, tambm, que CIS no
implica RTIS [8], RTIS no implica CIS [8].

1.6

Tabelas referentes ao Captulo

24

Tabela 6.1: Funo de probabilidade conjunta de (X1 , X2 , X3 , X4 )


Y /X

(0,0)

(0,1)

(1,0)

(1,1)

(0,0)

0,0577

0,0623

0,0623

0,0577

(0,1)

0,0623

0,0677

0,0677

0,0623

(1,0)

0,0623

0,0677

0,0677

0,0623

(1,1)

0,0577

0,0623

0,0623

0,0577

Tabela 6.2: Funo de probabilidade conjunta de X e Y


Y /X

0,15

0,10

0,20

0,25

0,10

0,10

0,10

Tabela 6.3: Funo de probabilidade conjunta de X e Y


Y /X

0,10

0,15

0,20

0,15

0,15

0,10

0,05

0,10

Tabela 6.4: Funo de probabilidade conjunta de X e Y


Y /X

0,20

0,30

0,20

0,10

0,10

0,10

25

Tabela 6.5: Funo de probabilidade conjunta de (Y1 , Y2 )


Y /X

f (0, 3, 0) + f (3, 0, 0)

f (1, 2, 0) + f (2, 1, 0)

f (0, 2, 1) + f (2, 0, 1)

f (1, 1, 1)

f (0, 1, 2) + f (1, 0, 2)

f (0, 0, 3)

26

Captulo 2

Teoria de Cpulas

2.1

Introduo

Desde que Joe (1997) [25] e Nelsen (1999) [31] pela primeira vez introduziram o conceito de cpulas para uso em modelagem padro, tem havido um interesse crescente nesta abordagem. Cpulas
tornaram-se uma ferramenta popular de modelagem multivariada em muitos domnios onde a dependncia multivariada de interesse e o uso da habitual normalidade multivariada est em questo.
Em cincias auturias cpulas so usadas na modelagem de mortalidade e perdas [13, 14, 15]. Em
finanas, cpulas so usadas na classificao de crdito e modelagem de risco [3, 9, 7]. Em estudos
biomdicos, cpulas so utilizadas na modelagem de eventos correlacionados e riscos competitivos
[37]. Em engenharia, cpulas so utilizadas no controle de processo multivariado e modelagem
hidrolgica [16].
Quando se fala em modelagem de dependncia, hoje em dia um dos primeiros temas a ser levado
em considerao a recente teoria de cpulas discutida por Joe [25] e Nelsen [31]. Esta teoria
se torna atrativa devido s cpulas abrangerem um grande leque de estruturas de dependncia e
conseguirem modelar completamente a estrutura de dependncia dos dados.
A modelagem atravs da distribuio normal amplamente utilizada por sua simplicidade
analtica e fcil estimao da matriz de correlao, seu nico parmetro de dependncia, e por
conta da vasta gama de estruturas que podem ser modeladas por esta distribuio. Porm algumas
27

28
de suas caracterstica, de simetria e curtose, por exemplo, limitam sua utilizao. Como Embrechts
et. al. [10] mostram, h muitos obstculos suposio de normalidade. Para os mercados de crdito
e financeiro, o principal a caracterstica de pequena probabilidade em eventos extremos conjuntos.
Evidncias empricas sugerem que no comportamento destes mercados verificam-se eventos extremos
mais provveis que os previstos pela distribuio normal, no s nas marginais, mas tambm em
dimenses superiores. Neste contexto, a modelagem atravs das cpulas torna-se atraente devido a
sua maior variedade de estruturas de dependncia.
A cpula uma distribuio multivariada cujas marginais so U (0, 1). Seja o vetor aleatrio
U = (U1 , . . . , Ud ) Id com cpula d-dimensional C, temos
C(u1 , . . . , ud ) = P (U1 u1 , . . . , Ud ud ), (u1 , . . . , ud ) Id
e combinado com o fato de que qualquer v.a. contnua pode ser transformada por sua acumulada
para uma v.a. com distribuio U (0, 1), cpulas podem ser usadas para fornecer uma estrutura de
dependncia multivariada separadamente das distribuies marginais. Seja H uma f.d.a. de X =
(X1 , . . . , Xd ) com marginais F1 , . . . , Fd , Sklar [36] mostrou que existe uma cpula C d-dimensional
tal que para todo xi Dom Fi ,
H(x1 , . . . , xd ) = C(F1 (x1 ), . . . , Fd (xd ))

(1.1)

Como visto, com cpulas pode-se trabalhar a estrutura de dependncia em um contexto multivariado, porm esta dissertao trata apenas do contexto bidimensional, apresentando todos os
resultados para esta dimenso. Tambm no h impedimento para se trabalhar com o Kendall Plot,
objeto central da tese, em um contexto multivariado, por uma questo de exemplificao trabalha-se
em um contexto bivariado.
A funo cpula C associada ao vetor aleatrio (X, Y ) tambm conhecida como funo dependncia, j que a cpula contm toda informao de dependncia entre as variveis X e Y . Desta
maneira a utilizao da equao (1.1) possibilita trabalhar com a estrutura de dependncia de
(X, Y ) de forma livre de medida de escala e locao, restringindo-se apenas ao intervalo [0, 1]. A
caracterstica da informao de dependncia que a cpula contm pode ser vista atravs do seguinte
exemplo.

29
Exemplo 2.1. So geradas duas amostras, de forma independente. Sejam (x1 . . . x100 ) e (y1 . . . y100 )
pseudo observaes independentes com distribuio F1 (x) = 1 exp(2x) e F2 (y) = 1 exp(10y)
respectivamente. Observando o scatterplot de X e Y na Figura 2.1 v-se que no fica evidente a
independncia entre essas variveis. Porm, ao plotar (F1 (xi ), F2 (yi )), as amostras transformadas
pelas respectivas acumuladas F1 e F2 , fica evidente a independncia entre X e Y . Visto que a cpula
a distribuio conjunta entre F1 (X) e F2 (Y ). Mostra-se que a cpula evidencia a verdadeira independncia existente entre X e Y e como a forma das marginais pode produzir uma falsa impresso
de dependncia.
Como a cpula uma funo de (U1 , ..., Un ) onde Ui = Fi (Xi ), i = 1, .., n, observa-se que quando
se tem valores observados de duas v.a. X e Y , a cpula modela a ordem dos valores observados das
v.a. X e Y pois considera-se a f.d.a. de cada v.a. sendo que a ordem da amostra algo inerente
esta funo. Esta ordem evidenciada atravs do Grfico de Disperso dos valores uniformizados
F1 (x) e F2 (y).

2.2

Cpula e Teorema de Sklar

funo H : S1 S2 R e o retngulo
Definio 2.1. Sejam S1 e S2 subconjuntos no vazios de R,
B = [x1 , x2 ] [y1 , y2 ], (xi , yi ) Dom H com i, j = 1, 2, . . .. Define-se H-volume de B como
VH (B) = H(x2 , y2 ) + H(x2 , y1 ) H(x1 , y2 ) + H(x1 , y1 )

(2.2)

Definio 2.2. Uma funo H bidimensional bicrescente se VH (B) 0, B, com VH (B) dado
pela Definio 2.1.
Exemplo 2.2. Uma funo no decrescente marginalmente pode no ser bicrescente. Seja H : I2
I definida por H(x, y) = max(x, y), temos VH (I2 ) = 1, ou seja, H no bicrescente.
Exemplo 2.3. Uma funo pode ser bicrescente e decrescente em alguns de seus argumentos. Seja
H : I2 I definida por H(x, y) = (2x 1)(2y 1). Note que VH (B) pode ser reescrito como
VH (B) = (y2 y1 )(4x2 4x1 ) 0, pois x1 x2 e y1 y2 no retngulo B, logo H bicrescente.
Porm H uma funo decrescente de x para cada y (0, 1/2) e funo decrescente de y para cada
x (0, 1/2).

30

Figura 2.1: Scatterplots: Dados exponenciais independentes (primeira figura); dados exponenciais
independentes transformados pelas acumuladas (segunda figura).

31
Definio 2.3. Uma aplicao H : S1 S2 R aplanada se H(x, a1 ) = 0 = H(a1 , y), (x, y)
S1 S2 , onde ai = min{z : z Si }.
Definio 2.4. Uma subcopula uma funo C 0 com as seguintes propriedades:
1. Dom C 0 = S1 S2 , onde S1 e S2 so subconjuntos de I contendo 0 e 1;
2. C 0 aplanada e bicrescente;
3. C 0 marginalmente uniforme, ou seja, para todo u S1 e v S2 ,
C 0 (u, 1) = u e C 0 (1, v) = v

(2.3)

Exemplo 2.4. Sejam S1 = S2 = {0, 1}. A funo C 0 : S1 S2 7 R definida por


C 0 (0, 0) = C 0 (0, 1) = C 0 (1, 0) = 0 e C 0 (1, 1) = 1
a mais simples subcopula.
Definio 2.5. Uma cpula uma subcopula cujo domno I2 .
Exemplo 2.5. As funes W, M : I2 I dadas por W (u, v) = max(u + v 1, 0) e M (u, v) =
min(u, v) so exemplos particulares de cpulas denotadas respectivamente por M e W . trivial
mostrar que a funo M (u, v) aplanada e marginalmente uniforme. Para verificar que esta funo
bicrescente, considere o retngulo B = [x1 , x2 ] [y1 , y2 ], x1 , x2 , y1 e y2 I, para o caso y2 x2 x1
e x1 y1 x2 e desta maneira
VM (B) = M (x2 , y2 ) M (x2 , y1 ) M (x1 , y2 ) + M (x1 , y1 ) = x2 y1 0
Para os demais casos a demonstrao anloga. A cpula W pertence a classe das cpulas
Arquimedianas e ser vista na prxima seo.
Como toda cpula uma subcopula, os prximos conceitos so apresentados para subcopulas,
logo vlidos paracpulass.
Teorema 2.1. Uma subcopula bidimensional C 0 marginalmente no decrescente.

32
Demonstrao. Primeiro, provemos que a aplicao t C 0 (t, y2 ) C 0 (t, y1 ), y1 , y2 I, y1 y2
no decrescente. Consideremos T (t) = C 0 (t, y2 )C 0 (t, y1 ), se t1 t2 , ti I, temos T (t2 )T (t1 ) 0,
pois
T (t2 ) T (t1 ) = C 0 (t2 , y2 ) C 0 (t2 , y1 ) C 0 (t1 , y2 ) + C 0 (t1 , y1 ) = VC0 (B)
onde B = [t1 , t2 ] [y2 , y1 ]. Como C 0 bicrescente, ento VC0 (B) 0, logo a aplicao no
decrescente. Analogamente verifica-se que a aplicao T (t) = C 0 (x2 , t) C 0 (x1 , t), x1 , x2 I, x1
x2 no decrescente. Agora, seja x1 = y1 = 0 nas aplicaes T e T , como C 0 aplanda, segue que
C 0 marginalmente no decrescente.
Teorema 2.2. Seja C 0 uma subcopula. Ento para todo (u, v) Dom C 0 ,
max(u + v 1, 0) C 0 (u, v) min(u, v)

(2.4)

Demonstrao. Como C 0 aplanada, marginalmente uniforme e no decrescente temos


0 = C 0 (0, v) C 0 (u, v) C 0 (1, v) = v

0 = C 0 (u, 0) C 0 (u, v) C 0 (u, 1) = u

(2.5)

Logo,
C 0 (u, v) min(u, v)
Como C 0 tambm bicrescente, ento VC 0 (B) 0. Sendo B = [u, 1] [v, 1] temos
VC 0 (B) = C 0 (1, 1) + C 0 (u, v) C 0 (u, 1) C 0 (1, v)
= 1 + C 0 (u, v) u v 0

(2.6)

Portanto pelas equaes (2.5) e (2.6), temos C 0 (u, v) max(u + v 1, 0).


Conforme Exemplo 2.5, os limites na equao (2.4) so as cpulas M e W . Ento para toda
cpula C e para todo (u, v) I2 ,
W (u, v) C(u, v) M (u, v)

(2.7)

A desigualdade (2.7) denominada desigualdade dos limites de Frecht, a cpula M nomeada por
limite superior de Frecht e a cpula W por limite inferior de Frecht.
A ligao entre funes distribuio multivariada e suas marginais univariadas feita pelo Teorema de Sklar apresentado a seguir, por meio das cpulas. O nome cpula foi escolhido para enfatizar
a maneira como a cpula une uma funo distribuio conjunta s suas marginais univariadas.

33
Teorema 2.3. Seja H uma funo distribuio conjunta com marginais F e G. Ento existe uma

cpula C tal que para todo x, y R,


H(x, y) = C(F (x), G(y))

(2.8)

Se F e G so contnuas, ento C nica; caso contrrio, C unicamente determinada em Im(F )


Im(G). Inversamente, se C uma cpula e F e G so f.d.a., ento a funo H definida pela equao
(2.8) uma funo distribuio conjunta com marginais F e G.
Demonstrao. A prova segue dos lemas 2.1 e 2.2 apresentados a seguir.
Lema 2.1. Seja H uma funo distribuio conjunta com marginais F e G. Ento existe uma nica
subcopula C 0 tal que
1. Dom C 0 = Im(F ) Im(G);
H(x, y) = C 0 (F (x), G(y))
2. x, y R,
Demonstrao. Sejam (x1 , y1 ), (x2 , y2 ) Dom H. Pela desigualdade triangular, temos
|H(x2 , y2 ) H(x1 , y1 )| |H(x2 , y2 ) H(x1 , y2 )| + |H(x1 , y2 ) H(x1 , y1 )|
Considere x1 x2 . Como H uma funo distribuio conjunta, ento
0 H(x2 , y2 ) H(x1 , y2 ) F (x2 ) F (x1 )
por H ser marginalmente decrescente, aplanada, H(x, ) = F (x) e H(, y) = G(y). Uma desigualdade anloga vlida quando x2 x1 . Portanto segue que para qualquer x1 , x2 S1 ,
|H(x2 , y2 ) H(x1 , y2 )| |F (x2 ) F (x1 )|. Similarmente para qualquer y1 , y2 S2 , |H(x1 , y2 )
H(x1 , y1 )| |G(y2 ) G(y1 )|, logo
|H(x2 , y2 ) H(x1 , y1 )| |F (x2 ) F (x1 )| + |G(y2 ) G(y1 )|

(2.9)

Desta forma, segue que se F (x1 ) = F (x2 ) e G(y1 ) = G(y2 ), ento H(x1 , y1 ) = H(x2 , y2 ) e consequentemente o conjunto de pares {(F (x), G(y)), H(x, y)} permite definir uma funo
C0

(F (x), G(y)) H(x, y)

34
sendo C 0 nica com domnio Im(F ) Im(G). A prova que a funo C 0 uma subcopula segue
diretamente das propriedades da distribuio conjunta H [22]. Para cada u Im(F ), existe um
tal que F (x) = u, ento
xR
C 0 (u, 1) = C 0 (F (x), G()) = H(x, ) = F (x) = u
C 0 (u, 0) = C 0 (F (x), G()) = H(x, ) = 0
Como H bicrescente por definio, logo C 0 bicrescente.
Lema 2.2. Seja C 0 uma subcopula. Ento existe uma cpula C tal que C(u, v) = C 0 (u, v), (u, v)
Dom C 0 ; isto , qualquer subcopula pode ser extendida a umacpulaa. A extenso geralmente no
nica.
Demonstrao. Da equao (2.9) e usando o item 2. do Lema 2.1, conclumos que C 0 uniformemente contnua em seu domnio Im(F ) Im(G), ou seja,
|C 0 (u2 , v2 ) C 0 (u1 , v1 )| |u2 u1 | + |v2 v1 |
Denotemos Im(F ) por S1 e Im(G) por S2 .
Da continuidade de C 0 podemos estender C 0 a uma funo C 00 , ainda subcopula, com domnio
em S1 S2 , onde S1 o fecho de S1 e S2 o fecho de S2 . O prximo passo estender a subcopula C 00
a uma funo C com domnio em I2 . Para este fim, seja (a, b) I2 , e sejam a1 e a2 , respectivamente,
o menor e o maior elemento de S1 que satisfaa a1 a a2 ; e sejam b1 e b2 , respectivamente, o
menor e o maior elemento de S2 que satisfaa b1 b b2 . Se a S1 , defina a1 = a2 = a; e se
b S2 , defina b1 = b2 = b. Desta maneira, sejam
(
1 =

1, se a1 = a2
(

1 =

(a a1 )/(a2 a1 ), se a1 < a2

(b b1 )/(b2 b1 ), se b1 < b2
1, se b1 = b2

e define-se
C(a, b) = (1 1 )(1 1 )C 00 (a1 , b1 ) + (1 1 )1 C 00 (a1 , b2 )
+ 1 (1 1 )C 00 (a2 , b1 ) + 1 1 C 00 (a2 , b2 ).

(2.10)

35
trivial que Dom C = I2 e que C(a, b) = C 00 (a, b), (a, b) Dom C 00 . Como 1 e 1 so
lineares em a e b, a forma C(a, b) da equao (2.10) bilinear em (a, b) propriedade que permite
demonstrar que C aplanada e marginalmente uniforme. Conforme Definio 2.5, para C ser uma
cpula falta provar que C bicrescente. Seja (c, d) outro ponto em I2 tal que c a e d b, e
sejam c1 , d1 , c2 , d2 , 2 , 2 relacionados a c e d assim como a1 , b1 , a2 , b2 , 1 , 1 so relacionados a a e
b. Deve-se provar que VC (B) 0 para o retngulo B = [a, c][b, d]. Diversos casos so considerados
para esta prova. O mais simples dos casos aquele em que no existe ponto em S1 estritamente
entre a e c e no h ponto em S2 estritamente entre b e d, ento temos c1 = a1 , c2 = a2 , d1 = b1 e
d2 = b2 . Substituindo a equao (2.10) e os termos correspondentes para C(a, d), C(c, b) e C(c, d)
na expresso dada pela equao (2.2) para VC (B), temos
VC (B) = VC ([a, c] [b, d]) = (2 1 )(2 1 )VC ([a1 , a2 ] [b1 , b2 ]),
de que segue que VC (B) 0 neste caso, pois c a e d b implica 2 1 e 2 1 .
Outro caso de interesse quando pelo menos um ponto est em S1 estritamente entre a e c, e
pelo menos um ponto est em S2 estritamente entre b e d, ento a < a2 c1 < c e b < b2 d1 < d.
Para este caso, substituindo a equao (2.10) e os termos correspondentes para C(a, d), C(c, b) e
C(c, d) na expresso dada pela equao (2.2) para VC (B) e reordenando os termos temos
VC (B) = (1 1 )2 VC ([a1 , a2 ] [d1 , d2 ]) + 2 VC ([a2 , c1 ] [d1 , d2 ])
+ 2 2 VC ([c1 , c2 ] [d1 , d2 ]) + (1 1 )VC ([a1 , a2 ] [b2 , d1 ])
+ VC ([a2 , c1 ] [b2 , d1 ]) + 2 VC ([c1 , c2 ] [b2 , d1 ])
+ (1 1 )(1 1 )VC ([a1 , a2 ] [b1 , b2 ])
+ (1 1 )VC ([a2 , c1 ] [b1 , b2 ]) + 2 (1 1 )VC ([c1 , c2 ] [b1 , b2 ]).
O lado direito da expresso acima a soma de combinaes de nove quantidades no negativas, representadas por C-volumes, com coeficientes no negativos, logo no negativa. Os casos
remanescentes so similares, que completam a prova.
Antes de apresentar o prximo resultado necessria a definio de quasi-inversa.
Definio 2.6. Seja F uma funo distribuio acumulada. Ento a quasi-inversa de F qualquer
funo F (1) com domnio em I tal que

36
1. Se t Im(F ), ento F (1) (t) = x com x R tal que F (x) = t, ou seja, t Im(F ),
F (F (1) (t)) = t;
2. Se t
/ Im(F ), ento
F (1) (t) = inf{x|F (x) t} = sup{x|F (x) t}.
Corolrio 2.1. Sejam H, F, G e C 0 como no Lema 2.1, e sejam F (1) e G(1) as quasi-inversas de
F e G, respectivamente. Ento para qualquer (u, v) Dom C 0 ,
C 0 (u, v) = H(F (1) (u), G(1) (v))

(2.11)

Sejam x Dom(F ) e y Dom(G) conforme Teorema 2.3 se u = F (x) e v = G(y), ento


x = F (1) (u) e y = G(1) (v). Quando F e G so contnuas o Corolrio 2.1 vlido para cpulas
e temos U, V com distribuio U (0, 1) onde U = F (X) e V = G(Y ). Deste modo a cpula C
distribuio conjunta do vetor aleatrio (U, V ) com marginais U (0, 1).
Exemplo 2.6. Um mtodo para construo de cpulas resultante do ltimo corolrio. Seja H a
distribuio da independncia
H(x, y) = F (x)G(y)

(2.12)

com marginais F (x) = 1 exp(2x) e G(y) = 1 exp(y), onde as respectivas quasi-inversas so


dada por
(
F

(1)

(u) =
(

(1)

(v) =

,
log(1u)
2

se

x0

0, c.c.
log(1 v),

se

x0

0, c.c.

Logo, a cpula associada a H dada por


C(u, v) = H(F (1) (u), G(1) (v))
= F {F (1) (u)}G{G(1) (v)}
= [1 e2 log(1u)/2 ][1 e log(1v) ]
= uv

37
Esta cpula recebe a notao especial e denominada cpula produto. Sua estrutura caracteriza
a independncia entre as v. a. X e Y quando as f.d.a. F e G so contnuas. Note que se a conjunta
H definida pela equao (2.12), a estrutura de dependncia entre as v.a. X e Y independe de suas
marginais, pois
C(u, v) = H(F (1) (u), G(1) (v)) = F {F (1) (u)}G{G(1) (v)} = uv
pela definio de quasi-inversa (Definio 2.6).

Muito da utilidade de cpulas no estudo de estatsticas no paramtricas deriva do fato que sob
transformaes montonas estritas de v.a. as cpulas so invariantes, ou so alteradas de modo
previsvel como visto nos prximos dois resultados.
Teorema 2.4. Sejam X e Y v.a. contnuas com cpula CX,Y . Se e so funes estritamente
crescentes na Im(X) e Im(Y ) respectivamente, ento C(X),(Y ) = CX,Y .
Demonstrao. Sejam F1 , G1 , F2 e G2 as respectivas distribuies de X, Y, (X) e (Y ), respecti
vamente. Assim, para qualquer x, y R,
C(X),(Y ) (F2 (x), G2 (y)) = P [(X) x, (Y ) y] = P [X 1 (x), Y 1 (y)]
= CX,Y (F1 (1 (x)), G1 ( 1 (y))) = CX,Y (F2 (x), G2 (y))
Desde que X e Y so contnuas, Im(F2 ) = Im(G2 ) = I, logo segue que C(X),(Y ) = CX,Y em
I2 .
Quando pelo menos uma funo, ou , estritamente decrescente, a cpula das v.a. (X) e
(Y ) uma simples transformao de CX,Y .
Teorema 2.5. Sejam X, Y v.a. contnuas com cpula CX,Y e e funes estritamente montonas
na Im(X) e Im(Y ) resprectivamente.
1. Se estritamente crescente e estritamente decrescente, ento
C(X),(Y ) (u, v) = u CX,Y (u, 1 v), u, v I.

38
2. Se estritamente decrescente e estritamente crescente, ento
C(X),(Y ) (u, v) = v CX,Y (1 u, v), u, v I.
3. Se e ambas so estritamente decrescentes, ento
C(X),(Y ) (u, v) = u + v 1 + CX,Y (1 u, 1 v), u, v I.
Demonstrao. Sejam F1 , G1 , F2 e G2 as distribuies de X, Y, (X) e (Y ) respectivamente. Tomemos
u Im(F2 ) e v Im(G2 ) tais que u = F2 (x) para algum x Im(F2 ) = I (devido a v.a. (X) ser
contnua) e v = G2 (y) para algum y Im(G2 ) = I (devido a v.a. (X) ser contnua).
Demonstrao item 1.:

(2.8)

C(X),(Y ) (u, v) = C(X),(Y ) (F2 (x), G2 (y)) = P ((X) x, (Y ) y)


= P (X 1 (x), Y 1 (y))

(2.13)

Como,
F2 (x) = P ((X) x) = P (X 1 (x)) = F1 (1 (x))
= P (X 1 (x), Y 1 (y)) + P (X 1 (x), Y 1 (y))

(2.14)

e
G2 (y)

P ((Y ) y) = P (Y 1 (y)) = 1 G1 ( 1 (y))

G1 ( 1 (y)) = 1 G2 (y)

(2.15)

temos
P (X 1 (x), Y 1 (y)) = CX,Y (F1 (1 (x)), G1 ( 1 (y)))
= CX,Y (F2 (x), 1 G2 (y))
= CX,Y (u, 1 v)
onde a segunda igualdade se refere s equaes (2.14) e (2.15).

(2.16)

39
Substituindo a equao (2.16) na equao (2.14)

F2 (x)

P (X 1 (x), Y 1 (y)) + CX,Y (u, 1 v)

P (X 1 (x), Y 1 (y)) = u CX,Y (u, 1 v)

(2.17)

Desta forma, substituindo a equao (2.17) na equao (2.13), se completa a prova.


Demonstrao item 2.: anloga a demonstrao item 1.
Demonstrao item 3.:
(2.8)

C(X),(Y ) (u, v) = C(X),(Y ) (F2 (x), G2 (y)) = P ((X) x, (Y ) y)


= P (X 1 (x), Y 1 (y))
= 1 [P (X 1 (x)) + P (Y 1 (y)) P (X 1 (x), Y 1 (y))]
= 1 F1 (1 (x)) G1 ( 1 (y)) + P (X 1 (x), Y 1 (y))

(2.18)

Reescrevendo F1 (1 (x)), temos


F1 (1 (x)) = 1 P (X 1 (x)) = 1 P ((X) x) = 1 F2 (x)

(2.19)

e, analogamente
G1 ( 1 (y)) = 1 G2 (y)

(2.20)

Substituindo as equaes (2.19) e (2.20) na equao (2.18) e utilizando o Teorema 2.3,


C(X),(Y ) (u, v) = 1 [1 F2 (x)] [1 G2 (y)] + CX,Y (F1 (1 )(x), G1 ( 1 (y))
= u + v 1 + CX,Y (1 u, 1 v)

2.3

Cpulas Arquimedianas

O termo cpula Arquimediana foi mencionado pela primeira vez na literatura estatstica em dois
artigos de Genest & Mackay (1986ab) [17] e [18]. Cpulas Arquimedianas tambm so mencionadas
por Schweizer and Sklar (1983) [34], mas sem o nome Arquimediana.

40
A Classe das cpulas Arquimedianas abrange uma grande variedade de estruturas de dependncia, incluindo estruturas prprias de estudos financeiros. Algumas questes em finanas exigem
modelos que permitem uma forte dependncia entre as perdas extremas (por exemplo, bolsas em
colapso) e ganhos extremos. Em particular, as cpulas Arquimedianas podem assumir dependncia
caudal assimtrica, sendo uma propriedade a favor de sua aplicao modelagem de dados com
estrutura de dependnica assimtrica.
Em estudos financeiros um aspecto importante a ser analisado a dependncia caudal. Dependncia caudal inferior e superior entre dois mercados financeiros existe quando a probabilidade
de valores conjuntos negativos (positivos) em eventos extremos maior que a que poderia ser prevista a partir das distribuies marginais. Recentes estudos empricos mostram que perodos de
turbulncia e calma em finanas so caracterizados por diferentes nveis de dependncia caudal,
sendo a dependncia mais forte sobre a cauda inferior do que na cauda superior.
As cpulas Arquimedianas podem ser construdas facilmente e a forma fechada para sua expresso simples. Estas facilidades se devem ao fato da representao da cpula Arquimediana
permitir reduzir o estudo de cpula multivariada ao estudo de uma funo univariada denotada por
gerador de uma cpula Arquimediana . A seguir esta funo apresentada com mais detalhes.
Definio 2.7. Seja : I [0, ] uma funo contnua e estritamente decrescente tal que (1) = 0.
A pseudo-inversa de a funo [1] : [0, ] I dada por
(
[1] (t) =

1 (t), se 0 t (0)
0, se (0) t

Note que [1] contnua e no crescente em [0, ], e estritamente decrescente em [0, (0)].
Alm disso,
[1] ((u)) = u, u I

(3.21)

e
(
[1]

(t)) =

t, se 0 t (0)
(0), se (0) t

Finalmente, se (0) = , ento [1] = 1 .

= min(t, (0))

41
Lema 2.3. Seja e [1] como na Definio 2.7. Seja a funo C : I2 I dada por
C(u, v) = [1] ((u) + (v))

(3.22)

Ento C satisfaz duas das trs condies para uma cpula, aplanada e marginalmente uniforme.
Demonstrao.
C(u, 0) = [1] ((u) + (0)) = 0
A ltima igualdade segue da definio de pseudo-inversa, pois (u) + (0) (0) sendo uma
funo que assume somente valores positivos.
(3.21)

C(u, 1) = [1] ((u) + (1)) = [1] ((u)) = u

(3.23)

Analogamente, por simetria, C(0, v) = 0 e C(1, v) = v.


O seguinte lema apresenta uma condio necessria e suficiente para que a funo C na equao
(3.22) seja bicrescente, e portanto, uma cpula.
Lema 2.4. Sejam ,[1] e C satisfazendo as hipteses do Lema 2.3. Ento C bicrescente, se e
somente se, sempre que u1 u2 ,
C(u2 , v) C(u1 , v) u2 u1

(3.24)

Demonstrao. ()
VC ([u1 , u2 ] [v, 1]) = C(u1 , v) + C(u2 , 1) C(u1 , 1) C(u2 , v) 0 u2 u1 C(u2 , v) C(u1 , v)
Ento, a equao (3.24) equivalente condio VC ([u1 , u2 ][v, 1]) 0 que sempre vlida quando
C bicrescente.
() Considere C satisfazendo a equao (3.24). Sejam v1 , v2 I, v1 v2 , temos C(0, v2 ) = 0
v1 v2 = C(1, v2 ). Como C contnua, desde que e [1] tambm so, existe t I tal que
C(t, v2 ) = v1 , ou seja, (v2 ) + (t) = (v1 ). Ento
C(u2 , v1 ) C(u1 , v1 )

[1] ((u2 ) + (v1 )) [1] ((u1 ) + (v1 ))

[1] ((u2 ) + (v2 ) + (t)) [1] ((u1 ) + (v2 ) + (t))

[1] ((C(u2 , v2 )) + (t)) [1] ((C(u1 , v2 )) + (t))

C(C(u2 , v2 ), t) C(C(u1 , v2 , t))

(3.24)

C(u2 , v2 ) C(u1 , v2 ) VC ([u1 , u2 ] [v1 , v2 ]) 0

42

O prximo teorema mostra que a condio da funo C ser bicrescente dada pelo Lema 2.4
tambm encontra-se relacionada com uma propriedade da funo , bem como as outras duas
condies para que C seja uma cpula (Lema 2.3).
Deste modo, somente a estrutura da funo pode determinar se a funo C da equao (3.22)
ou no uma cpula.
Teorema 2.6. Sejam e [1] como na Definio 2.7. Ento a funo C : I2 I dada pela
equao (3.22) uma cpula se e somente se convexa.
Demonstrao. Como consequncia do Lema 2.4 necessrio provar que a equao (3.24) vlida
se e somente se convexa.
() Observe que a equao (3.24) equivalente a
u1 + [1] ((u2 ) + (v)) u2 + [1] ((u1 ) + (v))
para u1 u2 , se denotarmos a = (u1 ), b = (u2 ) e c = (v), ento a equao (3.24) tambm
equivalente a
[1] (a) + [1] (b + c) [1] (b) + [1] (a + c)

(3.25)

onde a b, por ser decrescente, e c 0.


Supondo a equao (3.24) vlida, ou seja, supondo que [1] satisfaa a equao (3.25). Sejam
s, t [0, ] tais que 0 s t. Se definirmos a = (s + t)/2, b = s e c = (t s)/2 na equao (3.25),
temos
[1]

s+t
2

[1] (s) + [1] (t)


2

Logo [1] mid-convexa, e desde que [1] contnua segue que [1] convexa. O fato de [1]
convexa implica na convexidade de .
() Assuma [1] convexa. Sejam a, b, c I tais que a b e c 0; e seja
0 = (ab)/(ab+c) 1. Deste modo temos a = (1)b+(a+c) e b+c = b+(1)(a+c).
Logo por definio de funo convexa,
[1] (a) (1 )[1] (b) + [1] (a + c)

43
e
[1] (b + c) [1] (b) + (1 )[1] (a + c)
Somando as duas ltimas igualdades resulta na equao (3.25), que completa a prova.
Cpulas da forma apresentada na equao (3.22) so denominadas Cpulas Arquimedianas. A
funo denominada gerador de uma cpula Arquimediana. Se (0) = , denominada
gerador estrito. Conforme Definio 2.7, [1] = 1 e C(u, v) = 1 ((u) + (v)) denominada
cpula Arquimediana estrita. Se (0) < , denominada gerador no estrito.
Cpulas Arquimedianas podem ser contrudas usando o Teorema 2.6 - apenas encontrando
funes com propriedades que satisfaam sua hiptese - e definindo as correspondentes cpulas via equao (3.22). Em outras palavras, a cpula Arquimediana C unicamente determinada
pelo gerador .
Exemplo 2.5.(continuao) Seja (t) = 1 t, t I, um gerador no estrito (Figura 2.2).
De acordo com a Definio 2.7 [1] (t) = 1 (t) = 1 t, t I e 0 para t > 1, ou seja, [1] (t) =
max(1 t, 0). Gerando a cpula C via equao (3.22), temos
1 ((u) + (v)) = max(1 [(1 u) + (1 v)], 0) = max(u + v 1, 0) = W (u, v)
Sendo ento a cpula limite inferior de Frecht uma cpula Arquimediana.
Exemplo 2.6.(continuao) Seja (t) = ln(t), t I, um gerador estrito (Figura 2.3).
Segue da Definio 2.7 que [1] (t) = 1 (t) = exp(t), 0 t < . Pela equao (3.22), temos
1 ((u) + (v)) = exp([( ln u) + ( ln v)]) = uv = (u, v)
Deste modo a cpula produto tambm Arquimediana.
Exemplo 2.7. Uma grande variedade de famlias paramtricas de cpulas pertence a classe das
cpulas Arquimedianas. Nelsen [31] apresenta uma lista extensa com as famlias de cpulas Arquimedianas mais comuns. Algumas destas famlias so apresentadas na Tabela 3.1.
As quatro cpulas apresentam diferenas distintas com relao a estrutura de dependncia que
representam. A famlia de Gumbel apresenta dependncia caudal superior, a famlia de Clayton
apresenta dependncia caudal inferior, a famlia de cpulas 4.2.12 apresenta ambas dependncias
caudais e a famlia de Frank no apresenta dependncia caudal, simtrica em relao a diagonal
secundria.

1.0
0.8
0.6
0.0

0.2

0.4

phi^[1](t)

0.6
0.4
0.0

0.2

phi(t)

0.8

1.0

44

0.0

0.2

0.4

0.6

0.8

1.0

0.0

0.5

1.0

1.5

2.0

2.5

3.0

Figura 2.2: Gerador no estrito e pseudo-inversa [1] para a cpula Arquimediana W .

nome

C (u, v)

Clayton

max [u + v 1]1/
exp([( ln u)

Gumbel

4.2.12

(1

( ln v) ]1/ )

u
v 1)
1 ln 1 + (e 1)(e
e 1
+ [(u1 1) + (u1 1) ]1/ )1

Frank




(t)

estrito

t 1

[1, ]\{0}

( ln t)

[1, )

sim

(, )\{0}

sim

[1, )

sim

ln

ev 1

e 1

1
t 1

Tabela 3.1: Algumas famlias paramtricas de cpulas Arquimedianas com seus geradores e espaos
paramtricos (*na cpula de Clayton o gerador estrito se 0, caso contrrio no estrito).

Nelsen [31] no apresenta nenhum nome especial para a ltima cpula da Tabela 3.1, logo esta
dissertao refere-se a esta cpula conforme notao deste autor.

0.6
0.4
0.0

0.0

0.5

0.2

1.0

1.5

phi(t)

2.0

phi^[1](t)

2.5

0.8

3.0

3.5

1.0

45

0.0

0.5

1.0

1.5

2.0

2.5

3.0

Figura 2.3: Gerador estrito e pseudo-inversa [1] para a cpula Arquimediana .

2.4

Cpulas Multivariadas e a Transformada de Laplace

Conforme j mencionado, para a construo de distribuies contnuas multivariadas, pode-se


utilizar as suas funes densidade marginais univariadas e uma estrutura de dependncia multivariada, ou seja, a funo de distribuio acumulada conjunta FX pode ser obtida atravs de suas funes
de distribuio acumulada marginais e da cpula que uma estrutura de dependncia dada por uma
distribuio CX associada X. Em outras palavras, a cpula a distribuio multivariada de um
vetor aleatrio composto por distribuies marginais univariadas U (0, 1). Para uma distribuio mvariada F =(F1 (x1 ), ..., Fm (xm )), onde Fj a j-sima funo de distribuio marginal univariada,
a cpula associada F uma funo distribuio C : [0, 1]m [0, 1] que satisfaz
F (x) = C(F1 (x1 ), ..., Fm (xm ))
onde x Rm [25].

(4.26)

46
Se F uma funo de distribuio contnua m-variada com marginais univariadas F1 , ..., Fm e
1 , ento C(u) = F (F 1 (u ), ..., F 1 (u )) nica e verifica (4.26).
funes quantis F11 , ..., Fm
1
m
m
1

Nesta seo, sero utilizadas mistura de potncia das f.d.a. univariadas e a Transformada de
Laplace para a construo de uma cpula C. A seguir ser definida a Transformada de Laplace.
Definio 2.8. Seja M uma funo de distribuio acumulada de uma v.a. no-negativa. A
Transformada de Laplace definida por
Z

(s) =

esw dM (w)

(4.27)

onde s 0 [25].
Se o for a massa de M em 0, ento lims (s) = () = o . Durante o captulo, ser
assumido que as Transformadas de Laplace correspondem transformadas de v.a. positivas, isto ,
M (0) = 0 ou, em termos de (s), () = 0. Isto devido ao fato de que exp{1 (F (x))} ser
uma f.d.a. quando F for uma f.d.a. univariada.
Observa-se que a transformada contnua, estritamente decrescente e satisfaz (0) = 1. Ento,
o funcional inverso 1 estritamente decrescente e satisfaz 1 (0) = e 1 (1) = 0.
Alm disso, possui derivadas contnuas de todas as ordens e derivadas com sinais alternados,
isto , (1)i (i) (s) 0 para todo s 0 onde (i) representa a i-sima derivada. Esta propriedade
de alternncia de sinais na derivada denominada completamente montona.
Seja Lm = { : [0, ) [0, 1]|(0) = 1, () = 0, (1)j (j) 0, j = 1, ..., m}, m = 1, 2, ..., a
classe das funes diferenciveis, estritamente decrescentes. Considerando a classe
Ln = {w : [0, ) [0, )|w(0) = 0, w() = , (1)j1 w(j) 0, j = 1, ..., n}, n = 1, 2, ...,
tem-se que as funes em Ln so, usualmente, composies da forma 1 com , L1 . As
composies do tipo 1 L aparecero na construo de cpulas trivariadas.
A seguir sero apresentados alguns teoremas sobre a classe L . Estes so teis pois nos fornecem
a imagem das funes que so o domnio das Transformadas de Lapace. Isto nos possibilita verificar
se o domnio das expreses utilizadas na construo de cpulas [0, ).
Teorema 2.7. Seja uma Transformada de Laplace. Ento completamente montona para
todo > 0 se e somente se ln() L .

47
Demonstrao: Para a demonstrao consulte [25].

Teorema 2.8. Se uma Transformada de Laplace tal que ln() L e outra Transformada
de Laplace, ento (s) = (ln((s))) uma Transformada de Laplace.
Demonstrao: Para a demonstrao consulte [25].
Seja F uma dada f.d.a. univariada. Ento, existe uma nica f.d.a. G tal que

G (x)dM ()

F (x) =

(4.28)

Comparando (4.27) e (4.28) podemos escrever


Z
F (x) =

G (x)dM () = (ln(G(x)))

(4.29)

0
1 (F (x))

Da expresso (4.29) obtemos G(x) = e


1 (F (x))

G(x) = e

. Para simplificar a notao, o valor x em

ser suprimido.
1 (F

Considerando a classe bivariada =(F1 , F2 ), seja Gj = e

j)

, j = 1, 2. Ento, a expresso a

seguir uma f.d.a. em =(F1 , F2 ):


Z

G1 G2 dM () = (ln(G1 ) ln(G2 )) = (1 (F1 ) + 1 (F2 ))

(4.30)

A cpula obtida considerando que F1 e F2 assumem valores da distribuio U (0, 1)


C(u1 , u2 ) = (1 (u1 ) + 1 (u2 ))

A forma (4.31) denominada Cpula Arquimediana e possui a seguinte propriedade:


Teorema 2.9. A cpula (4.31) possui densidade T P2 .
Demonstrao: Para a demonstrao consulte [25].

(4.31)

48
O teorema anterior fornece a dependncia da cpula arquimediana. Como ela possui dependncia T P2 , que uma dependncia forte, ento, ela, tambm, possui dependncia SI, LTD, RTI, PQD.
Porm, ela poder ser adequada na modeladem de variveis aleatrias T P2 e no ser adequada na
modelagem de variveis aleatrias que possuem algum tipo de dependncia mais fraco, por exemplo,
v.a. SI.
Para m f.d.a. univariadas, F1 , ..., Fm , uma extenso simples dada pela f.d.a. multivariada
P
1
F = ( m
j=1 (Fj )) cuja Cpula Arquimediana ,
m
X
C(u) = (
1 (uj ))

(4.32)

j=1

Uma generalizao trivariada de (4.31), no sentido de obter-se mais estruturas de dependncia


pois a expresso seguinte envolver duas Transformadas de Laplace diferentes e, consequentemente,
envolver mais que um parmetro, ao contrrio da expresso (4.32) que envolve apenas uma Transformada de Laplace, dada por
C(u) = ( 1 [1 (u1 ) + 1 (u2 )] + 1 (u3 ))

(4.33)

onde , so Transformadas de Laplace e = 1 L .


Note que (4.33) possui funes de distribuio marginais bivariadas nas coordenadas (1, 2) da
forma (4.31) com Transformada de Laplace e funes de distribuio marginais bivariadas nas
coordenadas (1, 3) e (2, 3) da forma (4.31) com Transformada de Laplace . Observe que (4.32)
um caso especial de (4.33) quando = . A representao em forma de mistura de funes de
distribuio de (4.33), que generaliza (4.30),
Z

C(u) =
0
1

onde G1 = G2 = e

G1 (u1 )G2 (u2 )dM2 (, )G3 (u3 )dM1 ()


1

(4.34)

e G3 = e , M1 a distribuio correspondente , M2 (.; ) a

1 (1 ln(z)).
distribuio com Transformada de Laplace definida por 1
(z) =

A expresso (4.34) segue da seguinte representao:

49

G12 (u1 , u2 )G3 (u3 )dM1 ()

onde M1 e G3 foram definidas anteriormente e G12 (u1 , u2 ) = exp([1 (u1 ) + 1 (u2 )]).
As seguintes famlias uniparamtrica de Transformada de Laplace (TL) podem ser utilizadas
para a construo de cpulas com o uso das expresses apresentadas anteriormente:
TLA: (s) = exp(s1/ ), 1;
TLB (gamma): (s) = (1 + s)1/ , 0;
TLC (srie de potncia): (s) = 1 (1 es )1/ , > 0;
TLD (srie logartmica): (s) = 1 ln(1 (1 e )es ), > 0.
As correspondentes transformadas inversas so dadas por:

TLA: 1
(t) = (ln(t)) ;
1;
TLB: 1
(t) = t

TLC: 1
(t) = ln(1 (1 t) );

TLD: 1
(t) = ln

1et
1e

onde t = (s).
A fim de motivar a construo das Transformadas de Laplace observa-se que a famlia TLD
obtida atravs de uma v.a. cuja funo de probabilidade possui a expresso

(1e )i
,
i

i = 1, 2, ... .

Similarmente, a famlia TLC obtida atravs de uma v.a. cuja funo de probabilidade 1 para
Q
1
i = 1 e 1 i1
j=1 (j ) para i = 2, 3, ... .
Alm das famlias de Transformadas de Laplace mostradas anteriormente, Joe [25] apresenta
outras famlias.

50
Considerando-se as famlias TLA, TLB, TLC e TLC, pode-se mostrar que ln( ) L . Para
as famlias TLA e TLB, a demonstrao direta. E, para as famlias TLC e TLD, demonstra-se
utilizando o Teorema 2.7. Para as demonstraes destes fatos consulte [25].
As famlias de Transformada de Laplace citadas anteriormente podem ser aplicadas na equao
(4.31) obtendo-se os modelos de cpulas bivariadas a seguir.
Famlia B1 : Modelo de Frank [12]

Este modelo utiliza a Transformada de Laplace como sendo a famlia TLD. A cpula associada este modelo dada por
C(u, v; ) =


ln

(1 eu )(1 ev )

onde = 1 e , 0 < .
A funo densidade associada este modelo de cpula ,
c(u, v; ) =

e(u+v)
( (1 eu )(1 ev ))2

Esta famlia possui, entre outras, as seguintes propriedades: SI, densidade T P2 , reflexo
simtrica

[25].

Este modelo engloba o caso das variveis aleatrias serem independentes quando 0.

Famlia B2 : Modelo de Kimeldorf e Sampson [29]

Este modelo utiliza a Transformada de Laplace como sendo a famlia TLB. A cpula associada a este modelo dada por
C(u, v; ) = (u + v 1)1/
para 0 < .
1

c(u, v|) = c(1 u, 1 v|), 0 < u, v < 1

51
A sua funo densidade dada por:
c(u, v; ) = (1 + )(uv)1 (u + v 1)21/
Esta famlia possui, entre outras, as seguintes propriedades: SI, densidade T P2 [25].
Este modelo engloba o caso das v.a. serem independentes quando 0.

Famlia B3 : Modelo de Joe [24]

Este modelo utiliza a Transformada de Laplace como sendo a famlia TLC. A cpula associada a este modelo dada por
C(u, v; ) = 1 (u + v u v )1/
para 1 < onde u = 1 u e v = 1 v.
A sua funo densidade ,
c(u, v; ) = u1 v 1 [ 1 + u + v u v ](u + v u v )2+1/
Esta famlia possui, entre outras, as seguintes propriedades: SI, densidade T P2 [25].
Este modelo engloba o caso das v.a. serem independentes quando = 1.

Famlia B4 : Modelo de Gumbel [21]

Este modelo utiliza a Transformada de Laplace como sendo a famlia TLA. A cpula associada a este modelo dada por
C(u, v; ) = exp((e
u + ve )1/ )
para 1 < onde u
e = ln(u) e ve = ln(v).

52
A funo densidade associada este modelo de cpula dada por:
c(u, v; ) = C(u, v; )(uv)1

(e
uve)1
[(e
u + ve )1/ + 1]
(e
u + ve )21/

Esta famlia possui, entre outras, as seguintes propriedades: SI, densidade T P2 [25].
Este modelo engloba o caso das v.a. serem independentes quando = 1.

Joe [25] apresenta outros modelos de cpulas bivariadas alm de extend-los para variveis
aleatrias com dependncia negativa.
Famlia M1 : Generalizao da famlia B2

Este modelo utiliza as Transformadas de Laplace 1 e 2 como sendo a famlia TLB. A


cpula associada a este modelo dada por
C(u1 , u2 , u3 ; 1 , 2 ) =
para 1 2 , 1 0 e 2 0.



2
u
1

2
u
2

1/1
1 /2
1
1
+ u3 1

53
Famlia M2 : Generalizao da famlia B4

Este modelo utiliza as Transformadas de Laplace 1 e 2 como sendo a famlia TLA. A


cpula associada a este modelo dada por
( 
1/1 )

1 /2
C(u1 , u2 , u3 ; 1 , 2 ) = exp [ln(u1 )]2 + [ln(u2 )]2
+ [ln(u3 )]1
para 1 < 2 , 1 1 e 2 1.

54

Captulo 3

Varivel BIPIT

3.1

Variveis PIT e BIPIT

Sabe-se que se X v.a. unidimensional com f.d.a. F contnua, temos U = F (X), a v.a. transformada pela acumulada, com distribuio U (0, 1). Porm, para maiores dimenses isto geralmente no
acontece. Suponha (X, Y ) com f.d.a. H, seja H = H(X, Y ), a v.a. transformada pela acumulada
conjunta, geralmente a f.d.a. K de H no U (0, 1).
Exemplo 3.1. Seja {(x1 , y1 ), . . . , (x100 , y100 )} uma amostra aleatria de uma distribuio H normal
bivariada com mdia = (0, 0) e matrix de covarincia

0.3

0.3

Tomemos a v.a. H = H(X, Y ). O QQplot entre a amostra aleatria da v.a. H calculada


por Hi = H(xi , yi ) e uma amostra com distribuio U (0, 1) pode-se concluir que H no seque
distribuio U (0, 1) (Figura 3.1).
O estudo da v.a. H e de sua f.d.a. K importante, pois ambas contm informao de dependncia sob H(X, Y ), j que dependem apenas da cpula associada a H pelo Teorema 2.3, e no das
marginais F e G,
K(t) = P (H(X, Y ) t) = P (C(F (X), G(Y )) t) = P (C(U, V ) t)
55

56

QQplot

0.4
0.0

0.2

U_(i)

0.6

0.8

0.0

0.2

0.4

0.6

0.8

1.0

H_(i)

Figura 3.1: QQplot entre a amostra Hi = H(xi , yi ) da BIPIT H associada distribuio normal
bivariada do Exemplo 3.1 e uma amostra {U1 , . . . , U100 } com distribuio U (0, 1).

contando que a cpula contm toda informao da estrutura de dependncia de (X, Y ). Por sua
importncia para o estudo de estruturas de dependncia necessrio nomear a v.a. H pela seguinte
definio.
Definio 3.1. Sejam X,Y v.a. com f.d.a. F e G respectivamente e (X, Y ) vetor aleatrio bidimensional com f.d.a. H. Ento U = F (X) (V = G(Y )) e H = H(X, Y ) so denominadas respectivamente PIT e BIPIT.
O Exemplo 3.2 evidencia que a BIPIT independe das marginais, fato que se observa pelo Teorema
de Sklar (1.1). Deste modo assumiremos sem perda de generalidade o par aleatrio (X, Y ) com
marginais U (0, 1) ao trabalharmos com conceito de BIPIT.
Exemplo 3.2. Sejam as BIPITs H, H1 associadas aos vetores aleatrios (U, V ) e (X1 , Y1 ), respectivamente, com f.d.a. independncia H. Sejam U, V com distribuio marginal U (0, 1) e X1 , Y1 com
marginais F1 e G1 exponenciais = 2 e = 10 respectivamente. Conforme QQ-plot da Figura 3.2,

57
H e H1 so identicamente distribudas, evidenciando que a estrutura de dependncia da BIPIT
invariante sob as marginais.

0.4
0.0

0.2

H_(i)

0.6

0.8

0.0

0.2

0.4

0.6

0.8

H_(1i)

Figura 3.2: QQplot das amostras das BIPITS H e H1 : {H1 , . . . , Hn } e {H11 , . . . , H1n } respectivamente, n = 100, onde Hi = H(ui , vi ) = ui vi sendo ui , vi amostras de U (0, 1) e H1i = H(x1i , y1i ) =
F1 (x1i )G1 (y1i ) sendo x1i com distribuio exp(2) e y1i com distribuio exp(10).

Os seguintes teoremas apresentam uma expresso para o clculo da funo distribuio K da


BIPIT H = C(X, Y ).

Teorema 3.1. Seja (X, Y ) um vetor aleatrio com f.d.a. C e seja K a f.d.a. da v.a. BIPIT,
H C(X, Y ). Ento
Z

E(I{C(x, Y ) v}|X = x)dx

K(v) =
0

(1.1)

58
Demonstrao.
K(v) = P (C(X, Y ) v) = E[I{C(X, Y ) v}]
= E(E[I{C(x, Y ) v}|X = x])
Z 1
=
E(I{C(x, Y ) v}|X = x)dx.

(1.2)

Teorema 3.2. Sejam Cx (y) C(x, y) estritamente crescente e inversvel e yx,v Cx1 (v), 0
v x, 0 < x < 1. Ento,
Z
K(v) = v +

C (x, yx,v )dx v (v)

(1.3)

onde, C (x, y)

C(x,y)
x

R1

e (v)

C (x, yx,v )dx.

Demonstrao. Pela equao (1.1) K(v) pode ser escrito como


Z
K(v) =
|0

Z 1
E(I{C(x, Y ) v}|X = x)dx +
E(I{C(x, Y ) v}|X = x)dx .
v
{z
} |
{z
}
(1)

(2)

De acordo com o Teorema 2.2 toda cpula C limitada superiormente pela cpula maximal
M (x, y) = min(x, y). Ento, 0 x v, C(x, y) v, logo I{C(x, Y ) v} = 1 para a regio de
integrao da integral (1). Desta maneira a integral (1) igual a v. A integral (2) pode ser reescrita
como
Z

P (C(x, Y ) v|X = x)dx


v

Conforme hiptese, C(x, yx,v ) = v para x fixo, e C marginalmente no decrescente, logo temos
a equivalncia C(x, Y ) v Y yx,v . Ento
Z 1
Z 1
P (C(x, Y ) v|X = x)dx =
P (Y yx,v |X = x)dx
v
v

Z 1 Z yx,v
=
c(x, y)dy dx
v
0
Z 1
=
C (x, yx,v )dx
v

59
onde c a densidade de C, c(u, v)

2C
uv (u, v).

Exemplo 3.3. Cpula Produto: (x, y) = xy ; x, y I


Sem a aplicao do Teorema 3.2 temos,
Z

v
X
y

P
K (v) = P (XY v) =
dy
0
Z 1
Z v
v
1dy +
=
dy = v v ln v
v y
0
Usando o Teorema 3.2 temos (x, y) = y e (x, yx,v ) = v, ento yx,v = xv . Logo,
Z

(x, yx,v )dx =

Z
yx,v dx =

v
dx = v ln v
x

Portanto, K (v) = v v ln v.
Exemplo 3.4. Cpula Maximal: M (x, y) = min(x, y) ; x, y I
Observe que KM (v) deve ser calculada atravs de uma mistura de cpulas, C (x, y) = (1 )xy +
min(x, y), 0 1, chamada Famlia de Frchet, porque a Cpula M no satisfaz a hiptese
do Teorema 3.2 pois Mx (y) no estritamente crescente . Quando 1, temos KC (v) v e
segue que KM (v) = v.
No Teorema 3.2 yx,v Cx1 (v), 0 v x, 0 < x < 1 fixo, representa a segunda coordenada
dos pontos do conjunto de nvel v da cpula C dado por
{(x, yx,v ) I2 |C(x, yx,v ) = v}
Conforme Nelsen [31], para uma cpula Arquimediana este conjunto de nvel v consiste dos pontos
(x, yx,v ) pertencentes a curva
(x) + (yx,v ) = (v), (x, yx,v ) I2 , v > 0

(1.4)

A curva (1.4) pode ser reescrita expressando yx,v em funo de x por


yx,v = Lv (x) = [1] ((v) (x)) = 1 ((v) (x))
sendo a ltima igualdade garantida pela Definio 2.7.

(1.5)

60
Para v = 0, o conjunto {(x, yx,v ) I2 |C(x, yx,v ) = 0} chamado conjunto zero de C e denotado
por Z(C). Para as cpulas Arquimedianas com gerador estrito, por exemplo para famlia de Frank
(Tabela 3.1), Z(C) composto pelos dois segmentos de reta {0}I e I{0} de acordo com Definio
2.5. Para as cpulas Arquimedianas com gerador no estrito, por exemplo para famlia de Clayton
0 (Tabela 3.1), Z(C) tem rea positiva e limitado pelos segmentos {0} I e I {0} e pela
curva (x) + (yx,v ) = (0), isto , yx,v = L0 (x) chamada curva zero de C.
O Corolrio a seguir fornece ferramentas para facilitar o clculo da f.d.a. K de BIPIT assoaciada
a uma classe particular de cpulas, as cpulas Arquimedianas que sero o foco desta dissertao.
Em sua demonstrao usado o conceito de curva de nvel de cpulas Arquimedianas.
Corolrio 3.1. Seja C uma cpula Arquimediana gerada por . A f.d.a. K da v.a. BIPIT,
H C(X, Y ), dada por:
K(v) = v

(v)
0 (v + )

(1.6)

onde, 0 (v + ), denota a derivada a direita de em v e o espao dos geradores .


Demonstrao. Utilizaremos o Teorema 3.2 para demonstrar que (v) =

(v)
0 (v)

usando os conceitos

de curva de nvel e conjunto de nvel de uma cpula Arquimediana C.




C(x, y)
(y)
0
0
C (x, y)
= 0 (x) +
[1] ((x) + (y)) = 0 (x)[1] ((x) + (y))
x
x
ento,

(1.5)

C (x, yx,v ) = 0 (x)[1] ((x) + (yx,v )) = 0 (x)[1] ((v)) =

0 (x)
0 (1 ((v)))

0 (x)
.
0 (v)

para v > 0.
Para o caso v = 0 temos (x, yx,v ), os pontos pertencentes ao conjunto zero da cpula C, dados
no somente pela curva L0 (x) da equao (1.5), mas pertencentes ao conjunto

{(x, yx,v )|x I e yx,v = 0} {(x, yx,v )|y I e x = 0} {(x, yx,v )|(x) + (yx,v ) (0)}
|
{z
} |
{z
} |
{z
}
(1)

(2)

(3)

61
Se (x, yx,v ) (1), temos

C (x, yx,v ) = 0 (x)[1] ((x) + (yx,v )) = 0 (x)[1] ((x) + (0))


0 (x)
0 (x)
=
=
0 (0)
0 ([1] ((x) + (0)))
usando a Definio 2.7. Por simetria, para o conjunto (2) segue idntico resultado.
E se (x, yx,v ) (3), temos
(x) + (yx,v ) (x) + (0) (x) = (0)
ento,

C (x, yx,v ) = 0 (x)[1] ((x) + (yx,v ))


0 (x)
=
0 ([1] ((x) + (yx,v )))
0 (x)
=
0 (0)
usando a Definio 2.7.
Deste modo segue que,
Z
(v) =
v

0 (x)
(v)
dx = 0
, v I.
0
(v)
(v)

Logo, para v I temos K(v) = v (v) = v


Se no for diferencivel em v, temos 0 (v)
Concluindo, K(v) = v

(v)
0 (v + )

(v)
0 (v) considerando diferencivel em v.
0 (v + ), pois v x por hiptese do Teorema

3.2.

para qualquer gerador de cpula Arquimediana C.

Exemplo 3.5. A Tabela 1.1 apresenta as funes distribuio K, calculadas por meio do Corolrio
3.1, de algumas cpulas Arquimedianas.
Como visto no Exemplo 2.7, a cpula de Clayton C1 a cpula minimal W , ento substituindo
= 1 na funo distribuio K de Clayton temos
KW (v) = 1, v [0, 1]

62
cpula
Clayton

(v)

K (v)

v 1

v + v (1 v )

Gumbel

( ln v)

Frank

1
ln ee 1

1
v 1

4.2.12

v ln v

v
ev ln e 1

v+

v+

ev 1
v 2 ( v1 1)

Tabela 1.1: Cpulas Arquimedianas da Tabela 3.1 com os respectivos geradores e funes distriuio K.

Do mesmo modo usando = 1 na funo distribuio K de Gumbel temos


K (v) = v v ln v, v [0, 1]

3.2

Propriedades da funo K

Esta seo apresenta propriedades para K relativas a uma ordenao estocstica definida a seguir.
Definio 3.2. A ordem estocstica ordinria entre duas v.a. contnuas X1 e X2 com f.d.a. F1 e
F2 respectivamente denotada por X1 st X2 equivalente a
F1 (x) F2 (x), x R.
Definio 3.3. A ordem estocstica de Kendall entre dois vetores aleatrios contnuos (X1 , Y1 ) e
(X2 , Y2 ) com f.d.a. H1 e H2 respectivamente e denotada como
(X1 , Y1 ) k (X2 , Y2 ) ou H1 (X1 , Y1 ) st H2 (X2 , Y2 )
representa a ordenao estocstica entre as BIPITs H1 H1 (X1 , Y1 ) e H2 = H2 (X2 , Y2 ), ou seja,
H1 st H2 .
Esta ordem estocstica chamada Kendall devido a estar associada ao coeficiente populacional
da medida de associao tau de Kendall estudada no prximo captulo. Tambm existe uma associao entre a funo K e a medida tau de Kendall, que ser apresentada no prximo captulo, por
isso K chamada frequentemente de funo distribuio de Kendall [32].

63
O teorema abaixo valida os limites de Frecht tambm para a ordem estocstica de Kendall.
Teorema 3.3. Sejam K a f.d.a. da v.a. BIPIT H C(X, Y ) e a funo (v), v I, definida pelo
Teorema 2.3.
KM (v) K(v) KW (v), ou seja, v K(v) 1, v I;

(2.7)

W (v) (v) M (v), ou seja, v 1 (v) 0, v I.

(2.8)

Demonstrao. Equao (2.7): trivial que K(v) 1 com K(v) f.d.a. Sendo C(x, y) no deR1
crescente marginalmente, temos C (x, y) positiva, logo (v) v C (x, yx,v )dx 0, deste modo
K(v) = v (v) v.
Equao (2.8): Provada equao (2.7) temos
v K(v) 1 v v (v) 1 v 1 (v) 0

Corolrio 3.2. Os limites de Frecht so vlidos para a ordem estocstica de Kendall


W k C k M
Exemplo 3.6. As Figuras 3.3 e 3.4 ilustram o Teorema 3.3 e o Corolrio 3.2 mostrando KM
K KW e W (v) (v) M (v) para as funes K das cpulas de Gumbel e Clayton. Alm de
tambm ilustrarem a ordenao estocstica de Kendall para as famlias de Clayton e Gumbel com
KC KC , ou seja C k C .
Tal ordenao confirmada atravs das formas analticas das funes K apresentadas no Exemplo 3.5 para a fmlia de Clayton e Gumbel.

0.6
0.4

theta=1
theta=3
theta=7

0.0

0.2

K(v)

0.8

1.0

64

0.0

0.2

0.4

0.6

0.8

1.0

0.6
0.4

theta=1
theta=3
theta=4

0.0

0.2

K(v)

0.8

1.0

0.0

0.2

0.4

0.6

0.8

1.0

Figura 3.3: Funes distribuio de Kendall das cpulas M (linha cheia preta), W (linha cheia
cinza) e famlia de Gumbel para = {1, 3, 7} (primeira figura); famlia de Clayton para = {1, 3, 4}
(segunda figura).

1.0

65

0.0
1.0

0.5

lambda(v)

0.5

theta=1
theta=3
theta=7

0.0

0.2

0.4

0.6

0.8

1.0

1.0

0.0
1.0

0.5

lambda(v)

0.5

theta=1
theta=3
theta=7

0.0

0.2

0.4

0.6

0.8

1.0

Figura 3.4: Funes (v), v I, das cpulas M (linha cheia preta), W (linha cheia cinza) e famlia
de Gumbel para = {1, 3, 7} (primeira figura); famlia de Clayton para = {1, 3, 4}.

66

Captulo 4

Tau de Kendall
Este captulo explorar a cpula como objeto de estudo de dependncia ou associao entre
duas variveis por meio do coeficiente tau de Kendall. Porm, primeiramente, ser apresentado o
conceito e algumas propriedades desta medida de associao.

4.1

Concordncia

Informalmente, um par de variveis aleatrias concordante se grandes valores de uma varivel


esto associados a grandes valores da outra varivel ou se pequenos valores de uma varivel esto
associados a pequenos valores da outra varivel. E o par discordante caso contrrio. Formalmente,
concordncia definida por:
Definio 4.1. Sejam (x, y) e (
x, y) duas observaes de um vetor (X, Y ) de v.a. contnuas. Diz-se
que estas observaes so
concordantes se

(y y)
>0
(x x
)

discordantes se

(y y)
<0
(x x
)

Tau de Kendall uma medida de associao definida em termos da concordncia pela diferena
entre a probabilidade dos pares concordantes e discordantes.

67

68
Definio 4.2. Sejam (X1 , Y1 ) e (X2 , Y2 ) vetores aleatrios i.i.d. com a mesma f.d.a. H. Ento
o coeficiente populacional Tau de Kendall de um vetor (X, Y ) de v.a. contnuas com f.d.a. H
definido por
P [(X1 X2 )(Y1 Y2 ) > 0] P [(X1 X2 )(Y1 Y2 ) < 0]

(1.1)

Teorema 4.1. Sejam (X1 , Y1 ), (X2 , Y2 ) vetores independentes de v.a. contnuas com funo distribuio conjunta H1 , H2 respectivamente, com marginais comuns F (de X1 , X2 ) e G (de Y1 , Y2 ),
C1 , C2 as respectivas cpulas de (X1 , Y1 ) e (X2 , Y2 ) e seja
Q P [(X1 X2 )(Y1 Y2 ) > 0] P [(X1 X2 )(Y1 Y2 ) < 0]
denominada funo de concordncia, ento
ZZ
Q Q(C1 , C2 ) 4

C2 (u, v)dC1 (u, v) 1


I2

Demonstrao. Como P [(X1 X2 )(Y1 Y2 ) < 0] = 1 P [(X1 X2 )(Y1 Y2 ) > 0], a funo Q
pode ser reescrita por Q = 2P [(X1 X2 )(Y1 Y2 ) > 0] 1, onde
P [(X1 X2 )(Y1 Y2 ) > 0] = P (X1 > X2 , Y1 > Y2 ) + P (X1 < X2 , Y1 < Y2 )
{z
} |
{z
}
|
(1)

(2)

ZZ
(1) = P (X2 < X1 , Y2 < Y1 ) =
P (X2 < x, Y2 < y)dC1 (F (x), G(y))
2
R
ZZ
ZZ
=
C2 (F (x), G(y))dC1 (F (x), G(y)) =
C2 (u, v)dC1 (u, v)
R2

I2

ZZ
(2) = P (X2 > X1 , Y2 > Y1 ) =
P (X2 > x, Y2 > y)dC1 (F (x), G(y))
R2
ZZ
=
[1 F (x) G(y) + C2 (F (x), G(y))] dC1 (F (x), G(y))
2
Z ZR
ZZ
=
[1 u v + C2 (u, v)] dC1 (u, v) =
C2 (u, v)dC1 (u, v)
I2

I2

A ltima igualdade segue de U, V serem U (0, 1), logo E(U ) = E(V ) = 21 .


Deste modo,
ZZ
P [(X1 X2 )(Y1 Y2 ) > 0] = 2

C2 (u, v)dC1 (u, v)


I2

69
Ento segue que
ZZ
C2 (u, v)dC1 (u, v) 1

Q=4

I2

O prximo resultado estabelece uma ligao entre a medida tau de Kendall entre duas v.a. X
e Y e a cpula C associada a estas variveis por meio da funo de concordncia.
Teorema 4.2. Sejam X, Y v.a. contnuas com cpula C e seja H C(F (X), G(Y )) a sua v.a.
BIPIT com f.d.a. K. O coeficiente populacional tau de Kendall dado por
ZZ
Q(C, C) 4
C(u, v)dC(u, v) 1 = 4E(C(U, V )) 1

(1.2)

I2

e pode ser reescrito por


1

Z
=34

K(t)dt

(1.3)

Demonstrao. A prova da equao (1.2) segue da Definio 4.2 e do Teorema 4.1.


Da equao (1.2) temos
1

Z
= 4E(H) 1 = 4

Z
1 K(t)dt 1 = 3 4

K(t)dt
0

Como a v.a. BIPIT H [0, 1] no assume valores negativos, ento E(H) =

R1
0

1 K(t)dt

Assim como a funo distribuio K de uma BIP IT associada a uma cpula Arquimediana
expressa em funo do gerador , tau de Kendall tambm expresso em funo de para cpulas
Arquimedianas.
Corolrio 4.1. Sejam X, Y v.a. contnuas com cpula Arquimediana C gerada por . O coeficiente
populacional de Kendall dado por
Z
=1+4
0

(t)
dt
0 (t)

(1.4)

Demonstrao. Seja a BIPIT H C(F (X), G(Y )) com f.d.a. K. Pelo Teorema 4.2, equao (1.3)
(1.6)

= 34

t
0

(t)
dt = 1 + 4
0 (t)

Z
0

(t)
dt
0 (t)

70
Exemplo 4.1. Se C um membro da famlia de Frank (Tabela 3.1), devido a complexidade
de resoluo da integral na equao (1.4), o clculo de torna-se mais adequado via integrao
numrica. Para as demais famlias Arquimedianas citadas nesta dissertao a integral na equao
(1.4) de simples resoluo, sendo ento possvel encontrar uma funo de que expresse a medida
de associao de Kendall, tais expresses encontram-se na Tabela 1.1.
f amilia Arquimediana

= f ()

Clayton

+2
= 1

2
= 1 3

Gumbel
4.2.12

Tabela 1.1: Medida de associao de Kendall expressa em funo do parmetro para algumas
famlias de cpulas Arquimedianas.

Exemplo 4.2. Desde que a cpula M possui como suporte a diagonal v = u em I 2 e possui
marginais U (0, 1), segue que se g funo integrvel cujo domnio I 2 , ento
ZZ

Z
g(u, v)dM (u, v) =

I2

g(u, u)du
0

Similarmente, desde que W possui como suporte a diagonal secundria v = 1 u, temos


ZZ
Z 1
g(u, v)dW (u, v) =
g(u, 1 u)du
I2

Logo, temos
ZZ

Z
uvd(u, v) 1 = 4

= Q(, ) = 4

I2

uvdudv 1 = 0
0

ZZ
M = Q(M, M ) = 4

min(u, v)dM (u, v) 1 = 4


I2

udu 1 = 1
0

ZZ
W = Q(W, W ) = 4

Z
max(u + v 1, 0)dW (u, v) 1 = 4

I2

0du 1 = 1
0

A cpula M chamada cpula maximal por estabelecer relao de dependncia perfeitamente


positiva entre as variveis X, Y , como pode ser evidenciado pelo valor M = 1, ou seja, probabilidade

71
1 de que X e Y sejam concordantes. O contrrio acontece para a cpula W , chamada cpula minimal
por estabelecer relao de dependncia perfeitamente negativa entre as variveis X, Y , W = 1, ou
seja, a discordncia das variveis X e Y certa. O Teorema a seguir mostra a unicidade da relao
de dependncia perfeita negativa e positiva com respeito s cpulas.

Teorema 4.3. O coeficiente populacional tau de Kendal associado a cpula C pela equao (1.2)
igual a 1, se e somente se, a cpula C M . E = 1, se e somente se, C = W .

Demonstrao. () A prova que W e M so iguais a 1 e 1 respectivamente segue do Exemplo


4.2.
() Agora considerando X, Y, X 0 , Y 0 com distribuio U (0, 1) e sejam (X, Y ) e (X 0 , Y 0 ) i.i.d.
com f.d.a. cpula C. A seguir a demonstrao ser dada como consequncia de uma sequncia de
afirmaes:
a) = 1 C = M

1. = 1 X = Y com probabilidade 1;

2. X = Y C(x, y) = min(x, y)

b) = 1 C = W

1. = 1 Y = 1 X com probabilidade 1;

2. Y = 1 X C(x, y) = max(x + y 1, 0)

Demonstrao a):

72

= 1 P [(X X 0 )(Y Y 0 ) > 0] = 1


ZZ

[P (X > x, Y > y) + P (X < x, Y < y)] dC(x, y) = 1


2
Z ZI

[1 FX (x) FY (y) + 2C(x, y)] dC(x, y) = 1


2
Z ZI

[2C(x, y) + 1 x y] dC(x, y) = 1
2
Z ZI
[2C(x, y) + 1 x y] dC(x, y) = 1 2C(x, y) + 1 x y = 1

I2

C(x, y) =

x+y
2

Aplicando os limites de Frchet,


C(x, y) =

x+y
min(x, y) X = Y com probabilidade 1
2

logo,
C(x, y) = P (X x, Y y, X = Y ) = P (X min(x, y)) = min(x, y)
Demonstrao b):

= 1 P [(X X 0 )(Y Y 0 ) < 0] = 1


ZZ

[P (X > x, Y < y) + P (X < x, Y > y)] dC(x, y) = 1


I2

Como,
P (X > x) = P (X > x, Y < y) + P (X > x, Y > y)
P (X > x, Y < y) = (1 x) C(x, y) = y C(x, y)
e,
P (X < x) = P (X < x, Y < y) + P (X < x, Y > y)

(1.5)

73
P (X < x, Y > y) = x C(x, y)
Substituindo na equao (1.5), temos
x + y 2C(x, y) = 1 C(x, y) =

x+y1
2

Por limites de Frchet,


max(x + y 1, 0)

x+y1
Y = 1 X com probabilidade 1
2

logo,
C(x, y) = P (X < x, Y < y, Y = 1 X) = P (1 y X x)
(
x + y 1, se 0 1 y x 1
= F (x) F (1 y) =
0, se caso contrario.
com F denotando a f.d.a. da v.a. X.
Desta forma temos, C(x, y) = max(x + y 1, 0).
Exemplo 4.3. O caso particular = 1 da famlia de Clayton a cpula minimal, pois para este
caso = 1 conforme Exemplo 4.1.
No incio deste captulo foi visto que o tau de Kendall uma medida de associao expressa em
termos da concordncia, agora veremos que este coeficiente tambm uma medida de concordncia
que apresenta as propriedades desta.
Definio 4.3. Uma medida numrica de associao entre duas v.a. contnuas X e Y cuja cpula
C uma medida de concordncia se satisfaz as seguintes propriedades
1. definida para todo par X, Y de v.a. contnuas;
2. 1 X,Y 1, X,X = 1 e X,X = 1;
3. X,Y = Y,X ;
4. Se X, Y so independentes, ento X,Y = 0;
5. X,Y = X,Y = X,Y ;

74
6. Se C1 e C2 so cpulas tais que C1 (u, v) C2 (u, v), (u, v) I2 , ento C1 C2 ;
7. Se {(Xn , Yn )} uma sequncia de v.a. contnuas com cpulas Cn , e se {Cn } converge ponto
a ponto a C, ento limn Cn = C .
Teorema 4.4. Se X, Y so v.a. contnuas com cpula C, ento o coeficiente populacional de
Kendall satisfaz as propriedades da Definio 4.3, enquadrando-se como medida de concordncia.
Demonstrao. Cada item da Definio 4.3 demonstrado separadamente. 2. Como definido
na equao (1.1) por uma diferena de probabilidades, ento 1 1 e utilizando demonstrao
do Teorema 4.5 temos X,X = M e X,X = W e por sua vez, pelo Teorema 4.3, temos M = 1 e
W = 1.
3. Como CX,Y = CY,X , e por (3.1) temos como funo da cpula C, ento X,Y = Y,X .
4. Vide Exemplo 4.2.
5. Seja W = X, pelo Teorema 2.5 temos que CW,Y dada em funo de CX,Y por CW,Y (u, v) =
v CX,Y (1 u, v),logo
ZZ
W,Y = Q(CW,Y , CW,Y ) = 4

v + CX,Y (1 u, v)dCX,Y (1 u, v) 1
I2

Aplicando a transformao z = 1 u,
Z 1Z 1
ZZ
4
v CX,Y (z, v)dCX,Y (z, v) 1 = 4
CX,Y (z, v)dCX,Y (z, v) + 1 = X,Y
I2

0 0

A ltima igualdade deve-se ao fato de que Z = 1 U U (0, 1), pois U U (0, 1).
Analogamente temos X,Y = X,Y .
6. Segue da definio de dada pelo Teorema 4.2 e pela funo concordncia Q (Teorema 4.1) ser
no decrescente em cada argumento.
7. Seja Q(C, C) conforme Teorema 4.2, como Cn C e Cn limitada pela cpula Maximal
M , usando o Teorema da Convergncia Dominada de Lebesgue temos
ZZ
ZZ
lim n = lim 4
Cn (u, v)dCn (u, v) 1 = 4
C(u, v)dC(u, v) 1 = Q(C, C) =
n

I2

I2

Pelo Exemplo 4.2 foi visto que W = 1 e M = 1. Mas o resultado abaixo nos permite verificar
que se uma v.a. Y uma funo crescente da v.a. X, existindo ento uma dependncia perfeita

75
positiva entre estas variveis ento caracteriza-se CX,Y = M . De maneira anloga, para Y funo
decrescente de X caracteriza-se CX,Y = W . Por meio da medida de concordncia verifica-se este
resultado.
Teorema 4.5. Seja medida de concordncia para v.a. contnuas X e Y .
1. Se Y quase certamente uma funo crescente de X, ento X,Y = M = 1;
2. Se Y quase certamente uma funo decrescente de X, ento X,Y = W = 1;
Demonstrao. Primeiro, por intermdio de , como um particular exemplo de medida de concordncia, se provam que se Y quase certamente uma funo crescente de X sendo (X, Y ) com
cpula C, ento C = M e que se Y quase certamente uma funo decrescente de X, ento C = W .
Sejam (X, Y ) e (X1 , Y1 ) duas realizaes i.i.d. com f.d.a. H, f no decrescente, X = f (Y ) e
X1 = f (Y1 ) com probabilidade 1.
Como P [(X X1 )(Y Y1 ) 0] + P [(X X1 )(Y Y1 ) < 0] = 1, pela equao (1.1) temos
= 2P [(X X1 )(Y Y1 ) 0] 1, onde

P [(X X1 )(Y Y1 ) 0] = P [(X X1 )(Y Y1 ) 0, Y = f (X), Y1 = f (X1 )]


= P [(X X1 )(f (X) f (X1 )) 0] = 1
A ltima igualdade deve-se ao fato de f no decrescente.
Logo, = 2 1 1 = 1 e pelo Teorema 4.3 temos C = M . Considerando f no crescente, do
mesmo modo, obtm-se =-1, e consequentemente, C = W .
Pelo item 6. da Definio 4.3 e pelos limites de Frchet, W C M , temos W M e
como pelo item 2., 1 1, ento M = 1 e W = 1.

A medida de concordncia tau de Kendall nomeia o mtodo grfico de ajuste de cpulas apresentado no prximo captulo, chamado Kendall Plot. Embora o Kendall Plot seja detalhado no
prximo captulo, h a necessidade de uma breve introduo de seu conceito neste captulo para a
justificativa de seu nome. O Kendall Plot pode ser interpretado como um teste grfico de cpulas
baseado em um QQplot entre duas v.a. BIPITs H C(U, V ) e H0 C0 (U, V ) com cpulas C

76
desconhecida e C0 conhecida. Se o QQplot diagnosticar H e H0 identicamente distribudas, ento
a BIPIT H est associada a cpula C0 . Caso contrrio, o Kendall Plot revela uma informao a
respeito entre a relao dos coeficientes populacionais de Kendall associados s cpulas C e C0 .
Esta relao entre de Kendall e Kendall Plot se deve ao fato da associao entre e K por ser
uma funo de K (Teorema 4.2). Ento pela equao (1.3) temos,
K(w) K0 (w), 0 w 1 0

(1.6)

ou ento, conforme Definio 3.3 temos,


(X, Y ) k (X0 , Y0 ) 0

(1.7)

Assim justificando o nome da ordem k como ordem estocstica de Kendall.


No contexto do QQplot as v.a. BIPITs H e H0 so vistas como quantis de suas respectivas
distribuies K e K0 , ou seja, os n pontos (Hi , H0i ) do QQplot so dados por Hi = K 1 (pi ) e
H0i = K01 (pi ), 0 = p1 < . . . < pn = 1. Como K e K0 so f.d.a., logo a implicao (1.6)
equivalente a
Hi H0i , 1 i n 0

(1.8)

Exemplo 4.4. A recproca da equao (1.8) nem sempre vlida. Seja a cpula C dada por
C(u, v) = min(CM (u, v), 1/4 + CW (u, v)) com KC (t) = max(t, (3/4) bt + 3/4c) (Nelsen (2003) [32]),
temos (u, v) C(u, v), (u, v) I2 , deste modo pela propriedade 6. da Definio 4.3, temos
C , porm KC (1/e) = 3/4 > 2/e = K (1/e), ou seja, no verdade que k C.
Exemplo 4.5. Conforme Exemplo 3.6 a famlia de Clayton segue a ordem estocstica de Kendall, ou
seja, C k C , ento pela implicao (1.7) temos . A Figura 4.1 mostra o QQplot
de (H0 , H1 ) e (H0 , H2 ) com H0 v.a. BIPIT associada a cpula , H1 e H2 as v.a. BIPIT associadas
a cpula de Clayton com 1 = 0.5 e 2 = 2 respectivamente. Conforme ordenao estocstica
de Kendall para a famlia de Clayton, observa-se que os grficos referentes a 1 = 0.5 e 2 = 2
encontram-se respectivamente abaixo e acima da diagonal principal, ou seja, H(1i) H0i H(2i) ,
caracterizando 1 < 0 < 2 . De maneira geral, sendo H v.a. BIPIT de uma determinada cpula
C, os QQplots (H0 , H) situados acima da diagonal principal revelam uma estrutrua de dependncia

77
positiva para H e situados abaixo revelam uma estrutura de dependncia negativa, j que 0 = 0
pois associado a cpula (Definio 4.3 item 4.).

0.4
0.2

H_(1i)

0.6

0.8

QQplot

0.0

(H_0,H_1)
(H_0,H_2)
0.0

0.2

0.4

0.6

0.8

H_(0i)

Figura 4.1: QQplots referentes Exemplo 4.5: H0i = (ui , vi ), H1i = C0.5 (ui , vi ), H2i = C2 (ui , vi )
com C cpula de Clayton com parmetro (A linha com ponto e tracejado a diagonal principal
do grfico).

78

Captulo 5

Kendall Plot

5.1

Introduo

Em meio a um recente estudo de ferramentas para o ajuste de cpulas ainda h a necessidade


de um mecanismo simples e eficiente para a modelagem de dependncia. A motivao para a
criao deste mecanismo partiu do mais simples modo para o ajuste de distribuies: o grfico
QQplot. Porm em cpulas trabalha-se num contexto multivariado diferentemente do QQplot.
Este problema resolvido usando a v.a. BIPIT que traduz um problema multivariado ao contexto
univariado preservando as caractersticas da estrutura de dependncia dos dados. Neste contexto
Genest & Frave (2007) utilizam o grfico QQplot usando a v.a. BIPIT para a modelagem de cpulas
e denominam esta ferramenta grfica por Kendall Plot. Assim como o QQplot padro compara os
quantis amostrais aos quantis tericos da normal padro, o grfico proposto compara os quantis
amostrais aos quantis tericos sob hiptese nula de uma especfica funo distribuio K de uma
v.a. BIPIT H associada a uma cpula C. Quando os quantis tericos sob hiptese nula referem-se a
cpula da independncia (Exemplo 2.6), o grfico proposto mostra se h evidncia de dependncia
entre as variveis. Esta foi a primeira proposta do Kendall Plot sugerida por Genest e Boies(2003).
Este captulo tambm apresenta a relao existente entre a medida de concordncia tau de
Kendall e o grfico Kendall Plot, sendo por essa razo o grfico denominado desta maneira.
79

80

5.2

Construo do Kendall Plot

O Kendall Plot uma adaptao do grfico de normalidade. Sua construo similar ao QQplot,
porm usando o conceito de BIPIT.

5.2.1

QQplot

Uma maneira grfica de verificar se uma amostra aleatria univariada X1 , . . . , Xn Gaussiana


comparar os quantis amostrais com os quantis tericos de uma normal padro. O QQplot o
grfico dos pares (Zdnpi e:n , X(dnpi e) ), onde dnpi e denota o menor inteiro maior ou igual a npi , a
sequcia {X(dnpi e) }, 0 p1 < . . . < pn 1 corresponde s estatsticas de ordem da amostra e
Zdnpe:n E(Z(dnpi e) ) onde {Z1 , . . . , Zn } uma amostra aleatria com distribuio normal padro.
Sendo Fn a f.d.a. emprica da v.a. X dada por
Fn (Xi ) =

1
#{j 6= i : Xj Xi }
n1

(2.1)

observa-se que a estatstica de ordem X(i) X(dnpi e) definida como o pi -quantil amostral de uma
amostra de tamanho n. Mais especificamente, de acordo com a equao (2.1), para todo 1 i n
e denotando i dnpi e, temos
Fn (X(i) ) =

i1
pi
n1

(2.2)

com 0 = p1 < . . . < pn = 1. E de acordo com Sen & Singer [35], sendo F a f.d.a da v.a. X, temos
X(dnpe) F 1 (p), p [0, 1]
em probabilidade e quase certamente quando n (para demonstrao veja apndice 2). Ou seja,
garantida a convergncia do quantil amostral ao quantil terico da distribuio. Deste modo a
convergncia de Zdnpe:n E(Z(dnpe) ) ao quantil terico da normal padro garantida pelo Teorema
da Convergncia Dominada [22]

lim E Z(dnpe)

= E

lim Z(dnpe)

= E[1 (p)] = 1 (p)

81
pois n, |Z(dnpe) | Y , com v.a. Y seguindo distribuio Exp(),
= 0.
Logo, para n suficientemente grande se os pontos (Z(dnpi e) , X(dnpi e) ), 0 = p1 < . . . < pn = 1
concentram-se sob a diagonal principal, ento pode-se concluir que a f.d.a. da v.a. X a f.d.a. da
normal padro.
O QQplot utilizado no somente para verificar se uma amostra aleatria univariada {X1 , . . . , Xn }
com distribuio desconhecida F segue distribuio normal, mas tambm para testar se esta amostra
segue qualquer outra distribuio F0 , isto ,
H0 : F (x) = F0 (x), x Dom F
H1 : F (x) 6= F0 (x), para pelo menos um valor de x Dom F
O procedimento para este teste tambm baseado em uma comparao quantlica, assim como
para o teste com a distribuio normal padro sob hiptese nula. Considere pi , 0 = p1 < . . . < pn =
1. Para cada pi h dois quantis a considerar: E(Y(dnpi e) ) sob hiptese de que Y segue distribuio
F0 , o pi -quantil terico sob hiptese nula, e conforme equao (2.2) Fn1 (pi ) = X(i) Xdnpi e , o pi quantil amostral. Logo, se para n suficientemente grande o grfico dos pares (E(Y(dnpi e) ), Fn1 (pi )),
concentra-se sob a diagonal principal, ento a v.a. X segue distribuio F0 .

5.2.2

Kendall Plot

Seja uma amostra aleatria bivariada (X1 , Y1 ), . . . , (Xn , Yn ). necessrio transformar esta
amostra bivariada em uma amostra univariada que contenha as mesmas informaes de dependncia da amostra original para que se possa trabalhar com o conceito do QQplot com a finalidade
de ajustar estruturas de dependncia, ou seja, cpulas. A melhor maneira de transformar dados
bivariados em univariados preservando a estrutura de dependncia utilizar a BIPIT desses dados.
b definida pela
Como desconhece-se a distribuio dos dados, se trabalha com a BIPIT emprica H
distribuio emprica Hn dada por
b i Hn (Xi , Yi ) =
H

1
#{j 6= i : Xj Xi , Yj Yi }
n1

(2.3)

Desta maneira a hiptese a ser testada pelo Kendall Plot dada por
H00 : K(H) = K0 (H), H I
H01 : K(H) 6= K0 (H), para pelo menos um valor de H I

(2.4)

82
onde K a f.d.a. desconhecida da BIPIT H e K0 a f.d.a. a ser testada.
A hiptese (2.4) funciona como hiptese auxiliar, pois o objetivo principal testar a estrutura
de dependncia dos dados, logo
H0 : C = C0 vs. H1 : C 6= C0

(2.5)

onde a BIPIT H est associada a cpula desconhecida C com distribuio desconhecida K e C0 com
distribuio K0 a cpula a ser testada. Sob a hiptese nula a BIPIT H est associada a cpula
C0 e segue distribuio K0 , portanto a estrutura de dependncia dos dados bivariados associados a
H modelada pela cpula C0 .
Deve-se tomar cuidado ao usar o Kendall Plot, pois as hipteses (2.4) e (2.5) no so equivalentes,
a no rejeio de H00 no implica na no rejeio de H0 . Temos H0 H00 , pois a implicao
C 6= C K 6= K falsa e para sua verificao veja exemplo a seguir.
Exemplo 5.1. Considere uma distribuio pertencente a classe de distribuies do valor-extremo,
cujas cpulas (veja Capra, Fougres e Genest (1997, 2000) [4] e [5]) so da forma



log(u)
CA (u, v) = exp log(uv)A
log(uv)
para alguma funo convexa A : [0, 1] [1/2, 1], tal que A(0) = A(1) = 0 e A(w) max(w, 1
w), 0 w 1 e sendo a funo A definida como gerador da cpula do valor-extremo C. De
acordo com Ghoudi, Khoudraji e Rivest [20] a v.a. BIPIT H = CA (U, V ) distribuda por
KA (w) = w (1 A )w log(w), 0 w 1
onde
Z
A =
0

w(1 w) 0
dA (w)
A(w)

o valor populacional de tau de Kendall, desde que A convexa. Ento, se duas distribuies
do valor-extremo com geradores A 6= A verificam A = A , logo KA = KA , ou seja, a cpula
do valor-extremo CA no unicamente determinada por sua f.da. KA . Mas esta questo no
ser preocupante nesta dissertao, j que trabalhamos com a classe de cpulas Arquimedianas
bivariadas para a qual as hipteses (2.4) e (2.5) so equivalentes, j que para esta famlia a cpula

83
C unicamente determinada pela funo K. Este fato se deve a funo distribuio K de uma
cpula Arquimediana C ser definida em funo do gerador desta cpula (Corolrio 3.1). E pela
construo de uma cpula Arquimediana (equao 3.22) observa-se que o gerador a determina
unicamente.
Assim como o QQplot, o Kendall Plot realiza uma comparao quantlica. Compara-se os
quantis amostrais de K aos quantis tericos de K0 sob hiptese nula. Os pi -quantis amostrais so
b (dnp e) H
b (i) e os pi -quantis tericos denotados por Wdnp e:n,K = E(H 0
representados por H
)
i

(dnpi e)

Wi:n,K0 sendo pi definido como na equao (2.2). Os resultados da prxima seo permitem verificar
b (dnp e) e E(H 0
que H
i
(dnpi e) ) realmente representam o pi -quantil amostral e terico da distribuio sob
hiptese nula K0 .
0 . . . H 0 estatsticas de ordem de uma amostra aleatria H 0 , . . . , H 0 da BIPIT
Sejam H(1)
n
1
(n)

H 0 com distribuio K0 , pela definio de densidade de uma estatstica de ordem em Casella &
Berger [6].
Wi:n,K0

0
E(H(i)
)

n1
=n
i1

Z

w{K0 (w)}i1 {1 K0 (w)}ni dK0 (w)

(2.6)

A integral em questo no possui primitiva, portanto foi calculada por integrao numrica
atravs do comando integrate do software estatstico R. Este comando realiza integrao numrica
para varivel unidimensional atravs de um mtodo de quadratura adaptativa baseado nas rotinas
dqags e dqagi em Piessens & Doncker-Kapenga [33]. Este algoritmo no funciona bem para integrandos que assumem valores constantes (em particular, prximos de zero) em todo seu domnio.
O integrando em questo composto por um produto de potncias (que dependem de n) de valores
entre 0 e 1, apresentando ento valores muito prximos de zero em todo seu domnio, e sendo decrescente em n. Portanto para grandes valores de n, por exemplo n > 200, para algumas funes
K0 , por exemplo K , a integrao usando integrate no corresponde ao valor esperado. Como o
Kendall Plot, assim como o QQplot, uma ferramenta assinttica foi necessrio recorrer a outro
mtodo de integrao adaptativa para o clculo de Wi:n,K0 para um grande tamanho amostral. Veja
apndice 4 para maiores detalhes do mtodo de integrao numrica.
Os passos para construo do Kendall Plot, listados a seguir, so semelhantes ao do QQplot.
b i como na equao (2.3);
1. Para cada 1 i n, calcula-se a BIPIT emprica H

84
bi: H
b (1) . . . H
b (n) , igualdades so possveis;
2. Ordena-se H
3. Para cada 1 i n, calcula-se Wi:n,K0 pela equao (2.6);
b (i) ), 1 i n.
4. Plotar os pares (Wi:n,K0 , H

5.3

Resultados e Fundamentos

Esta seo apresenta os resultados tericos necessrios para a validade do Kendall Plot como
mtodo assinttico para comparao de quantis, bem como exemplos decorrentes da teoria para
auxiliar na interpretao do grfico Kendall Plot. Um dos resultados evidencia a relao existente
entre Kendall Plot e de Kendall.
b1, . . . , H
b n calculados pela equao (2.3) realizaes da BIPIT H = H(X, Y )
Definio 5.1. Sejam H
com funo distribuio de Kendall K. A funo distribuio emprica Kn dos Hi s dada por
n

Kn (v) =

1X b
I{Hi v}
n

(3.7)

i=1

Teorema 5.1. A funo distribuio emprica de Kendall Kn converge em probabilidade funo


distribuio de Kendall K sendo a convergncia vlida tambm para as inversas, ou seja,
p

Kn (v) K(v)

Kn1 (p) K 1 (p), v, p I

quando n .
b1, . . . , H
b n },
Demonstrao. Seja (X1 , Y1 ), . . . , (Xn , Yn ) uma amostra aleatria com f.d.a. cpula C e {H
calculados pela equao (2.3), realizaes da BIPIT H = C(X, Y ). Provemos que a distribuio
b i , P (H
b i v), converge a K(v) = P {C(X, Y ) v} e que a funo distribuio emprica Kn
de H
b i s, dada pela equao (3.7), um estimador n-consistente de K(v), ou seja, no limite a
dos H
esperana do estimador converge a esperana de K(v) e no limite a varincia do estimador nula.
Consequentemente seguem as convergncias em probabilidade.
b 1 v}] = P (H
b 1 v)
E{Kn (v)} = E[I{H

(3.8)

Dados X1 e Y1 com distribuio U (0, 1) sendo (X1 , Y1 ) com f.d.a. cpula C. Seja (x1 , y1 )
b 1 distribuida de
uma realizao de (X1 , Y1 ), pela equao (2.3) temos que a quantidade (n 1)H

85
acordo com uma binomial com parmetros (n 1) e C(x1 , y1 ). Desta maneira a funo geradora de
b 1 dada por {1 C(x1 , y1 ) + C(x1 , y1 )et/(n1) }(n1) . Como
momentos condicional a (x1 , y1 ) de H
b 1 = Cn (X1 , Y1 ) C(X1 , Y1 ) quando n tende ao infinito, onde Cn denota a cpula emprica, segue
H
do teorema da convergncia dominada de Lebesgue que E(etH1 ) converge a E{etC(X1 ,Y1 ) } quando n
b 1 tem a mesma distribuio que C(X1 , Y1 ), ou seja,
tende ao infinito. Portanto, assintoticamente, H
b

b 1 v) = K(v)
lim P (H

(3.9)

Logo, pela equao (3.8) temos


E[Kn (v)] K(v)
quando n .
"

1X b
I{Hi v}
V ar[Kn (v)] = V ar
n

i=1

b 1 v}]/n + (n 1)Cov(I{H
b 1 v}, I{H
b 2 v})/n
= V ar[I{H
b 1 v} e I{H
b 2 v} v.a. de Bernoulli identicamente distribudas com parmetro p(v) =
sendo I{H
b 1 v), logo a varincia de Kn (v) pode ser escrita como
P (H
b 1 v, H
b 2 v) p(v)2 ]/n
p(v){1 p(v)}/n + (n 1)[P (H

(3.10)

Usando o termo de ordem 1/n da transformada de Laplace-Stieljes bivariada [1] de


b 1 v1 , H
b 2 v2 ) P (H
b 1 v1 )P (H
b 2 v2 )
P (H

(3.11)

b 1 v, H
b 2 v) P (H
b 1 v)2 = k(v){k(v)R(v) 2vK(v)}/n + o(1/n)
P (H

(3.12)

mostra-se que

onde K(v) = 1 K(v), k(v) = K 0 (v) a densidade de H = C(X, Y ) e


R(v) = E[C{min(X1 , X2 ), min(Y1 , Y2 )} v 2 |C(X1 , Y1 ) = C(X2 , Y2 ) = v]
Para detalhes veja Genest & Rivest [19].

86
b 1 no limite dada por K(v)(equao 3.9) e substituindo a equao
Como a distribuio de H
(3.12) na equao (3.10), ento uma aproximao de ordem o(1/n) para a varincia de Kn (v)
dada por
[K(v)K(v) + k(v){k(v)R(v) 2vK(v)}]/n
E deste modo
lim V ar[Kn (v)] = 0

e completa-se a prova.
O corolrio a seguir de extrema importncia para a caracterstica assinttica do Kendall Plot
b (dnpe) e Wdnpe:n,K convergem ao p-quantil terico da verdadeira distribuio K e
mostrando que H
ao p-quantil terico sob hiptese nula de distribuio K0 respectivamente.
b1, . . . , H
b n } realizaes da BIPIT H, {H1 , . . . , Hn } amostra aleatria de
Corolrio 5.1. Sejam {H
H com f.d.a. K, Kn como na Definio 5.1 e 0 p 1, ento
p
b (dnpe) = Kn1 (p)
H
K 1 (p)

(3.13)


Wdnpe:n,K E H(dnpe) K 1 (p)

(3.14)

quando n .
Demonstrao. Demonstrao da equao (3.13):
b (dnpe) = K 1 (p), logo a convergncia segue do
De acordo com a Definio 5.1 pode-se considerar H
n
Teorema 5.1. Demonstrao da equao (3.14):

lim Wdnpe:n,K




lim E H(dnpe) = E lim H(dnpe)

n
1

= E[K

(p)] = K

(p)

Por |H(dnpe) | 1, n e a convergncia quase certa,


n

H(dnpe) K 1 (p)
demonstrada por Sen & Singer [35] (veja Apndice .2), a igualdade entre limite da esperana e
esperana do limite garantida pelo Teorema da Convergncia Dominada [22].

87
b (dnpe) K 1 (p) e Wdnpe:n,K
Exemplo 5.2. A Figura 5.1 ilustra a convergncia da BIPIT emprica H
n
E(H(dnpe) ) a K 1 (p), inversa da distribuio acumulada da BIPIT H. Usa-se no exemplo a BIPIT
H associada a cpula 4.2.12 (Tabela 3.1) que possibilita o clculo direto da inversa K 1 (p). Esta
cpula Arquimediana torna-se uma exceo frente que a distribuio das demais cpulas Arquimedianas no apresentam uma forma fechada para o clculo da inversa da distribuio.
O Corlrio 5.1 confirma o mencionado na seo 5.2.2, ou seja, que os elementos do Kendall
b (i) e Wi:n,K E(H 0 ), representam respectivamente o pi -quantil da distribuio K (desconPlot, H
0

(i)

hecida)e o pi -quantil da distribuio sob a hiptese nula K0 para n suficientemente grande. Logo, se
b (i) ) concentram-se sob a diagonal principal evidencia-se que a BIPIT H segue
os pontos (Wi:n,K0 , H
distribuio K0 , ou seja, a no rejeio da hiptese nula do Kendall Plot. Este fato verificado
formalmente atravs do corolrio abaixo.
b (i) ) do grfico Kendall Plot concentram-se ao longo da curva
Corolrio 5.2. Os pares (Wi:n,K0 , H
p 7 K 1 {K0 (p)}, p I.

(3.15)

Demonstrao. Reparametrizando p = K0 (w) temos w = K01 (p), w I, ento


(K01 (p), K 1 (p)) = (w, K 1 {K0 (w)})
logo os pontos do Kendall Plot se comportam como os pontos do grfico w 7 K 1 {K0 (w)}.
Exemplo 2.1 (continuao)
b (i) ), 1 i n, de acordo com a equao (3.15) concentra-se ao
O grfico dos pontos (Wi:n,K0 , H
longo da diagonal principal sob a hiptese nula, ou seja, quando K = K0 . A Figura 5.2 mostra o
Kendall Plot dos dados simulados no Exemplo 2.1 sob a hiptese nula de independncia, ou seja,
K0 (v) = K (v) (veja Exemplo 3.3), evidenciando independncia nos dados.
b (i) ), 1 i n, de acordo com a equao (3.15)
Exemplo 5.3. O grfico dos pontos (Wi:n,K0 , H
b (i) = 0, 1 i n - quando o vetor aleatrio (X, Y ) testado
concentra-se sob o eixo horizontal - H
est associado a cpula minimal W (veja Exemplo 2.5). Como KW (v) = 1, v I (Exemplo 3.5),
1
de acordo com a definio de quasi-inversa (Definio 2.6) temos KW
(p) = 0, p I. A Figura 5.3

apresenta o Kendall Plot para as observaes do vetor aleatrio (X, Y ) sendo Y = 1 X que de
acordo com demonstrao do Teorema 4.3, CX,Y = W .

0.6
0.4
0.0

0.2

K^{1}

0.8

1.0

88

0.0

0.2

0.4

0.6

0.8

1.0

0.6
0.4
0.0

0.2

K^{1}

0.8

1.0

K_n^{1}

0.0

0.2

0.4

0.6

0.8

1.0

W_{i:n,K}

b (dnpe) K 1 (p) proveniente de


Figura 5.1: Grficos da inversa da funo distribuio K 1 (p) vs. H
n
n = 100 pseudo-observaes da cpula 4.2.12 (primeira figura); e Wdnpe:n,K = E(H(dnpe) ), n = 100,
sob hiptese da mesma cpula (segunda figura).

89

Figura

5.2:

Kendall

Plot

sob

hiptese

nula

de

independncia

para

amostra

{(x1 , y1 ), . . . , (x100 , y100 )} sendo xi com distribuio exp(2) e yi com distribuio exp(10)
com {xi } gerados de forma independente de {yi }.

b (i) ), 1 i n, de acordo com a equao (3.15)


Exemplo 5.4. O grfico dos pontos (Wi:n,K0 , H
concentra-se sob a curva K0 (p) quando o vetor aleatrio (X, Y ) sendo testado est associado a
1
cpula maximal M (veja Exemplo 2.5), pois KM
(p) = p, p I (Exemplo 3.4). A Figura 5.4

apresenta o Kendall Plot para as observaes do vetor aleatrio (X, Y ) sendo Y = X que de acordo
com demonstrao do Teorema 4.3, CX,Y = M .
Teorema 5.2. Seja a BIPIT H associada a cpula C desconhecida. Se o grfico do Kendall Plot,
b (i) Wi:n,K , 1 i n para n suficientemente grande,
sob hiptese nula C = C0 , apresenta H
0

90

Figura 5.3: Kendall Plot sob hiptese nula de independncia de n = 100 pares de observaes do
vetor aleatrio (X, Y ) com Y = 1 X.

ento C C0 .
b (i) e Wi:n,K evidenciadas pelo Corolrio 5.1 e
Demonstrao. De acordo com as convergncias de H
pela relao entre v.a. BIPIT e tau de Kendall estabelecida na equao (1.8), para n suficientemente
grande temos
b (i) Wi:n,K , 1 i n C C
H
0
0

A recproca da equao (3.16) nem sempre vlida, veja Exemplo 4.4.

(3.16)

91

Figura 5.4: Kendall Plot sob hiptese nula de independncia, de n = 100 pares de observaes do
vetor aleatrio (X, Y ) com Y = X.

Exemplo 5.5. Simulamos trs amostras aleatrias de tamanho n = 150 da cpula de Clayton
com os respectivos parmetros = {0.5, 2, 5} e construmos os Kendall Plots sob hiptese nula
de Clayton = 2 (Figura 5.5). Conforme esperado o plot dos dados com = 2 encontra-se sob a
diagonal principal, e observa-se que os dados com = 0.5 e = 5 encontram-se respectivamente
abaixo e acima do plot para = 2, conforme esperado de acordo com a ordenao estocstica de
Kendall para a famlia de Clayton (veja Exemplo 4.5).

92

Figura 5.5: Kendall Plot sob hiptese nula de cpula de Clayton = 2 (Wi:n,K0 referente a Clayton
com = 2) de amostras aleatrias de tamanho n = 100 associadas a cpula de Clayton com os
respectivos parmetros = {0.5, 2, 5}.

93

94

Referncias Bibliogrficas
[1] Abramowitz, M., and Stegun, I. E. Handbook of Mathematical Functions. New York,
USA: Dover, 1972.
[2] Block, H. W., Savits, T. H., and Shahed, M. Some concepts of negative dependence.
The Annals of Probability, 10 (1982), 765772.
[3] Bouy, E., Durrleman, V., Bikeghbali, A., Riboulet, G., and T., R. Copulas for
finance a reading guide and some applications. Working paper, Goupe de Recherche Oprationnelle, Crdit Lyonnais (2000).
[4] Capera, P., Fougres, A. L., and Genest, C. A nonparametric estimation procedure
for bivariate extreme value copulas. Biometrika 84 (1997), 567577.
[5] Capera, P., Fougres, A. L., and Genest, C. Bivariate distributions with given
extreme value attractor. Journal of Multivariate Analysis 72 (2000), 3049.
[6] Casella, G., and Berger, R. L. Statistical Inference. Belmont, California, USA: Duxbury
Press, 1990.
[7] Cherubini, U., Luciano, E., and Vecchiato, W. Copula Methods in Finance. John Wiley
& Sons, 2004.
[8] Ebrahimi, N., and Ghosh, M. Multivariate negative dependence. Communications in
Statistics, 4 (1981), 307337.
95

96
[9] Embrechts, P., Lindskog, F., and McNeil, A. Modelling Dependence with Copulas and
Applications to Risk Management. Handbook of Heavy Tailed Distribution in Finance. Elsevier,
2003.
[10] Embrechts, P., McNeil, A., and Straumann, D. Correlation and dependence in risk
management: properties and pitfalls. Risk Management: Value at Risk and Beyond. Cambridge:
Cambridge University Press, 2002.
[11] Esary, J. D., Proschan, F., and Walkup, D. W. Association of random variables, with
applications. The Annals of Mathematical Statistics 44 (1967), 14661474.
[12] Frank, M. J. On the simultaneous associativity of f (x, y) and x + y f (x, y). Aequationes
Mathematicae 19 (1979), 194226.
[13] Frees, E., Carriere, J., and Valdez, E. Annuity valuation with dependent mortality.
Journal of Risk and Insurance 63 (1996), 229261.
[14] Frees, E., and Valdez, E. Understanding relationships using copulas. North American
Actuarial Journal 2, 1 (1998), 125.
[15] Frees, E., and Wang, P. Credibility using copulas. North American Actuarial Journal 9, 2
(2005), 3148.
[16] Genest, C., and Frave, A. C. Everything you always wanted to know about copula modeling but were afraid to ask. Journal of Hydrologic Engineering 12 (2007), 347368.
[17] Genest, C., and MacKay, J. Copules archimdiennes et familles de lois bidimensionnelles
dont les marges sont donnes. Canad. J. Statist. 14 (1986a), 145159.
[18] Genest, C., and MacKay, J. The joy of copulas: Bivariate distributions with uniform
marginals. Amer. Statist. 40 (1986b), 280285.
[19] Genest, C., and Rivest, L. P. Statistical inference procedures for bivariate archimedean
copulas. Journal of the American Statistical Association 88 (1993), 10341043.
[20] Ghoudi, K., Khoudraji, A., and Rivest, L. Proprits statistiques des copules de valeurs
extrmes bidimensionnelles. The Canadian Journal of Statistics 26 (1998), 187197.

97
[21] Gumbel, E. J. Distributions des valeurs extrmes en plusieurs dimensions. Publ. Inst. Statist.
Univ. Paris 9 (1960), 171173.
[22] James, B. R. Probabilidade: um Curso em Nvel Intermedirio, 2a ed. Projeto Euclides. Rio
de Janeiro, Brasil: IMPA, 2002.
[23] Joag-Dev, K., and Proschan, F. Negative association of random variables with applications. The Annals of Statistics 11 (1983), 286295.
[24] Joe, H. Parametric family of multivariate distributions with given margins. Journal of Multivariate Analysis 46 (1993), 262282.
[25] Joe, H. Multivariate Models and Dependence Concepts. Chapman & Hall, 1997.
[26] Karlin, S. Total Positivity, vol. I. California, USA: Stanford University Press, 1968.
[27] Karlin, S., and Rinnot, Y. Classes of orderings of measures and related correlation inequalities, i. multivariate totally positive distributions. Journal of Multivariate Analysis 10
(1980), 467498.
[28] Karlin, S., and Rinnot, Y. Classes of orderings of measures and related correlation inequalities, ii. multivariate reverse rule distributions. Journal of Multivariate Analysis 10 (1980),
499516.
[29] Kimeldorf, G., and Sampson, A. R. Uniform representations of bivariate distributions.
Comm. statist. 4 (1975), 617627.
[30] Lehmann, E. L. Some concepts of dependence. The Annals of Mathematical Statistics 37
(1966), 11371153.
[31] Nelsen, R. An Introduction to Copulas. Lecture Notes in Statistics 139. New York, USA:
Springer-Verlag, 1999.
[32] Nelsen, R., Quesada-Molina, J., Rodrigues-Lallena, J., and Ubeda-Flores, M.
Kendall distribution functions. Statistics & Probability Letters 65 (2003), 263268.

98
berhuber, C., and Kahaner, D. Quadpack: a
[33] Piessens, R., Doncker-Kapenga, E., U
subroutine package for automatic integration. New York, USA: Springer-Verlag, 1983.
[34] Schweizer, B., and Sklar, A. Probabilistic Metric Spaces. New York, USA: North-Holland,
1983.
[35] Sen, P. K., and Singer, J. M. Large Sample Methods in Statistics: an introduction with
applications. New York, USA: Chapman and Hall, 1993.
[36] Sklar, A. Fonctions de rpartition n dimensions et leurs marges. Publ. Inst. Statist. Univ.
Paris 8 (1959), 229231.
[37] Wang, W., and Wells, M. T. Model selection and semiparametric inference for bivariate
failure-time data. J. Amer. Statist. Assoc. 95 (2000), 6272.