Uma regra geral sobre documentos técnicos - especialmente os encontrados na Web - é que a confiabilidade de qualquer definição estatística ou matemática oferecida neles varia inversamente com o número de assuntos não estatísticos não relacionados mencionados no título do artigo. O título da página na primeira referência oferecida (em um comentário à pergunta) é "Das finanças à cosmologia: a cópula da estrutura em larga escala". Com "finanças" e "cosmologia" aparecendo com destaque, podemos ter certeza de que essa não é uma boa fonte de informações sobre cópulas!
Em vez disso, passemos a um livro-texto padrão e muito acessível, Uma introdução às cópulas ( Roger Edition, Second Edition, 2006), para as principais definições.
... toda cópula é uma função de distribuição conjunta com margens uniformes no [intervalo da unidade fechada .[0,1]]
[Na p. 23, embaixo.]
Para obter algumas dicas sobre cópulas, consulte o primeiro teorema do livro, o Teorema de Sklar :
Deixe- ser uma função de distribuição em conjunto com margens F e G . Existe uma cópula C tal que para todos x , y em [números reais estendidos], H ( x , y ) = C ( F ( x ) , G ( y ) ) .HFGCx,y
H(x,y)=C(F(x),G(y)).
[Apresentado nas páginas 18 e 21.]
Embora Nelsen não o chame como tal, ele define a cópula gaussiana em um exemplo:
... se denota a função de distribuição normal padrão (univariada) e N ρ denota a função de distribuição normal bivariada padrão (com o coeficiente de correlação produto-momento de Pearson ρ ), então ... C ( u , v ) = 1ΦNρρ
C(u,v)=12π1−ρ2−−−−−√∫Φ−1(u)−∞∫Φ−1(v)−∞exp[−(s2−2ρst+t2)2(1−ρ2)]dsdt
[na p. 23, equação 2.3.6]. A partir da notação, é imediato que este seja de fato a distribuição conjunta de ( u , v ) quando ( Φ - 1 ( u ) , Φ - 1 ( v ) ) é bivariada Normal. Podemos agora virar-se e construir uma nova distribuição bivariável ter quaisquer distribuições marginais (contínua) desejados F e G para as quais esta C é a cópula, meramente por substituição destas ocorrências de Φ por F eC(u,v)(Φ−1(u),Φ−1(v))FGCΦF : tomeeste C particularna caracterização das cópulas acima.GC
Portanto, sim, isso se parece muito com as fórmulas para uma distribuição normal bivariada, porque é normal bivariada para as variáveis transformadas . Como essas transformações não são lineares sempre que F e G ainda não são CDFs normais (univariados), a distribuição resultante não é (nesses casos) normal bivariada.(Φ−1(F(x)),Φ−1(G(y)))FG
Exemplo
F(4,2)XG(2)YHFGxy
0≤x≤10≤y
A falta de simetria a torna obviamente fora do normal (e sem margens normais), mas, no entanto, possui uma cópula gaussiana por construção. FWIW tem uma fórmula e é feia, obviamente também não é bivariada Normal:
13–√2(20(1−x)x3)(e−yy)exp(w(x,y))
w(x,y)
erfc−1⎛⎝2(Q(2,0,y))2−23(2–√erfc−1(2(Q(2,0,y)))−erfc−1(2(Ix(4,2)))2–√)2⎞⎠.
QIx