Função de Acoplamento T-Student Assimétrica, Modelagem de Dependência Assimétrica

UNIVERSIDADE ESTADUAL DE CAMPINAS
INSTITUTO DE MATEMTICA, ESTATSTICA E COMPUTAO CIENTFICA

DEPARTAMENTO DE ESTATSTICA
Funo de acoplamento t-Student assimtrica:

modelagem de dependncia assimtrica
Erick Andrade Busato

Orientador: Prof. Dr. Luiz Koodi Hotta
Dissertao
apresentada
junto
ao
Departamento de Estatstica do Instituto de
Matemtica, Estatstica e Computao
Cientfica da Universidade Estadual de
Campinas, para a obteno do Ttulo de
Mestre em Estatstica.
Campinas - SP
2008
ii
Ttulo em ingls: Skewed t-Student copula function: skewed dependence modelling

Palavras-chave em ingls (Keywords): 1. Copula. 2. Risk (Economics) Mathematical
models. 3. Distribution (Probability). 4. Multivariate analysis.
rea de concentrao: Teoria de Copulas
Titulao: Mestre em Estatstica
Banca examinadora:
Prof. Dr. Luiz Koodi Hotta (IMECC UNICAMP)
Prof. Dr. Pedro Luiz Valls Pereira (EESP FGV)
Prof. Dr. Mauricio Enrique Zevallos Herencia (IMECC UNICAMP)
Data da defesa: 03/12/2008
Programa de ps-graduao: Mestrado em Estatstica
iii
iv
Agradecimentos
Agradeo aos meus pais Srgio Busato e Vera Mazzoni, e aos meus irmos
Jonathan Busato e Caetano Ranieri pelos incentivos continuidade dos estudos, aos amigos
Henrique Leme Felizatti e Daniel Koji Ito, que contriburam diretamente para o
desenvolvimento desta dissertao.
Aos familiares e amigos: Gabriel, Cludia, Maria Luiza, Fernando, Tatiana,
Marques, Rita, Marcus, Rodolfo, Paulo, Clia, Patrick, Marcos, Carlos e Sara, dentre
outros, que me auxiliaram de muitas formas e me deram apoio e suporte. CAPES pelo
auxlio financeiro nos primeiros meses de mestrado.
Especialmente ao estimado orientador Prof. Dr. Luiz Koodi Hotta por todo o auxlio
e empenho dedicados a este trabalho.
vi
vii
Resumo
A famlia de distribuies t-Student Assimtrica, construda a partir da mistura em

mdia e varincia da distribuio normal multivariada com a distribuio Inversa Gama
possui propriedades desejveis de flexibilidade para as mais diversas formas de assimetria.
Essas propriedades so exploradas na construo de funes de acoplamento que possuem
dependncia assimtrica. Neste trabalho so estudadas as caractersticas e propriedades da
distribuio t-Student Assimtrica e a construo da respectiva funo de acoplamento,
fazendo-se uma apresentao de diferentes estruturas de dependncia que pode originar,
incluindo assimetrias da dependncia nas caudas. So apresentados mtodos de estimao
de parmetros das funes de acoplamento, com aplicaes at a terceira dimenso da
cpula. Essa funo de acoplamento utilizada para compor um modelo ARMA-GARCHCpula com marginais de distribuio t-Student Assimtrica, que ser ajustado para os logretornos de preos do Petrleo e da Gasolina, e log-retornos do ndice de leo AMEX,
buscando o melhor ajuste, principalmente, para a dependncia nas caudas das distribuies
de preos. Esse modelo ser comparado, atravs de medidas de Valor em Risco e AIC,
alm de outras medidas de bondade de ajuste, com o modelo de Funo de Acoplamento tStudent Simtrico.
Palavras-Chave: Funo de Acoplamento, Assimetria da Dependncia, t-Student

Assimtrica, Petrleo, Valor em Risco.
viii
ix
Abstract
The Skewed t-Student distribution family, constructed upon the multivariate normal
mixture distribution, known as mean-variance mixture, composed with the Inverse-Gamma
distribution, has many desirable flexibility properties for many distribution asymmetry
structures. These properties are explored by constructing copula functions with asymmetric
dependence. In this work the properties and characteristics of the Skewed t-Student
distribution and the construction of a respective copula function are studied, presenting
different dependence structures that the copula function generates, including tail
dependence asymmetry. Parameter estimation methods are presented for the copula, with
applications up to the 3rd dimension. This copula function is used to compose an ARMAGARCH-Copula model with Skewed t-Student marginal distribution that is adjusted to logreturns of Petroleum and Gasoline prices and log-returns of the AMEX Oil Index,
emphasizing the returns tail distribution. The model will be compared, by the means of the
VaR (Value at Risk) and Akaikes Information Criterion, along with other Goodness-of-fit
measures, with models based on the Symmetric t-Student Copula.
Keywords: Copula Function, Skewed Dependence, Skewed t-Student, Petroleum, Value at

Risk.
Sumrio
1. Introduo ......................................................................................................................... 1
2. Metodologia....................................................................................................................... 7
3. Modelagem ...................................................................................................................... 11
3.1. Distribuies Assimtricas ........................................................................................ 12
3.1.1 Distribuio Normal Assimtrica Univariada ..................................................... 13
3.1.2. Distribuio t-Student Assimtrica..................................................................... 16
3.2. Funo de Acoplamento ............................................................................................ 26
3.2.1. Dependncia ....................................................................................................... 27
3.2.2. Dependncia nas Caudas .................................................................................... 31
3.2.3. Simulao da Funo de Acoplamento .............................................................. 39
3.3. Estimao da Funo de Acoplamento...................................................................... 41
3.3.1. Comentrios sobre Algoritmos........................................................................... 44
3.3.2. Valores Iniciais ................................................................................................... 45
3.3.3. Estimao da Distribuio t-Student Assimtrica Univariada ........................... 47
3.3.4. Estimao da Distribuio t-Student Assimtrica de 2 e 3 Dimenses.............. 52
3.3.5. Estimao de Parmetros do Acoplamento Bivariado ....................................... 54
3.3.6. Estimao de Parmetros da Funo de Acoplamento 3-variada....................... 61
3.3.7. Preciso do Algoritmo ........................................................................................ 64
4. Aplicao Petrleo e Derivados .................................................................................. 67
4.1. Caractersticas das Sries .......................................................................................... 69
4.1.1. leo Cru WTI..................................................................................................... 69
4.1.2. Gasolina Convencional....................................................................................... 76
4.1.3. ndice de leo AMEX........................................................................................ 79
4.2. Caractersticas Empricas .......................................................................................... 82
4.2.1. Caractersticas Empricas Marginais .................................................................. 82
4.2.2. Perfil Emprico de Dependncia......................................................................... 84
4.3. Modelagem das Sries Filtradas ................................................................................ 88
4.3.1. Ajustes de Distribuies Marginais.................................................................... 89
4.3.2. Ajustes de Funes de Acoplamento.................................................................. 94
4.3.3. Comparao dependncia nas Caudas................................................................ 99
4.3.4. Ganhos em Relao Funo de Acoplamento t-Student Simtrica ............... 100
5. Concluses ..................................................................................................................... 101
xii
Sumrio
Apndices........................................................................................................................... 103
A Funes de Acoplamento........................................................................................... 105
A.1. Distribuies Multivariadas.................................................................................... 107
A.2. Definio das Funes de Acoplamento................................................................. 108
A.2.1. Propriedades .................................................................................................... 109
B - Dependncia ................................................................................................................ 113
B.1. Propriedades da Dependncia ................................................................................. 114
B.1.1. Dependncia em Quadrante Positiva ............................................................... 114
B.1.2. Dependncia de Crescimento Estocstico ....................................................... 115
B.1.3. Dependncia crescente na cauda direita e decrescente na cauda esquerda...... 116
B.1.4. Associao entre Variveis Aleatrias............................................................. 116
B.1.5. Positividade Total de segunda ordem .............................................................. 117
B.1.6. Relaes entre os Conceitos de Dependncia.................................................. 117
B.2. Estruturas de Dependncia...................................................................................... 119
B.2.1. Dependncia Perfeita Positiva e Negativa ....................................................... 119
B.2.2.Dependncia Simtrica ..................................................................................... 122
B.2.3. Dependncia Assimtrica ................................................................................ 123
B.3. Medidas de Dependncia e Concordncia .............................................................. 124
B.3.1. Medidas de Dependncia ................................................................................. 125
B.3.2. Medidas de Concordncia................................................................................ 126
B.3.3. O Tau de Kendall ............................................................................................. 127
B.3.4. O Rho de Spearman ......................................................................................... 127
B.3.5. Dependncia nas Caudas.................................................................................. 128
C Modelos ARMA-GARCH ......................................................................................... 131
C.1. Modelo GARCH(p,q) ............................................................................................. 132
C.2. Correlogramas das Sries Energticas .................................................................... 133
C.2.1. Gasolina Convencional .................................................................................... 133
C.2.2. ndice de leo AMEX ..................................................................................... 135
D Bondade de Ajuste ..................................................................................................... 137
D.1. Teste baseado na Cpula Emprica......................................................................... 137
D.2. Teste baseado na Transformada de Kendall ........................................................... 138
D.3. Estatstica Baseada no Valor em Risco .................................................................. 138
Referncias ........................................................................................................................ 141
Lista de Tabelas
Tabela 3. 1. Mdia e disperso dos parmetros estimados pelo mtodo de momentos e pelo mtodo de
mxima verossimilhana para mil simulaes distintas de 1000 valores da distribuio t-Student Assimtrica
de parmetros v=5.76 e = .68......................................................................................................................... 48
Tabela 3. 2. Parmetros estimados, desvio padro, erro quadrtico mdio das estimativas por mxima
verossimilhana dos parmetros da distribuio t-Student Assimtrica univariada, com 5.76 graus de
liberdade, e parmetro de assimetria no valor de 0.68, posio em 0.75 e escala em 1.75 para 1000 simulaes
de 500, 1000, 3000 e 10000 observaes. ........................................................................................................ 49
Tabela 3. 3. Desvio padro mdio estimado atravs do hessiano das estimaes de parmetros de 1000
simulaes de 500, 1000, 3000 e 10000 observaes da distribuio t-Student Assimtrica univariada, com
5.76 graus de liberdade, e parmetro de assimetria no valor de 0.68, posio em 0.75 e escala em 1.75. ....... 51
Tabela 3. 4. Percentual em que o intervalo de confiana de nveis 90%, 95%, 97.5% e 99% abrangeu o
verdadeiro parmetro nas estimativas realizadas em 1000 simulaes de 500, 1000, 3000 e 10000 observaes
da distribuio t-Student Assimtrica univariada, com 5.76 graus de liberdade, e parmetro de assimetria no
valor de 0.68, posio em 0.75 e escala em 1.75.............................................................................................. 51
Tabela 3. 5. Parmetros estimados pelo mtodo de momentos e pelo mtodo de mxima verossimilhana para
1000 simulaes distintas de 3000 valores da distribuio t-Student Assimtrica bivariada de parmetros
v = 8.35 , = 0.77 e assimetria ( 1 , 2 ) = (0.67 , -0.32). ........................................................................ 53
Tabela 3. 6. Parmetros estimados pelo mtodo de mxima verossimilhana para 1000 simulaes distintas
de 3000 valores da distribuio t-Student Assimtrica 3-variada de parmetros v = 6.23 , 1, 2 = 0.71 ,
1,3 = 0.33 , 2,3 = 0.23
e assimetria
( 1 , 2 , 3 ) = (0.78 , -0.67 , -0.43)................................................ 53
1,3 = 0.33 , 2,3 = 0.23
e assimetria
( 1 , 2 , 3 ) = (0.78 , -0.67 , -0.43). Estimao para marginais
bidimensionais.................................................................................................................................................. 54
Tabela 3. 8. Parmetros estimados por mxima verossimilhana de 200 simulaes distintas de 3000 valores
da funo de acoplamento t-Student Assimtrica bivariada de parmetros v = 6.85 , = 0.81 e
( 1 , 2 ) = (-0.78 , - 0.67) . ........................................................................................................................... 55

Tabela 3. 9. Parmetros estimados pelo mtodo IFM para 100 simulaes distintas de 3000 valores da funo
de acoplamento t-Student Assimtrica bivariada de parmetros v = 7.21 , = 0.65 e
( 1 , 2 ) = (-0.48 , - 0.72) com marginal 1: Normal-Assimtrica com parmetros = 0.43 , = 0.81 e

= 2.21 , e marginal 2: t-Student Assimtrica com parmetros v = 5.35 , = 0.86 ............................... 56
Lista de Tabelas
xiv
Tabela 3. 10. Parmetros estimados pelo mtodo de mxima verossimilhana cannica para 100 simulaes
distintas de 3000 valores da funo de acoplamento t-Student Assimtrica bivariada de parmetros v = 7.21 ,
= 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) com marginal 1: Normal-Assimtrica com parmetros = 0.43 ,
= 0.81 e = 2.21 , e marginal 2: t-Student Assimtrica com parmetros v = 5.35 , = 0.86 .......... 56
simulaes de 3000 observaes da distribuio t-Student Assimtrica bivariada de parmetros v = 7.21 ,
= 0.65
( 1 , 2 ) = (-0.48 , - 0.72) ....................................................................................................... 57
Tabela 3. 12. Diferenciais utilizados no clculo numrico da matriz hessiana para cada parmetro da funo
de acoplamento t-Student Assimtrica ............................................................................................................. 59
simulaes de 3000 observaes da distribuio t-Student Assimtrica bivariada de parmetros v = 7.21,
= 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) ................................................................................................................... 60
verdadeiro parmetro nas estimativas realizadas em 100 simulaes de 3000 observaes da funo de
acoplamento t-Student Assimtrica com v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) .................... 60
Tabela 3. 15. Parmetros estimados por mxima verossimilhana de 100 simulaes de 3000 valores da
funo de acoplamento t-Student Assimtrica 3-variada de parmetros v = 6.79 , 1, 2 = 0.588 ,
1,3 = .705 , 2,3 = 0.074
( 1 , 2 , 3 ) = (-0.54 , 0.82 , - 0.05) . .................................................... 61
Tabela 3. 16. Parmetros estimados pelo mtodo IFM para 100 simulaes distintas de 3000 valores da
funo de acoplamento t-Student Assimtrica 3-variada com parmetros v = 6.79 , 1, 2 = 0.588 ,
1,3 = .705 , 2,3 = 0.074
( 1 , 2 , 3 ) = (-0.54 , 0.82 , - 0.05) , sendo a primeira marginal
Uniforme(0,1) transformada na distribuio Normal-Assimtrica com parmetros
= 3.35 .
= 0.78
= 0.54 , = 0.72
A 2 e 3 marginais na distribuio t-Student Assimtrica com parmetros v = 6.78 ,

e v = 16.78 , = 0.078 , respectivamente. ............................................................................. 62
distintas de 3000 valores da funo de acoplamento t-Student Assimtrica 3-variada com parmetros
v = 6.79 , 1, 2 = 0.588 , 1,3 = .705 , 2,3 = 0.074 e ( 1 , 2 , 3 ) = (-0.54 , 0.82 , - 0.05) , ....... 63
simulaes de 3000 observaes da distribuio t-Student Assimtrica 3-variada de parmetros v = 7.21,
= 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) ................................................................................................................... 63
de acoplamento t-Student Assimtrica ............................................................................................................. 63
= 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) ................................................................................................................... 64
Lista de Tabelas
xv
acoplamento t-Student Assimtrica com v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) .................... 64
Tabela 3. 22. Velocidade at a obteno de estimativas de parmetros para 1 simulao da funo de
acoplamento t-Student Assimtrica bivariada com v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) , com
preciso de valores 0.01, 0.005, 0.004, 0.003, 0.002, 0.001, 0.0007, 0.0005, 0.0002 e 0.0001........................ 65
Tabela 3. 23. Desvios padro calculados pelo hessiano para preciso 0.01 e 0.001 de 1 simulao da funo
de acoplamento t-Student Assimtrica bivariada com v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) 66
Tabela 4.1. Parmetros ajustados dos modelos ARMA(2,0)-GARCH(1,1), (Perodo 1) e ARMA(1,0)GARCH(1,1) (Perodo 2) para o log-retornos do leo Cru WTI. .................................................................... 76
Tabela 4. 2. Parmetros ajustados dos modelos ARMA(1,0)-GARCH(1,1), (Perodo 1) e ARMA(0,0)GARCH(1,1) (Perodo 2) para o log-retornos da Gasolina Convencional. ...................................................... 78
Tabela 4. 3. Parmetros ajustados dos modelos ARMA(2,0)-GARCH(1,1), (Perodo 1) e ARMA(0,0)GARCH(1,1) (Perodo 2) para o log-retornos do ndice de leo AMEX. ....................................................... 81
Tabela 4. 4. Estatsticas de Assimetria e Curtose (3 e 4 Momentos Centrais) das sries filtradas dos logretornos dos preos do Petrleo WTI, Gasolina Convencional e valores do ndice de leo AMEX,
comparativamente Distribuio Normal. ....................................................................................................... 84
Tabela 4. 5. Medidas amostrais de dependncia e concordncia: Correlao Linear, Tau de Kendall, Rho
de Spearman, e Dependncia nas Caudas Inferior e Superior calculada utilizando cpula emprica, para os
pares de ativos energticos nos perodos Pr e Ps Choques 2002. ................................................................. 88
Tabela 4. 6. Parmetros das distribuies Normal e t-Student Assimtricas ajustados para as sries filtradas
de preos........................................................................................................................................................... 93
Tabela 4. 7. AIC (Akaikes Information Criterion) para o ajuste das distribuies marginais Normal
Assimtrica e t-Student Assimtrica s sries filtradas de preos de Petrleo Bruto WTI, ndice de leo
AMEX e Gasolina Convencional. .................................................................................................................... 93
Tabela 4. 8. Ajustes das funes de acoplamento t-Student Assimtricas bivariadas para os pares leo Cru
WTI e Gasolina Convencional, leo Cru WTI e ndice leo AMEX, e Gasolina Convencional e ndice leo
AMEX nos perodos Pr e Ps choques 2002. Acompanham respectivos desvios padro. ............................. 94
Tabela 4. 9. Ajustes das funes de acoplamento t-Student Simtrica bivariadas para os pares leo Cru WTI
e Gasolina Convencional, leo Cru WTI e ndice leo AMEX, e Gasolina Convencional e ndice leo
AMEX nos perodos Pr e Ps choques 2002. Acompanham respectivos desvios padro. ............................. 95
Tabela 4. 10. Ajustes das funes de acoplamento t-Student Assimtricas 3-variada para as sries filtradas de
leo Cru WTI, Gasolina Convencional e ndice leo AMEX nos perodos Pr e Ps choques 2002.
Acompanham respectivos desvios padro. ....................................................................................................... 96
Tabela 4. 11. Ajustes das funes de acoplamento t-Student Simtrica 3-variada para as sries filtradas de
Acompanham respectivos desvios padro. ....................................................................................................... 96
xvi
Lista de Tabelas
Tabela 4. 12. P-Valores dos testes de bondade de ajuste baseados na Cpula Emprica e na Transformada
Kendall das funes de acoplamento t-Student Assimtrica e t-Student Simtrica nos perodos pr e ps
choques de 2002. .............................................................................................................................................. 97
Tabela 4. 13. Estatsticas do VaR (Valor em Risco) para simulaes em passos de 50 dias (janela de 1000
observaes) dos modelo ARMA-GARCH-Cpula t-Student Assimtrica e ARMA-GARCH-Cpula tStudent Simtrica para o perodo 1. Nmero de observaes para clculo do VaR de 2841. ....................... 98
Tabela 4. 14. VaR (Valor em Risco) para simulaes em passos de 50 dias (janela de 1000 observaes) dos
modelo ARMA-GARCH-Cpula t-Student Assimtrica e ARMA-GARCH-Cpula t-Student Simtrica para o
perodo 1. Nmero de observaes para clculo do VaR de 556................................................................... 99
Tabela 4. 15. Dependncia nas caudas Inferior e Superior das funes de acoplamento emprica, t-Student
Assimtrica e t-Student Simtrica ajustadas................................................................................................... 100
Lista de Figuras
Figura 3. 1. Densidade da Distribuio Normal Assimtrica, para = 0 (linha preta), = 1 (linha verde),
= 2 (linha azul) e = 8 (linha vermelha)................................................................................................ 14
Figura 3. 2. Grfico de Assimetrias e Curtoses da distribuio Normal Assimtrica para parmetros de
assimetria entre -20 e 20. ............................................................................................................................. 15
Figura 3. 3. Densidade de probabilidade da distribuio t-Student Assimtrica padronizada com 5 graus de
liberdade e parmetros de assimetria = 0 (linha preta) , = 0.8 (linha vermelha) , = 2 (linha azul) e
=5
(linha verde). ........................................................................................................................................ 19
Figura 3. 4. Grfico de Assimetrias e Curtoses da distribuio t-Student Assimtrica para parmetros de

assimetria entre -20 e 20, calculadas para 8.5 graus de liberdade. .............................................................. 20
Figura 3. 5. Contornos da Distribuio t-Student Assimtrica Funo Densidade e Funo Acumulada com
parmetros v = 6 , = 0.7 e assimetria ( 1 , 2 ) = (0.8 , 0.8).................................................................... 25
parmetros v = 6 , = 0.7 e assimetria ( 1 , 2 ) = (-0.8 , 0.8)................................................................... 26
= 7,
( 1 , 2 ) = (0.8 , 0.8). ................................................................................................................... 28
Figura 3. 7. Funes densidade e distribuio da cpula t-Student Assimtrica com parmetros v
= 0 .8
= 0 .8
= 7,
( 1 , 2 ) = (-0.8 , 0.8). .................................................................................................................. 29
Figura 3. 9. Funes densidade e distribuio da cpula t-Student Assimtrica com parmetros v = 120 ,
= 0.8 e ( 1 , 2 ) = (2 , 2). ......................................................................................................................... 29
= 7,
= 0.8 e ( 1 , 2 ) = (2 , 2)........................................................................................................................ 30
Figura 3. 11. Dependncia na cauda inferior estimada atravs de simulao para funo de acoplamento tStudent Assimtrica com v = 5 , = 0.7 , e parmetros de assimetria ( 1 , 2 ) nos eixos. A cor distingue
dependncias nas caudas baixa ou nula (azul) at alta (acima de 0.8, em vermelho)....................................... 35
Figura 3. 12. Variao da dependncia nas caudas inferior e superior por variaes na correlao (seta preta),
e parmetros de assimetria (setas vermelhas) variando entre -1 e 1 em passos de 0.1 com 1 = 2 e v = 5 .36
Lista de Figuras
xviii
Figura 3. 13. Variao da dependncia nas caudas inferior e superior por variaes na correlao (seta preta),
e parmetros de assimetria (setas vermelhas) 1 entre -1 e 0.8 em passos de .1, com 2 = 1 + 0.2 e v = 5 36
Figura 3. 14. Variao da dependncia nas caudas inferior e superior atravs de variaes no grau de
liberdade, com
= 0.7 e 1 = 2 = 0.4 . ................................................................................................ 37
Figura 3. 15. Dependncia na cauda inferior estimada atravs de simulao para funo de acoplamento tStudent Assimtrica com v = 5 , = 0,7 , e parmetros de assimetria ( 1 , 2 ) nos eixos. A cor distingue
dependncias nas caudas baixa ou nula (azul) at alta (acima de 0,6, em vermelho)....................................... 38
= 7,
( 1 , 2 ) = (0.8 , 0.8) e v = 7 , = 0.8 e ( 1 , 2 ) = (-0.8 , 0.8) .......................................... 41
Figura 3. 16. Pontos simulados da Funo de Acoplamento t-Student Assimtrica com parmetros v
= 0 .8
Figura 3. 17. Parmetros de correlao verdadeiros de 170 simulaes da funo de acoplamento t-Student
Assimtrica 3-variada contra parmetros estimados pela cpula bivariada...................................................... 47
Figura 3. 18. Graus de liberdade estimados em 1000 simulaes de 3000 observaes da distribuio tStudent Assimtrica com 5.76 graus de liberdade (linha azul), parmetro de assimetria no valor de 0.68,
posio em 0.75 e escala em 1.75. A linha vermelha a mdia das estimativas.............................................. 50
Figura 3. 19. Histograma dos graus de liberdade estimados em 1000 simulaes de 3000 e 10000
observaes da distribuio t-Student Assimtrica com 5.76 graus de liberdade (linha azul), parmetro de
assimetria no valor de 0.68, posio em 0.75 e escala em 1.75. A linha vermelha a mdia das estimativas. 50
Figura 3. 20. Disperso de pontos simulados e contornos da Distribuio t-Student Assimtrica com
parmetros v = 8.35 , = 0.77 e assimetria ( 1 , 2 ) = (0.67 , -0.32)....................................................... 52
Figura 3. 21. Funo de verossimilhana calculadas em uma simulao da funo de acoplamento com
v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) . Com variao de a) graus de liberdade em passos de .001 e b)
graus de liberdade em passos de .01................................................................................................................. 58
v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) . Com variao de a) Parmetro de Assimetria 1 (-0.48) em passos
de .001 e b) Parmetro de Assimetria 1 (-0.48) em passos de .01 .................................................................... 58
graus de liberdade em passos de .001............................................................................................................... 59
Figura 4. 1. Preos de curto prazo do Petrleo WTI, cotao NYMEX a) em Dlares por Barril, b)
log(preos) em Dlares por Barril, c) log-retornos de preos .......................................................................... 70
Figura 4. 2. Autocorrelao da srie de log-retornos do leo Cru WTI (NYMEX) perodos pr e ps choques
de 2002. ............................................................................................................................................................ 72
Figura 4. 3. Autocorrelao dos resduos do ajuste dos modelos ARMA para o leo Cru WTI (NYMEX)
perodos pr e ps choques de 2002. ................................................................................................................ 73
Figura 4. 4. Resduos quadrticos do modelo ARMA (2,0) (Perodo 1) e ARMA (1,0) (Perodo 2), utilizado
nos log-retornos do leo Cru WTI................................................................................................................... 73
Lista de Figuras
xix
Figura 4. 5. Autocorrelao dos resduos quadrticos do modelo ARMA (2,0) (Perodo 1) e ARMA(1,0)
(Perodo 2), utilizado nos log- retornos do leo Cru WTI ............................................................................... 74
Figura 4. 6. Autocorrelao dos resduos quadrticos do modelo ARMA (2,0)-GARCH(1,1) (Perodo 1) e
ARMA(1,0)-GARCH(1,1) (Perodo 2), utilizado nos log- retornos do leo Cru WTI.................................... 75
Figura 4. 7. Log-Retornos do leo Cru WTI filtrados por modelo ARMA(2,0)-GARCH(1,1), (Perodo 1) e
ARMA(1,0)-GARCH(1,1) (Perodo 2). ........................................................................................................... 75
Figura 4. 8. P-valores dos Testes de Multiplicadores de Lagrange (ARCH LM) e de Autocorrelao (BoxLjung) para o nvel das sries filtradas de log-retornos de preos do Petrleo WTI. ....................................... 75
Figura 4. 9. Gasolina Convencional com entrega no porto de Nova York a) preos em centavos de dlar, b)
log(preos) em centavos de dlar, c) log-retornos de preos............................................................................ 77
Figura 4. 10. P-valores dos Testes de Multiplicadores de Lagrange (ARCH LM) e de Autocorrelao (BoxLjung) para o nvel das sries filtradas de log-retornos de preos da Gasolina Convencional. ........................ 79
Figura 4. 11. ndice de leo AMEX a) valores dirios, b) log(valores), c) log-retornos. ................................ 80
Figura 4. 12. P-valores dos Testes de Multiplicadores de Lagrange (ARCH LM) e de Autocorrelao (BoxLjung) para o nvel das sries filtradas de log-retornos de preos da Gasolina Convencional. ........................ 81
Figura 4. 13. Graficos de comparao de quants da srie filtrada dos log-retornos dos preos do Petrleo
WTI nos perodos pr e ps choques 2002, e a distribuio Normal (linha vermelha) .................................... 82
Figura 4. 14. Graficos de comparao de quants da srie filtrada dos log-retornos dos preos da Gasolina
Convencional nos perodos pr e ps choques 2002, e a distribuio Normal (linha vermelha)...................... 83
Figura 4. 15. Graficos de comparao de quants da srie filtrada dos log-retornos dos preos do ndice de
leo AMEX nos perodos pr e ps choques 2002, e a distribuio Normal (linha vermelha) ....................... 83
Figura 4. 16. Disperso entre as sries filtradas de log-retornos dos preos do Petrleo WTI e da Gasolina
Convencional, perodos pr e ps choques 2002.............................................................................................. 85
Figura 4. 17. Disperso entre as sries filtradas de log-retornos dos preos do Petrleo WTI e ndice de leo
AMEX, Perodos Pr e Ps Choques de 2002.................................................................................................. 86
Figura 4. 18. Disperso entre as sries filtradas de log-retornos dos preos da Gasolina Convencional e ndice
de leo AMEX, Perodos Pr e Ps Choques de 2002. ................................................................................... 87
Figura 4. 19. Grficos comparativos de probabilidades para os ajustes das distribuies Normal Assimtrica e
t-Student Assimtrica srie filtrada de preos de Petrleo WTI Pr Choques Geopolticos de 2002. ........... 90
t-Student Assimtrica srie filtrada de preos de Petrleo WTI Ps Choques Geopolticos de 2002. .......... 90
t-Student Assimtrica srie filtrada de valores do ndice de leo AMEX Pr Choques Geopolticos de 2002.
.......................................................................................................................................................................... 91
t-Student Assimtrica srie filtrada de valores do ndice de leo AMEX Ps Choques Geopolticos de 2002.
.......................................................................................................................................................................... 91
xx
Lista de Figuras
t-Student Assimtrica srie filtrada de preos de Gasolina Pr Choques Geopolticos de 2002.................... 92
t-Student Assimtrica srie filtrada de preos de Gasolina Ps Choques Geopolticos de 2002. .................. 92
Figura B. 1. Uma distribuio conjunta simtrica padronizada possui a mesma massa de probabilidade em
cada quadrante alternado. ............................................................................................................................... 122
Figura B. 2. Estruturas de dependncia assimtricas Gumbel, Clayton, Frank e t-Student Assimtrica
........................................................................................................................................................................ 124
Figura C. 1. Autocorrelao da srie de log-retornos da Gasolina Convencional perodos pr e ps choques
de 2002. .......................................................................................................................................................... 133
Figura C. 2. Autocorrelao dos resduos do ajuste dos modelos ARMA(1,0) perodo 1 e ARMA(0,0)
perodo 2 para a Gasolina Convencional. ....................................................................................................... 133
Figura C. 3. Autocorrelao dos resduos quadrticos do modelo ARMA (1,0) (Perodo 1) e ARMA(0,0)
(Perodo 2), utilizado nos log- retornos da Gasolina Convencional. .............................................................. 134
Figura C. 4. Autocorrelao dos resduos quadrticos do modelo ARMA (1,0)-GARCH(1,1) (Perodo 1) e
ARMA(0,0)-GARCH(1,1) (Perodo 2), utilizado nos log- retornos da Gasolina Convencional.................... 134
Figura C. 5. Autocorrelao da srie de log-retornos do ndice de leo AMEX para os perodos pr e ps
choques de 2002. ............................................................................................................................................ 135
perodo 2 para o ndice de leo AMEX......................................................................................................... 135
(Perodo 2), utilizado nos log- retornos do ndice de leo AMEX. ............................................................... 136
ARMA(0,0)-GARCH(1,1) (Perodo 2), utilizado nos log- retornos do ndice de leo AMEX..................... 136
Captulo 1
Introduo
O conhecimento da distribuio conjunta de probabilidade importante em vrios
tipos de aplicaes estatsticas, pois contm informaes sobre cada componente marginal,
alm da estrutura de dependncia entre as variveis.
Pode-se ter uma idia da estrutura atravs, por exemplo, da observao de medidas
de dependncia e grficos comparativos conjuntos e marginais, que do condies ao
analista de selecionar um modelo probabilstico completo que possa ajustar a maior parte
das caractersticas observadas no conjunto de observaes.
Na maioria das vezes, as distribuies marginais, quando bem selecionadas, podem
ser ajustadas de forma consistente. Entretanto, quando se procura uma distribuio conjunta
que modele adequadamente os eventos marginais, e tambm a estrutura de dependncia
entre eles, no se obtm, em geral, resultados adequados.
O conceito de funes de acoplamento (cpulas), proposto por Sklar (1959) mas
denominado e expandido por Joe (1997) e Nelsen (2006), faz a ligao entre distribuies
marginais, modelando a estrutura de dependncia entre as variveis, permitindo que
fenmenos ajustados por quaisquer distribuies marginais sejam conjuntamente
modelados pela estrutura de dependncia mais adequada.
Introduo
A facilidade de construo das funes de acoplamento (atravs da transformada

integral de probabilidade e do teorema de Sklar) permitiu o surgimento de diversas cpulas.
Cada uma delas destina-se modelagem de distintos perfis de dependncia (veja Joe, 1997,
Cap. 2), e cabe ao pesquisador estudar a dependncia entre os fenmenos para selecionar
uma funo de acoplamento que se ajuste adequadamente dependncia entre todos os
eventos (mesmo entre os eventos de menor probabilidade de ocorrncia).
Uma rea que vem fazendo uso cada vez maior das funes de acoplamento como
forma de modelar a dependncia entre fenmenos a rea de gesto de ativos,
principalmente no controle do risco de mercado. Nesse caso, os gestores buscam
acoplamentos que se ajustem bem s dependncias entre fenmenos crticos, ou seja, que se
ajustem bem dependncia presente nas caudas das distribuies (por exemplo, quando
ocorrem eventos crticos, grandes perdas em um ativo, e os impactos que isso causa em um
outro ativo, ver Caillault & Gugan, 2003).
O objetivo dos tcnicos em gesto de risco durante uma modelagem de dependncia
atravs de cpulas encontrar uma funo de acoplamento que se ajuste bem dependncia
nas caudas das distribuies, pois s assim podero modelar o verdadeiro comportamento
do mercado durante crises e calcular o risco financeiro (por exemplo como uma perda
limtrofe de acordo com uma probabilidade e nvel de significncia).
Diversas funes de acoplamento podem modelar a dependncia nas caudas. o
caso da Cpula t-Student (com dependncia simtrica, possui o mesmo nvel de
dependncia nas caudas inferior e superior), da cpula arquimediana Clayton (com
dependncia apenas na cauda inferior) e da Gumbel (apenas cauda superior); para maiores
detalhes, veja Joe (1997), Cap. 5. Embora sejam cpulas de grande utilidade, mostram-se
limitadas quando existem graus diversos de assimetria na dependncia, e/ou ao se
generalizar a funo para dimenses das sries ou ativos maiores do que 2.
Na anlise de risco de interesse obter uma cpula que possa ser calibrada de forma
a modelar, alm de casos de dependncia simtrica, diferentes perfis ou propores de
Introduo
assimetria na dependncia nas caudas, por exemplo, dependncia apenas na cauda inferior,
apenas na cauda superior, ou qualquer outra combinao assimtrica de dependncia. No
apenas isso. Busca-se encontrar uma cpula flexvel o bastante que ajuste corretamente a
dependncia entre dois fenmenos, tanto na regio central dos eventos possveis, aquela
com maior massa de probabilidade, quanto em suas caudas, quando ocorrer qualquer
assimetria na dependncia.
Para suprir a necessidade de tal funo de acoplamento, alguns mtodos foram
propostos na literatura. Patton (2004) utiliza uma mistura da cpula Clayton (que possui
dependncia na cauda inferior) com a cpula Clayton de sobrevivncia, gerando uma
cpula com caractersticas assimtricas. Stefanova (2007) utiliza uma mistura das cpulas
Gaussiana (que no possui dependncia nas caudas), Gumbel (com dependncia na cauda
superior) e Gumbel sobrevivncia.
Outra alternativa buscar distribuies conjuntas de probabilidade que possuam
elevado nvel de flexibilidade, e utilizar tal distribuio na obteno de uma funo de
acoplamento. Nadaraja & Dey (2005) apresentam uma reviso de diversas formulaes
conhecidas de distribuies t-Student Assimtricas. Demarta & McNeil (2005) propem
uma outra distribuio t-Student Assimtrica a partir da adio de um termo de distribuio
Inversa Gama distribuio t-Student, e propem seu uso na construo de uma funo de
acoplamento flexvel. Essa mistura chamada de mistura em mdia e varincia da
distribuio Normal e a distribuio originada utilizada por Hu e Kercheval (2005) para
estudar a estrutura de dependncia entre moratrias em uma carteira de swaps de crdito,
e por Sun et al (2008) para analisar a dependncia assimtrica e no-linear no mercado de
aes alemo.
O objetivo deste trabalho estudar, a partir da distribuio t-Student Assimtrica
proposta por Demarta e McNeil, que aparece tambm em McNeil, Frey e Embrechts (2005,
Cap 3, p. 75), a capacidade dessa distribuio em modelar dependncia nas caudas inferior
e superior, atestando a sua flexibilidade no ajuste de dependncias simtricas ou
assimtricas. A Cpula construda compor um modelo ARMA-GARCH-Cpula
Introduo
(Filtragem e Estrutura de Dependncia) que ser aplicado a preos Spot de ativos fsicos
de energia da NYMEX (New York Mercantile Exchange): o Petrleo WTI (leo Cru West
Texas Intermediate) e a Gasolina Convencional do Porto de Nova Iorque, e tambm o

ndice de leo AMEX (American Exchange Oil Index). Modelos para esses ativos foram
criados que descrevem o comportamento de seus preos e retornos (D. Pilipovic, 2007,
Cap. 6), e trabalhos descrevendo a dependncia entre os mesmos (p.ex. Biglova et al (2007)
utiliza modelos de componentes principais para a dependncia, filtrando as sries de preos
atravs de modelos ARMA-GARCH). Grgoire et al (2008) utiliza funes de acoplamento
do tipo Clayton e Frank, entre outras, para relacionar o preo spot do Petrleo com o Gs
Natural (no tratado nesta dissertao), filtrando tambm as sries atravs de modelos
ARMA-GARCH.
A abordagem proposta aqui se inicia com a apresentao da metodologia geral da
anlise das sries e composio do modelo ARMA-GARCH-Cpulas, que tem por base a
filtragem das sries de dados com posterior estimao de distribuies marginais e
dependncia atravs de cpula. A metodologia ser apresentada no Captulo 2.
Os resultados tericos para a anlise sero apresentados no Captulo 3. Nesse
captulo, a distribuio t-Student Assimtrica de Demarta & McNeil ser revista. Sero
discutidas as propriedades da distribuio e os mtodos de estimao de seus parmetros.
No mesmo captulo ser desenvolvida a funo de acoplamento t-Student Assimtrica,
mostrando-se a flexibilidade da distribuio em modelar os diferentes valores de
dependncia nas caudas inferior e superior que essa distribuio pode assumir.
No Captulo 4 realiza-se o estudo das sries de preos do leo Cru WTI, ndice de
leo AMEX e Gasolina Convencional, propondo-se modelos ARMA-GARCH, cujos
resduos (inovaes) sero ajustados por funes de acoplamento. Ser apresentada a
descrio das sries em estudo, suas caractersticas empricas marginais e de dependncia e
toda a modelagem das distribuies marginais e de acoplamento das inovaes, realizandose tambm uma comparao com a cpula t-Student atravs de medidas de bondade de
ajuste (descritas no apndice D).
Introduo
As concluses sero apresentadas no Captulo 5, seguida pelo Apndice,

apresentando, dentre outras, as definies e propriedades de funes de acoplamento, as
propriedades da dependncia, conceitos de simetria e assimetria, dependncia nas caudas,
ferramentas para medio de dependncia e suas propriedades e alguns testes de bondade
de ajuste para cpulas.
Introduo
Captulo 2
Metodologia
O objetivo deste trabalho utilizar a funo de acoplamento construda a partir da

distribuio t-Student Assimtrica, proposta feita em Demarta & McNeil (2005), para
compor um modelo ARMA-GARCH-Cpula e ajustar um conjunto de dados de preos de
ativos energticos, com o objetivo de se verificar a flexibilidade da cpula no ajuste de
dados reais, principalmente no que diz respeito aos eventos caudais.
Desenvolver uma funo de acoplamento a partir da distribuio conjunta t-Student
Assimtrica significa utilizar o Teorema de Sklar (1959) e seu Corolrio que, de uma forma
geral, traz a relao entre uma funo de distribuio conjunta com uma funo de
acoplamento que nica para variveis aleatrias contnuas, distinguindo a distribuio
conjunta em partes, que so as distribuies marginais e a relao de dependncia entre elas
(cpula).
O fato de que j existe uma grande gama de funes de acoplamento para atender a
diversos perfis de dependncia mostra que a utilizao de uma nova opo de funo de
acoplamento deve ser feita apenas se trouxer ganhos substanciais quanto flexibilidade da
funo em caracterizar todo, ou grande parte do perfil de dependncia entre as variveis.
No arcabouo terico sero apresentadas as verses marginal e conjunta da
distribuio t-Student Assimtrica, bem como algumas de suas propriedades, estimao dos
Metodologia
parmetros das distribuies e simulao de variveis aleatrias. Em seguida ser

apresentada a funo de acoplamento t-Student Assimtrica, construda a partir do Teorema
de Sklar, e tambm a estimao dos parmetros da cpula atravs do mtodo de mxima
verossimilhana.
A existncia da flexibilidade na modelagem da dependncia ser verificada atravs
de ajuste da funo de acoplamento em dados reais do setor de energia. Outros exemplos da
flexibilidade da funo sero mostrados atravs da simulao da funo de acoplamento.
O ajuste do modelo ARMA-GARCH-Cpula para um conjunto de dados se inicia
com a filtragem atravs de modelos ARMA-GARCH das sries histricas, para que se
obtenham sries livres de efeitos no aleatrios. Aps a passagem do filtro ARMAGARCH, as sries filtradas tero os seus efeitos marginais modelados atravs da funo tStudent Assimtrica univariada e da Normal Assimtrica univariada.
Realiza-se ento o ajuste da funo de acoplamento. Uma abordagem utilizar uma
estimativa da distribuio marginal atravs da funo distribuio emprica, calculando a
inversa da funo distribuio emprica acumulada de forma a obter marginais de
distribuio Uniforme(0,1). A esses percents so ajustadas as funes de acoplamento.
Esse mtodo conhecido como Mtodo de Mxima Verossimilhana Cannica para
Cpulas. Outra alternativa utilizar as funes distribuio acumuladas marginais
paramtricas ajustadas, sendo esse mtodo chamado de IFM (Inference Function for
Marginals). Na aplicao sero utilizadas as distribuies marginais t-Student Assimtrica

(que possui propriedades de caudas pesadas e assimetria) e/ou Normal Assimtrica.
Espera-se que a distribuio marginal t-Student Assimtrica possa suprir a
necessidade de uma distribuio marginal que assuma valores extremos. Essa capacidade
ser medida nas estatsticas de VaR (Valor em Risco, veja Apndice D).
O conjunto de dados resultante da aplicao da distribuio acumulada possuir
distribuio multivariada Uniforme (0,1), segundo a Transformada Integral de
Probabilidade. Sobre esses dados dar-se- a estimao dos parmetros da funo de
Metodologia
acoplamento, atravs de mxima verossimilhana. Estatsticas baseadas no Valor em Risco,

e outros testes de bondade de ajuste, so ento utilizados para verificar a qualidade do
ajuste da funo, e se a mesma atendeu s caractersticas de dependncia nas caudas.
Tanto a teoria quanto a prtica sero apresentadas no caso bivariado ou 3-variado,
sendo que, com exceo das medidas de dependncia nas caudas (definidas para o caso
bivariado), podem ser ampliadas para maiores dimenses, implicando em aumento
considervel no nmero de parmetros a serem estimados e no tempo de processamento,
principalmente no algoritmo de mxima verossimilhana para estimao dos parmetros da
funo de acoplamento t-Student Assimtrica. Entretanto possvel ter uma estimao
aproximada a um custo computacional bem mais baixo, como ser apresentado na seo
3.3.
Apenas por praticidade sero utilizados em todo o texto nmeros decimais
separados por ponto (como em 0.05), j que as sadas numricas do software estatstico
utilizado (R-2.7.1) so nesse formato.
10
Metodologia
Captulo 3
Modelagem
O uso da distribuio Normal Multivariada para modelar distribuies conjuntas (e

portanto a dependncia) entre observaes de um conjunto de variveis aleatrias s
adequado em situaes simtricas (simetria radial vide apndice B), sem caractersticas de
dependncia nas caudas ou caudas pesadas. Alm disso o modelo Normal considera apenas
dependncia linear entre as variveis.
No mercado financeiro sabe-se que a dependncia entre os diversos fatores de risco,
ativos, moedas, etc. no atende maioria das premissas para o uso da distribuio normal
multivariada, motivando o surgimento de outros modelos de dependncia, por exemplo,
utilizando-se a distribuio t-Student multivariada em substituio distribuio Normal.
Essa abordagem atende caracterstica de caudas pesadas geralmente observada nas sries
financeiras. Entretanto essa distribuio tambm simtrica, e no caracteriza corretamente
sries financeiras que possuam assimetria.
Busca-se ento distribuies que sejam flexveis na caracterizao tanto da
caracterstica de caudas pesadas, quanto da assimetria.
Tomando-se como base o Teorema de Sklar, distribuies univariadas podem ser
utilizadas para modelar as caractersticas marginais de um conjunto de variveis aleatrias,
modelando a dependncia atravs de funes de acoplamento.
Modelagem
12
Neste captulo sero tratadas as distribuies univariadas assimtricas Normal e tStudent, para modelagem de distribuies marginais (Seo 3.1). Ser apresentada tambm
a distribuio t-Student Assimtrica, que ser a base para a construo de uma funo de
acoplamento elptica flexvel (Seo 3.2).
Na literatura existem diversas formulaes de distribuies assimtricas baseadas na
distribuio t-Student e na distribuio Normal. Decidiu-se dar nfase formulao da
distribuio t-Student Assimtrica definida em Demarta & McNeil (2005), j que a mesma
pode se ajustar ocorrncia de caudas pesadas e dependncia nas caudas. Como alternativa
para a modelagem marginal ser utilizada a formulao de Azzalini (1985) da distribuio
Normal Assimtrica.
3.1. Distribuies Assimtricas

Distribuies assimtricas um termo geral que designa toda a famlia de
distribuies que se afastam do conceito de simetria, por exemplo, no caso univariado
qualquer distribuio cuja probabilidade de ocorrncia de eventos abaixo da mdia (se a
mesma existir) seja diferente da probabilidade de ocorrncia de eventos acima da mdia.
Adicionalmente pode ocorrer que a mdia no seja coincidente com a mediana ou moda da
distribuio. Nesse caso encontram-se diversas distribuies univariadas que podem ter
essas caractersticas, como a Gama, F-Snedecor, Qui-Quadrada, entre outras.
O interesse, nesta dissertao, so as distribuies multivariadas assimtricas, onde
aqui sero tratadas as distribuies formadas a partir de modificaes nas distribuies
simtricas Normal e t-Student. So distribuies mais flexveis, que podem ser ajustadas
para diferentes perfis de distribuies marginais, inclusive a normal e t-student simtricas, e
generalizadas facilmente para dimenses maiores. So de interesse tambm as verses
univariadas dessas distribuies, que podem ser utilizadas para modelagem das marginais.
Uma verso da distribuio multivariada Normal Assimtrica (Skew-Normal ou
SN) apresentada por Azzalini (1985), construda atravs de uma das famlias de
13
distribuies que generaliza a distribuio normal, por incluir essa distribuio, permitindo
assimetria diferente de zero (aqui ser mostrado seu caso univariado). Quanto distribuio
t-Student Assimtrica multivariada, diversas formas j foram estudadas, sendo que algumas
delas podem ser consultadas em Arellano-Valle & Genton (2005) ou Nadarajah & Dey
(2005). Neste texto ser utilizada a construo de Demarta & McNeil, apresentada na seo
3.1.2.
3.1.1 Distribuio Normal Assimtrica Univariada

Segundo Azzalini (1985) e Azzalini & Capitaneo (2003) uma construo possvel
de distribuies assimtricas realizada a partir de uma forma padro, atravs das
distribuies simtricas, pela multiplicao da funo densidade pela funo acumulada. A
verso univariada da Distribuio Normal Assimtrica definida dessa forma :
Definio 3.1: (Distribuio Normal Assimtrica) Seja (.) a funo densidade da

distribuio Normal, com funo distribuio acumulada (.). Ento, X possui Distribuio
Normal Assimtrica se sua densidade dada por:
f X ( x) = 2 ( x) (x) ,
[3-1]
para algum parmetro . Adicionando-se os parmetros de posio e escala, atravs da

transformao x
, tm-se a funo densidade de probabilidade:
2
f X ( x) =
e
2
( x )2
2
t2
1 2
e dt .
2
[3-2]
Algumas propriedades da Distribuio Normal Assimtrica so:

1. Quando = 0 , a assimetria se anula e obtm-se a Distribuio Normal;
2. Conforme aumenta (em valor absoluto), a assimetria da distribuio aumenta;
Metodologia
14
3. Quando , a densidade converge densidade da distribuio folded-normal

(Se X varivel aleatria de distribuio Normal, Y = X possui distribuio
folded-normal);
4. Se o sinal de for alterado, a assimetria refletida no lado oposto do eixo
vertical.
Na figura 3.1 so apresentadas curvas da distribuio normal assimtrica para diferentes
0.0
0.2
0.4
Densidade
0.6
valores do parmetro de assimetria.
-4
-2
Figura 3. 1. Densidade da Distribuio Normal Assimtrica, para

(
)e
=8
=0
),
=1 (
),
=2
).
Essa distribuio pode ser utilizada quando os dados apresentam formato

semelhante distribuio normal, entretanto, com assimetria entre -1 e 1 e baixo nvel de
excesso de curtose (at aproximadamente 0.9, vide figura 3.2).
Se =
dadas por:
1+ 2
, a esperana, varincia, assimetria e curtose dessa distribuio so
15
E ( X ) = +
[3-3]
2 2
,
Var (X ) = 2 1

[3-4]
(4 ) 2
Assim( X ) =
,
3
2
2 2
21

[3-5]
Exc.Curtose( X ) = 2( 3)
3.
2
2 2
1
0.8
[3-6]
Assimetria
Excesso de Curtose
1.5
1
0.9
0.8
0.7
0.5
0.6
0.4
Curtose
0.6
0.5
0.2
0.4
-0.5
=0
0.3
0.2
-1
0.0
0.1
-1.0
-0.5
0.0
0.5
1.0
-1.5
0
-20
Assimetria
-15
-10
-5
10
15
20
Figura 3. 2. Grfico de Assimetrias e Curtoses da distribuio Normal Assimtrica para parmetros de

assimetria entre -20 e 20.
O clculo dos limites das equaes [3-5] e [3-6] mostra que quando a
assimetria converge para -0.9953 e o excesso de curtose para 0.8692 .Quando a
assimetria converge para 0.9953 e o excesso de curtose tambm para 0.8692. Esse
movimento pode ser observado na figura 3.2, onde se observa tambm que a assimetria e o
excesso de curtose so unicamente determinados por um parmetro de assimetria, e que se
for fixado o excesso de curtose, o valor absoluto da assimetria tambm estar determinado,
sendo sua direo determinada pelo sinal do parmetro de assimetria. Essa distribuio no
apropriada para ajuste quando o excesso de curtose maior do que 0.8692.
Modelagem
16
3.1.2. Distribuio t-Student Assimtrica

Uma distribuio assimtrica, que tem por base a distribuio t-Student, foi proposta
por Demarta & McNeil. O fato de que essa distribuio flexvel, j que se ajusta a
diferentes valores do 1 ao 4 momentos centrais, torna-a uma boa alternativa para
utilizao na modelagem das distribuies marginais, quando da estimao de uma funo
de acoplamento na caracterizao da estrutura de dependncia de um conjunto de dados.
Sendo diferente da Distribuio Normal Assimtrica de Azzalini (1985), e das
Distribuies t-Student Assimtricas apresentadas por Azzalini & Capitaneo (2003) ou
selecionadas por Nadarajah & Dey (2005), a Distribuio t-Student Assimtrica
apresentada por Demarta & McNeil (2005), possui uma formulao distinta. Essa
formulao um caso particular da famlia das distribuies de misturas em varincia da
distribuio normal, que por si um caso particular da famlia de distribuio de misturas
em mdia e varincia. A famlia de distribuies de misturas em varincia da distribuio
normal inclui a distribuio t-Student simtrica, sendo que a deformao da simetria da

distribuio t-Student realizada atravs da adio de um termo estocstico.
Definio 3.2: (Distribuies de Mistura em Varincia da Distribuio Normal). Seja Z e W

variveis aleatrias tal que Z ~ N (0, 2 ) e W independente de Z. Define-se por
Distribuio de Mistura em Varincia da Distribuio Normal a distribuio cuja
construo X = d + Z W . (A notao = d significa igualdade em distribuio).
Definio 3.3: (Distribuies de Mistura em Mdia e Varincia da Distribuio Normal).

Seja uma funo g e um conjunto de parmetros i , i , i=1,2,...d. Sejam
Z ~ N d (0, ) Normal d-dimensional e W univariada independente de Z, variveis

aleatrias. Define-se por distribuio de Mistura em Mdia e Varincia da Distribuio
Normal a distribuio X construda por: X = d + ' g (W ) + Z W , onde e so vetores
d-dimensionais.
17
A distribuio t-Student Assimtrica construda a partir da formulao de Mistura

em Mdia e Varincia da Distribuio Normal.
Definio 3.4: (Distribuio t-Student Assimtrica). Suponha que X = ( X 1 , X 2 ,..., X d ) seja

um vetor aleatrio cuja distribuio pertena famlia das distribuies de mistura em
mdia e varincia. Se g(W) = W, onde W ~ Ig(v/2, v/2) a distribuio Inversa Gamma
univariada cujos parmetros remetem distribuio Qui-Quadrada, ento X possui
distribuio t-Student Assimtrica d-dimensional, cuja funo densidade dada por:
f X ( x) = c
K v+d
2
( (v + (x )'
( (v + (x )'
(x ) ' 1 exp (x )' 1
(x ) ' 1
v +2d
(x )' 1 (x )
1 +
v+d
2
[3-7]
onde K a funo de Bessel Modificada de Segundo Tipo (veja Abramowitz & Stegun
(1965), Captulos 9 e 10), x = ( x1 , x 2 ,..., x d ) , = ( 1 , 2 ,..., d ) , = ( 1 , 2 ,..., d ) e
1 2 L 1,d
= M O M . A constante de normalizao dada por:
d ,1 L d
c=
2 ( v + d )
2
d
( 2v )(v) 2 2
[3-8]
A notao para um vetor aleatrio X de distribuio t-Student Assimtrica :
X ~ st d (v, , , ).
Distribuio Marginal Univariada
Seja
i , i ,
i2 > 0
parmetros
de
posio,
assimetria
escala,
respectivamente e v > 0 o nmero de graus de liberdade. Uma varivel aleatria X de

distribuio t-Student Assimtrica possui funo densidade de probabilidade:
Modelagem
18
f i ( xi ) =
1 v
2 2 K v +1
2
1
v
2
( 2 )(v ) i
distribuio
(x )
v + i 2 i 2
( ) exp(( x
(x )
v + i 2 i
t-Student
( )
2
i
i ) i )
v 2+1
Assimtrica
( xi i )
1 +
2
vi i
Univariada
v +1
2
denotada
[3-9]
por
X i ~ st 1 (v, i , i2 , i ) , sendo a i-sima distribuio marginal univariada da distribuio t-
Student Assimtrica multivariada apresentada na definio 3.4.

Essa distribuio pode ser considerada uma generalizao da distribuio t-Student
Simtrica pois retorna-se a ela quando i 0 . Nota-se ainda que a presena da funo de
Bessel na formulao torna-a menos tratvel analiticamente.
Sejam as variveis aleatrias Z e W independentes e com distribuies
Normal(0, 2 ) e Inversa-Gamma, respectivamente. A esperana, varincia, assimetria e
curtose da distribuio t-Student Assimtrica st 1 (v, i , 2 , ) univariada so obtidas da
definio da distribuio t-Student Assimtrica ( X = d + W + Z W ) e dadas por:
E( X ) =
v
+,
v2
Var ( X ) =
v
2v 2
2 +
2,
v2
( v 2) 2 ( v 4)
Assim( X ) =
[3-11]
3 E (W 3 ) + 3 .E (W 2 ) 3E ( X ).Var ( X ) [ E ( X )]3
Exc.Curtose( X ) =
onde,
[3-10]
( Var ( X ) )
4 E (W 4 ) + 6 2 .E (W 3 ) + E ( Z 4 ).E (W 2 )
( Var ( X ) )
3,
[3-12]
[3-13]
3.1 Distribuies Assimtricas
19
v2
v
E (W ) =
,
+
2
v 2 2( v 2) ( v 4)
2
E (W 3 ) =
[3-14]
v
k 3 [3(k 2)(k 3) + (k 2) 2 (k 3) + 4]
, onde k = ,
3
2
2
(k 1) (k 2) (k 3)
E (W 4 ) = E (W )[4 E (W 3 ) + 6 E (W 2 ) E (W ) (3E (W )) 4 ]
30k 66
+
+ 3 Var (W )
(k 3)(k 4)
, onde k =
[3-15]
v
,
2
[3-16]
E ( Z 4 ) = 3 2 .
[3-17]
importante notar que a existncia do 2 momento central da distribuio t-Student

Assimtrica depende de graus de liberdade maiores do que 4, a existncia do 3 momento
central depende de graus de liberdade maiores do que 6 e a existncia do 4 momento
central depende de graus de liberdade maiores do que 8. A figura 3.3 mostra exemplos da
0.2
0.0
0.1
Densidade
0.3
densidade da t-Student Assimtrica para alguns parmetros de assimetria e 8.5 g.l.
-10
-5
10
Figura 3. 3. Densidade de probabilidade da distribuio t-Student Assimtrica padronizada com 5 graus de

liberdade e parmetros de assimetria
=0
),
= 0 .8
),
=2
)e
=5
).
Modelagem
20
Atravs da figura 3.3 nota-se que parmetros de assimetria positivos causam a

ocorrncia de assimetria em direo ao eixo positivo da distribuio, o que ocorre de forma
anloga com parmetros de assimetria negativos. Atravs da frmula para a Assimetria (3
momento central padronizado) obtm-se a seguinte propriedade:
Proposio 3.1: Suponha X e Y variveis aleatrias tais que X ~ st1 (v, , 2 , ) e
Y ~ st1 (v, , 2 , ) . Ento, Assimetria(X)=-Assimetria(Y).

Prova: Diretamente atravs da frmula [3-12], substituindo-se por nos 4 termos da
equao.
a)
150

=-10
Assimetria
Exc. Curtose
250
200
=-3
2
150
100
Exc. Curtose
b)
=-1
50
100
-2
=0
50
-4
-4
-2
-6
-10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0
Assimetria
2 3
7 8
9 10
Figura 3. 4. Grfico de Assimetria e Exc. Curtose da distribuio t-Student Assimtrica para parmetros de
assimetria entre -10 e 10, calculadas para 8.5 graus de liberdade.
6.01
10
8
6.05
8.01
8.05
8.5
12
8.01
120
8.05
8.5
12
120
10
Assimetria
-2
-4
-6
-8
-10
-10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0 1
Exc. Curtose
2 3
4 5
6 7
8 9 10
-10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0
2 3
7 8
9 10
Figura 3. 5. Grfico de Assimetrias e Exc. Curtoses da distribuio t-Student Assimtrica para parmetros de
assimetria entre -10 e 10, calculadas para diversos graus de liberdade.
21
A figura 3.4 mostra a assimetria e excesso de curtose da distribuio t-Student

assimtrica a) compara a variao conjunta da assimetria e excesso de curtose conforme
varia-se o parmetro de assimetria; b) mostra a variao distinta desses momentos
conforme varia se o parmetro. Note que assimetria infinita para graus de liberdade
menores ou iguais a 6 e excesso de curtose infinito para graus de liberdade menores ou
iguais a 8. possvel que exista assimetria menor do que infinito quando excesso de
curtose igual a infinito. Por possuir 1 a 4 momentos bem definidos quando o nmero
de graus de liberdade maior do que 8, a estimao dos parmetros da distribuio atravs
do mtodo de momentos pode ser definida, para = { , 2 , , v} pelas equaes:
T1 =
v
+x ,
v2
[3-18]
T2 =
v
2v 2
2 +
2 Sx2 ,
2
v2
( v 2) ( v 4)
[3-19]
T3 =
T4 =
3 E (W 3 ) + 3 .E (W 2 ) 3E ( X ).Var ( X ) [ E ( X )]3
( Var ( X ) )
4 E (W 4 ) + 6 2 .E (W 3 ) + E ( Z 4 ).E (W 2 )
( Var ( X ) )
Assimetria ( x) ,
3 Exc.Curtose( x) ,
[3-20]
[3-21]
onde x , S x , Assimetria ( x) e Exc.Curtose( x) so estatsticas amostrais de mdia

varincia, assimetria e excesso de curtose de um vetor de observaes x. As estimativas so
obtidas minimizando-se a soma ponderada do quadrado das equaes nos parmetros em
. O uso desse mtodo no gerou resultados satisfatrios pois no se observou

convergncia adequada na minimizao, para diversas simulaes geradas. Entretanto,
quando considera-se um caso padro, onde = 0 e 2 = 1 as equaes [3-18] e [3-19]
podem ser igualadas zero e resolvidas analiticamente. Nesse caso, um mtodo de
momentos para a distribuio t-Student Assimtrica padro pode ser realizado atravs de:
1.
Resolver
equao
de
grau:
Modelagem
22
(x x )2
2
2
( x x )2
(x x)2
= 0,
1 .v + 4 2 x 6
.v + 4 x + 8
1
n
1
n
2. =
(v 2)
x.
v
[3-22]
[3-23]
Mas, se os dados possurem mdia 0 e varincia 1, ou seja, dados padronizados, uma

soluo trivial para os parmetros ser encontrada ( v = 4 e = 0 ), impossibilitando a
utilizao desses momentos, tornando necessria a utilizao de momentos de ordens
superiores, por exemplo, 3 e 4 momentos para estimao dos parmetros. Importante
notar que existem duas estimativas para o grau de liberdade, advindas da soluo da
equao de segundo grau. Escolhe-se o grau de liberdade cujo valor seja maior do que 4,
para garantir a existncia do segundo momento.
Se ambos forem maiores do que 4, pode-se utilizar uma mdia dentre os dois, ou a
estimativa mais prxima de uma estimativa de mxima verossimilhana. No caso que
ambos so menores do que 4, deve-se utilizar o mtodo de mxima verossimilhana para
determinar o real valor da estimativa. Se a estimativa por mxima verossimilhana tambm
for menor do que 4, ento o modelo ajustado no possui varincia finita, e pode-se utilizar a
estimativa pelo mtodo de momentos mais prxima da mxima verossimilhana. Esta
escolha, no entanto, leva a perda de uma das principais propriedades do Mtodo de
Momentos, comparado com o Mtodo de Mxima Verossimilhana, que a facilidade de
estimao.
As estimativas pelo mtodo de mxima verossimilhana podem ser obtidas
numericamente, maximizando nos parmetros a soma do logaritmo da funo [3-9]
aplicada ao conjunto de dados. Na prtica esse mtodo gera estimativas mais precisas para
os parmetros, como ser visto nos exemplos da seo 3.3.
23
Distribuio t-Student Assimtrica Bivariada
Seja i , j , i,j=1,...,d, parmetros de assimetria, v o nmero de graus de

liberdade e i , j
i2
=
j ,i
i, j
uma partio da matriz da definio 3.4. Um par de
2j
variveis aleatrias ( X i , X j ) possui distribuio conjunta t-Student Assimtrica, cuja

funo densidade de probabilidade conjunta definida pela equao [3-7] fixando-se a
dimenso em 2.
Um caso particular de interesse, que ser utilizado para construo de uma funo
de acoplamento definido quando fixa-se i = j = 0 e i2 = 2j = 1 . Nesse caso uma
matriz de correlaes ser necessria ao modelo, e no uma matriz de varinciascovarincias completa. Isso tornar a funo de acoplamento que ser construda mais
simples de ser interpretada. A funo bivariada nesse caso dada por:
K v+2
2
f X1 , X 2 ( x1 , x2 ) = c
2
2
( x x2 ) + 2 ( x2 x1 )
x 2 x1 x2 + x2 12 2 1 2 + 22
v + 1
. exp 1 1
2
2
1
1
1 2
2
2
x 2 x1 x2 + x2 12 2 1 2 + 22
v + 1
1 2
1 2

v +2 2
2
2
x 2 x1 x2 + x2
1 + 1
v.(1 2 )
[3-24]
v+ 2
2
onde c =
22
( 2v )(v ) 1 2
[3-25]
Denota-se essa distribuio por X ~ st 2 (v,0, , ) , onde X = ( X 1 , X 2 ) , 0 = (0,0) , [1,1]

e = ( 1 , 2 ) .
Quando 1 , 2 0 essa distribuio converge para a distribuio t-Student
Simtrica bivariada. As distribuies marginais obtidas a partir da distribuio conjunta tStudent Assimtrica so tambm t-Student Assimtrica univariada ( X i ~ st1 (v,0 ,1,i ) ).
Para a estimao dos parmetros dessa distribuio podem ser utilizados mtodos
baseados no algoritmo EM (ver por exemplo Hu, 2005), mtodos de momentos e mxima
Modelagem
24
verossimilhana. A estimao dos parmetros da distribuio bivariada [3-24] pelo mtodo

de momentos realizada de forma semelhante estimao dos parmetros da distribuio
univariada padro. O parmetro de correlao que compe a distribuio pode ser estimado
a partir da covarincia amostral. Os mtodos de momentos tanto para o caso univariado
padro quanto para o caso bivariado padro so obtidos atravs da soluo das equaes da
mdia e varincia da distribuio, que no caso bivariado :
E ( X 1 ) v 1 1
=
+ ,
E ( X 2 ) v 2 2 2
Cov ( X 1 , X 2 ) v 12 1, 2
12
Var ( X 1 )
2v 2
=
+
Var ( X 2 ) v 2 2 ,1 22 (v 2) 2 (v 4) 2 1
Cov ( X 1 , X 2 )
[3-26]
1 2
. [3-27]
22
Para o caso bivariado padro ( st 2 (v,0, , ) ), como existem 5 equaes para

estimao de 4 parmetros necessria a aplicao do mtodo de momentos generalizado,
atribuindo-se, por exemplo, pesos iguais a 0.5 s equao [3-30] e [3-31], e pesos elevados
s outras equaes. Aproximadamente isso equivalente a realizar uma minimizao da
soma dos quadrados dessas funes no parmetro v, igualando as outras equaes zero.
As equaes [3-28] e [3-29] so construdas diretamente a partir da equao [3-26] e as
equaes [3-30] a [3-32] a partir da equao [3-27].
T1 =
(v 2)
x 1 ;
v
T2 =
(v 2)
y 2 ;
v
[3-28]
[3-29]
(x x)2 2
( x x )2 2
(x x)2
T3 =
1 .v + 4 2 x 6
.v + 4 x + 8
n 1
1
n
[3-30]
( y y)2 2
( y y ) 2 .v + 4 y 2 + 8 ( y y ) 2 ;
T4 =
1.v + 4 2 y 6
n 1
n 1
n 1
[3-31]
( x x )( y y ) 2 x . y v 2
T5 =
;
n 1
v 4 v
[3-32]
25
No caso bivariado completo, st 2 (v, , , ) , o 1 e 2 momentos no so suficientes

para a estimao de todos os parmetros. Nesse caso sero necessrios momentos de ordens
superiores, como a assimetria e excesso de curtose para a estimao.
As figuras 3.6 e 3.7 exibem grficos de contorno da densidade da distribuio tStudent Assimtrica bidimensional, bem como o contorno da funo acumulada dessa
distribuio com os parmetros v = 6 , = 0.7 e assimetria ( 1 , 2 ) = (0.8 , 0.8) e
( 1 , 2 ) = (-0.8 , 0.8). Veja na figura 3.6 que, embora apresente assimetria marginal, a
igualdade dos parmetros de assimetria mantm a simetria radial, j que ambas as
marginais tero o mesmo comportamento e perfil assimtrico. J na figura 3.7, a presena
de valores diferentes de assimetria causa tanto assimetria marginal quanto assimetria radial,
j que as marginais possuem comportamentos assimtricos inversos.
0.02
0.95
0.04
0.9
0.06
9
0.0
0.75
0.12
0.7
0.65
0.6
0.55
3
0.19
0.4
0.1
X2
0.1
0.1
4
0.85
0.8
0.1
5
1
0 .1
X2
0.07
0.35
0.5
0.3
0.2
0.45
0.25
0.15
8
0.0
0.1
0.05
0.05
0.03
-2
-4
-4
-2
0.01
-4
-2
0
X1
-4
-2
X1
parmetros v = 6 , = 0.7 e assimetria ( 1 , 2 ) = (0.8 , 0.8)
Modelagem
26
0.01
0.95
0.03
0.9
0.07
0.1
0.85
0.05
0.8
0.08
0.75
0.11
0.6
0.45
9
0.0
0.1
0.35
X2
0.13
0.5
X2
0.7
0.65
0.3
0.2
0.55
0.4
0.25
0.15
0.1
0.06
0.04
0.05
-2
-4
-4
-2
0.02
-4
-2
-4
X1
-2
X1
parmetros v = 6 , = 0.7 e assimetria ( 1 , 2 ) = (-0.8 , 0.8)
O mtodo de mxima verossimilhana para a verso bidimensional da distribuio tStudent Assimtrica anlogo ao caso univariado. Realiza-se atravs da maximizao
numrica (nos parmetros) da soma do logaritmo da funo [3-24] aplicada ao conjunto de
dados. Alm disso, o caso particular bivariado extensvel para dimenses superiores,
utilizando-se parmetros de posio nulos e parmetros de escala iguais a 1 na equao [39]. Mais detalhes sobre a estimao de parmetros atravs da mxima verossimilhana para
dimenses maiores do que 2 sero dados na seo 3.3.
3.2. Funo de Acoplamento

As funes de acoplamento so distribuies conjuntas de probabilidade de
marginais Uniformes (0,1) que, atravs da Transformada Integral de Probabilidade (Veja
Apndice A) juntam (acoplam) diferentes distribuies marginais, possibilitando a
caracterizao da dependncia entre eventos aleatrios, mesmo que sejam eventos de
diferentes descontinuidades.
Ser tratada neste captulo a famlia de funes de acoplamento gerada pela
distribuio t-Student Assimtrica, sendo uma alternativa para a caracterizao de
27
dependncias assimtricas entre conjuntos de dados. A construo da funo de

acoplamento tem por base o Corolrio do Teorema de Sklar (Apndice A-2).
Funo de Acoplamento t-Student Assimtrica
A funo de acoplamento definida a partir do Corolrio do Teorema de Sklar,

utilizando a equao da distribuio t-Student Assimtrica (equao [3-7]), e ser chamada
de Cpula t-Student Assimtrica Multivariada, e definida por:
Definio 3.6. Seja v o parmetro de graus de liberdade, = ( 1 , 2 ,..., d ) um vetor com d
parmetros de assimetria e P uma matriz de correlaes de ordem dxd. Define-se Funo de
Acoplamento t-Student Assimtrica Multivariada a distribuio:
C ST (u1 , u 2 ,..., u d ; v, P, ) =
STd ( ST11 (u1 ; v,0,1, 1 ), ST11 (u 2 ; v,0,1, 2 ),..., ST11 (u d ; v,0,1, d ); v,0, P, )
[3-33]
onde ST1 = st1 (t ; v,0,1, i )dt a funo distribuio acumulada da t-Student Assimtrica
univariada e ST11 a sua inversa. STd a funo distribuio acumulada da t-Student

Assimtrica d-dimensional.
3.2.1. Dependncia
A estrutura distribucional da t-Student Assimtrica em d dimenses flexvel no

sentido de que se ajusta a diferentes perfis de assimetria na distribuio elptica em
qualquer de suas dimenses. Quando construda sua funo de acoplamento, as diferentes
estruturas de assimetria da distribuio d-dimensional so convertidas em diferentes
estruturas de assimetria na dependncia entre variveis. Isso sugere a possibilidade de se
utilizar a mesma funo de acoplamento para ajustar diferentes nveis de assimetria da
distribuio d-dimensional. No caso de dependncias nas caudas pode-se ter
sup (i, j ) inf (i, j ) , sup (i, j ) sup (i ' , j ' ) , inf (i, j ) sup (i ' , j ' ) , para (i, j ) (i ' , j ' ) , com
Modelagem
28
i, j , i ' , j ' = 1,...d dimenses, onde sup o coeficiente de dependncia nas caudas superior e
inf na cauda inferior (veja Seo 3.2.2 e apndice B).

As figuras 3.8 a 3.11 exemplificam diferentes estruturas de dependncia originadas por
diferentes parmetros de assimetria e correlao da funo de acoplamento, atravs dos
1.0
1.0
contornos da funo densidade e da funo acumulada da distribuio C ST bidimensional.
6
0.9
0.85
0.8
0.8
0.8
0.75
0.6
0.6
0.7
0.65
0.6
0.55
X2
0.5
0.45
0.4
0.4
X2
0.4
0.35
0.3
0.2
0.2
0.25
0.2
0.15
0.1
0.05
0.0
0.2
0.0
0.0
0.4
0.6
0.8
1.0
0.0
0.2
X1
0.4
0.6
0.8
1.0
X1
Figura 3. 8. Funes densidade e distribuio da cpula t-Student Assimtrica com parmetros
= 0 .8
( 1 , 2 ) = (0.8 , 0.8).
v = 7,
0.8
0.6
0.9
6
0.
2.4
0.8
1.0
1.0
29
0.8
5
0.8
6
2.
0.8
3
2.2
0.8
0.75
0.7
0.65
0.6
0.6
1.8
0.6
0.55
X2
0.5
0.45
0.4
0.4
X2
1.6
1.4
0.4
1.2
0.35
0.3
1.6
1.8
0.4
0.2
0.6
0.05
0.0
0.0
0.1
2.2
0.0
0.2
0.15
0.8
1.2
2.4
2.6
0.25
0.2
0.2
1.4
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
X1
0.6
0.8
1.0
X1
0.5
v = 7,
1.0
1.0

= 0.8 e ( 1 , 2 ) = (-0.8 , 0.8).
1.5
4
3.5
0.9
0.85
0.8
0.8
3
2.5
0.8
0.75
0.6
0.6
0.7
0.65
0.6
0.55
X2
0.5
0.45
0.4
0.4
X2
0.4
0.35
2
0.3
0.2
0.2
0.25
2.5
0.2
0.15
0.1
3.5
0.05
0.0
0.2
0.5
0.0
0.0
1.5
0.4
0.6
0.8
1.0
0.0
0.2
X1
0.4
0.6
0.8
1.0
X1
= 0 .8
( 1 , 2 ) = (2 , 2).
v = 120 ,
Modelagem
1.0
1.0
30
2.5
0.5
0.9
0.8
0.8
0.8
1.5
0.8
0.75
1.5
0.65
0.6
0.6
0.7
1
0.6
0.55
X2
0.5
0.45
0.4
0.4
X2
0.4
0.35
0.3
0.2
0.2
0.25
0.2
0.15
0.1
0.2
0.4
0.05
0.6
0.8
0.0
0.0
0.0
0.5
0.5
1.5
1.0
0.0
0.2
0.4
X1
0.6
0.8
1.0
X1
= 0.8 e ( 1 , 2 ) = (2 , 2).
v = 7,
Em todas as figuras veja que a densidade localizada nos cantos superior direito e
inferior esquerdo indicam dependncias entre valores positivo-positivo e negativo-negativo.
A densidade concentrada nos cantos superior esquerdo e inferior direito indica dependncia
entre valores positivo-negativo e negativo-positivo.
A figura 3.8 indica maior dependncia na cauda superior do que na cauda inferior,
considerando para essa constatao que existe maior concentrao da densidade no canto
superior direito do que no inferior esquerdo. 3.9 exibe dependncia alm dos cantos
superior direito e inferior esquerdo, tambm no superior esquerdo.
Na figura 3.10 e 3.11, parmetros mais extremos foram selecionados. Em 3.10
foram utilizados 120 graus de liberdade, o que, mesmo com valores significativos de
assimetria, manteve simetria na densidade. 3.11 exibe dependncia no canto superior
direito, mesmo com correlao negativa entre as variveis.
31
3.2.2. Dependncia nas Caudas
No estudo da dependncia nas caudas (por exemplo, para a criao de um modelo

de risco), deseja-se um modelo que caracterize de maneira coerente os eventos extremos de
um conjunto de dados (por exemplo, ativos financeiros interdependentes).
O fato de que muitas vezes as caractersticas da dependncia em valores extremos
so distintas, por exemplo, nas perdas e nos ganhos extremos de um par de ativos
financeiros, sugere que distribuies conjuntas assimtricas devem ser utilizadas nesses
casos.
A distribuio t-Student Assimtrica mostra-se uma opo adequada para muitos
casos de dependncia nas caudas, j que apresenta flexibilidade na caracterizao da
dependncia em valores extremos nas caudas superior e inferior. A definio de
dependncia nas caudas dada por:
Definio 3.7: Seja o vetor ( X , Y )T de variveis aleatrias contnuas, com distribuies
marginais F1 e F2 . O coeficiente de dependncia na cauda superior (inferior) de ( X , Y )T

definido
como:
lim P{Y > F21 ( ) / X > F11 ( )} = sup ,
( lim+ P{Y F21 ( ) / X F11 ( )} = inf ) , sup [0,1] ( inf [0,1] ), dado que o limite exista.
0
Se sup (0,1] ( inf (0,1] ) , ento X e Y so chamadas de assintoticamente dependentes

na cauda superior (inferior). Se sup = 0 ( inf = 0 )
e Y
so chamadas de
assintoticamente independentes na cauda superior (inferior). Caso o limite no exista, a

dependncia na cauda no definida.
Analiticamente, a partir da formulao terica da dependncia nas caudas e da
distribuio univariada e bivariada t-Student Assimtrica possvel obter uma equao da
dependncia nas caudas da cpula t-Student Assimtrica. Esse resultado pode ser obtido a
partir do mesmo argumento utilizado por Embrechts et al. (2002) para a distribuio tStudent Simtrica. Entretanto o clculo da distribuio condicional necessria para o
Modelagem
32
resultado final ser mostrado em parte, dada a dificuldade de se trabalhar analiticamente

com funo Bessel modificada de segundo tipo.
O resultado obtido inicialmente aplicando a Regra de LHpital s expresses [B14] e [B-15] do Apndice B.3.5. Se C a cpula de X e Y, onde F1 = ST (.) e F2 = ST (.) ,
ento obtm-se:
inf = lim
u 0
dC (u , u )
= lim+ P (U 2 u | U 1 = u ) + lim+ P (U 1 u | U 2 = u ) ,
u 0
u 0
du
[3-34]
d (1 2u + C (u, u ))
dC (u, u )
2 + lim
u 1
du
du
sup = lim
=
=
d (1 u )
u 1
1
du
= 2 lim P(U 2 u | U1 = u ) lim P(U1 u | U 2 = u ),
u 1
[3-35]
u 1
onde (U 1 , U 2 ) um vetor aleatrio cuja distribuio C, e a segunda igualdade segue de

uma propriedade da derivao de cpulas (Nelsen, 2006, Cap. 2). Suponha que se defina
Y1 = ST 1 (U 1 ; v,0,1, 1 ) e Y2 = ST 1 (U 2 ; v,0,1, 2 ) , de forma que (Y 1, Y 2) ~ ST2 (v,0, P, ) .
Da,
lim P (U 2 u | U 1 = u ) =
u 1
lim P ( ST 1 (U 2 ; v,0,1, 2 ) ST 1 (u; v,0,1, 2 ) | ST 1 (U 1 ; v,0,1, 1 ) = ST 1 (u; v,0,1, 1 ))
[3-36]
[3-37]
u 1
lim P (U 1 u | U 2 = u ) =
u 0 +
lim+ P ( ST 1 (U 1 ; v,0,1, 1 ) ST 1 (u; v,0,1, 1 ) | ST 1 (U 2 ; v,0,1, 2 ) = ST 1 (u; v,0,1, 2 ))
u 0
Ento, como ST 1 a inversa da acumulada da t-Student Assimtrica, , portanto,

montona. Se y = ST 1 (u; v,0,1, 2 ) , e u 0 + , implica em y + . Anlogo para o caso
u 1 , em que y . Dessa forma,
33
inf = lim P(Y2 y | Y1 = y ) + lim P(Y1 y | Y2 = y ) , e

y +
[3-38]
y +
sup = 2 lim P(Y2 y | Y1 = y ) lim P(Y1 y | Y2 = y ) .

y
[3-39]
onde,
y
lim P (Y2 y | Y1 = y ) = lim

y
Y2 / Y1 = y
( x / Y1 = y )dx , e
[3-40]
( x / Y2 = y )dx .
[3-41]
lim P (Y1 y | Y2 = y ) = lim

y
Y1 / Y2 = y
Depende-se ento do clculo das densidades condicionais de Y1 / Y2 = y e Y2 / Y1 = y .

Apresenta-se a seguir o clculo da distribuio condicional:
f Y1 / Y2 = y ( x / Y2 = y ) =
K v+ 2
2
c
= 1
c2
x 2 2 xy + y 2 12 2 1 2 + 22
v +
1 2
1 2
K v +1
2
f (Y1 = x, Y2 = y )
=
f (Y2 = y )
( (v + y ) )
2
2
2
x 2 2 xy + y 2 12 2 1 2 + 22
v +
1 2
1 2
( (v + y ) )
2
2
2
[3-42]

. exp 1 ( x y) + 2 ( y x)

1 2
exp( y 2 )

v +2 2
x 2 2 xy + y 2
1 +
v.(1 2 )
v 2+1
y2
1 +
( x y ) + 2 ( y x )
exp 1
y 2
2
1
c1 .1
c 2 . 2
x 2 2 xy + y 2
1 +
v.(1 2 )
v+2
2
y
1 +
v +2 2
y
1 +
1
2
[3-43]
v+ 2
2
v +1
2
[3-44]
Modelagem
34
( x y )( 1 2 )
exp
1 2
c1 .1
c 2 . 2 (v + y 2 ).(1 2 ) + ( x y ) 2
v.(1 2 )
v+2
2
2
v+ y
v+2
2
y
1 +
( x y ) v + 1 2 ( ) v + y 2
1
2
exp
1 2 v + y2
2 v +1
c1 .1
=
v+2
1
c 2 . 2
2
( x y ) 2
y2 2
1 +
1 +
2
2
v
(1 )(v + y )
1
1
2
[3-45]
[3-46]
onde,
K v+2
2
1 =
x 2 2 xy + y 2 12 2 1 2 + 22
v +
1 2
1 2
K v +1
2
2 =
( (v + y ) )
2
2
2

,e
x 2 2 xy + y 2 12 2 1 2 + 22
v +
1 2
1 2
( (v + y ) )
2
2
2
v 2+1
[3-47]
v +2 2
[3-48]
O termo 1 difcil de ser tratado analiticamente, sendo necessrio isolar dentro

dele os termos relacionados s variveis x e y, de forma que se obtenha uma distribuio de
probabilidade final conhecida, ou que possa ser integrada e ter seu limite calculado
analiticamente. c1 e c 2 so constantes referentes a f (Y1 = x | Y2 = y ) e f (Y2 = y ) . O
resultado analtico para y1 = y 2 = 0 podem ser encontrados em Demarta & McNeil (2005).
Embora no tenha sido possvel calcular o valor terico de dependncia nas caudas
exatamente, pelo fato da dificuldade de encontrar os limites [3-38] e [3-39], eles podem ser
obtidos atravs de simulao, diretamente pela definio de dependncia nas caudas. Para a
obteno dos resultados, dado um conjunto de parmetros, so simulados 1 milho de
observaes e calculado o nmero de ultrapassagens conjuntas de limiares percents
inferiores (entre 0.001 e 0.0001) e superiores (entre 0.999 a 0.9999). A figura 3.12 exibe a
35
dependncia na cauda inferior da cpula t-Student Assimtrica para simulaes realizadas

com v = 5 , = 0.7 , estando os parmetros de assimetria ( 1 , 2 ) nos eixos.
1.0
0.8
0.5
parametro 2
0.6
0.0
0.4
-0.5
0.2
-1.0
0.0
-1.0
-0.5
0.0
0.5
1.0
parametro 1
Figura 3. 12. Dependncia na cauda inferior estimada atravs de simulao para funo de acoplamento tStudent Assimtrica com v = 5 , = 0.7 , e parmetros de assimetria ( 1 , 2 ) nos eixos. A cor distingue
dependncias nas caudas baixa ou nula (azul) at alta (acima de 0.8, em vermelho).
Observa-se que, para um par de parmetros de assimetria em ( 1 , 2 ) =(-0.5,-0.5) a

dependncia na cauda inferior possui valor de aproximadamente 0.75. Para 5 graus de
liberdade a figura 3.13 mostra a variao causada na dependncia nas caudas inferior e
superior de acordo com diversos valores do parmetro de correlao e parmetros de
assimetria.
Modelagem
36
a: v
= 0.5
1
= 0.7
=4
b: v
=1
= 0.9
Dependncia nas Caudas Superior
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
=1
= 0.9
= 0.7
0.9
0.9
=5
= 0.5
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.2
0.4
0.6
0.8
0.2
0.4
0.6
0.8
Depe ndncia nas Caudas Inferior
Dependncia na Cauda Inf erior
Figura 3. 13. Variao da dependncia nas caudas inferior e superior por variaes na correlao (seta preta
tracejada), e parmetros de assimetria (setas vermelhas pontilhadas) entre -1 e 1 em passos de 0.1 com
1 = 2 , a: v = 4 e b: v = 5 .
A figura indica que essa funo de acoplamento permite grande gama de

combinaes de dependncias nas caudas inferior e superior, chegando muito prximo da
cobertura total das possibilidades de combinaes com 4 graus de liberdade (at
aproximadamente 0.999 para parmetros de assimetria se aproximando de 2. A figura 3.14
exibe a variao das dependncias nas caudas com parmetro de assimetria 1 entre -1 e 0.8
em passos de .1 e 2 = 1 + 0.2
v=4
= 0.7
v=5
=1
= 0.9
=1
= 0.7
0.9
Dependncia na Cauda Superior
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
= 0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.2
0.4
0.6
0.8
0.2
D ep end nci a na C aud a I nf er io r
0.4
0.6
0.8
Dependncia na Cauda Inferior
Figura 3. 14. Variao da dependncia nas caudas inferior e superior por variaes na correlao (seta preta
tracejada), e parmetros de assimetria (setas vermelhas pontilhadas) 1 entre -1 e 0.8 em passos de .1, com
2 = 1 + 0.2 , v = 4 e v = 5
37
Dependncia nas Caudas
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
Inferior
Superior
5
7
Graus de Liberdade
12
Figura 3. 15. Variao da dependncia nas caudas inferior e superior atravs de variaes no grau de
liberdade, com = 0.7 e 1 = 2 = 0.4 .
A figura 3.15 mostra a reduo na dependncia nas caudas inferior e superior

conforme aumenta-se o nmero de graus de liberdade, com correlao e parmetros de
assimetria fixados em = 0.7 e 1 = 2 = 0.4 . Note que o grau de liberdade um
parmetro que influencia diretamente na dependncia nas caudas, sendo determinante para
sua existncia. Quando v obtm-se uma cpula normal assimtrica e, portanto, a
dependncia nas caudas reduz-se para zero, para quaisquer parmetros de assimetria e
quaisquer parmetros de correlao diferentes de 1.
Quando a correlao negativa (veja exemplo da distribuio na figura 3.11 e da
dependncia na cauda inferior segundo diferentes parmetros de assimetria na figura 3.16)
a dependncia nas caudas concentra-se em apenas uma direo, de acordo com o sinal dos
parmetros de assimetria. Nesse caso, mesmo que o parmetro de correlao seja igual a -1
a dependncia nas caudas decai para zero quando v .
Modelagem
38
1.0
0.6
parametro 2
0.5
0.5
0.4
0.0
0.3
0.2
-0.5
0.1
-1.0
0.0
-1.0
-0.5
0.0
0.5
1.0
parametro 1
Figura 3. 16. Dependncia na cauda inferior estimada atravs de simulao para funo de acoplamento tStudent Assimtrica com v = 5 , = 0,7 , e parmetros de assimetria ( 1 , 2 ) nos eixos. A cor distingue
dependncias nas caudas baixa ou nula (azul) at alta (acima de 0,6, em vermelho).
Uma propriedade da dependncia nas caudas da funo de acoplamento t-Student

Assimtrica a de que a assimetria na cauda inferior equivalente assimetria na cauda
superior quando os parmetros de assimetria possuem sinais inversos, ou seja,
Proposio 3.2: Seja C ST (u1 , u 2 ,..., u d ; v, P, ) uma funo de acoplamento t-Student
Assimtrica de d dimenses, onde P uma matriz de correlaes e = ( 1 , 2 ,..., d ) os

parmetros de assimetria. Se iinf, j (v, i , j , i , j ) o coeficiente de dependncia nas caudas
,j
inferior para a marginal bidimensional (i,j) desse acoplamento e isup
(v , i , j , i , j ) o
coeficiente de dependncia nas caudas superior para a marginal bidimensional (i,j) do

acoplamento, ento,
iinf, j (v, i , j , i , j ) = sup (v, , i , j ).
[3-49]
Foram calculadas as dependncias nas caudas para outros valores de parmetros

alm dos j citados e as principais concluses so:
39
Se os parmetros de assimetria para um par (i,j), ( i , j ) , i,j=1,...,d, i j so de

sinais contrrios, ou seja, um deles de valor negativo e o outro de valor positivo, o
par possuir dependncias nas caudas no nulas para correlaes positivas e grau de
liberdade pequeno (4 a 6, aproximadamente), decaindo rapidamente para zero
conforme se aumenta o grau de liberdade;
Conforme o valor absoluto dos parmetros de assimetria se aproxima de zero a

dependncia nas caudas se aproxima do caso da funo de acoplamento t-Student
Simtrica;
Com correlao igual a 1, parmetros de assimetria de valores iguais mostram

sempre dependncias nas caudas inferior e superior iguais a 1, mesmo para altos
graus de liberdade;
Diferentemente do que foi exposto em Sun et al (2008) o grau de liberdade um

parmetro importante para a determinao da dependncia nas caudas em uma
funo de acoplamento;
Aparecem nas figuras 3.12, 3.13, 3.14 e 3.16 dependncias nas caudas relativas
parmetros de assimetria entre -1 e 1. Porm esses parmetros podem assumir
valores maiores. Com v = 5 e = 0.7 obtm-se inf = 0.087 e sup = 0.953 com
1 = 2 = 2 e obtm-se inf = 0.138 e sup = 0.9712 com 1 = 2 = 4 , mostrando a

possibilidade de obteno de nveis ainda mais extremos dos que os que aparecem
nos grficos, cobrindo todo o retngulo (0,1) 2 .
3.2.3. Simulao da Funo de Acoplamento
A simulao de uma varivel aleatria distribuda de acordo com uma funo de

acoplamento ser realizada atravs de uma adaptao do mtodo de aceitao-rejeio
(Asmussen & Glynn, 2007, Cap. 2). Esse mtodo utiliza a funo densidade da funo de
acoplamento.
Modelagem
40
Algoritmo de Aceitao-Rejeio para Cpulas

Seja c(u1 , u 2 ) a funo densidade de uma funo de acoplamento C . A gerao de
um vetor aleatrio de distribuio C feita atravs de :
1. Gera-se 3 valores u1 , u 2 e w de distribuio Uniforme(0,1) independentes.
2. Se w c(u1 , u 2 ) / k , onde c(u , v) k , u , v [0,1] , aceita-se os valores u1 e u 2 .
Caso contrrio, retorna-se a 1.
3. O vetor (u1 , u 2 ) uma observao gerada da funo de acoplamento C .
4. Se FX ( x) e GY ( y ) so funes acumuladas de distribuies de probabilidade
quaisquer,
ento
( FX1 (u1 ), GY1 (u 2 ))
possui
estrutura
de
dependncia
determinada pela funo de acoplamento C e marginais f e g.

Veja que necessria a existncia da funo densidade da funo de acoplamento
para a operacionalizao desse mtodo, e que o mesmo facilmente expandido para
dimenses maiores. Especificamente para a funo de acoplamento t-Student Assimtrica a
funo densidade apresentada na proposio 3.2.
Proposio 3.2. Seja C ST (u1 , u 2 ,..., u d ; v, P, ) como definida na equao [3-33] a densidade
da funo de acoplamento t-Student Assimtrica, denotada por cST (u1 , u 2 ,..., u d ; v, P, )

dada por:
cST (u1 , u 2 ,..., u d ; v, P, ) =
.
st 2 ( ST11 (u1 ; v,0,1, 1 ),..., ST11 (u d ; v,0,1, d ); v, P, )
1
1
st1 ( ST1 (u1 ; v,0,1, 1 ); v,0,1, 1 )...st1 ( ST1 (u d ; v,0,1, d ); v,0,1, d )
[3-50]
Prova: A funo densidade de uma funo de acoplamento C dada por:
c(u1 , u 2 ,..., u d ) =
d C (u1 , u 2 ,..., u d )
u1u 2 ...u d
Ento, pela regra da cadeia e teorema da funo inversa (Stewart, 2002),
[3-51]
3.3. Estimao da Funo de Acoplamento
cST (u1 , u 2 ,..., u d ; v, P, ) =
41
d C ST (u1 , u 2 ,..., u d ; v, P, )
=
u1u 2 ...u d
d STd ( ST11 (u1 ; v,0,1, 1 ), ST11 (u 2 ; v,0,1, 2 ),..., ST11 (u d ; v,0,1, d ); v,0, P, )
=
=
u1u 2 ...u d
st 2 ( ST11 (u1 ; v,0,1, 1 ),..., ST11 (u d ; v,0,1, d ); v, P, )
=
.
st1 ( ST11 (u1 ; v,0,1, 1 ); v,0,1, 1 )...st1 ( ST11 (u d ; v,0,1, d ); v,0,1, d )
[3-52]
[3-53]
A figura 3.17 mostra uma simulao de 1000 valores da funo de acoplamento tStudent assimtrica com v = 7 , = 0.8 e ( 1 , 2 ) = (0.8 , 0.8) e v = 7 , = 0.8 e
0.0
0.0
0.2
0.2
0.4
0.4
U2
U2
0.6
0.6
0.8
0.8
1.0
1.0
( 1 , 2 ) = (-0.8 , 0.8).
0.0
0.2
0.4
0.6
0.8
1.0
0.0
U1
0.2
0.4
0.6
0.8
1.0
U1
Figura 3. 17. Pontos simulados da Funo de Acoplamento t-Student Assimtrica com parmetros
= 0 .8
( 1 , 2 ) = (0.8 , 0.8) e v = 7 , = 0.8 e ( 1 , 2 ) = (-0.8 , 0.8)
v = 7,
Pode-se observar que, aparentemente, o mtodo de aceitao-rejeio produz

simulaes condizentes com a densidade terica, apresentadas nas figuras 3.8 e 3.9.

A estimao paramtrica dessa funo de acoplamento seguir os mtodos IFM
(Inference Function for Margins Inferncia nas funes marginais) que realiza a
estimao por mxima verossimilhana das marginais, seguindo distribuies paramtricas
pr-determinadas, maximizando, posteriormente, a verossimilhana baseada na densidade
da funo de acoplamento, e o mtodo de Mxima Verossimilhana Cannica, que utiliza a
Modelagem
42
distribuio emprica nas marginais, obtendo a mxima verossimilhana da densidade da

funo de acoplamento.
Mtodo IFM
Sejam ( X 1 , X 2 ,..., X d ) um vetor aleatrio d-dimensional de distribuio conjunta
C ST ( FX1 ( x 2 ;1 ), FX 2 ( x 2 ; 2 ),..., FX d ( x d ; d ); v, P, ) ,
onde
FX1 , FX 2 ,..., FX d
so
as
distribuies marginais de X 1 , X 2 ,..., X d respectivamente.

Primeiro estgio: Realiza-se a estimao dos parmetros das marginais FX i , pelo
mtodo de mxima verossimilhana:

T
i = arg max ln f X ( xi ,t ;i ) , i=1,...,d.
t =1
[3-54]
No segundo estgio, estima-se o parmetro = (v, P, ) utilizando o mtodo de

mxima verossimilhana condicionado ao que foi obtido no primeiro estgio. Ento,
T
= arg max ln cst ( F1 ( x1,t ; 1 ),..., Fn ( xn ,t ; n ); ) .
[3-55]
t =1
Mtodo de Mxima Verossimilhana Cannica

Primeiro Estgio: Primeiramente usa-se a distribuio emprica para estimar as
distribuies marginais (abordagem no-paramtrica, ou seja, nenhuma suposio feita

sobre as distribuies marginais).
Definio 3.7: Seja Y1 ,..., Yn uma amostra aleatria da varivel Y , que tem distribuio F .
A funo distribuio emprica de Y dada por

Fn ( y ) =
1
n
1{Y (, y ]} .
i =1
[3-56]
Utilizando a distribuio emprica, transforma-se o conjunto de dados ( x1,i ,..., x n,i ) ,

i = 1,2,...d , em variveis aleatrias uniformes (u1,i ,..., u n,i ) . Pela teoria de probabilidades,
43
U i = FXi1 ( X ) ~ U (0,1) , se FX i contnua, ento u i = Fn1 ( xi ) , i = 1,2,...d , em que Fn a

distribuio emprica de X .
Segundo Estgio: Estima-se o parmetro = (v, , 1 , 2 ) da seguinte forma:
T
= arg max ln cst (u1,t ,..., u n,t ; ) .
[3-57]
t =1
Para simulaes diretas da funo de acoplamento bivariada obtm-se vetores

aleatrios bivariados cujas marginais so Uniformes (0,1). Nesse caso, a estimao
realizada apenas atravs do segundo estgio dos mtodos IFM ou Mxima Verossimilhana
Cannica, que nesse caso so equivalentes.
Alm do exposto, o objetivo desta seo apresentar um estudo das propriedades
dos estimadores dos parmetros da distribuio t-Student Assimtrica e da funo de
acoplamento t-Student Assimtrica bivariada e 3-variada. Inicialmente sero discutidos
brevemente os algoritmos utilizados na estimao de parmetros. Esse estudo necessrio
pois se observaram diferentes resultados na otimizao dos parmetros atravs de
variaes, por exemplo, de valores iniciais, o que indicaria uma falta de regularidade das
funes de verossimilhana empregadas. Outro fato de grande importncia o tempo de
execuo dos algoritmos, que de aproximadamente 10 minutos para a otimizao de uma
funo de acoplamento 3-variada, com preciso mdia (a preciso do algoritmo ser
discutida na seo 3.3.1 e 3.3.6).
Este estudo organizado em: a) Comentrios sobre os algoritmos auxiliares da
verossimilhana e da funo de verossimilhana (seo 3.3.1), b) Seleo de valores
Iniciais (seo 3.3.2) c) Estimao de parmetros das distribuies marginais (seo 3.3.3),
e d) Estimao de parmetros das funes de acoplamento Bivariada e Trivariada (sees
3.3.4 e 3.3.5). Toda a programao foi realizada atravs do software estatstico R-2.7.1.
Modelagem
44
3.3.1. Comentrios sobre Algoritmos
As ferramentas computacionais utilizadas podem ser distribudas em 3 classes

principais: algoritmos de otimizao, funes auxiliares e funes de verossimilhana. Na
classe de otimizao se encontram os mtodos computacionais que, dada uma determinada
funo objetivo, encontram o ponto mximo ou mnimo da funo. Os algoritmos de
otimizao testados foram o mtodo Simplex (Nelder & Mead, 1965, que a busca pelo
valor timo baseado em um elemento geomtrico que possui n+1 vrtices para n
dimenses), o mtodo quasi-Newton (Byrd et al., 1995, atravs da aproximao da funo
por um polinmio e ajuste da primeira e segunda derivadas para encontrar o ponto de
gradiente nulo), e o mtodo de gradientes conjugados (Fletcher & Reeves, 1964, atravs do
gradiente em um ponto determina-se a direo de maior crescimento da funo). O mtodo
de Nelder & Mead (1965) foi o que mostrou os melhores resultados dentre os mtodos
implementados no software estatstico R para as otimizaes de parmetros nas simulaes
realizadas, e seus resultados sero apresentados neste texto.
Dentro da classe das funes auxiliares esto os algoritmos que calculam as
distribuies de probabilidade, funes densidade e acumulada da distribuio t-Student
Assimtrica e sua funo de acoplamento, as funes de gerao de variveis aleatrias e
outras que fazem clculo da funo acumulada e sua inversa para a distribuio t-Student
Assimtrica, dado um conjunto de parmetros. A necessidade da programao de cada uma
dessas funes adveio da ausncia de pacotes que incluam essa distribuio. Foram
programadas tambm as funes de verossimilhana, construdas a partir das funes
auxiliares.
Dentre as funes auxiliares, a funo que calcula a inversa da funo acumulada
a que contribui mais drasticamente para o aumento no tempo de execuo de uma
otimizao. Dado um conjunto de parmetros da distribuio t-Student Assimtrica, essa
funo constri uma matriz de duas colunas (quants da distribuio e percents da funo
acumulada). Essa matriz possui nmero de linhas relativo ao nmero de casas decimais que
se deseja considerar para os quants, e tambm relativo ao valor inicial e final considerado
45
para os quants da distribuio. Por exemplo, quants entre -120 e 120 com passos de 0.002
implicam em uma matriz de 120000 linhas e duas colunas (x e P( X x) , onde X
distribuda pela distribuio t-Student Assimtrica). Essa seleo garante que a soma
cumulativa da probabilidade em -120 seja prxima de zero e em 120, prxima de 1.
Em uma otimizao o clculo dessa matriz deve ser realizado um nmero suficiente
de vezes at que se encontre o parmetro mais adequado para o conjunto de dados. Alm
disso, se um conjunto de dados possui percents, o algoritmo deve encontrar os quants
correspondentes. O tamanho do passo (p.ex. 0.002) para a construo do vetor de quants
relacionado ao vetor de probabilidades acumuladas foi considerado a preciso desse
algoritmo. Maior preciso implica em um vetor maior, e maior tempo de processamento.
Maiores detalhes sobre preciso sero dados na seo 3.3.6.
3.3.2. Valores Iniciais
A seleo de valores iniciais para os algoritmos de otimizao de fundamental

importncia para que se possa encontrar a estimativa de mxima verossimilhana para as
funes de acoplamento t-Student Assimtricas. Esse fato causado pela falta de
regularidade (suavidade) da funo de verossimilhana do acoplamento em alguns dos
parmetros. Para contornar esse problema, no caso bivariado pode-usar um mtodo de
"grid", otimizando a mxima verossimilhana nos parmetros de assimetria e correlao
para vrios graus de liberdade, distantes em algum nvel um do outro (por exemplo, de 4 a
20 de 2 em 2).
Seleciona-se as 3 estimativas de maior verossimilhana e refina-se os graus de
liberdade a partir do maior intervalo composto por essas 3 estimativas. Esse passo
repetido at que se obtenha um grau de liberdade com nmero de casas decimais desejado.
Junto com ele vm sub-estimativas dos outros parmetros do acoplamento. Todos esses
valores so ento utilizados como valor inicial para a otimizao completa da cpula
bivariada.
Modelagem
46
Existe a a possibilidade de que se encontre um bom valor inicial para o grau de

liberdade e no para os parmetros de assimetria (exclui-se do problema o parmetro de
correlao pelo bom comportamento deste na verossimilhana). Poderia ser necessrio
utilizar um mtodo de "grid" tambm para esses parmetros. Entretanto o custo
computacional seria demasiado e essa alternativa foi descartada, e empiricamente,
observou-se pelas simulaes que a seleo de um bom valor inicial para o grau de
liberdade j traz estimativas do parmetro de assimetria vlidas para serem utilizadas como
valor inicial na estimao completa.
No caso trivariado a funo de verossimilhana completa aumenta de 4 parmetros
(2 de assimetria, correlao e graus de liberdade) a serem estimados para 7 (adio de 1
parmetro de assimetria e 2 de correlao). Conforme a ordem da funo de acoplamento
elevada aumentam-se sempre mais 1 parmetro de assimetria e mais (ordem - 1) parmetros
de correlao (na 4 ordem aumentam-se mais 3 parmetros de correlao). Pensou-se na
possibilidade de usar, nas estimativas de parmetros por mxima verossimilhana da funo
de acoplamento de ordem 3 ou mais, os parmetros de correlao fixados nas correlaes
estimadas pelo caso bivariado. Isso significa organizar um algoritmo com a seguinte
seqncia de eventos:
1) Estimar parmetros da funo de acoplamento bivariada para cada par (no caso 3variado, so 3 pares, no caso 4-variado, so 6 pares, etc.).
2) Estimar parmetros da funo de acoplamento de ordem superior, mantendo fixos
os parmetros de correlao nos estimados em (1), com valores iniciais definidos
pelas outras estimativas de parmetros de (1).
3) Utilizar os parmetros estimados em (2) e mais os parmetros de correlao
estimados em (1) como valores iniciais para uma estimao completa do
acoplamento de ordem superior.
O segundo passo sugere que a correlao estimada pela cpula bivariada prximo
do parmetro estimado pela funo de ordens superiores. Para ilustrar esse fato a figura
3.18 mostra o resultado da estimao bivariada da correlao em 170 simulaes de 2000
47
valores da funo de acoplamento t-Student Assimtrica 3-variada contra os parmetros
0.6
0.4
0.0
0.2
Estimao 3-Variada
0.8
1.0
estimados da cpula 3-variada.
0.0
0.2
0.4
0.6
0.8
1.0
Estimao Bivariada
Figura 3. 18. Parmetros de correlao verdadeiros de 170 simulaes da funo de acoplamento t-Student
Assimtrica 3-variada contra parmetros estimados pela cpula bivariada
Nota-se que as estimativas dos parmetros estimados pelo acoplamento 3-variado

so centradas nos estimados pelo acoplamento bivariado, embora que, para correlaes
baixas exista uma disperso maior da estimativa contra os valores verdadeiros.
O uso do algoritmo descrito acima at o passo 2 j vem gerando resultados
adequados na estimao de parmetros da cpula 3-variada. Existe a possibilidade de se
estudar modelos com dimenses superiores, at que se chegue no limite computacional de
estimao.
3.3.3. Estimao da Distribuio t-Student Assimtrica Univariada
A estimao de parmetros da distribuio t-Student Assimtrica univariada, que

ser utilizada como distribuio marginal das funes de acoplamento, como foi visto na
seo 3.1.2, realizada atravs dos mtodos de momentos ou mxima verossimilhana. Os
mtodos tornam-se de difcil tratamento analtico quando so necessrias as estimaes,
alm dos parmetros de graus de liberdade e de assimetria, dos parmetros de posio e
escala.
Modelagem
48
Exemplo 3.1 a) Foram simuladas 1000 amostras com 1000 observaes de uma
distribuio t-Student assimtrica de parmetros v=5.76 e = 0.68 e os parmetros

estimados pelo mtodo de momentos e tambm pelo mtodo de mxima verossimilhana
(Tabela 3.1). Veja que, embora a variabilidade das estimativas seja elevada, principalmente
nas estimativas pelo mtodo de momentos, a mdia prxima do valor verdadeiro, tanto
nos graus de liberdade, quanto no parmetro de assimetria.
Tabela 3. 1. Mdia e disperso dos parmetros estimados pelo mtodo de momentos e pelo mtodo de
mxima verossimilhana para mil simulaes distintas de 1000 valores da distribuio t-Student Assimtrica
de parmetros v=5.76 e = .68.
Graus Liberdade
Assimetria
M. Momentos
M. Verossim.
M. Momentos M. Verossim.
Verdadeiro
5.76
5.76
0.68
0.68
Mdia
6.0698
5.8099
0.6965
0.6824
Desvio Padro
0.5874
0.4769
0.0377
0.0300
Erro Quad. Mdio
0.4407
0.2297
0.0017
0.0009
As estimativas pelo mtodo de momentos so menos precisas e mais dispersas do

que pelo mtodo de mxima verossimilhana, quando so estimados apenas os graus de
liberdade e parmetro de assimetria. O Exemplo 3.1 b) mostra a estimao por mxima
verossimilhana dos parmetros graus de liberdade, assimetria, posio e escala. No so
apresentadas as estimativas dos 4 parmetros pelo mtodo de momentos pois, atravs das
equaes [3-18] a [3-21] o mtodo divergiu em todas as amostras realizadas.
A estimao de parmetros de posio e escala pela mxima verossimilhana para a
distribuio t-Student Assimtrica univariada, embora seja mais complexa no sentido de
envolver a funo de Bessel, apresentou otimizaes razoveis dos parmetros de posio,
escala, assimetria e graus de liberdade, como ser apresentado.
Exemplo 3.1 b) Foram simulados 1000 amostras de 500 observaes ,1000 amostras de
1000 observaes, 1000 amostras de 3000 observaes e mais 1000 amostras com 10000
simulaes, todos com 5.76 graus de liberdade, parmetro de assimetria no valor de 0.68,
posio em 0.75 e escala em 1.75. Na tabela 3.2 observam-se os parmetros estimados.
Para cada um desses conjuntos foram estimadas as matrizes hessianas que, atravs da raiz
49
de sua inversa do uma estimativa do desvio padro para a estimativa dos parmetros.
Sero comparados os desvios padro da matriz hessiana com o amostral (Tabela 3.3).
Tabela 3. 2. Parmetros estimados, desvio padro, erro quadrtico mdio das estimativas por mxima
verossimilhana dos parmetros da distribuio t-Student Assimtrica univariada, com 5.76 graus de
liberdade, e parmetro de assimetria no valor de 0.68, posio em 0.75 e escala em 1.75 para 1000 replicaes
de 500, 1000, 3000 e 10000 observaes.
Verdadeiro
Mdia
Mediana
Desvio Padro
Erro Quad. Mdio
500
5.76
5.9939
5.8402
1.3634
1.9118
Graus de Liberdade
1000
3000
5.76
5.76
5.9852
5.7833
5.8639
5.7309
1.0351
0.6726
1.1210
0.4525
10000
5.76
5.7615
5.7706
0.4078
0.1661
500
0.68
0.7173
0.6929
0.2091
0.0451
Assimetria
1000
3000
0.68
0.68
0.7143
0.6839
0.6980
0.6756
0.1731
0.1315
0.0311
0.0173
10000
0.68
0.6807
0.6822
0.0769
0.0059
Verdadeiro
Mdia
Mediana
Desvio Padro
Erro Quad. Mdio
500
0.75
0.7033
0.7187
0.2414
0.0604
Posio
1000
3000
0.75
0.75
0.7127
0.7474
0.7225
0.7576
0.1960
0.1494
0.0398
0.0223
10000
0.75
0.7505
0.7507
0.0869
0.0075
500
1.75
1.7396
1.7371
0.0848
0.0073
Escala
1000
3000
1.75
1.75
1.7440
1.7474
1.7443
1.7500
0.0598
0.0362
0.0036
0.0013
10000
1.75
1.7493
1.7507
0.0220
0.0005
Para uma amostra relativamente pequena (500 observaes) observou-se que existe
um afastamento da mdia das estimativas do grau de liberdade e parmetro de assimetria
com relao aos parmetros utilizados nas simulaes. Entretanto, no caso do parmetro de
graus de liberdade a mediana mostra um afastamento menos acentuado, o que uma
indicativa de que o procedimento de otimizao para pequeno nmero de observaes pode
gerar estimativas muito distantes do valor verdadeiro. De fato, como se pode observar na
figura 3.19 e 3.20, que mostram a disperso das estimativas do grau de liberdade para 500,
1000, 3000 e 10000 observaes, as estimativas podem assumir valores muito acima do
verdadeiro para poucas informaes, reduzindo a variabilidade na estimao conforme se
aumenta o nmero de observaes. Observa-se tambm que com um nmero maior de
observaes simuladas obtm-se estimativas mais precisas e de menor variabilidade para
todos os parmetros.
Modelagem
50
1000
0.3
Densidade
0.2
0.15
0.0
0.00
0.05
0.1
0.10
Densidade
0.20
0.4
0.25
0.5
0.30
500
10
12
14
16
Graus de Liberdade
10
12
14
16
Graus de Liberdade
Figura 3. 19. Graus de liberdade estimados em 1000 simulaes de 3000 observaes da distribuio tStudent Assimtrica com 5.76 graus de liberdade (linha azul), parmetro de assimetria no valor de 0.68,
posio em 0.75 e escala em 1.75. A linha vermelha a mdia das estimativas.
10000
0.8
0.0
0.0
0.1
0.2
0.2
0.4
0.6
Densidade
0.4
0.3
Densidade
0.5
0.6
1.0
0.7
3000
Graus de Liberdade
Graus de Liberdade
Figura 3. 20. Histograma dos graus de liberdade estimados em 1000 simulaes de 3000 e 10000
observaes da distribuio t-Student Assimtrica com 5.76 graus de liberdade (linha azul), parmetro de
assimetria no valor de 0.68, posio em 0.75 e escala em 1.75. A linha vermelha a mdia das estimativas.
A tabela 3.3 mostra o desvio padro mdio estimado atravs da matriz hessiana,
juntamente com medidas de variabilidade do desvio padro estimado para as simulaes
realizadas com 500, 1000, 3000 e 10000 observaes.
51
simulaes de 500, 1000, 3000 e 10000 observaes da distribuio t-Student Assimtrica univariada, com
5.76 graus de liberdade, e parmetro de assimetria no valor de 0.68, posio em 0.75 e escala em 1.75.
Amostral
Mdia
Mediana
Desvio Padro
500
1.3634
1.3303
1.1953
0.6973
Graus de Liberdade
1000
3000
1.0351
0.6726
1.0014
0.5798
0.9492
0.5738
0.3304
0.1325
10000
0.4078
0.3195
0.3203
0.0456
500
0.2091
0.1926
0.2157
0.1539
Assimetria
1000
3000
0.1731
0.1315
0.1736
0.1159
0.1961
0.1197
0.0943
0.0361
10000
0.0769
0.0662
0.0671
0.0108
Amostral
Mdia
Mediana
Desvio Padro
500
0.2414
0.2268
0.2640
0.1658
Posio
1000
3000
0.1960
0.1494
0.2016
0.1317
0.2285
0.1385
0.1002
0.0428
10000
0.0869
0.0756
0.0772
0.0139
500
0.0848
0.0856
0.0853
0.0069
Escala
1000
3000
0.0598
0.0362
0.0608
0.0353
0.0607
0.0353
0.0027
0.0010
10000
0.0220
0.0194
0.0194
0.0004
Observe a reduo da mdia e mediana do desvio padro quando aumenta-se o

nmero de observaes e que os desvios padro das estimaes com 500 observaes so
de 3 a 5 vezes maiores do que com 3000 ou 10000 observaes. A aproximao normal,
conjuntamente com o Hessiano so utilizados para construir intervalos de confiana para as
estimativas. Atravs de simulaes ser analisado se essa aproximao vlida. Ser
verificado, para um determinado nvel, o percentual de intervalos de confiana construdos
que cobrem o valor verdadeiro comparando-se com o percentual nominal (ou seja, se foi
construdo um intervalo de confiana de 95%, espera-se que em aproximadamente 95% das
simulaes o valor verdadeiro esteja dentro desse intervalo). A tabela 3.4 mostra os
percentuais observados para intervalos de confiana de nveis 90%, 95%, 97.5% e 99%.
verdadeiro parmetro nas estimativas realizadas em 1000 simulaes de 500, 1000, 3000 e 10000 observaes
da distribuio t-Student Assimtrica univariada, com 5.76 graus de liberdade, e parmetro de assimetria no
valor de 0.68, posio em 0.75 e escala em 1.75.
90.00%
95.00%
97.50%
99.00%
500
93.24%
96.44%
99.29%
99.47%
Graus de Liberdade
1000
3000
94.09%
91.66%
96.06%
96.05%
98.03%
97.48%
98.82%
98.79%
10000
87.56%
93.63%
97.23%
98.56%
500
98.40%
98.93%
99.47%
99.64%
Assimetria
1000
3000
98.43%
93.30%
99.21%
96.93%
100.00%
98.13%
100.00%
99.45%
10000
90.54%
95.07%
97.64%
99.08%
90.00%
95.00%
97.50%
99.00%
500
99.47%
99.47%
99.47%
99.47%
Posio
1000
3000
100.00%
92.65%
100.00%
97.59%
100.00%
99.23%
100.00% 100.00%
10000
90.44%
95.89%
98.25%
98.87%
500
93.06%
96.62%
98.75%
99.29%
Escala
1000
3000
91.08%
91.77%
95.01%
96.27%
97.64%
97.91%
98.82%
99.23%
10000
89.93%
95.07%
97.33%
99.18%
Modelagem
52
A tabela 3.4 indica que os intervalos de confiana foram sobreestimados para

amostras com 500 e 1000 observaes. Possivelmente a matriz hessiana ficou subestimada
por conta do baixo nmero de observaes nas simulaes. Para um nmero maior de
observaes nota-se que a existncia do valor verdadeiro dos parmetros dentro dos
intervalos de confiana das estimativas, de acordo com os nveis estabelecidos.
3.3.4. Estimao da Distribuio t-Student Assimtrica de 2 e 3 Dimenses
Exemplo 3.2 a) Foram simulados 3000 valores de uma distribuio t-Student Assimtrica
de parmetros v = 8.35 , = 0.77 e assimetria ( 1 , 2 ) = (0.67 , -0.32). A figura 3.21

mostra a disperso dos pontos simulados, juntamente com os contornos da funo
densidade terica com esses parmetros.
0.02
4
0.0
8
0.0
0.2
0.0
-2
X[,2]
0.09
6
0.0
5
0.0
0.03
-8
-6
-4
0.01
10
X[,1]
Figura 3. 21. Disperso de pontos simulados e contornos da Distribuio t-Student Assimtrica com
parmetros v = 8.35 , = 0.77 e assimetria ( 1 , 2 ) = (0.67 , -0.32).
Como feito no caso univariado, sero estimados os parmetros atravs dos dados
simulados pelos mtodos de momentos e mxima verossimilhana, para 1000 replicaes
da simulao acima. Os parmetros estimados por esses mtodos so exibidos na tabela 3.5.
53
Tabela 3. 5. Parmetros estimados pelo mtodo de momentos generalizado e pelo mtodo de mxima
verossimilhana para 1000 amostras aleatrias distintas de 3000 valores da distribuio t-Student Assimtrica
bivariada de parmetros v = 8.35 , = 0.77 e assimetria ( 1 , 2 ) = (0.67 , -0.32).
Graus de Liberdade
Assimetria 1
M.V.
M.M.G.
M.V.
M.M.G.
Verdadeiro
8.35
8.35
0.67
0.67
Mdia
8.3899
8.4319
0.6712
0.6696
Desvio Padro
0.6840
0.9721
0.0314
0.0351
Erro Quad. Mdio
0.4690
0.9507
0.0010
0.0012
M.V.: Mxima Verossimilhana
M.M.G.: Mtodo de Momentos Generalizado
Assimetria2
M.V.
M.M.G.
-0.32
-0.32
-0.3180
-0.3194
0.0286
0.0283
8.23E-04 8.00E-04
Correlao
M.V.
M.M.G.
0.77
0.77
0.7697
0.7721
0.0167
0.0595
2.79E-04 3.54E-03
Novamente, maior variabilidade na estimao dos parmetros observada nas

estimativas pelo mtodo de momentos principalmente na estimativa do grau de liberdade.
Mesmo assim, ao cabo de 1000 simulaes a mdia da estimao conjunta dos 4
parmetros da distribuio foi prxima entre os dois mtodos de estimao. Importante
ressaltar que o uso do mtodo de momentos atravs das funes do 1 e 2 momentos s
vlido se os dados no forem padronizados, caso contrrio esse mtodo retorna valores
triviais (4 graus de liberdade, parmetros de assimetria e correlao nulos), j que esto
sendo desprezados os parmetros de posio e escala. A correlao entre as estimativas
pelo mtodo de momentos e as estimativas por mxima verossimilhana neste caso so de
0.85, para os graus de liberdade.
Exemplo 3.2 b) Para exemplificar o uso da distribuio t-Student Assimtrica em maiores
dimenses foram realizadas 1000 replicaes de amostras aleatrias de tamanho 3000 da

distribuio t-Student Assimtrica de 3 dimenses. As mdias e disperso das estimativas
por mxima verossimilhana dos parmetros pelo algoritmo trivariado e pelo algoritmo
bivariado figuram nas tabelas 3.6 e 3.7.
Tabela 3. 6. Parmetros estimados pelo mtodo de mxima verossimilhana para 1000 replicaes de 3000
amostras da distribuio t-Student Assimtrica 3-variada de parmetros v = 6.23 , 1, 2 = 0.71 ,
1,3 = 0.33 , 2,3 = 0.23
e assimetria
g.l.
Verdadeiro
6.23
Mdia
6.283
Desvio Padro
0.474
Erro Quad. Mdio 2.31E-01
( 1 , 2 , 3 ) = (0.78 , -0.67 , -0.43).
Assim. 1
0.78
0.807
0.029
2.85E-03
Assim. 2
-0.67
-0.702
0.029
3.84E-03
Assim. 3
-0.43
-0.431
0.028
7.94E-04
Corr. 1,2
0.71
0.734
0.028
1.97E-03
Corr. 1,3
0.33
0.328
0.035
1.24E-03
Corr. 2,3
0.23
0.230
0.032
1.05E-03
Modelagem
54
1,3 = 0.33 , 2,3 = 0.23
e assimetria
( 1 , 2 , 3 ) = (0.78 , -0.67 , -0.43). Estimao para marginais
bidimensionais.
g.l.
Verdadeiro
6.23
Mdia
6.289
Desvio Padro
0.488
Marginal Bidimensional 1
Assim. 1 Assim. 2 Corr. 1,2
0.78
-0.67
0.71
0.858
-0.764
0.757
0.024
0.027
0.035
6.60E-03 9.61E-03 3.44E-03
g.l.
Verdadeiro
6.23
Mdia
6.290
Desvio Padro
0.533
-0.67
-0.43
0.23
-0.670
-0.430
0.230
0.033
0.029
0.034
1.06E-03 8.31E-04 1.13E-03
g.l.
6.23
6.285
0.451
2.06E-01
0.78
-0.43
0.33
0.782
-0.431
0.329
0.032
0.028
0.036
1.03E-03 8.01E-04 1.32E-03
Dessas tabelas interessante notar que as estimativas dos parmetros das marginais
bivariadas so prximas das estimativas dos parmetros obtidas de forma completa (3variada). Esse fato ser utilizado no contexto de cpulas, principalmente no caso dos
parmetros de correlao, para permitir o aumento do nmero de dimenso sem aumentar
demasiadamente o custo computacional. A correlao entre as estimativas do grau de
liberdade no caso 3-variado e as estimativas no caso bivariado so em torno de 0.75.
O objetivo de se estudar a estimao de parmetros da distribuio t-Student
Assimtrica de dimenses maiores do que 1 dar uma base para a criao de mtodos
computacionais para a estimao de parmetros da funo de acoplamento baseada nessa
distribuio, alm de mostrar praticamente propriedades da distribuio, como a
hereditariedade dos parmetros da distribuio 3-variada para suas marginais bivariadas e
univariadas.
3.3.5. Estimao de Parmetros do Acoplamento Bivariado
Exemplo 3.3 a) A tabela 3.8 mostra a mdia e disperso das estimativas dos parmetros de
200 simulaes de 3000 observaes da funo de acoplamento t-Student Assimtrica com

parmetros v = 6.85 , = 0.81 e ( 1 , 2 ) = (-0.78 , - 0.67) .
55
Tabela 3. 8. Parmetros estimados por mxima verossimilhana de 200 simulaes distintas de 3000 valores
da funo de acoplamento t-Student Assimtrica bivariada de parmetros v = 6.85 , = 0.81 e
( 1 , 2 ) = (-0.78 , - 0.67) .
Verdadeiro
Mdia
Desvio Padro
Erro Quad. Mdio
g.l.
6.85
6.978
0.115
2.98E-02
Assim. 1
-0.78
-0.726
0.071
7.93E-03
Assim. 2 Correlao
-0.67
0.81
-0.628
0.809
0.080
0.011
8.14E-03 1.29E-04
Veja que na tabela ainda no aparecem menes a respeito de resultados distintos

dos mtodos IFM ou Mxima Verossimilhana Cannica. Isso devido ao fato de que as
simulaes obtidas pelo mtodo de aceitao-rejeio j so percents de uma distribuio
marginal, ou seja, so quants da distribuio Uniforme (0,1), que so diretamente aplicados
ao algoritmo de otimizao de parmetros da funo de acoplamento. Isso significa que o
exemplo de otimizao exposto relativo a simulaes da prpria distribuio (conjunta de
marginais uniformes) que a funo de acoplamento. Observe que os parmetros de
assimetria foram estimados em mdia abaixo do valor verdadeiro, e que a correlao ficou
prxima do valor real.
O prximo exemplo utiliza simulaes da funo de acoplamento, porm com a
transformao das marginais uniformes para as distribuies marginais NormalAssimtricas e t-Student Assimtricas, com posterior estimao dos parmetros pelos
mtodos IFM e Mxima Verossimilhana Cannica. Em princpio espera-se que, se a
estimao dos parmetros das distribuies marginais, no caso do mtodo IFM, estiver
correta, obter, aps a transformada integral de probabilidade, percents prximos aos
simulados, dessa forma obter-se-ia, para um nmero suficiente de simulaes, estimativas
dos parmetros condizentes com os parmetros utilizados para a simulao.
Exemplo 3.3 b): Foram realizadas 100 amostras de 3000 observaes da funo de
acoplamento
t-Student
Assimtrica
com
parmetros
v = 7.21 ,
= 0.65
( 1 , 2 ) = (-0.48 , - 0.72) , sendo as marginais Uniforme(0,1) transformadas na distribuio

Normal-Assimtrica com parmetros = 0.43 , = 0.81 e = 2.21 , e na distribuio tStudent Assimtrica com parmetros v = 5.35 , = 0.86 . As tabelas 3.9 e 3.10 exibem
Modelagem
56
estimaes dos parmetros das marginais e da funo de acoplamento pelo mtodo IFM e
da funo de acoplamento pelo mtodo de Mxima Verossimilhana Cannica.
Tabela 3. 9. Parmetros estimados pelo mtodo IFM para 100 simulaes distintas de 3000 valores da funo
de acoplamento t-Student Assimtrica bivariada de parmetros v = 7.21 , = 0.65 e
( 1 , 2 ) = (-0.48 , - 0.72) com marginal 1: Normal-Assimtrica com parmetros = 0.43 , = 0.81 e

= 2.21 , e marginal 2: t-Student Assimtrica com parmetros v = 5.35 , = 0.86 .
Marginal Normal Assimet.
Marg. T-Student Assimet.
Posio
Escala
Assimetria
G.l.
Assimetria
0.43
0.81
2.21
5.35
0.86
0.4221
0.8152
2.4013
5.4988
0.8739
0.0135
0.0156
0.1289
0.2627
0.0218
0.0002
0.0003
0.0529
0.0898
0.0007
Verdadeiro
Mdia
Desvio Padro
Erro Quad. Mdio
Verdadeiro
Mdia
Desvio Padro
Erro Quad. Mdio

Assimetria 1 Assimetria 2 Correlao Graus Lib.
-0.48
-0.72
0.65
7.21
-0.4178
-0.6609
0.6524
7.6335
0.0965
0.1253
0.0177
0.9890
0.0130
0.0189
0.0003
1.1378
distintas de 3000 valores da funo de acoplamento t-Student Assimtrica bivariada de parmetros v = 7.21 ,
= 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) com marginal 1: Normal-Assimtrica com parmetros = 0.43 ,

= 0.81 e = 2.21 , e marginal 2: t-Student Assimtrica com parmetros v = 5.35 , = 0.86 .
Verdadeiro
Mdia
Desvio Padro
Erro Quad. Mdio

Assimetria 1 Assimetria 2 Correlao Graus Lib.
-0.48
-0.72
0.65
7.21
-0.4059
-0.6856
0.6588
8.6681
0.1268
0.1680
0.0171
1.6097
0.0212
0.0288
0.0004
4.6654
Novamente observa-se a subestimao dos parmetros pelo mtodo de mxima

verossimilhana cannica, indicando que a seleo do mtodo para estimao influencia
nos resultados obtidos. Em geral o grau de liberdade foi estimado com maior preciso e
menor variabilidade pelo mtodo IFM.
Foram estimadas as matrizes hessianas com o intuito de calcular o desvio padro
das estimativas dos parmetros do acoplamento baseado na distribuio t-Student
Assimtrica. A tabela 3.11 mostra os desvios padro estimados atravs da matriz hessiana
57
para os mtodos IFM e Mxima Verossimilhana Cannica. Aparecem tambm na tabela

os desvios padro calculados para as 100 estimaes de parmetros.
simulaes de 3000 observaes da distribuio t-Student Assimtrica bivariada de parmetros v = 7.21 ,
= 0.65
( 1 , 2 ) = (-0.48 , - 0.72) .
Amostral
Mdio
Mediano
Desvio Padro
Assimetria 1 Assimetria 2
0.0965
0.1253
0.0068
0.0075
0.0063
0.0066
0.0021
0.0035
Correlao
0.0177
0.0101
0.0100
0.0005
Graus Lib.
0.9890
0.0092
0.0086
0.0028
Observe que o desvio padro mdio calculado atravs do hessiano obtido

automaticamente pelo algoritmo de otimizao para cada simulao muito inferior do que
o desvio padro das estimativas. Isso sugere que a funo de verossimilhana no uma
funo suave para pequenas variaes (deltas) dos parmetros. Isso significa que, para
chegar em uma estimativa que maximize a funo de verossimilhana devem-se considerar
passos entre estimativas de tamanhos suficientes, de forma a evitar a ocorrncia de
otimizaes em pontos mximos locais (e buscar o mximo global).
Em termos de estimativa do desvio padro descobriu-se que os algoritmos de
otimizao da funo de verossimilhana utilizavam, no mtodo numrico de clculo das
segundas derivadas da funo, definido na funo [3-58] o mesmo h para todos os
parmetros, no valor de 0.001.
L( i + 2hi , L ; x) 2 L( ; x) L( i 2hi , L ; x)
, se i = j
4hi2
i , j ( ) =
L( + h , + h , L ; x) L( + h , h , L ; x) L( h , + h , L ; x) + L( h , h , L ; x )
i
i
j
j
i
i
j
j
i
i
j
j
i
i
j
j
4hi h j
.[3-58]
se i j
Esse fato manteve a estimativa do desvio padro muito longe da amostral. Alm
disso a chance de que um intervalo de confiana para os parmetros construdo com esses
desvios padro no inclua o parmetro real tornou-se muito alta. Decidiu-se ento por uma
anlise para definir o melhor h para cada parmetro. Para o clculo final da matriz hessiana
Modelagem
58
considerou-se a funo de verossimilhana calculada em um ponto atravs da mdia da

funo avaliada nos pontos , e + , reduzindo o impacto da falta de suavidade da
funo de verossimilhana.
A anlise do h utilizou grficos de funes de verossimilhana para diversas
simulaes, em cada um dos parmetros, e em escalas (deltas) diferentes. As figura 3.22 a
3.24 mostram a funo de verossimilhana quando variado um dos parmetros, mantendo
os demais fixos, para uma das simulaes da funo de acoplamento do exemplo 3.5.
Observe que quando a variao realizada com passos (h) pequenos os resultados da
funo de verossimilhana tornam-se irregulares. Dessa forma o desvio padro calculado
-993.0
-994.0
-993.5
Verossimilhana
-994.70
-994.75
-994.85
-994.5
-994.80
Verossimilhana
-994.65
-992.5
-994.60
atravs da segunda derivada (hessiano) torna-se pequeno e irregular.
6.7
6.8
6.9
7.0
7.1
6.0
7.2
6.5
7.0
7.5
8.0
Graus de Liberdade
Graus de Liberdade
-993.0
-994.0
-993.5
Verossmilhana
-994.75
-994.80
-995.0
-994.90
-994.5
-994.85
Verossimilhana
-994.70
-992.5
-994.65
-992.0
graus de liberdade em passos de .01.
-0.52
-0.51
-0.50
-0.49
Assimetria 1
-0.48
-0.47
-0.60
-0.55
-0.50
-0.45
-0.40
Assimetria 1
v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) . Com variao de a) Parmetro de Assimetria 1 (-0.48) em passos
de .001 e b) Parmetro de Assimetria 1 (-0.48) em passos de .01
-960
Verossimilhana
-993
-995
-980
-994
Verossimilhana
-940
-992
-920
-991
59
0.63
0.64
0.65
0.66
0.67
0.55
correlao
0.60
0.65
0.70
0.75
Correlao
graus de liberdade em passos de .001.
Com h maiores, passando de 0.001 para 0.01 ou 0.1, no caso dos graus de liberdade,
obteve-se uma funo de verossimilhana mais regular, cuja segunda derivada produzir
resultados mais adequados de disperso para os parmetros de assimetria e graus de
liberdade. Para a correlao a funo de verossimilhana regular e suave, facilitando a
maximizao da verossimilhana nesse parmetro e clculo da segunda derivada. Por esse
motivo, como visto na seo 3.3.2, os parmetros de correlao estimados atravs da
funo de acoplamento bivariada para cada par de um conjunto de dados multivariado
podem ser fixados na funo de verossimilhana multidimensional, o que reduz o nmero
de parmetros a serem estimados em maiores dimenses. A tabela 3.12 mostra os hs e
selecionados durante a anlise.
de acoplamento t-Student Assimtrica
0.01
0.01
0.00001
0.00001
Correlao
0.001
0.00001
Graus Lib.
0.1
0.00001
O mesmo valor de mostrou-se suficiente para o clculo do hessiano em todos os

parmetros. A tabela 3.13 mostra estimativas do desvio padro atravs do hessiano
calculado com esses diferenciais.
Modelagem
60
= 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72)
Amostral
Mdio
Mediano
Desvio Padro
Assimetria 1
0.0965
0.0613
0.0486
0.0342
Assimetria 2
0.1253
0.0792
0.0648
0.0306
Correlao
0.0177
0.0100
0.0083
0.0055
Graus Lib.
0.9890
0.5468
0.4600
0.1375
Note agora que o desvio padro calculado pela matriz hessiana encontra-se mais
prximo do desvio padro amostral das estimativas dos parmetros comparado com o caso
h=0.001, mas encontra-se ainda longe do desvio padro amostral, podendo ainda gerar
intervalos de confiana que no incluam o parmetro verdadeiro, principalmente nos graus
de liberdade.
Foram utilizados esses desvios padro para a determinao de intervalos de
confiana de 90%, 95%, 97.5% e 99% das estimativas dos parmetros. Com esses
intervalos de confiana, como feito para o caso marginal, foi verificada a proporo do
nmero de sries em que o parmetro verdadeiro se encontra dentro dos intervalos de
confiana. Os resultados so apresentados na tabela 3.14
acoplamento t-Student Assimtrica com v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) .
Assimetria 1
Assimetria 2
Correlao
Graus Lib.
90%
88.00%
86.00%
84.00%
89.00%
95%
95.00%
97.00%
95.00%
91.00%
97.50%
98.00%
99.00%
95.00%
92.00%
99%
100.00%
100.00%
98.00%
95.00%
Veja que os intervalos de confiana no cobriram o verdadeiro parmetros em

muitas das simulaes, principalmente o grau de liberdade. possvel que sejam
necessrios hs ainda maiores para melhorar o clculo das segundas derivadas.
Foram realizados ajustes de modelos polinomiais quadrticos funo de
verossimilhana calculada em um grid em torno da estimativa de mxima
61
verossimilhana. O ajuste mostrou-se adequado e o Hessiano da funo quadrtica ajustada

ficou prximo ao Hessiano estimado pelo mtodo proposto. Esse resultado auxilia na
validao do mtodo proposto.
3.3.6. Estimao de Parmetros da Funo de Acoplamento 3-variada
Nesta seo sero apresentados exemplos semelhantes aos existentes para a funo
de acoplamento bivariada, mostrando a possibilidade de ajuste de funes de acoplamento
de maiores dimenses.
Exemplo 3.4 a) A tabela 3.15 mostra a mdia e disperso das estimativas dos parmetros
de 100 replicaes de simulaes de 3000 observaes da funo de acoplamento t-Student

Assimtrica 3-variada com parmetros v = 6.79 , 1, 2 = 0.588 , 1,3 = .705 , 2,3 = 0.074 e
( 1 , 2 , 3 ) = (-0.54 , 0.82 , - 0.05) .
Tabela 3. 15. Parmetros estimados por mxima verossimilhana de 100 simulaes de 3000 valores da
funo de acoplamento t-Student Assimtrica 3-variada de parmetros v = 6.79 , 1, 2 = 0.588 ,
1,3 = .705 , 2,3 = 0.074

Verdadeiro
Mdia
Desvio Padro
Erro Quad. Mdio
Assimet. 1
-0.5400
-0.5669
0.0551
3.72E-03
( 1 , 2 , 3 ) = (-0.54 , 0.82 , - 0.05) .

Assimet. 2
0.8200
0.7739
0.0302
3.03E-03
Assimet. 3
-0.0500
-0.0655
0.0378
1.66E-03
Correl. 1,2
0.5880
0.5814
0.0150
2.67E-04
Correl. 1,3
-0.7050
-0.7089
0.0073
6.76E-05
Correl. 2,3
0.0780
0.0782
0.0164
2.65E-04
Graus Lib.
6.7900
6.9720
0.3421
1.49E-01
Note a proximidade das estimativas dos parmetros de correlao aos parmetros

originais. O prximo exemplo utiliza as mesmas simulaes obtidas aqui, porm com a
transformao das marginais uniformes para as distribuies marginais NormalAssimtricas e t-Student Assimtricas, com posterior estimao dos parmetros pelos
mtodos IFM e Mxima Verossimilhana Cannica.
Exemplo 3.4 b) Foram realizadas 100 rodadas de simulaes de 3000 valores da funo de
acoplamento t-Student Assimtrica 3-variada com parmetros v = 6.79 , 1, 2 = 0.588 ,
1,3 = .705 , 2,3 = 0.074
Modelagem
62
Uniforme(0,1) transformada na distribuio Normal-Assimtrica com parmetros = 0.54 ,
= 0.72 e = 3.35 . A 2 e 3 marginais na distribuio t-Student Assimtrica com

parmetros v = 6.78 , = 0.78 e v = 16.78 , = 0.078 , respectivamente. As tabelas 3.16 e
3.17 exibem estimaes dos parmetros das marginais e da funo de acoplamento pelo
mtodo IFM e estimaes dos parmetros da funo de acoplamento pelo mtodo de
Mxima Verossimilhana Cannica.
Tabela 3. 16. Parmetros estimados pelo mtodo IFM para 100 simulaes distintas de 3000 valores da
funo de acoplamento t-Student Assimtrica 3-variada com parmetros v = 6.79 , 1, 2 = 0.588 ,
1,3 = .705 , 2,3 = 0.074

Uniforme(0,1) transformada na distribuio Normal-Assimtrica com parmetros = 0.54 , = 0.72 e
= 3.35 . A 2 e 3 marginais na distribuio t-Student Assimtrica com parmetros v = 6.78 ,
= 0.78 e v = 16.78 , = 0.078 , respectivamente.
Verdadeiro
Mdia
Desvio Padro
Erro Quad. Mdio
Marg. 1 Normal Assimtrica

Posio
Escala Assimetria
0.5400
0.7200
3.3500
0.5400
0.7185
3.4066
0.0119
0.0127
0.2050
1.40E-04 1.63E-04 4.48E-02
Acoplamento Assimet. 1
Verdadeiro -0.5400
Mdia -0.5604
Desvio Padro
0.0527
Assimet. 2
0.8200
0.7821
0.0365
2.75E-03
Marg 2. t-Student Assim.

Graus Lib. Assimetria
6.7800
-0.7800
6.7916
-0.7865
0.3224
0.0191
1.03E-01
4.04E-04
Assimet. 3
-0.0500
-0.0759
0.0386
2.14E-03
Correl. 1,2
0.5880
0.5817
0.0171
3.30E-04
Correl. 1,3
-0.7050
-0.7076
0.0089
8.59E-05
Marg 2. t-Student Assim.

Graus Lib. Assimetria
16.7800
0.0780
19.7339
0.0797
3.8876
0.0158
2.37E+01
2.49E-04
Correl. 2,3
0.0780
0.0797
0.0228
5.16E-04
Graus Lib.
6.7900
7.1049
0.3195
2.00E-01
Comparativamente ao obtido no exemplo 3.4 a), os parmetros foram estimados

mais afastados dos parmetros originais, na maioria deles, com erro quadrtico mdio
maior. Entretanto exibe-se ainda um ajuste adequado, cujos parmetros originais esto
dentro do intervalo de confiana de 95% dos parmetros estimados. A tabela 3.17 exibe os
parmetros estimados pelo mtodo de mxima verossimilhana cannica. Novamente
observa-se uma perda da preciso do estimador e aumento do erro quadrtico mdio
comparativamente aos casos anteriores.
63
distintas de 3000 valores da funo de acoplamento t-Student Assimtrica 3-variada com parmetros
v = 6.79 , 1, 2 = 0.588 , 1,3 = .705 , 2,3 = 0.074 e ( 1 , 2 , 3 ) = (-0.54 , 0.82 , - 0.05) ,
Verdadeiro
Mdia
Desvio Padro
Erro Quad. Mdio
Assimet. 1
-0.5400
-0.5729
0.0572
4.33E-03
Assimet. 2
0.8200
0.7709
0.0335
3.52E-03
Assimet. 3
-0.0500
-0.0659
0.0467
2.41E-03
Correl. 1,2
0.5880
0.5820
0.0174
3.35E-04
Correl. 1,3
-0.7050
-0.7078
0.0100
1.07E-04
Correl. 2,3
0.0780
0.0779
0.0205
4.18E-04
Graus Lib.
6.7900
7.0967
0.3498
2.15E-01
A tabela 3.18 mostra o desvio padro calculado pelo hessiano das estimativas dos
parmetros do exemplo 3.4 (b).
simulaes de 3000 observaes da distribuio t-Student Assimtrica 3-variada de parmetros v = 7.21,
= 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72)
Amostral
Mdio
Mediano
Desvio Padro
Assimetria 1
0.0551
0.0054
0.0047
0.0024
Assimetria 2
0.0302
0.0082
0.0072
0.0033
Assimetria 2
0.0378
0.0051
0.0045
0.0020
Correlao 1,2 Correlao 1,3 Correlao 2,3

0.0150
0.0073
0.0164
0.0116
0.0075
0.0153
0.0116
0.0075
0.0153
0.0005
0.0002
0.0004
Graus Lib.
0.3421
0.0070
0.0064
0.0026
Novamente observam-se desvios padro muito baixos quando calculados pela

matriz hessiana. Por esse motivo foram utilizados os seguintes diferenciais para o clculo
do hessiano. Nota-se tambm que o desvio padro amostral do caso 3-variado menor do
que no bivariado.
de acoplamento t-Student Assimtrica
Assimetria 1
0.01
0.00001
Assimetria 2
0.01
0.00001
Assimetria 2
0.01
0.00001
Correlao 1,2 Correlao 1,3 Correlao 2,3 Graus Lib.

0.001
0.001
0.001
0.1
0.00001
0.00001
0.00001
0.00001
Os resultados do desvio padro calculado pelo hessiano para essa cpula so

exibidos na tabela 3.20.
Modelagem
64
= 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72)
Amostral
Mdio
Mediano
Desvio Padro
Assimetria 1
0.0551
0.0381
0.0356
0.0096
Assimetria 2
0.0302
0.0522
0.0490
0.0145
Assimetria 2
0.0378
0.0296
0.0290
0.0038
Correlao 1,2 Correlao 1,3 Correlao 2,3

0.0150
0.0073
0.0164
0.0147
0.0083
0.0168
0.0144
0.0082
0.0168
0.0017
0.0004
0.0006
Graus Lib.
0.3421
0.2805
0.2533
0.0810
Foram utilizados esses hessianos para a determinao de intervalos de confiana de

90%, 95%, 97.5% e 99% das estimativas dos parmetros. Com esses intervalos de
confiana, como feito para o caso marginal, foi verificada a proporo do nmero de sries
em que o parmetro verdadeiro se encontra dentro dos intervalos de confiana. Os
resultados so apresentados na tabela 3.21
acoplamento t-Student Assimtrica com v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) .
Assimetria 1
Assimetria 2
Assimetria 3
Correlao 1,2
Correlao 1,3
Correlao 1,3
Graus Lib.
90%
88.00%
92.00%
92.00%
78.00%
81.00%
71.00%
82.00%
95%
94.00%
98.00%
94.00%
84.00%
89.00%
78.00%
92.00%
97.50%
98.00%
100.00%
94.00%
96.00%
93.00%
86.00%
94.00%
99%
98.00%
100.00%
94.00%
100.00%
98.00%
94.00%
98.00%
Observa-se que o parmetro verdadeiro ficou dentro dos intervalos de confiana em

menos sries do que no caso bivariado, com exceo dos graus de liberdade, ficando
tambm menos prximo do percentual terico.
3.3.7. Preciso do Algoritmo
Como mencionado anteriormente, a preciso do algoritmo, caracterizada aqui como

o nmero de casas decimais do calculo da inversa da funo acumulada da t-Student
Assimtrica pode melhorar ou reduzir a qualidade do resultado final das estimativas dos
parmetros da funo de acoplamento t-Student Assimtrica. Nesta seo sero
apresentados ajustes de funes de acoplamento para diversas precises, verificando
65
possveis melhorias com o aumento da preciso e tambm o inverso, procurando a melhor

opo em termos de custo/benefcio computacional.
Os resultados sero apresentados para a funo de acoplamento bivariada, tendo
extenso natural para ordens maiores do acoplamento. A tabela 3.22 mostra o tempo de
estimao da funo de acoplamento para preciso entre 0.0001 a 0.001, em um
computador de ncleo duplo com 3Ghz reais de velocidade de processamento, barramento
de 1333Mhz e 8GB de Memria RAM, juntamente com estimativas dos parmetros para
cada preciso selecionada.
Tabela 3. 22. Velocidade at a obteno de estimativas de parmetros para 1 simulao da funo de
acoplamento t-Student Assimtrica bivariada com v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) , com
preciso de valores 0.01, 0.005, 0.004, 0.003, 0.002, 0.001, 0.0007, 0.0005, 0.0002 e 0.0001.
Tempo
Estimativas dos Parmetros
Preciso
segundos
Assimetria 1 Assimetria 2 Correlao
0.01
22.16
-0.533
-0.792
0.654
0.005
42.65
-0.537
-0.784
0.652
0.004
48.81
-0.540
-0.796
0.651
0.003
63.55
-0.522
-0.773
0.653
0.002
95.54
-0.545
-0.807
0.652
0.001
190.44
-0.539
-0.791
0.652
0.0007
277.63
-0.537
-0.795
0.652
0.0005
372.30
-0.541
-0.792
0.652
0.0002
1084.25
-0.542
-0.795
0.652
0.0001
> 30 Mins
Parmetros Verdadeiros
-0.48
-0.72
0.65
Graus Lib.
7.254
7.237
7.282
7.292
7.288
7.303
7.285
7.317
7.353
7.21
A tabela mostra que o tempo at a finalizao da estimao cresce de maneira quase

exponencial conforme se aumenta a preciso do algoritmo. Observando os resultados das
estimativas pode-se supor que o uso de uma preciso baixa no gera reduo da qualidade
das estimativas dos parmetros. Contudo, nesse caso os desvios padro calculados atravs
do hessiano com os diferenciais h's selecionados (seo 3.3.4), ficam ainda mais
subestimados (Tabela 3.23).
Modelagem
66
Tabela 3. 23. Desvios padro calculados pelo hessiano para preciso 0.01 e 0.001 de 1 simulao da funo
de acoplamento t-Student Assimtrica bivariada com v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72)
Preciso
0.01
0.001
Assimetria 1 Assimetria 2 Correlao

0.0320
0.0504
0.0107
0.0939
0.1451
0.0169
Graus Lib.
0.4876
0.6555
Mesmo assim o aumento da preciso no gera resultados de melhoria das

estimativas, apenas aumento do custo computacional e a possibilidade de melhor clculo de
desvios padro.
Para garantir o melhor ajuste possvel para os dados reais ser utilizada a preciso
0.002 para as estimativas de acoplamentos bivariados (para encontrar os valores iniciais dos
parmetros para uso no algoritmo de estimao por mxima verossimilhana) e 0.001 para
as estimativas da funo de acoplamento completa. A execuo da estimao de parmetros
de uma funo de acoplamento 3-variada completa dura em torno de 10 minutos para essa
preciso.
As estimativas de parmetros do acoplamento para clculo do VaR (Valor em
Risco, apndice D) para as sries de dados reais ser realizada com preciso de 0.01 para
reduo do custo computacional (j que nesse caso so executadas mais de 50 estimaes
de parmetros da funo de acoplamento 3-variada).
Captulo 4
Aplicao Petrleo e Derivados
O Petrleo um elemento energtico bruto de produo global em larga escala.

Possuindo uma diversa gama de derivados, cujas produes de maior volume so os leos
combustveis e gasolina, o tambm chamado leo Cru possui um mercado amplo, pois seus
derivados so utilizados como combustvel em motores, em aquecedores, na produo de
plsticos e lubrificantes, entre outros.
As negociaes desse ativo fsico so realizadas atravs das Bolsas Mercantis e de
Futuros, que categorizam o leo Cru atravs do local de sua produo (p. ex. Petrleo do
tipo Brent, West Texas, Dubai-Oman e OPEC (acrnimo de lngua inglesa de
Organizao dos Pases Exportadores de Petrleo), dentre outros), e possuem diferentes
cotaes, preos que so relacionados com os custos de extrao, transporte e
processamento do produto nas refinarias.
De um barril de petrleo (que possui aproximadamente 159 litros de leo cru),
extrai-se, em mdia, 45% de seu contedo em gasolina e outros 20% em leos combustveis
(essencialmente os leos para aquecimento residencial e o leo Diesel) (Texas Oil and Gas
Association, 1995). Esses percentuais, que so uma mdia obtida das refinarias de petrleo
dos EUA, variam anualmente de acordo com o mix (propores) de sada desejado pela
indstria, que tem por base as necessidades dos consumidores/mercado.
Aplicao
68
Os preos de gasolina ou leos combustveis so, por sua vez, vinculados em algum
grau ao preo do leo cru, alm de outros fatores, como variaes do consumo e mix, e
podem possuir alteraes distintas de acordo com a demanda do mercado ou especulao
por parte dos agentes do mercado ou mesmo dos agentes que vendem os produtos refinados
aos consumidores finais, indicando muitas vezes assimetria entre a dependncia de preos
de petrleo vs. produtos refinados (Borenstein et al, 1992).
O fato de j ter havido evidncias para supor que exista assimetria na dependncia
entre os preos do leo Cru e de seus derivados d valia a uma anlise de funes de
acoplamento que possa de alguma forma mensurar estocasticamente essa dependncia
assimtrica e propiciar melhores condies de gerenciamento de risco, por exemplo, no
caso da necessidade de se utilizar um modelo que vincule preos de petrleo com os preos
de seus refinados. Neste trabalho sero estudadas sries histricas dirias de preos de
elementos energticos negociados na Bolsa Mercantil de Nova York (NYMEX New
York Mercantile Exchange):
1. Histrico de preos de curto prazo do Petrleo do tipo WTI (West Texas
Intermediate);
2. Histrico de preos de curto prazo da Gasolina Convencional com entrega no
porto de Nova York (New York Harbor Conventional Gasoline Regular);
3. Histrico de valores do ndice de leo AMEX (American Exchange Oil
Index).
Espera-se com este trabalho detectar a existncia de assimetria na dependncia entre
esses ativos energticos atravs de funes de acoplamento.
Log-retornos (aproximadamente a variao percentual do preo com base em uma
data inicial) de ativos, em particular dos ativos energticos possuem muitos dos chamados
fatos estilizados de sries financeiras, como persistncia da srie, excesso de curtose,
conglomerados de volatilidade e dependncia entre retornos.
4.1. Caractersticas das Sries
69
O objetivo inicial deste captulo obter uma modelagem das marginais para as
sries de preos de curto prazo mencionadas, de forma que se tenha como resultados
resduos que possam ser comparados a fim de se obter a dependncia real entre os ativos,
desvinculada de dependncias seriais. Para obter tais sries, as sries originais sero
filtradas por um modelo ARMA-GARCH, com posterior ajuste de funo de acoplamento
aos resduos desse ajuste.

4.1.1. leo Cru WTI
O leo Cru WTI explorado e extrado no oeste do estado do Texas nos EUA, e
negociado dentro da NYMEX. Sua cotao usada como benchmark (padro) dos
preos de petrleo nos Estados Unidos, ou seja, mesmo o petrleo produzido em outras
partes daquele pas tende a ser cotado por esse preo.
A srie de preos do Petrleo WTI, obtida atravs do Departamento de Energia do
governo dos Estados Unidos da Amrica (DOE-USA), inicia-se na data de 02 de Janeiro de
1986, com informaes dirias colhidas at a data de 01 de Julho de 2008, excluindo-se
finais de semana, feriados e outras datas em que negociaes no foram realizadas em pelo
menos uma das 3 sries em estudo.
A figura 4.1 mostra a srie de preos curto prazo (spot) do leo Cru WTI, entre
02/01/1986 a 01/07/2008. O comportamento da srie mostra que esse produto sofre
influncia de eventos geopolticos, como a ocorrncia de conflitos, aumentos ou redues
da produo como estratgia de alavancagem dos lucros e a depreciao de reservatrios,
principalmente dos campos localizados no oriente mdio.
Aps os choques do petrleo que ocorreram na dcada de 70, uma ampliao da
extrao de petrleo, principalmente nos campos sauditas, mantiveram os preos desse
ativo estveis at 1990. Entre 1990 e 1991 com o advento da primeira guerra dos Estados
Unidos contra o Iraque (Guerra do Golfo), os campos de produo do Kuwait foram
Aplicao
70
desabilitados (Parra, 2004, Cap. 15). Fatores Geopolticos fizeram com que o preo
praticamente dobrasse de valor, retornando estabilidade nos anos posteriores guerra, at
1998.
160
Furaco Golfo do
Mxico
140
120
100
Crises na Venezuela
e Ataques dos EUA
ao Iraque
Reduo estratgica
da produo
Guerra do
Golfo
80
60
40
20
0
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
6
5
Restabelecimento de
preos
4
3
Queda de Valor da moeda

Norte-Americana e tenses
na Turquia
2
1
0
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
0.3
0.2
0.1
0
-0.1
-0.2
-0.3
-0.4
-0.6
1986
Reduo estratgica
da produo
Guerra do
Golfo
-0.5
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
Figura 4. 1. Preos de curto prazo do Petrleo WTI, cotao NYMEX a) em Dlares por Barril, b)
log(preos) em Dlares por Barril, c) log-retornos de preos
71
A partir de 1998, o aumento da demanda principalmente pelos mercados asiticos

induziu os pases da OPEP a elevarem a produo, o que reduziu o preo do petrleo
mundialmente. Entretanto, entre os anos de 1999 e 2000 a OPEP reduziu, estrategicamente,
a produo de leo, mesmo com alta demanda, o que aumentou o preo do minrio, seguido
de um restabelecimento de seu preo em patamares menos elevados at meados de 2001.
Aps 2001, diversos choques geopolticos fizeram com que o preo crescesse e chegasse ao
patamar que hoje se encontra. Pode-se citar: 2002-03: crise na Venezuela e ataques dos
EUA e aliados ao Iraque; 2004: nova reduo da produo da OPEP; 2005: Furaco afeta
campos do Golfo do Mxico; 2006: possibilidade de novos conflitos entre Ir e Iraque
aliados com a alta demanda por leo pelos EUA; 2007: tenses na Turquia e queda do valor
da moeda Norte-americana (Williams, 2007).
No contexto atual, fatores geopolticos continuam a afetar os preos. Um dos fatos
relevantes a alta demanda pelo lquido nos pases asiticos, principalmente na China, que
j vinha reportando deficincias energticas, inicialmente de energia eltrica, a mais de 4
anos. Esse fato, aliado com o aumento da demanda pelo minrio em todo o mundo, num
cenrio de estagnao da produo, dada a ausncia parcial de descobertas de novos poos,
mantm os preos elevados (Whipple, 2008). Como a srie finda em julho de 2008 no so
observados os impactos do rompimento da bolha imobiliria em seus preos. Devido ao
fato de que a srie possui um comportamento de aumento de preos aps 2002, selecionouse o incio desse ano como um perodo de corte. Os modelos ARMA-GARCH-Cpula
sero estimados para as sries, ento, nesses 2 perodos: Perodo 1: Pr Choques 2002, e
Perodo 2: Ps Choques 2002.
Filtragem do Nvel e Volatilidade
O modelo ARMA-GARCH-Cpulas um modelo que caracteriza trs aspectos de
um conjunto de sries temporais: o nvel de cada srie (Modelo ARMA), sua volatilidade
(modelo GARCH) e a dependncia entre as sries (Funo de Acoplamento). Sero
estimados os modelos ARMA-GARCH para os log-retornos de preos de Petrleo WTI nos
perodos Pr e Ps Choques de 2002.
Aplicao
72
A figura 4.1 (c) mostra os log-retornos dos preos de petrleo WTI, em todo o
perodo da srie. Note a existncia de perodos de maior volatilidade, os chamados
conglomerados de volatilidade, que ocorrem nos momentos de choques dos preos do
petrleo (ocorrncia de influncias geopolticas no preo).
A Autocorrelao dos log-retornos do leo Cru (figura 4.2) indica leve correlao
entre as defasagens de ordens 2 e 3 da srie no perodo 1 e defasagem 1 no perodo 2. A
anlise dos resduos do ajuste dos modelos ARMA para o perodo 1 (pr choques de 2002,
veja figura 4.3) indica que a maior parte da correlao pode ser removida pelo modelo
ARMA (2,0). Foi ajustado um modelo ARMA (3,0) srie mas o mesmo tambm no
conseguiu filtrar suficientemente a autocorrelao na defasagem 3. A incluso de um termo
MA de ordem 3 resolveria esse problema mas dado no existir justificativas econmicas
para um choque com defasagem 3, o valor da autocorrelao estimado no ser muito alto e
por questes de parcimnia foi adotado o ARMA (2,0). Para o perodo 2 foi ajustado o
modelo ARMA (1,0).
Pr Choques de 2002
0.8
0.6
0.2
0.4
Autocorrelao
0.6
0.4
0.0
0.0
0.2
Autocorrelao
0.8
1.0
1.0
Ps Choques de 2002
10
15
20
Lag
25
30
35
10
15
20
25
30
Lag
Figura 4. 2. Autocorrelao da srie de log-retornos do leo Cru WTI (NYMEX) perodos pr e ps choques
de 2002.
73
Pr Choques de 2002
0.6
0.4
Autocorrelao
0.0
0.0
0.2
0.2
0.4
Autocorrelao
0.6
0.8
0.8
1.0
1.0
Ps Choques de 2002
10
15
20
25
30
35
10
15
Lag
20
25
30
Lag
Figura 4. 3. Autocorrelao dos resduos do ajuste dos modelos ARMA para o leo Cru WTI (NYMEX)
perodos pr e ps choques de 2002.
No existem razes para supor que a correlao serial nos resduos (figura 4.3)
observada na defasagem de ordem 8 do perodo ps choques de 2002 seja mais do que uma
correlao espria (metade da 2 semana). Da foi ajustado apenas uma constante nesse
perodo.
Pr Choques de 2002
0.18
0.05
0.16
Ps Choques de 2002
0.045
0.14
0.04
0.12
0.035
0.03
0.1
0.025
0.08
0.02
0.06
0.015
0.04
0.01
0.02
0.005
0
1986
1988
1990
1992
1994
1996
1998
2000
0
2002
2004
2006
2008
Figura 4. 4. Resduos quadrticos do modelo ARMA (2,0) (Perodo 1) e ARMA (1,0) (Perodo 2), utilizado
nos log-retornos do leo Cru WTI
A figura 4.4 mostra os retornos quadrticos dos resduos de um modelo ARMA

(2,0) (Perodo 1) e ARMA (1,0) (Perodo 2). Nesse grfico, os conglomerados de
volatilidade ficam mais evidentes. As variaes da volatilidade da srie sero tambm
capturadas pelo modelo, no componente GARCH (Bollerslev, 1986). Esse modelo prope
que a variabilidade de uma srie possui correlao temporal. Assim, justifica-se a utilizao
Aplicao
74
do mesmo quando existe autocorrelao no quadrado da srie de retornos, depois de filtrado

o nvel da srie, pois so indicativos da variabilidade em cada perodo.
Pr Choques de 2002
0.8
0.6
0.4
ACF
0.6
0.2
0.4
0.0
0.0
0.2
Autocorrelao
0.8
1.0
1.0
Ps Choques de 2002
10
15
20
Lag
25
30
35
10
15
20
25
30
Lag
Figura 4. 5. Autocorrelao dos resduos quadrticos do modelo ARMA (2,0) (Perodo 1) e ARMA(1,0)
(Perodo 2), utilizado nos log- retornos do leo Cru WTI
V-se atravs da figura 4.5 que existe correlao temporal evidente principalmente
nas defasagens de ordens 1 a 3 da srie de resduos ao quadrado no perodo 1 e at a sexta
defasagem no perodo 2. Isso indica a necessidade de um modelo para a volatilidade da
srie. Nesta aplicao ser utilizado o modelo GARCH com inovaes t-Student.
Verificou-se que o modelo de maior parcimnia foi o GARCH (1,1), j que modelos
inferiores como (1,0) e (0,1) foram insuficientes para estabilizar a varincia da srie.
Modelos com maior nmero de parmetros resultaram em coeficientes no significativos
(nvel = 5% ). Dessa forma, o modelo que filtra de forma aceitvel a srie de preos do
leo Cru WTI o modelo ARMA(2,0)-GARCH(1,1) para o perodo 1 e ARMA(1,0)GARCH(1,1) para o perodo 2. A figura 4.7 apresenta a srie temporal filtrada.
75
Ps Choques de 2002
0.6
0.4
Autocorrelao
0.0
0.0
0.2
0.2
0.4
Autocorrelao
0.6
0.8
0.8
1.0
1.0
Pr Choques de 2002
10
15
20
25
30
35
10
15
Lag
20
25
30
Lag
Figura 4. 6. Autocorrelao dos resduos quadrticos do modelo ARMA (2,0)-GARCH(1,1) (Perodo 1) e

ARMA(1,0)-GARCH(1,1) (Perodo 2), utilizado nos log- retornos do leo Cru WTI
Pr Choques de 2002
-2
-2
-4
-4
-6
-6
-8
-8
-10
1986
1988
1990
1992
1994
1996
1998
2000
Ps Choques de 2002
-10
2002
2004
2006
2008
Figura 4. 7. Log-Retornos do leo Cru WTI filtrados por modelo ARMA(2,0)-GARCH(1,1), (Perodo 1) e
ARMA(1,0)-GARCH(1,1) (Perodo 2).
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
1
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59
Box-Ljung Perodo 1
ARCH Perodo 1
Box-Ljung Perodo 2
ARCH Perodo 2
Figura 4. 8. P-valores dos Testes de Multiplicadores de Lagrange (ARCH LM) e de Autocorrelao (BoxLjung) para o nvel das sries filtradas de log-retornos de preos do Petrleo WTI.
Aplicao
76
A figura 4.8 mostra os testes de Box-Ljung para autocorrelao dos resduos dos
modelos ARMA e os testes de Multiplicadores de Lagrange para os resduos dos modelos
ARMA-GARCH dos log-retornos de preos de Petrleo WTI nos perodos 1 e 2. Note que
aps a 8 defasagem, o teste de Box-Ljung passa mostrar evidncia da falta de ajuste do
modelo ARMA para o perodo 2. Entretanto foram utilizados outros modelos ARMA de
ordens superiores e no surtiram efeitos expressivos em termos de bondade de ajuste pelo
teste de Box-Ljung, alm da baixa significncia estatstica dos parmetros de modelos de
ordens superiores (considerando nvel = 5% ). Observe tambm que os testes ARCH LM
no do evidncias da necessidade de novos ajustes de modelos para a volatilidade.
A tabela 4.1 mostra os parmetros ajustados dos modelos ARMA-GARCH com
perturbaes modeladas pela distribuio t-Student padronizada. Nas sries seguintes
tambm sero utilizadas a distribuio t-Student padronizada no modelo GARCH(1,1), para
os perodos Pr e Ps Choques de 2002 da srie de log retornos do leo Cru WTI.
Tabela 4.1. Parmetros ajustados dos modelos ARMA(2,0)-GARCH(1,1), (Perodo 1) e ARMA(1,0)GARCH(1,1) (Perodo 2) para o log-retornos do leo Cru WTI.
leo Cru WTI Perodo Pr Choques 2002
Parmetro Erro Padro t-Valor
Mdia
0.0003
0.0003
1.1377
AR 1
-0.0068
0.0153
-0.4432
AR 2
-0.0324
0.0157
-2.0586
Mdia Vol
0.0000
0.0000
4.1022
GARCH(P,.)
0.0716
0.0107
6.6674
GARCH(.,Q)
0.9194
0.0108
85.3330
g.l. t-Student
4.7221
0.3613
13.0711
Persistncia:
0.9910
P(T>t)
0.2552
0.6576
0.0395
0.0000
0.0000
0.0000
0.0000
leo Cru WTI Perodo Ps Choques 2002

Mdia
0.0020
0.0005
3.8299
AR 1
-0.0753
0.0254
-2.9670
Mdia Vol
GARCH(P,.)
GARCH(.,Q)
g.l. t-Student
Persistncia
0.0000
0.0471
0.8886
8.4265
0.9328
0.0000
0.0137
0.0348
1.5135
2.4510
3.4255
25.4986
5.5677
P(T>t)
0.0001
0.0030
0.0142
0.0006
0.0000
0.0000
4.1.2. Gasolina Convencional
A srie de preos da Gasolina Convencional possui observaes colhidas pelo

Departamento de Energia dos Estados Unidos da Amrica, com incio no dia 03 de junho
de 1986 e fim em 01 de julho de 2008.
77
400
350
300
250
200
150
100
50
0
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
7
6
5
4
3
2
1
0
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
0.3
0.2
0.1
0
-0.1
-0.2
-0.3
-0.4
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
Figura 4. 9. Gasolina Convencional com entrega no porto de Nova York a) preos em centavos de dlar, b)
log(preos) em centavos de dlar, c) log-retornos de preos.
A figura 4.9 ilustra o comportamento da srie de preos da Gasolina Convencional,

medido em US/Galo (Centavos de Dlar por Galo; 1 Barril = 42 Gales), onde pode-se
observar que a srie possui comportamento semelhante srie de preos do leo Cru WTI,
ou seja, sofre tambm influncias dos fatores geopolticos assim como o petrleo.
Aplicao
78
Entretanto, o preo em todo o perodo mais voltil do que o petrleo, por sofrer ainda
variaes de acordo com a demanda dos consumidores finais nas datas de maior consumo,
como feriados, com conseqente variao do mix de produo das indstrias (Brown &
Virmani, 2007).
Da mesma forma como foi filtrada a srie de preos do leo Cru WTI, foi ajustado
um modelo ARMA-GARCH na srie de preos da Gasolina Convencional. Os resultados
da seleo e estimao do modelo podem ser observados na tabela 4.2, sendo que o modelo
de maior parcimnia foi o ARMA(1,0)-GARCH(1,1), para o Perodo Pr Choques 2002 e
ARMA(0,0)-GARCH(1,1), para o Perodo Ps Choques de 2002. Grficos comparativos da
autocorrelao pr e ps ajustes dos modelos so apresentados no apndice C.
Tabela 4. 2. Parmetros ajustados dos modelos ARMA(1,0)-GARCH(1,1), (Perodo 1) e ARMA(0,0)GARCH(1,1) (Perodo 2) para o log-retornos da Gasolina Convencional.
Gasolina Convencional Perodo Pr Choques 2002
P(T>t)
Mdia
0.0000
0.0005
0.0613
0.9512
AR 1
0.0660
0.0163
4.0444
0.0001
Mdia Vol
0.0000
0.0000
3.6171
0.0003
GARCH(P,.)
0.0822
0.0122
6.7595
0.0000
GARCH(.,Q)
0.9015
0.0144
62.6887
0.0000
g.l. t-Student
6.8700
0.7296
9.4166
0.0000
Persistncia
0.9837
Gasolina Convencional Perodo Ps Choques 2002

P(T>t)
Mdia
0.0019
0.0007
2.7392
0.0062
Mdia Vol
GARCH(P,.)
GARCH(.,Q)
g.l. t-Student
Persistncia
0.0001
0.0721
0.8029
9.0276
0.8751
0.0000
0.0190
0.0537
1.8368
2.8826
3.7898
14.9647
4.9149
0.0039
0.0002
0.0000
0.0000
Na figura 4.10 so exibidos os p-valores dos testes de Box-Ljung e Multiplicadores

de Lagrange dos modelos ARMA-GARCH selecionados para os log-retornos de preos da
gasolina convencional. Embora sejam observadas medidas significativas de falta de
bondade de ajuste, dando um indicativo de que os modelos foram sub-ajustados aos logretornos de preos, outras configuraes de modelos ARMA-GARCH foram utilizadas, que
resultaram em ajustes infimamente superiores. Optou-se por utilizar os modelos indicados.
79
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
1
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59
Box-Ljung Perodo 1
ARCH Perodo 1
Box-Ljung Perodo 2
ARCH Perodo 2
Figura 4. 10. P-valores dos Testes de Multiplicadores de Lagrange (ARCH LM) e de Autocorrelao (BoxLjung) para o nvel das sries filtradas de log-retornos de preos da Gasolina Convencional.
4.1.3. ndice de leo AMEX
O ndice de leo AMEX um ndice da bolsa de valores AMEX (American

Exchange), recm adquirida pela NYMEX, que agrega informaes de uma variada gama
de empresas de explorao de Petrleo e derivados, nas suas diversas fases de produo.
constitudo de preos ponderados, medindo a performance da indstria do Petrleo atravs
de mudanas de preos dos ativos que o compe.
A srie utilizada se inicia no dia 27 de agosto de 1984 e finda em 01 de julho de
2008 e foi obtida atravs do site da WEB Yahoo Finance. A figura 4.11 mostra os valores
dirios do ndice, excluindo observaes de finais de semana e feriados e outras de forma
que fique exatamente pareado com as outras sries em anlise.
Observam-se variaes conforme os efeitos e impactos geopolticos, com
comportamento semelhante ao comportamento da srie de petrleo WTI, em termos do
crescimento no perodo final (entre 2002 e 2008). Nota-se tambm que o impacto de alguns
efeitos geopolticos (como por exemplo a Guerra do Golfo em 1991) no to grave quanto
o mesmo na srie do leo Cru. Notam-se conglomerados de volatilidade nos log-retornos
da srie de preos.
Aplicao
80
1800
1600
1400
1200
1000
800
600
400
200
0
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
2002
2004
2006
2008
8
7.5
7
6.5
6
5.5
5
4.5
4
1986
1988
1990
1992
1994
1996
1998
2000
Possvel aumento na volatilidade. Ser mantido

o perodo 2 a partir de 2002
0.15
0.1
0.05
0
-0.05
-0.1
-0.15
-0.2
-0.25
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
Figura 4. 11. ndice de leo AMEX a) valores dirios, b) log(valores), c) log-retornos.
O possvel aumento na volatilidade aps meados de 1996 no ser considerado

como ponto inicial de um novo perodo, mantendo-se o incio do novo perodo em 2002.
Para filtragem da srie utilizou-se tambm o modelo ARMA(2,0)-GARCH(1,1) no perodo
81
1 e ARMA(0,0)-GARCH(1,1)-t no perodo 2. A tabela 4.3 mostra os resultados do ajuste

dos modelos, e a figura 4.12 o p-valor dos testes de bondade de ajuste dos modelos ARMAGARCH para os perodos 1 e 2. Novamente os grficos de autocorrelao pr e ps ajustes
dos modelos so apresentados no apndice C.
Tabela 4. 3. Parmetros ajustados dos modelos ARMA(2,0)-GARCH(1,1), (Perodo 1) e ARMA(0,0)GARCH(1,1) (Perodo 2) para o log-retornos do ndice de leo AMEX.
ndice leo AMEX Perodo Pr Choques 2002
P(T>t)
Mdia
0.0003
0.0001
2.0815
0.0374
AR 1
0.0534
0.0160
3.3395
0.0008
AR 2
-0.0365
0.0159
-2.2960
0.0217
Mdia Vol
0.0000
0.0000
2.7058
0.0068
GARCH(P,.)
0.0451
0.0073
6.1993
0.0000
GARCH(.,Q)
0.9495
0.0080
118.3367
0.0000
g.l. t-Student
6.1521
0.5672
10.8472
0.0000
Persistncia 0.9946248
ndice leo AMEX Perodo Ps Choques 2002

Parmetro Erro Padro
t-Valor
P(T>t)
Mdia
0.0011
0.0003
3.5839
0.0003
Mdia Vol
GARCH(P,.)
GARCH(.,Q)
g.l. t-Student
Persistncia
0.0000
0.0692
0.9140
15.4453
0.9832068
0.0000
0.0151
0.0209
5.4015
1.9564
4.5962
43.7259
2.8594
0.0504
0.0000
0.0000
0.0042
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
1
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59
Box-Ljung Perodo 1
ARCH Perodo 1
Box-Ljung Perodo 2
ARCH Perodo 2
Figura 4. 12. P-valores dos Testes de Multiplicadores de Lagrange (ARCH LM) e de Autocorrelao (BoxLjung) para o nvel das sries filtradas de log-retornos de preos da Gasolina Convencional.
Observam-se no 2 perodo p-valores significativamente baixos no teste de BoxLjung para o modelo ARMA, indicando que poderiam ser ajustados modelos de ordem
superior. Entretanto o ajuste desses modelos no resultou em modificaes no teste de
bondade de ajuste Box-Ljung, continuando-se com o ARMA(0,0) (modelo trivial apenas
mdia esttica).
Em todas as sries foram tambm ajustados modelos EGARCH, mas em nenhum
caso esse modelo mostrou performance superior ao GARCH (1,1).
Aplicao
82
4.2. Caractersticas Empricas

Observar as caractersticas empricas, tanto marginais quanto de dependncia, pode
auxiliar na seleo/desenvolvimento de modelos paramtricos para os conjuntos de dados.
4.2.1. Caractersticas Empricas Marginais
A partir das sries filtradas dos log-retornos das trs sries em estudo podem-se
observar as distribuies empricas de cada srie, a fim de se conhecer suas caractersticas
distribucionais, como sua assimetria e o peso das caudas. Essas informaes so
importantes para desenvolver um modelo estocstico marginal que posteriormente pode ser
utilizado na estimao das funes de acoplamento. A figura 4.13 mostra o grfico de
probabilidade normal da srie filtrada de log-retornos do Petrleo WTI.
Ps Choques 2002
0
-6
-8
-6
-4
-2
Quantil Amostral
0
-2
-4
Quantil Amostral
Pr Choques 2002
-2
0
Quantil Terico
-3
-2
-1
Quantil Terico
Figura 4. 13. Graficos de comparao de quants da srie filtrada dos log-retornos dos preos do Petrleo
WTI nos perodos pr e ps choques 2002, e a distribuio Normal (linha vermelha)
Nota-se que a distribuio da srie filtrada no perodo 1 aproximadamente

simtrica, possuindo caudas mais pesadas do que a distribuio normal. No perodo 2
observa-se caudas mais pesadas do que a distribuio Normal apenas em valores negativos,
uma evidncia de assimetria.
83
Da forma como se comporta, pode-se sugerir o uso de uma distribuio t-Student

assimtrica para ajustar a distribuio marginal, que ser ajustada na seo 4.3. Seguem,
nas figuras 4.14 e 4.15, ilustrao do grfico quantil-quantil das sries filtradas dos logretornos dos preos da Gasolina Convencional e ndice de leo AMEX.
Ps Choques 2002
2
-2
Quantil Amostral
0
-2
-4
-6
-4
Quantil Amostral
Pr Choques 2002
-2
-3
-2
-1
Quantil Terico
Quantil Terico
Figura 4. 14. Graficos de comparao de quants da srie filtrada dos log-retornos dos preos da Gasolina
Convencional nos perodos pr e ps choques 2002, e a distribuio Normal (linha vermelha)
Observe nas figuras que a distribuio das sries da Gasolina e ndice leo AMEX
so menos assimtricas do que o leo Cru WTI, mas possuem tambm caudas mais
pesadas do que a distribuio Normal, sendo as caudas do 2 perodo do ndice leo AMEX
prximas do peso das caudas da distribuio Normal.
Ps Choques 2002
Quantil Amostral
-15
-4
-10
-2
-5
Quantil Amostral
Pr Choques 2002
-2
0
Quantil Terico
-3
-2
-1
Quantil Terico
Figura 4. 15. Graficos de comparao de quants da srie filtrada dos log-retornos dos preos do ndice de
leo AMEX nos perodos pr e ps choques 2002, e a distribuio Normal (linha vermelha)
Aplicao
84
A Tabela 4.4 exibe as estatsticas de Assimetria (3 Momento Central padronizado)

e Excesso de Curtose (4 Momento Central relativo distribuio Normal) das sries em
estudo. Observa-se que a srie filtrada de log-retornos do ndice de leo AMEX no perodo
pr choques de 2002 a srie que possui maior assimetria e caudas pesadas, seguida pela
srie de preos do Petrleo WTI. Na Gasolina a assimetria menos marcante, sendo os
impactos geopolticos amenizados pelo controle do mix de produo das refinarias.
Tabela 4. 4. Estatsticas de Assimetria e Curtose (3 e 4 Momentos Centrais) das sries filtradas dos logretornos dos preos do Petrleo WTI, Gasolina Convencional e valores do ndice de leo AMEX,
comparativamente Distribuio Normal.
leo Cru WTI

Gasolina Conv.
ndice AMEX
Assimetria
Pr Choques Ps Choques
-0.3173
-0.5215
-0.0286
-0.0720
-0.7669
-0.3214
Excesso de Curtose
Pr Choques
Ps Choques
4.4039
2.3757
1.5618
1.3587
12.7809
0.4399
Para as sries pode-se sugerir o uso das distribuies t-Student Simtrica ou

assimtrica.
4.2.2. Perfil Emprico de Dependncia
A dependncia entre as sries ser avaliada a fim de se obter as caractersticas gerais

das interaes entre os ativos energticos. Para isso sero utilizadas estatsticas, as
chamadas medidas de dependncia ou concordncia (veja Apndice B).
A caracterizao da dependncia se dar atravs da estimao das medidas de
concordncia Tau de Kendall, Rho de Spearman, que so medidas gerais para a
obteno do perfil relacional entre as sries, e da medida de dependncia correlao linear,
cujo uso nem sempre adequado na caracterizao de sries financeiras, no caso, de preos
e ndices de ativos energticos, pois nem sempre existe uma estrutura de dependncia linear
entre elas. Outra estatstica de interesse o chamado Coeficiente de Dependncia nas
Caudas entre as sries. Inicialmente sero apresentada anlise exploratria atravs de
grficos de disperso entre as sries filtradas.
85
Disperso entre Petrleo WTI e Gasolina Convencional

Apesar do preo da gasolina se movimentar com o mesmo perfil do preo do
petrleo nos Estados Unidos de um modo geral, causado pelo modelo de comercializao
do produto naquele pas, existem fatores que causam descolamento entre o perfil das sries.
Como exemplo pode-se citar que existe aumento sistemtico do preo da gasolina quando
elevado o preo do petrleo, o que no acontece automaticamente quando o preo do leo
reduzido, assim como a variao na demanda e eventuais especulaes de preo do
mercado (Brown & Virmani, 2007).
A figura 4.14 mostra o grfico de disperso de pontos das sries filtradas de logretornos dos preos do leo Cru WTI e da Gasolina Convencional (porto de Nova York),
perodos pr e ps 2002.
Ps Choques 2002
2
-2
Gasolina Convencional
0
-2
-4
-6
-4
Pr Choques 2002
-8
-6
-4
-2
leo Cru WTI
-6
-4
-2
leo Cru WTI
Figura 4. 16. Disperso entre as sries filtradas de log-retornos dos preos do Petrleo WTI e da Gasolina
Convencional, perodos pr e ps choques 2002.
Como se pode observar, os pontos exibem um perfil ligeiramente assimtrico na

cauda das perdas. Note o perfil elptico das interaes entre as sries e a assimetria na
cauda principalmente no eixo Petrleo WTI. A funo de acoplamento dever capturar esse
perfil elptico com assimetria nas caudas. Pode-se sugerir o uso de uma funo de
acoplamento elptica-assimtrica como a cpula t-Student Assimtrica.
Disperso entre Petrleo WTI e ndice leo AMEX
Aplicao
86
Da mesma forma que a gasolina, o ndice do leo AMEX possui comportamento

semelhante ao preo do leo Cru WTI. Esse fato tambm pode ser atribudo presena dos
fatores geopolticos nessa srie de preos. A disperso entre as sries filtradas de logretornos de preos do Petrleo WTI e do ndice pode ser observada na figura 4.15.
A interao entre as sries filtradas do Petrleo WTI e do ndice AMEX exibem um
perfil praticamente independente no perodo 1, mas exibem um perfil elptico-assimtrico
no perodo 2. A funo de acoplamento entre essas sries tambm pode ser a cpula tStudent Assimtrica, pois as mesma pode atender at mesmo os casos simtrico e de
independncia.
Ps Choques 2002
ndice leo AMEX
-2
-5
-15
-4
-10
ndice leo AMEX
Pr Choques 2002
-8
-6
-4
-2
-6
-4
leo Cru WTI
-2
leo Cru WTI
Figura 4. 17. Disperso entre as sries filtradas de log-retornos dos preos do Petrleo WTI e ndice de leo
AMEX, Perodos Pr e Ps Choques de 2002.
Disperso entre Gasolina Convencional e ndice de leo AMEX

A figura 4.18 mostra a disperso entre a gasolina convencional e o ndice de leo
AMEX.
87
Ps Choques 2002
ndice leo AMEX
-2
-5
-15
-4
-10
ndice leo AMEX
Pr Choques 2002
-6
-4
-2
-4
-2
Figura 4. 18. Disperso entre as sries filtradas de log-retornos dos preos da Gasolina Convencional e ndice
de leo AMEX, Perodos Pr e Ps Choques de 2002.
Como se pode observar a interao entre a gasolina convencional e o ndice de leo

AMEX no primeiro perodo praticamente simtrica nos eixos horizontal e vertical, tendo
o ndice AMEX a menor disperso. Adicionalmente existe indicaes de independncia
entre as sries no perodo 1. No perodo 2 nota-se leve assimetria na disperso entre as
sries, onde pode-se usar uma funo de acoplamento elptico-assimtrica para modelagem
da dependncia.
Medidas de Dependncia entre as Sries
O coeficiente de dependncia nas caudas calculado atravs da estimao da cpula
emprica entre os pares de ativos energticos (vide Apndice A).
A tabela 4.5 mostra as estatsticas de Tau de Kendall, Rho de Spearman,
Correlao Linear e Coeficiente de Dependncia nas Caudas.
Aplicao
88
Tabela 4. 5. Medidas amostrais de dependncia e concordncia: Correlao Linear, Tau de Kendall, Rho
de Spearman, e Dependncia nas Caudas Inferior e Superior calculada utilizando cpula emprica, para os
pares de ativos energticos nos perodos Pr e Ps Choques 2002.
Correlao
Linear
Tau de
Kendall
Rho de
Spearman
0.1892
0.2973
0.6494
0.4783
0.6578
leo Cru vs. ndice AMEX
0.0476
0.0952
0.2249
0.1400
0.2073
Gasolina vs. ndice AMEX
0.0270
0.0811
0.1942
0.1210
0.1790
Pr
Choques
2002
Dep. Caudas
Superior
leo Cru vs. Gasolina
Ps
Choques
2002
Dep. Caudas
Inferior
0.3673
0.2653
0.6711
0.5249
0.7063
0.1892
0.0811
0.4114
0.2832
0.4144
0.1304
0.0435
0.3411
0.2225
0.3279
Com exceo da dependncia nas caudas superior, todas as medidas indicam a

existncia de maior dependncia no segundo perodo. Note que a maior dependncia
observada entre a gasolina e o leo cru, e que a menor entre a gasolina e o ndice de
leo AMEX. Veja que ocorre inverso da dependncia nas caudas nos perodos 1 e 2. No
perodo 1 observava-se maior dependncia entre os ganhos, enquanto que no perodo 2 a
maior dependncia entre as perdas.
Observe que a medida de dependncia nas caudas um bom indicador da existncia
de assimetria entre as sries, indicando assimetria em todos os pares de sries em estudo,
principalmente no 2 perodo.
Existncia de dependncia nas caudas no nula indicativo de que, por exemplo,
uma cpula Gaussiana Assimtrica no adequada, j que possui dependncia nas caudas
nula. A Cpula T-Student Assimtrica boa alternativa para estimao da dependncia
entre os ativos energticos.
4.3. Modelagem das Sries Filtradas

Como o interesse so por modelos ARMA-GARCH com estrutura de dependncia
definida por funo de acoplamento, a partir das sries filtradas devem-se ajustar modelos
marginais (para a estrutura assimtrica marginal) e uma funo de acoplamento (estrutura
de dependncia entre as sries).
89
Sero ajustadas e comparadas as distribuies marginais Normal Assimtrica (Seo

3.1.1) e t-Student Assimtrica (Seo 3.1.2) que, juntamente com o ajuste das funes de
acoplamento t-Student (caso comum) e t-Student Assimtrica, modelaro a distribuio
conjunta das sries em estudo. O ajuste das funes de acoplamento sero realizados
atravs do mtodo IFM (que depende do ajuste das distribuies marginais). Os resultados
desses ajustes so apresentados nas sees 4.3.1 e 4.3.2. Em seguida apresentam-se
mtricas de bondade de ajuste (seo 4.3.3) baseadas na Funo de Acoplamento Emprica
e na Transformada de Kendall (Cn e Cnk, veja Genest et al, 2007), e tambm um
comparativo do ajuste caudal da dependncia, atravs de estatsticas baseadas no VaR
(Valor em Risco, Morgan, 1976). O Apndice D d mais detalhes sobre os testes e
estatsticas utilizados.
4.3.1. Ajustes de Distribuies Marginais
Para as sries filtradas de preos de Petrleo WTI, Gasolina (Porto de Nova York) e
valores do ndice do leo AMEX, em estudo, sero ajustadas as distribuies marginais
Normal Assimtrica e t-Student Assimtrica. O objetivo no somente obter o ajuste das
distribuies marginais para posterior uso na modelagem das distribuies conjuntas e do
processo de preos dos ativos, mas tambm verificar a eficcia do ajuste de distribuies
assimtricas a essas sries financeiras e observar possveis diferenas entre perodos pr e
ps os choques geopolticos de 2002.
Inicialmente sero ajustadas as distribuies assimtricas marginais para a srie
filtrada de preos do Petrleo WTI no perodo pr choques. A figura 4.17 mostra um
grfico comparativo de quantil-quantil para o ajuste da distribuio Normal Assimtrica e tStudent Assimtrica.
Aplicao
5
0
-10
-5
Ajuste Distribuio t-Student Assimtrica
0
-5
-10
Ajuste Distribuio Normal Assimtrica
90
-10
-5
-10
Srie Filtrada WTI Pr Choques
-5
Srie Filtrada WTI Pr Choques
t-Student Assimtrica srie filtrada de preos de Petrleo WTI Pr Choques Geopolticos de 2002.
Note que o ajuste da distribuio Normal Assimtrica no se mostra adequado na

regio caudal da srie de dados, enquanto que a distribuio t-Student Assimtrica
aparentemente atendeu estrutura distribucional da srie de dados. As figuras de 4.18 a
4.22 mostram grficos semelhantes para as sries filtradas de Petrleo WTI Ps Choques de
5
0
-10
-5
0
-5
-10
2002, ndice de leo AMEX Pr e Ps choques e Gasolina Pr e Ps Choques.
-10
-5
Srie Filtrada WTI Ps Choques
-10
-5
Srie Filtrada WTI Ps Choques
t-Student Assimtrica srie filtrada de preos de Petrleo WTI Ps Choques Geopolticos de 2002.
-5
5
0
-5
91
-5
-5
Srie Filtrada ndice AMEX Pr Choques
Srie Filtrada ndice AMEX Pr Choques
6
4
2
0
-2
-6
-4
4
2
0
-2
-4
-6
t-Student Assimtrica srie filtrada de valores do ndice de leo AMEX Pr Choques Geopolticos de 2002.
-6
-4
-2
Srie Filtrada ndice AMEX Ps Choques
-6
-4
-2
Srie Filtrada ndice AMEX Ps Choques
t-Student Assimtrica srie filtrada de valores do ndice de leo AMEX Ps Choques Geopolticos de 2002.
Aplicao
6
4
2
0
-2
-6
-4
4
2
0
-2
-4
-6
92
-6
-4
-2
-6
Srie Filtrada Gasolina Pr Choques
-4
-2
Srie Filtrada Gasolina Pr Choques
6
4
2
0
-2
-6
-4
4
2
0
-2
-4
-6
t-Student Assimtrica srie filtrada de preos de Gasolina Pr Choques Geopolticos de 2002.
-6
-4
-2
Srie Filtrada Gasolina Ps Choques
-6
-4
-2
Srie Filtrada Gasolina Ps Choques
t-Student Assimtrica srie filtrada de preos de Gasolina Ps Choques Geopolticos de 2002.
Visualmente, atravs dos grficos comparativos de probabilidade, nota-se um

melhor ajuste da distribuio t-Student Assimtrica do que a distribuio Normal
Assimtrica. Esses resultados so corroborados numericamente atravs do Critrio de
93
Informao de Akaike (AIC, vide Akaike (1973)) e de medidas de bondade de ajuste dos
modelos completos ARMA-GARCH-Cpula (Seo 4.3.3). Em todos os casos poucos so
os valores extremos que no so ajustados pela distribuio t-Student Assimtrica,
indicando ser desnecessrio para essas sries a utilizao de distribuies com caudas mais
pesadas, por exemplo, baseadas na Teoria de Valores Extremos.
A tabela 4.6 mostra os parmetros ajustados das distribuies marginais Normal e tStudent Assimtricas para a srie filtrada de preos, juntamente com seus desvios padro.
Nota-se que o segundo perodo, ps choques de 2002, possui graus de liberdade em geral
maiores do que no primeiro.
Normal
Assim.
t-Student
Assimtrica
Tabela 4. 6. Parmetros das distribuies Normal e t-Student Assimtricas ajustados para as sries marginais
filtradas de preos.
WTI Pr
Param.
DP
Graus Liberdade 4.763
0.360
Assimetria
-0.055 0.027
Posio
0.060
0.031
Escala
0.760
0.015
Posio
Escala
Assimetria
0.666
1.457
-1.004
0.045
0.022
0.065
WTI Ps
Param.
DP
9.554
2.027
-0.301 0.127
0.302
0.128
0.873
0.023
leo AMEX Pr leo AMEX Ps

Gasolina Pr
Param.
DP
Param.
DP
Param.
DP
6.158
0.562 22.473 4.693
6.752
0.724
0.025
0.035 -0.988 0.025 -0.020 0.041
-0.030 0.040
0.950
0.028
0.024
0.046
0.821
0.015
0.903
0.024
0.839
0.016
Gasolina Ps
Param.
DP
9.159
1.857
-0.149 0.094
0.147
0.101
0.880
0.025
0.822
1.742
-1.399
0.680
1.503
-0.977
0.608
1.399
-0.897
0.062
0.037
0.112
0.046
0.021
0.063
0.842
1.757
-1.460
0.067
0.042
0.127
0.517
1.263
-0.708
0.087
0.038
0.114
0.104
0.048
0.145
O Critrio de Informao de Akaike, que pondera a funo de verossimilhana e o

nmero de parmetros para sugerir, dentre os modelos ajustados, qual o de melhor ajuste,
exibido na tabela 4.7. Aqui o melhor dentre os modelos selecionado atravs das medidas
de menor valor.
Tabela 4. 7. AIC (Akaikes Information Criterion) para o ajuste das distribuies marginais Normal
Assimtrica e t-Student Assimtrica s sries filtradas de preos de Petrleo Bruto WTI, ndice de leo
AMEX e Gasolina Convencional.
Normal
Assimtrica
t-Student
Assimtrica
WTI Perodo
Pr Choques
WTI Perodo
Ps Choques
HO2 Perodo
Pr Choques
HO2 Perodo
Ps Choques
Gasol. Perodo Gasol. Perodo

Pr Choques Ps Choques
-10500.98
-4394.23
-10653.04
-4428.32
-10747.32
-4400.02
-10867.24
-4431.51
-10888.22
-4435.19
-10894.20
-4436.85
Aplicao
94
Observe que a funo t-Student Assimtrica, mesmo possuindo um parmetro a

mais do que a distribuio Normal Assimtrica a que se ajustou de forma mais adequada
s sries em estudo.
4.3.2. Ajustes de Funes de Acoplamento
Nesta sesso so apresentados os resultados dos ajustes das funes de acoplamento

t-Student Assimtrica e t-Student Simtrica para os preos filtrados de ativos energticos,
atravs do mtodo IFM, testes de bondade de ajuste das funes de acoplamento e
resultados do clculo do VaR da simulao dos modelos ARMA-GARCH-Cpula. A
funo de acoplamento t-Student Simtrica utilizada para efeito de comparao dos
resultados com a contraparte assimtrica. A tabela 4.8 exibe os resultados dos ajustes
dessas funes de acoplamento, juntamente com o desvio padro das estimativas de seus
parmetros. Sero apresentados os resultados dos ajustes bivariados e 3-variado, com o
objetivo de comparar as estimativas nesses casos para as cpulas mencionadas.
Tabela 4. 8. Ajustes das funes de acoplamento t-Student Assimtricas bivariadas para os pares leo Cru
WTI e Gasolina Convencional, leo Cru WTI e ndice leo AMEX, e Gasolina Convencional e ndice leo
AMEX nos perodos Pr e Ps choques 2002. Acompanham respectivos desvios padro.
leo Cru WTI e Gasolina Conv.

Desvio Padro
Perodo Pr
Choques
2002
Perodo Ps
Choques
2002
-0.1300
0.0024
0.03549
0.03374
Correlao
0.6770
0.00855
Graus Lib.
6.6455
0.29863
leo Cru WTI e ndice leo AMEX

Desvio Padro
0.3966
0.08002
0.1066
0.11317
0.2172
0.01783
13.2103
0.77583
Gasolina Conv. e ndice leo AMEX

Desvio Padro
0.4142
0.07786
-0.0053
0.08304
0.1938
0.01719
14.8435
0.75503

Desvio Padro
-0.1819
0.0460
-0.0440
0.0426
0.7247
0.0118
5.8969
0.4673

Desvio Padro
-0.1402
0.0678
-0.1885
0.0839
0.4103
0.0211
14.7533
0.7335

Desvio Padro
-0.3218
0.0783
0.1287
0.1014
0.3440
0.0230
16.1096
1.5976
Observam-se distines principalmente na direo da assimetria entre os perodos

pr e ps choques de 2002. As funes de acoplamento ajustadas para o par leo Cru WTI
e Gasolina Convencional nesses perodos indicam maior dependncia entre aumentos de
95
preos dos ativos no perodo pr choques e maior dependncia entre as redues de preos
no perodo ps choques. Observa-se tambm aumento na correlao do perodo 1 para o
perodo 2.
Para comparao foi ajustada a funo de acoplamento t-Student Simtrica que, com
graus de liberdade elevados se aproxima da funo de acoplamento Gaussiana. O resultado
do ajuste mostrado na tabela 4.9.
Tabela 4. 9. Ajustes das funes de acoplamento t-Student Simtrica bivariadas para os pares leo Cru WTI
e Gasolina Convencional, leo Cru WTI e ndice leo AMEX, e Gasolina Convencional e ndice leo
AMEX nos perodos Pr e Ps choques 2002. Acompanham respectivos desvios padro.

Desvio Padro
Perodo Pr Choques
Correlao Graus Lib.
0.6744
6.6825
0.0086
0.7702
Perodo Ps Choques
Correlao Graus Lib.
0.7205
5.3196
0.0120
0.7150

Desvio Padro
0.2221
0.0160
14.9415
3.9608
0.4195
0.0202
20.6629
9.2220

Desvio Padro
0.1906
0.0162
15.1610
4.1739
0.3422
0.0221
24.2839
13.8550
Observa-se aumento expressivo dos graus de liberdade das cpulas que ajustam o
ndice leo AMEX. Esse fato implica em reduo na dependncia nas caudas entre os
ativos fsicos e o ndice AMEX. As estimativas de correlao e seus respectivos desvios
padro possuem variao muito pequena da t-Student Assimtrica para a t-Student
Simtrica, mostrando robustez em relao esse erro de especificao (uso da t-Student
Simtrica no lugar da t-Student Assimtrica). As estimativas do grau de liberdade,
principalmente para o primeiro perodo, tambm so prximas, entretanto os desvios
padro so mais afastados.
As funes de acoplamento apresentadas so bivariadas. As tabelas 4.10 e 4.11
mostram o ajuste das funes de acoplamento 3-variadas t-Student Assimtrica e t-Student
Simtrica.
Aplicao
96
Tabela 4. 10. Ajustes das funes de acoplamento t-Student Assimtricas 3-variada para as sries filtradas de
Acompanham respectivos desvios padro.
Assimetria 1
Assimetria 2
Assimetria 3
Correlao 1,2
Correlao 1,3
Correlao 2,3
Graus Lib.
1: leo Cru WTI
Perodo Pr Choques 2002

Perodo Ps Choques 2002
Parmetros Desvio Padro Parmetros Desvio Padro
0.1995
0.0522
-0.3366
0.0635
0.4255
0.0604
-0.1347
0.0805
0.0851
0.0641
-0.0950
0.1105
0.6722
0.0087
0.7152
0.0120
0.2296
0.0161
0.4036
0.0223
0.1977
0.0172
0.3329
0.0230
10.6197
0.5744
10.9160
0.8438
2: Gasolina Convencional
3: ndice de leo AMEX
Tabela 4. 11. Ajustes das funes de acoplamento t-Student Simtrica 3-variada para as sries filtradas de
Acompanham respectivos desvios padro.
Correlao 1,2
Desvio Padro
Perodo Pr
Choques
2002
0.6738
0.0081
Perodo Ps
Choques
2002
0.7176
0.0113
Correlao 1,3
Desvio Padro
0.2211
0.0160
0.4169
0.0210
Correlao 2,3
Desvio Padro
0.1905
0.0162
0.3450
0.0225
Graus Lib.
11.4087
10.2755
Desvio Padro
1.3265
1.4238
1: leo Cru WTI 2: Gasolina Convencional
3: ndice de leo AMEX
Observe que os parmetros de correlao e graus de liberdade das cpulas tAssimtrica 3-variada e t-Student simtrica 3-variada so semelhantes, estando nos
intervalos de confiana das estimativas.
Comparando-se com as cpulas bivariadas observam-se grandes diferenas nas
estimativas dos parmetros (exceto as correlaes). Enquanto que na bivariada obtiveramse parmetros de assimetria referentes ao leo Cru WTI no valor de -0.13 e 0.39, nas
cpulas relacionadas com a Gasolina e o ndice AMEX no perodo 1, respectivamente,
obteve-se aproximadamente 0.20 no mesmo perodo na cpula 3-variada. Isso indica que a
cpula 3-variada considerou um parmetro prximo da mdia dos parmetros bivariados. O
mesmo ocorre com os outros parmetros. O ajuste do acoplamento 3-variado t-Student
97
Simtrico no possuiu graus de liberdade to grandes quanto os observados no caso

bivariado. Isso pode ser devido ao alto desvio padro das estimativas bivariadas, o que no
trazem garantias firmes de que o grau de liberdade estimado foi bem ajustado. Outro fato
importante de ser mencionado que a funo de acoplamento 3 dimensional restringe o
grau de liberdade a um valor nico (no caso bivariado existe um grau de liberdade para
cada par). Se os graus de liberdade dos casos bivariados so muito diferentes do caso 3variado possvel que se esteja engessando a estrutura de dependncia atravs das
mdias dos graus de liberdade.
Esses resultados indicam que ao se ajustar a cpula t-Student Assimtrica pode-se
estimar a matriz de correlao atravs dos modelos bivariados. Isso diminui de forma
expressiva o nmero de parmetros da funo de acoplamento a ser estimada. Dessa forma,
a cada nova varivel aumenta-se apenas 1 parmetro adicional de assimetria, viabilizando a
utilizao da cpula para dimenses superiores.
Bondades de Ajuste
Foram realizados testes de bondade de ajuste das funes de acoplamento 3variadas. Os p-valores dos testes da cpula emprica e da transformada de Kendall so
mostrados na tabela 4.12, para os perodos pr e ps choques de 2002. Esses testes so
baseados apenas nas funes de acoplamento ajustadas, desconsiderando o ajuste das
distribuies marginais e modelos ARMA-GARCH.
Tabela 4. 12. P-Valores dos testes de bondade de ajuste baseados na Cpula Emprica e na Transformada
Kendall das funes de acoplamento t-Student Assimtrica e t-Student Simtrica nos perodos pr e ps
choques de 2002.
Perodo 1
t-Student Assimtrica
Cpula Emprica
0.565
Transformada Kendall
0.965
t-Student Simtrica
0.578
0.298
Perodo 2
Cpula Emprica
0.109
Transformada Kendall
0.026
t-Student Simtrica
0.181
0.036
Aplicao
98
Observe que o teste gerou p-valores que no rejeitam a hiptese nula (de modelos de
funes de acoplamentos adequados) no perodo pr choques de 2002. Nesse perodo
observa-se no entanto um melhor ajuste do acoplamento t-Student Assimtrico. Em
contrapartida, no perodo ps choques de 2002 observou-se ajustes menos adequados. O
teste baseado na Transformada Kendall rejeita a hiptese de adequao das funes de
acoplamento com nvel de 0.05. O teste baseado na Cpula Emprica no rejeita a
hiptese de adequao, entretanto qualifica a cpula t-Student Simtrica como melhor
ajustada (se comparados os resultados dos testes das cpulas Simtrica e Assimtrica).
As estatsticas baseadas no VaR (ver metodologia no apndice) so mostradas nas
tabelas 4.13 (perodo pr choques 2002) e 4.14 (perodo ps choques) para duas carteiras
construdas a partir dos 2 atvos fsicos mais o ndice leo AMEX. A primeira carteira
constituda igualitariamente pelos 3 itens. A segunda constituda de 50% de leo Cru
WTI, 20% de Gasolina Convencional e 30% do ndice de leo AMEX. Esse teste
considera o ajuste completo do modelo ARMA-GARCH-Cpulas, e, se o ajuste caudal foi
adequado pelas funes de acoplamento, os resultados apresentados devem ser prximos do
VaR de nvel (ou 1- no caso de nveis maiores ou iguais a .9). Mais detalhes sobre a
gerao das estatsticas pode ser verificado no apndice D.
Tabela 4. 13. Estatsticas do VaR (Valor em Risco) para simulaes em passos de 50 dias (janela de 1000
observaes) dos modelo ARMA-GARCH-Cpula t-Student Assimtrica e ARMA-GARCH-Cpula tStudent Simtrica para o perodo 1. Nmero de observaes para clculo do VaR de 2841.
Perodo 1
VaR 0.01%
VaR 0.1%
VaR 0.5%
VaR 1%
VaR 5%
VaR 10%
VaR 90%
VaR 95%
VaR 99%
VaR 99.5%
VaR 99.9%
VaR 99.99%
Carteira 1 Ocorrncias
0.04%
1
0.21%
6
0.77%
22
1.41%
40
6.58%
187
11.33%
322
11.69%
332
5.77%
164
1.51%
43
0.88%
25
0.14%
4
0.00%
0
t-Student Simtrica
0.04%
1
0.07%
2
0.67%
19
1.16%
33
6.23%
177
11.02%
313
11.30%
321
5.70%
162
1.37%
39
0.81%
23
0.11%
3
0.04%
1
0.00%
0
0.32%
9
0.81%
23
1.51%
43
6.58%
187
11.23%
319
11.76%
334
5.74%
163
1.48%
42
0.77%
22
0.14%
4
0.04%
1
t-Student Simtrica
0.04%
1
0.21%
6
0.74%
21
1.23%
35
6.62%
188
10.84%
308
11.47%
326
5.49%
156
1.51%
43
0.81%
23
0.21%
6
0.11%
3
99
Observa-se, tanto na carteira 1 quanto na carteira 2 proximidade entre as estatsticas

da t-Student Assimtrica e t-Student Simtrica. Na carteira 2 foi subestimado o VaR na
cauda superior da t-Student Simtrica, causado exatamente pelo seu comportamento
simtrico. A tabela 4.14 mostra as estatsticas para o perodo ps choques de 2002.
Tabela 4. 14. VaR (Valor em Risco) para simulaes em passos de 50 dias (janela de 1000 observaes) dos
modelo ARMA-GARCH-Cpula t-Student Assimtrica e ARMA-GARCH-Cpula t-Student Simtrica para o
perodo 1. Nmero de observaes para clculo do VaR de 556.
Perodo 2
VaR 0.1%
VaR 0.5%
VaR 1%
VaR 5%
VaR 10%
VaR 90%
VaR 95%
VaR 99%
VaR 99.5%
0.18%
1
0.71%
4
1.06%
6
5.83%
33
14.31%
81
9.54%
54
4.95%
28
0.71%
4
0.18%
1
t-Student Simtrica
0.18%
1
0.71%
4
1.06%
6
6.01%
34
14.13%
80
9.54%
54
4.95%
28
0.53%
3
0.00%
0
0.18%
1
0.53%
3
0.71%
4
6.54%
37
14.31%
81
9.36%
53
4.77%
27
0.88%
5
0.18%
1
t-Student Simtrica
0.18%
1
0.71%
4
0.88%
5
6.71%
38
14.13%
80
9.36%
53
4.77%
27
0.71%
4
0.18%
1
Nesse caso observa-se grande semelhana entre as carteiras e tambm entre as

funes de acoplamento t-Student simtrica e assimtrica. Observe que ocorreram o mesmo
nmero de ultrapassagens do VaR 90% na cpula t-Student Assimtrica e t-Student
Simtrica, em ambas as carteiras, o que aconteceu tambm com outros nveis de VaR.
4.3.3. Comparao dependncia nas Caudas
Nesta seo sero verificadas as dependncias nas caudas das cpulas ajustadas
(tericas) e do acoplamento emprico. A tabela 4.15 mostra as dependncias nas caudas
inferior e superior estimada atravs da cpula emprica e calculada atravs de simulao da
cpula t-Student Assimtrica e terica da t-Student Simtrica. Foram utilizados os
parmetros estimados pelos acoplamentos 3-variados.
Aplicao
100
Tabela 4. 15. Dependncia nas caudas Inferior e Superior das funes de acoplamento emprica, t-Student
Assimtrica e t-Student Simtrica ajustadas.
Inferior
t-Simtrica
Superior
Emprica
Superior
t-Assimtrica
Superior
t-Simtrica
0.1892
0.1762
0.1451
0.2973
0.3101
0.1451
0.0476
0.0321
0.0152
0.0952
0.0666
0.0152
0.0270
0.0167
0.0128
0.0811
0.0780
0.0128
Pr
Choques
2002
Inferior
t-Assimtrica
Ps
Choques
2002
Inferior
Emprica
0.3673
0.3231
0.1999
0.2653
0.2191
0.1999
0.1892
0.1292
0.0537
0.0811
0.0590
0.0537
0.1304
0.0909
0.0384
0.0435
0.0555
0.0384
Observa-se aqui que a dependncia nas caudas do ajuste da cpula t-Student

Assimtrica ficou prximo da dependncia nas caudas emprica. A cpula t-Student
Simtrica subestimou a dependncia nas caudas na maioria das vezes.
4.3.4. Ganhos em Relao Funo de Acoplamento t-Student Simtrica
No simples estabelecer na prtica os ganhos que a funo de acoplamento tStudent Assimtrica tm em relao t-Student Simtrica. Observou-se que a distribuio
assimtrica conseguiu um ajuste da dependncia nas caudas mais prximo do observado
empiricamente. Entretanto as estatsticas baseadas no VaR mostram apenas uma leve
subestimao do VaR pela t-Student Simtrica, causada pela necessidade de ajuste
assimtrico. Observou-se tambm, no teste de bondade de ajustes que provavelmente a
funo de acoplamento t-Student Simtrica se ajustou melhor. Entretanto esse teste d o
mesmo peso distribuio em toda sua extenso, desprezando, ento, uma maior
dependncia nas caudas.
Anlises e aplicaes em outros conjuntos de dados podem ser teis para estabelecer
de forma mais confivel o grau de melhoria pelo uso da funo de acoplamento t-Student
Assimtrica em detrimento da Simtrica.
Alm disso, a distribuio t-Student Simtrica mais simples de ser implementada
computacionalmente, gerando resultados mais rapidamente, mesmo para dimenses
superiores.
Captulo 5
Concluses
Procurou-se mostrar nesta dissertao que a distribuio t-Student Assimtrica

uma boa alternativa, tanto para a modelagem da distribuio marginal quanto para a
constituio de uma funo de acoplamento que seja flexvel o suficiente para caracterizar a
estrutura de dependncia principal e caudal de um conjunto de dados.
Mostrou-se que o acoplamento t-Student Assimtrico pode descrever uma grande
variedade de dependncias nas caudas superior e inferior, desde situaes simtricas at
assimtricas de dependncia. A funo de acoplamento t-Student Assimtrica uma boa
alternativa para modelagem de eventos extremos em dados reais. Verificou-se que essa
distribuio ajusta-se adequadamente dependncia nas caudas, considerando-se como
comparao a dependncia nas caudas emprica. Observou-se tambm atravs das
estimaes que essa cpula tambm pode compor um modelo ARMA-GARCH-Cpulas
que caracterize um conjunto de dados reais.
Procurou-se mostrar que possvel fazer a estimao conjunta dos parmetros da
funo de acoplamento t-Student Assimtrica pela mxima verossimilhana atravs de
mtodos computacionais de otimizao construdos a partir da funo densidade do
acoplamento. Os resultados dos parmetros estimados ficaram em geral prximos dos
parmetros simulados, o que d maior garantia de que a estimao dos parmetros para
102
Concluses
dados reais caracterize corretamente a dependncia entre eles. Nesse contexto mostrou-se
tambm que alteraes na preciso no modificam a estimativa dos parmetros
drasticamente, mas tem influencia no clculo do desvio padro das estimativas.
Adicionalmente, possvel aumentar a dimenso da funo de acoplamento, com aumento
do custo computacional restrito a um parmetro por dimenso, j que os parmetros de
correlao podem ser ajustados com fidelidade pela funo de acoplamento bivariada.
Apndices
104
Apndices
Apndice A
Funes de Acoplamento
Segundo Nelsen (2006, Cap 1), acoplamentos podem ser vistos de duas formas:
sob um ponto de vista, acoplamentos so funes que juntam ou acoplam funes
distribuies conjuntas s suas funes distribuies marginais. Alternativamente,
acoplamento so funes distribuies multivariadas, cujas marginais unidimensionais so
uniformes no intervalo (0,1). Atualmente, o estudo de funes de acoplamento de grande
interesse, principalmente por suas aplicaes em finanas e aturia, como, por exemplo, a
anlise de risco de mercado, o clculo do risco de um portflio de seguros, o apreamento
de derivativos, entre outros.
A Transformada Integral de Probabilidade
Para um bom entendimento das funes de acoplamento, necessrio definir uma
ferramenta de extrema importncia, que a transformada integral de probabilidade:
Seja X uma varivel aleatria com funo de distribuio F ( x) = P ( X x), x ,
sendo isso denotado por X ~ F . Suponha que F ( x) contnua. Ento, para u (0,1) ,
existe um valor mnimo nico x(u ) , tal que F ( x(u )) = u . Formalmente,
x(u ) = F 1 (u ) = inf{x / F ( x) u} ,
[A-1]
106
o qual define a funo distribuio inversa. Ento F ( x) u x F 1 (u ) . Uma vez que
F ( x) no-decrescente e contnua, ento sua inversa F 1 (u ) tambm no-decrescente e

contnua sobre u (0,1) . Portanto,
P( F ( X ) u ) = P( X F 1 (u )) = F ( F 1 (u )) = u
e
1 se u 1
P( F ( X ) u ) =
0 se u < 0
[A-2]
Portanto,
1 se u 1
P( F ( X ) u ) = u se 0 u 1
0 se u < 0
Conseqentemente,
F(X )
tem
distribuio
uniforme
em
[0,1] ,
i.e.,
F ( X ) ~ Uniforme(0,1) . A transformao U = F ( X ) chamada transformada integral de

probabilidade.
Lema A.1: Para quaisquer variveis aleatrias contnuas X ~ F e U ~ Uniforme(0,1) , X e
F 1 (U ) tem a mesma funo distribuio.

Realmente, uma vez que F 1 (u ) no decrescente tem-se que:
P ( F 1 (u ) x) = P (U F ( x)) = F ( x) .
Proposio A.1: Seja G ( x) uma funo distribuio qualquer e U ~ Uniforme(0,1) . Ento
existe uma funo H ( x) tal que P ( H (U ) x) = G ( x), x .
Prova: Se G ( x) contnua, tomamos h(U ) = G 1 (U ) . Ento
P (h(U ) x) = P (U G ( x)) = G ( x) .
A.1. Distribuies Multivariadas
107
Se G ( x) tem saltos de tamanho
pk em yk , ento tomamos G ( y ) para
x ( p1 + p2 + L + p k 1 , p1 + p 2 + L + pk ], k = 1,2,... (assumindo p0 = 0 ). Uma vez que

U ~ U (0,1) , P (h(U ) = yk ) = P ( p1 + L + p k 1 < U p1 + L + pk ) = pk .
Portanto h(U ) uma varivel aleatria discreta com funo distribuio G ( x) .
Ento, se Y tem densidade g ( y ) e funo distribuio G ( y ) , ento Y = G 1 ( F ( x))
transforma f (.) em g (.) .
A.1. Distribuies Multivariadas

A dependncia entre as variveis aleatrias de valores reais X 1 , X 2 ,..., X n
completamente descrita pela funo de distribuio conjunta
H ( x1 , x2 ,..., xn ) = P ( X 1 x1 , X 2 x2 ,..., X n xn ) .
[A-3]
Se H ( x1 , x2 ,..., xn ) conhecida, podemos obter a densidade conjunta (se a mesma existir)

de acordo com a formula:
h( x1 , x2 ,..., xn ) =
n H ( x1 , x2 ,..., xn )
,
x1x2 ...xn
[A-4]
para todo ( x1 , x2 ,..., xn ) n onde H ( x1 , x2 ,..., xn ) tem derivada parcial mista.

Para
qualquer
subconjunto
{i1 , i2 ,..., i j } {1,2,..., n}
distribuio
marginal
de
( X i1 , X i2 ,..., X i j ) dada por

H X i1 , X i2 ,..., X i j ( xi1 , xi2 ,..., xi j ) = lim H ( x1 , x2 ,..., xn ), i i1 , i2 ,..., i j .
xi
[A-5]
108
A.2. Definio das Funes de Acoplamento

Suponha que se transforme o vetor aleatrio ( X 1 , X 2 ,..., X n ) componente a
componente para que ele tenha distribuies marginais Uniforme(0,1) . Se X 1 , X 2 ,..., X n
tm distribuies marginais contnuas FX 1 ( x1 ),..., FX n ( xn ) , ento essa transformao pode
ser obtida usando-se a transformada integral de probabilidade:
Tn : n a n , ( x1 ,..., xn ) a ( FX1 ( x1 ),..., FX n ( xn )) .
[A-6]
A funo distribuio conjunta C (.) de ( FX1 ( x1 ),..., FX n ( xn )) ento chamada de cpula

(ou funo de acoplamento, ou, muitas vezes, apenas acoplamento) do vetor aleatrio
( X 1 , X 2 ,..., X n ) , ou equivalentemente, cpula associada com a distribuio conjunta H (.) .
Segue que:
H ( x1 , x 2 ,..., x n ) =
= P ( FX 1 ( X 1 ) FX 1 ( x1 ), FX 2 ( X 2 ) FX 2 ( x 2 ),..., FX n ( X n ) FX n ( x n ))
[A-7]
= C ( FX 1 ( x1 ), FX 2 ( x 2 ),..., FX n ( x n ).
Definio A.1: Uma funo de acoplamento definida como a funo de distribuio
conjunta
C (u1 , u 2 ,..., u n ) = P (U 1 u1 , U 2 u 2 , ..., U n u n ), 0 u i 1 ,

sendo U i ~ Uniforme(0,1), i = 1,2,..., n ou alternativamente
Definio A.2: Uma funo de acoplamento qualquer funo C : [0,1]n [0,1] que possui
as seguintes propriedades:
i) C (u1 ,..., u n ) no-decrescente em cada componente
ui
ii) C (1,...,1, ui ,1,...,1) = ui [0,1] i = 1,2,..., n
a bi
iii) para (a1 ,..., an ), (b1 ,..., bn ) [0,1]n com i
tem-se que
A.2. Definio de Funes de Acoplamento
i1 =1
in =1
... (1)
i1 + i2 +...+ in
109
C ( x1i1 ,..., xnin ) 0 , onde x j1 = a j e x j 2 = b j , j = 1,2,..., n .
Sendo essas definies equivalentes.
A.2.1. Propriedades
Apresentaremos agora algumas propriedades e teoremas que as funes de
acoplamento satisfazem. Maiores detalhes podem ser obtidos em Nelsen (2006) e Bouy et
al. (2000).
Teorema A.1 (Sklar): Seja H (.) uma funo de distribuio conjunta com marginais
FX1 ,..., FX n . Ento existe uma funo de acoplamento n-dimensional C (.) tal que:
H ( x1 , x2 ,..., xn ) = C ( FX1 ( x1 ), FX 2 ( x2 ),..., FX n ( xn )) .
[A-8]
Reciprocamente, se C (.) uma funo de acoplamento n-dimensional e FX1 ,..., FX n

so funes de distribuio, ento H (.) , definida por [A-8] uma distribuio conjunta ndimensional.
Note que a recproca desse teorema implica que podemos acoplar quaisquer tipos de
distribuies univariadas com qualquer funo de acoplamento, assim definindo uma
distribuio multivariada vlida.
A prova desse teorema pode ser encontrada em Sklar (1959). O corolrio a seguir
mostra que podemos obter funes de acoplamento a partir de qualquer distribuio
multivariada e us-la independentemente das marginais originais.
Corolrio A.1: Seja H (.) uma funo de distribuio conjunta com marginais FX1 ,..., FX n
e sejam F 1 X1 ,..., F 1 X n as inversas de FX1 ,..., FX n respectivamente. Ento, para qualquer
ui [0,1] , existe uma funo de acoplamento n-dimensional C (.) tal que:
110
C (u1 , u 2 ,..., u n ) = H ( F 1 X1 (u1 ),..., F 1 X n (u n ))
[A-9]
Ento, podemos estudar o fenmeno de dependncia entre as variveis sem fixar as

distribuies marginais.
Teorema A.2: Seja ( X 1 , X 2 ,..., X n ) um vetor de variveis aleatrias contnuas com funo
de acoplamento C (.) . Se 1 (.),..., n (.) so funes estritamente crescentes em
Im( X 1 ),..., Im( X n ) ,
respectivamente,
ento
( 1 ( X 1 ),..., n ( X n ))
tambm
possui
acoplamento C (.) .
Prova: Sejam FX1 , L , FX n funes distribuio de X 1 , L , X n e sejam G1 , L , Gn as funes
distribuio de 1 ( X 1 ), L , 1 ( X n ) respectivamente . Seja ( X 1 , L , X n ) um vetor aleatrio
com cpula C (.) e seja C (.) a cpula de (1 ( X 1 ), L , 1 ( X n )) . Uma vez que k (.)
estritamente crescente para cada k = 1, L , n ,
Gk ( x) = P ( k ( X k ) x) = P ( X k k1 ( x)) = Fk ( k1 ( x)) .
para todo
x em , portanto
C (G1 ( x1 ),..., Gn ( xn )) = P (1 ( X 1 ) x1 ,..., n ( X n ) xn ) =

= P ( X 1 11 ( x1 ),..., X n n11 ( xn )) = C ( F1 (11 ( x1 )),..., Fn ( n1 ( xn ))) =
[A-10]
= C (G1 ( x1 ),..., Gn ( xn )).

Uma vez que X 1 ,..., X n so contnuas, Im(G1 ) = ... = Im(Gn ) = [0,1] , i.e., C (.) = C (.) em
[0,1]n .
A.2. Definio de Funes de Acoplamento
111
Ento, as transformaes no lineares estritamente crescentes alteram a distribuio

conjunta H (.) e suas marginais, mas a forma analtica da funo de acoplamento
permanece a mesma.
Teorema A.3: ( X 1 , X 2 ,..., X n ) um vetor de variveis aleatrias contnuas com funo de
acoplamento C (.) . Ento X 1 , X 2 ,..., X n so independentes se e somente se

n
C (u) = u i = (u)
[A-11]
i =1
chamada de cpula de independncia (ou independente).

A.2.1. Limites de Frchet-Hoeffding para Cpulas
Definio 2.3 (Acoplamentos W e M): Sejam M e W funes com domnio em [0,1]n , tais
que:
M n (u) = min(u1, u2 ,..., un ) ,
W n (u) = max(u1 + u 2 + ... + u n n + 1 , 0) .
[A-12]
Ento M uma funo de acoplamento n-dimensional para todo n 2 , ao passo que W

no uma funo de acoplamento para todo n 3 .
Teorema A.4 (Limites de Frchet-Hoefding): Se C (u) um acoplamento qualquer, ento,
para todo u [0,1]n ,

W n (u) C (u) M n (u) .
[A-13]
Portanto, o limite inferior de Frchet-Hoefding W 2 (u , v) = max(u + v 1 ,0) menor do que

qualquer cpula bidimensional, e qualquer cpula C (u) menor que o limite superior de
Frchet-Hoefding M n (u) .
112
Prova (caso bidimensional):

1
parte:
Seja
(u , v) [0,1]2 ,
temos
por definio
que
C (u , v) C (u ,1) = u
C (u , v) C (1, v) = v . Diretamente, isso implica que C (u , v) min(u , v). .

2 parte: Utilizando a definio de cpula (Definio 2.2, item iii), com u2 = v2 = 1 , temos
que
C (1,1) C (u ,1) C (1, v) + C (u , v) 0 .
Ento
1 u v + C (u , v) 0
C (u , v) u + v 1. Como C (u , v) 0 , C (u , v) max(u + v 1 ,0) .
Apndice B
Dependncia
O conceito de dependncia entre variveis aleatrias est relacionado com a

probabilidade conjunta entre os eventos possveis descritos pelas distribuies marginais.
Como Jogdeo (1982) aponta,
"As relaes de dependncia entre variveis aleatrias um dos temas mais
estudados em probabilidade e estatstica. A natureza da dependncia pode tomar uma
variedade de formas e, a no ser que alguma suposio especfica seja feita sobre a
dependncia, nenhum modelo estatstico pode ser criado."
importante ento, para que se possa fazer uma boa modelagem, que se utilize
funes que caracterizem corretamente a dependncia entre os eventos em estudo. Joe
(1997, Cap 2, p. 19-33), apresenta diversos tipos de dependncia que so encontradas nas
diversas funes conjuntas e/ou de acoplamento. A dependncia entre variveis aleatrias
totalmente definida por sua funo de distribuio conjunta, porm, esta no informa
especificamente como essa dependncia, nem a mensura. Para isso so desenvolvidas
medidas de dependncia, que so instrumentos que quantificam essa associao. Cabe ao
analista/estatstico selecionar corretamente a funo mais adequada ao seu problema.
Sero abordados inicialmente alguns dos diferentes tipos de dependncia, mais teis
nas aplicaes em gerenciamento de risco, como simetria e assimetria, dependncia em
Dependncia
114
quadrantes positivo e negativo, dependncia com crescimento estocstico, dependncia

crescente nas caudas e dependncia positiva total.
B.1. Propriedades da Dependncia

Para criar um modelo estocstico para algum determinado conjunto de eventos e
variveis aleatrias necessrio que se faam suposies sobre o comportamento aleatrio
dos mesmos. Essas suposies podem estar baseadas em alguns conceitos e estruturas de
dependncia para caracterizar o comportamento.
Por estrutura de dependncia pode-se entender as caractersticas intrnsecas da
dependncia entre eventos aleatrios de um conjunto de variveis aleatrias, podendo ser,
por exemplo, simtrica ou assimtrica, alongada ou no nas caudas. Entende-se por
conceito as caractersticas e propriedades que uma determinada estrutura de dependncia
possui.
Sero apresentadas aqui definies dos conceitos e estruturas de dependncia para o
caso bivariado, sendo o caso multivariado uma extenso natural dos mesmos conceitos e
estruturas.
B.1.1. Dependncia em Quadrante Positiva
Este conceito de dependncia distingue dependncia de independncia, quando duas

variveis aleatrias assumem valores em um mesmo quadrante, e definida por:
Definio B.1: Seja X = ( X 1 , X 2 ) um vetor aleatrio bivariado com distribuio
acumulada (f.d.a.) F. X ou F dependente em quadrante positivo se:
P( X 1 > a1 ; X 2 > a2 ) P( X 1 > a1 ) P( X 2 > a2 )a1 , a2 ,

ou equivalentemente:
[B-1]
B.1. Propriedades de Dependncia
P( X 1 a1 ; X 2 a2 ) P( X 1 a1 ) P( X 2 a2 )a1 , a2 .
115
[B-2]
A razo por que [B-1] e [B-2] so um conceito de dependncia positiva que mais
provvel que
X1 e
X 2 assumam valores grandes conjuntamente ou pequenos
conjuntamente comparados com X '1 e X ' 2 , onde X 1 = d X 1 ' e X 2 = d X 2 ' , sendo X '1 e X ' 2
variveis aleatrias independentes. Da mesma forma, X ou F so dependentes em quadrante
negativo se as inequaes em [B-1] e [B-2] forem reversas.
Nota-se que esse conceito geral, pois apenas distingue um par de variveis
aleatrias dependentes de um par independente.
B.1.2. Dependncia de Crescimento Estocstico
Este conceito diz respeito ao crescimento estocstico da dependncia entre duas

variveis aleatrias conforme o valor de uma das variveis aumenta.
acumulada (f.d.a.) F F ( F1 , F2 ) . X 2 estocasticamente crescente em X 1 , ou a distribuio

condicional F2 / 1 estocasticamente crescente se:
P ( X 2 > x2 | X 1 = x1 ) = 1 F2 / 1 ( x2 | x1 ) x1x2 .
[B-3]
Se forem invertidos os papis de X 1 e X 2 em [B-3] ento obtm-se X 1

estocasticamente crescente em X 2 , ou F1 / 2 estocasticamente crescente. Entende-se por esse
conceito que X 2 mais provvel de assumir valores maiores conforme X 1 aumenta.
Revertendo-se a direo de monotonicidade de para , resulta-se na condio
estocasticamente decrescente.
Note que, com este conceito, aproxima-se o conceito de dependncia nas caudas,
que possui semelhanas com o conceito de dependncia com crescimento estocstico. O
prximo conceito aproxima-se ainda mais da dependncia nas caudas.
Dependncia
116
B.1.3. Dependncia crescente na cauda direita e decrescente na cauda esquerda
Este conceito construdo a partir do conceito anterior, e envolve no s valores

crescentes fixos de uma das variveis aleatrias, mas toda a cauda alm de um limiar
crescente em uma das variveis aleatrias.
acumulada (f.d.a.) F F ( F1 , F2 ) . A dependncia de X 2 crescente na cauda direita de X 1

se:
P ( X 2 > x2 | X 1 > x1 ) = 1 F2 / 1 ( x2 | x1 ) x1x2 .
[B-4]
Similarmente, a dependncia de X 2 decrescente na cauda esquerda de X 1 se:

P ( X 2 x2 | X 1 x1 ) = 1 F2 / 1 ( x2 | x1 ) x1x2 .
[B-5]
Como anteriormente, em [B-4], mais provvel que ocorram valores maiores de X 2

conforme X 1 encontra-se em valores mais elevados na sua distribuio, e em [B-5], mais
provvel que ocorram valores menores de X 2 conforme X 1 assume valores menores em
sua distribuio.
Veja que os conceitos de dependncia B.1.2 e B.1.3 tambm so conceitos de
dependncia positiva. Em B.1.3, se for invertida a ordem da monotonicidade de para ,
em [B-4] e de para em [B-5], obtm-se conceitos de dependncia negativa.
B.1.4. Associao entre Variveis Aleatrias
Este conceito exprime a existncia de uma associao entre variveis aleatrias

quando existe uma covarincia positiva entre elas.
B.1. Propriedades de Dependncia
117
Definio B.4: Seja X = ( X 1 , X 2 ) um vetor aleatrio bivariado. X possui associao se a
inequao:
E[ g1 ( X) g 2 ( X)] E[ g1 ( X)]E[ g 2 ( X)]
[B-6]
vlida para toda funo real g1 e g 2 crescentes em cada um de seus componentes, e de

forma que cada esperana em [B-6] exista.
B.1.5. Positividade Total de segunda ordem
Definio B.5: Uma funo no negativa b em A 2 , onde A , totalmente positiva de
segunda ordem se, para todo x1 < y1 , x2 < y2 , onde xi , yi A ,
b( x1 , x2 )b( y1 , y 2 ) b( x1 , y 2 )b( x2 , y1 ) .
[B-7]
Suponha que se esteja trabalhando com uma funo acumulada F de densidade f. As

noes de dependncia positiva que podem ser expressas atravs da positividade total de
segunda ordem so as seguintes: i f, ii F, iii F = 1 F possuem positividade total de
segunda ordem. Ou seja, em (i) a condio de dependncia positiva significa que para
x1 < y1 , x2 < y2 , f ( x1 , x2 ) f ( y1 , y 2 ) f ( x1 , y 2 ) f ( x2 , y1 ) significa que mais provvel que

sejam observados pares cujos componentes possuam valores alto-alto ou baixo-baixo do
que valores alto-baixo ou baixo-alto.
Nota-se, ento uma correlao alta entre a positividade total de segunda ordem e o
conceito de concordncia que ser apresentado na seo B.3.
B.1.6. Relaes entre os Conceitos de Dependncia
Como pode-se notar, cada um dos conceitos apresentados so inter-relacionados,

sendo que o conceito mais forte o da dependncia com positividade total de segunda
ordem, pois sua existncia implica que todas as outras propriedades/conceitos de
Dependncia
118
dependncia so vlidos. As relaes entre os conceitos de dependncia so apresentadas

no teorema B.1.
Teorema B.1:
(a) Positividade total de segunda ordem na densidade f Dependncia com

crescimento estocstico Dependncia crescente na cauda direita e decrescente na cauda
esquerda;
(b) Dependncia crescente na cauda direita e decrescente na cauda esquerda
Associao entre as variveis aleatrias Dependncia em Quadrante Positiva;
(c) Positividade total de segunda ordem na densidade f Positividade total de
segunda ordem na distribuio acumulada F e sobrevivncia F = 1 F .
(d) Positividade total de segunda ordem na densidade f Dependncia decrescente
na cauda esquerda e Positividade total de segunda ordem na funo de sobrevivncia
F = 1 F Dependncia crescente na cauda direita.
A prova desse importante teorema pode ser consultada em Joe (1997, Cap 2, p. 2627). Como pode-se observar, a positividade total de segunda ordem na densidade implica
em positividade total de segunda ordem na distribuio acumulada. Como se sabe da
definio de Funo de Acoplamento (veja Nelsen, 2006, Cap 2.), as cpulas satisfazem a
propriedade de positividade total de segunda ordem, o que as transformam em um
ferramental poderoso para o estudo da dependncia entre variveis aleatrias.
O teorema B.2 mostra a flexibilidade das propriedades/conceitos de dependncia
com relao a transformaes estritamente crescentes, s quais as Cpulas tambm
atendem.
Teorema B.2: Os conceitos de dependncia em Quadrante Positiva, Dependncia com
Crescimento Estocstico, Dependncia Crescente nas Caudas e Positividade Total de
B.2. Estruturas de Dependncia
119
segunda ordem so invariantes a transformaes estritamente crescentes dos componentes

do vetor aleatrio.
Isso quer dizer que, por exemplo, se ( X 1 , X 2 ) possuem dependncia em quadrante
positiva, ento (a1 ( X 1 ), a2 ( X 2 )) tambm possuem, para transformaes estritamente
crescentes a1 e a2 . A prova desse teorema trivial e ser omitida.

Neste texto sero estudadas as estruturas de dependncia simtricas e assimtricas
por sua importncia em aplicaes financeiras e econmicas.
A simetria na dependncia ocorre na maioria das distribuies elpticas
multivariadas, como Normal e t-Student multivariadas. O fato de que, muitas vezes
observa-se maior ocorrncia de pares concordantes em eventos negativos (por exemplo, no
estudo de contgios financeiros, existe uma dependncia maior na cauda das perdas), a
utilizao das distribuies acima mencionadas pode ocasionar vcios considerveis quando
utilizadas em modelos probabilsticos.
A busca por distribuies multivariadas que possuam dependncia assimtrica
importante pois garante que casos como esses sejam modelados de forma no viesada.
B.2.1. Dependncia Perfeita Positiva e Negativa
Nesta seo ser apresentada a definio de dependncia perfeita, que pode-se

entender como a mais forte dependncia existente entre variveis aleatrias. A dependncia
perfeita caracterizada pela comonotonicidade entre as variveis aleatrias.
Definio B.6: (Dependncia Perfeita): As variveis aleatrias X
e Y so ditas
positivamente dependentes perfeitamente se so comonotnicas (por exemplo, X = Y

quase
certamente)
so
negativamente
dependentes
contramonotnicas (por exemplo, X = Y quase certamente).
perfeitamente
se
forem
120
Dependncia
Definio B.7: (Subconjunto Comonotnico): Um subconjunto
A n
dito
comonotnico se, para qualquer ( x1 ,..., x n ) e ( y1 ,..., y n ) em A, vlido que xi y i ou

y i xi , i = 1, 2,..., n .
Definio B.8: (Suporte Comonotnico): Seja X = ( X 1 ,..., X n ) um vetor aleatrio n-
dimensional. Qualquer subconjunto
A n
ser chamado de suporte de X se
P ( X A) = 1 for verdadeira. O suporte A comonotnico se, para qualquer x e y A , ou
x < y ou y < x vlido.

Definio B.9 (Vetor Aleatrio Comonotnico): Um vetor aleatrio X = ( X 1 ,..., X n ) dito
comonotnico se seu suporte comonotnico.

Pelas definies pode-se concluir que a comonotonicidade uma estrutura de
dependncia muito forte. De fato, se ( x1 ,..., x n ) e ( y1 ,..., y n ) so elementos do suporte
comonotnico de X, ento so ordenados elemento elemento. Comonotonicidade de um
vetor X implica que, quanto maior for o valor de um componente X j , maior ser o valor de
qualquer outro componente X k . Comonotonicidade significa que nenhum X j neutraliza
qualquer outra componente X k em qualquer forma ou grau.
O teorema B.3 mostra outras caracterizaes equivalentes da comonotonicidade em
vetores aleatrios.
Teorema B.3: O vetor aleatrio X = ( X 1 ,..., X n ) comonotnico se e somente se uma das
seguintes condies equivalentes satisfeita:

(i) ( X 1 ,..., X n ) tem suporte comonotnico
(ii) Para todo ( x1 ,..., x n ) : H ( x1 ,..., xn ) = min{FX1 ( x1 ),..., FX n ( xn )}
(iii) ( X 1 ,..., X n ) = d ( FX11 (U ),..., FXn1 (U )) para U ~ U (0,1)
121
(iv) existem funes no-decrescentes i : , i = 1,..., n e uma varivel aleatria Z tal

que ( X 1 ,..., X n ) = d (1 ( Z ),..., n ( Z )) , onde = d indica igualdade em distribuio.
Prova: [(i)
(ii)] Assuma que X possui suporte comonotnico B. Seja
( x1 ,..., x n ) n e seja A j definida por:
A j = {y B | y j x j }, j = 1, 2,..., n .
n
Como B comonotnico, existe um i de forma que Ai = I j =1 A j . Assim,

n
H ( x1 ,..., x n ) = P[ X I j =1 A j ] = P[ X Ai ] = FX i ( xi ) . Por outro lado, j que Ai A j ,

j = 1, 2,..., n , tem-se que FX i ( xi ) FX j ( x j ) . Da, FX i ( xi ) = min{FX1 ( x1 ),..., FX n ( xn )} .
[(ii) (iii)] Assuma que FX i ( xi ) = min{FX1 ( x1 ),..., FX n ( xn )} para todo x = ( x1 ,..., x n ) .

Ento,
P[ FX11 (U ) x1 ,..., FXn1 (U ) x n ] = P[U FX 1 ( x1 ),..., U FX n ( x n )] =
P[U min j =1,..., n {FX j ( x j )}] = min j =1,..., n {Fx j ( x j )}]
[(iii) (iv)] Concluso direta.

[(iv) (i)] Assuma que se pode encontrar uma varivel aleatria Z com suporte B e
funes no decrescentes ai , i = 1,2,..., n de forma que X = d (a1 ( Z ), a2 ( Z ),..., an ( Z )) .
O conjunto de possveis eventos de X {(a1 ( Z ), a2 ( Z ),..., an ( Z )) | Z B} , que
comonotnico. Isso implica que X de fato comonotnica.
Dependncia
122
B.2.2.Dependncia Simtrica
No contexto da dependncia, podem-se definir as estruturas de dependncia

simtrica e assimtrica atravs de caractersticas da estrutura conjunta das variveis
aleatrias em estudo, ou atravs de sua funo de acoplamento. A definio B.10 introduz o
conceito de simetria radial bivariada.
Definio B.10: ( X , Y ) ~ H = C ( F , G ) so ditas radialmente simtricas em torno de
( x , y ) se a distribuio conjunta de ( X x , Y y ) a mesma que a distribuio de
( x X , y Y ) .
Isso significa que, se ( X , Y ) so radialmente simtricas, ento:

P[ X x < 0, Y y < 0] = P[ X < x , Y < y ] =
P[ X > x , Y > y ] = P[ x X > 0, y Y > 0]
[B-8]
Ou seja, a massa de probabilidade alm de um ponto A = (a, b) deve ser a mesma a
-4
-2
mesma massa de probabilidade at seu ponto simtrico A ' = ( a,b)
-4
-2
Figura B. 1. Uma distribuio conjunta simtrica padronizada possui a mesma massa de probabilidade em
cada quadrante alternado.
123
A distribuio conjunta de duas variveis aleatrias radialmente simtrica se e

somente se a estrutura de dependncia entre elas radialmente simtrica. Este conceito
apresentado mais formalmente no teorema B.4, que relaciona a simetria radial da
distribuio conjunta com a de uma Cpula a ela referente.
Teorema B.4: Seja ( X , Y ) ~ H = C ( F , G ) , e seja X e Y simtricas em torno de x e y ,
respectivamente. Ento (X,Y) so radialmente simtricas em torno de ( x , y ) se e somente

se sua cpula, C, radialmente simtrica.
A prova desse teorema pode ser encontrada em Nelsen (2006, Cap. 2.7).
Isso significa que se temos duas distribuies simtricas e desejamos construir um
modelo que possua estrutura de dependncia simtrica, basta selecionar uma funo de
acoplamento que seja radialmente simtrica.
B.2.3. Dependncia Assimtrica
No mercado financeiro muitas vezes no vlida a premissa de simetria na

dependncia (acontece que em mercados muito volteis as perdas costumam ser observadas
em diversos ativos ao mesmo tempo, o que, excluindo-se alguns fatos isolados e
fundamentalmente explicados, no ocorrem com os ganhos). Essa caracterstica da
dependncia, de ser maior em uma das caudas e menor em uma outra, recebe o nome de
dependncia assimtrica, e definida de forma inversa dependncia simtrica.
Definio B.11: Uma estrutura de dependncia assimtrica se a funo de acoplamento
que a caracteriza no atender ao conceito de simetria do teorema B.4.

A figura B.2 exemplifica estruturas assimtricas de dependncia caracterizadas por
diversas funes de acoplamento, onde se pode citar a Gumbel, t-Student assimtrica, Joe e
Clayton.
Dependncia
0.6
0.4
0.2
0.0
0.0
0.2
0.4
0.6
0.8
0.8
1.0
1.0
124
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
0.8
1.0
Gumbel
0.0
0.0
0.2
0.2
0.4
0.4
0.6
0.6
0.8
0.8
1.0
1.0
Clayton
0.0
0.2
0.4
0.6
Frank
0.8
1.0
0.0
0.2
0.4
0.6
Figura B. 2. Estruturas de dependncia assimtricas Gumbel, Clayton, Frank e t-Student Assimtrica
A dependncia assimtrica que mais figura no mercado financeiro a dependncia

caracterizada pelas cpulas Clayton, Gumbel ou t-Student assimtrica, que mostram
dependncia mais forte em uma das direes (geralmente perdas) do que na outra.
B.3. Medidas de Dependncia e Concordncia

As medidas de dependncia e concordncia so ferramentas que podem ser
utilizadas para quantificar a dependncia entre variveis aleatrias, de forma que se possa
conhecer o perfil da dependncia e selecionar uma correta funo conjunta ou de
acoplamento que atenda adequadamente ao perfil de dependncia dos objetos em estudo.
Em geral as medidas de concordncia so mais fortes e exprimem a dependncia
entre variveis aleatrias com melhor qualidade, pois atendem a um nmero maior de
propriedades desejveis que essas medidas devem possuir.
125
B.3.1. Medidas de Dependncia
A definio B.12 exibe propriedades desejveis para medidas de dependncia.

Definio B.12: Seja T : estritamente montona no intervalo de variao de X .
Seja (.,.) uma medida de dependncia, ento:

Simetria ( ( X , Y ) = (Y , X )) ;
1 ( X ,Y ) 1
( X , Y ) = 1 X , Y comonotnicas
( X , Y ) = 1 X , Y contramonotnica
(T ( X ), Y ) = ( X , Y ) , com T crescente
(T ( X ), Y ) = ( X , Y ) , com T decrescente
( X , Y ) = 0 X , Y Independentes.
Embora o Coeficiente de Correlao Linear de Pearson falhe em algumas das
propriedades acima, ele uma medida de dependncia.
Nas aplicaes em finanas, na maioria das vezes no so vlidas suposies como
normalidade ou linearidade da dependncia, o que requer que ferramentas mais poderosas
sejam utilizadas para mensurar a dependncia, para viabilizar a seleo de um modelo
vlido. Nesse sentido so utilizadas medidas de concordncia, que auxiliam na seleo dos
modelos mais adequados.
Dependncia
126
B.3.2. Medidas de Concordncia
A concordncia entre variveis aleatrias a caracterstica apresentada por uma

varivel que assume valores mais altos quando uma segunda varivel assume valores altos.
A concordncia definida com mais rigor na definio B.13.
Definio B.13. (Concordncia): Sejam ( x, y )T e ( x' , y ' )T duas observaes do vetor
( X , Y )T , onde X e Y so variveis aleatrias contnuas. Ento ( x, y )T e ( x' , y ' )T so

ditos serem concordantes se ( x x ' )( y y ' ) > 0 e discordantes caso ( x x ' )( y y ' ) < 0 .
Ou seja, o par ser concordante se x < x' e y < y ' ou x > x' e y > y ' . O par ser
discordante se x < x' e y > y ' ou x > x' e y < y ' .
Definio B.14: Uma medida nos reais de dependncia entre duas variveis aleatrias
contnuas X e Y com funo de acoplamento C uma medida de concordncia se

satisfaz as seguintes propriedades:
1. definido para cada par X , Y de variveis aleatrias contnuas;
2. 1 X ,Y 1, X ,Y = 1 e X , Y = 1 ;
3. X ,Y = Y , X ;
4. Se X e Y so independentes, ento X ,Y = = 0 ;
5. X ,Y = X , Y = X ,Y
6. Se C e C ' so acoplamentos tais que C p C ' , ento C C ' ;
7. Se {( X n , Yn )} uma seqncia de variveis aleatrias contnuas com acoplamentos Cn e
se {C n } converge pontualmente para C , ento lim C ' = C .
n
127
Apresentaremos nesta seo medidas alternativas correlao linear, que so

chamadas medidas de concordncia, sendo duas delas muito conhecidas, o tau de Kendall e
o rho de Spearman.
B.3.3. O Tau de Kendall

Definio B.15: O tau de Kendall para o vetor aleatrio ( X , Y )T definido como:
( X , Y ) = P{( X X ' )(Y Y ' ) > 0} P{( X X ' )(Y Y ' ) < 0} , onde ( X , Y )T e ( X ' , Y ' )T so
vetores aleatrios i.i.d.
Teorema B.6: Sejam ( X , Y ) e ( X ' , Y ' ) vetores aleatrios independentes formados por
variveis aleatrias contnuas, com funes de distribuio conjunta
H'
respectivamente, e com funes marginais F1 (de X e X ' ) e F2 (de Y e Y ' ). Sejam C e
C ' as funes de acoplamento de ( X , Y ) e ( X ' , Y ' ) respectivamente, de modo que
H ( x, y ) = C ( F1 ( x), F2 ( y )) e H ' ( x, y) = C ' ( F1 ( x), F2 ( y)) , U = F1 ( X ) e V = F2 (Y ) Seja Q a

medida de concordncia definida por:
Q ( X , Y ) = P{( X X ' )(Y Y ' ) > 0} P{( X X ' )(Y Y ' ) < 0} ,
[B-9]
ento,
Q ( X , Y ) = Q (C , C ' ) = 4
[ 0 ,1]2
C ' (u , v ) dC (u , v) 1 = 4 E[C (U ,V )] 1 .
[B-10]
A prova desse teorema pode ser encontrada em Nelsen (2006, Cap. 5, p. 159).
B.3.4. O Rho de Spearman

Definio B.16: O Rho de Spearman para o vetor aleatrio ( X , Y )T definido como:
Dependncia
128
S ( X , Y ) = 3( P{( X X ' )(Y Y ' ' ) > 0} P{( X X ' )(Y Y ' ' ) < 0}) , onde ( X , Y )T , ( X ' , Y ' )T
e ( X ' ' ,Y ' ' )T so cpias independentes.
Se forem utilizados os pares (X,Y) e (X',Y''), a partir do teorema 2.6, considerando
que a Cpula de (X,Y) C e a Cpula de (X',Y'') a cpula independente , pelo fato de
que (X' e Y'') so independentes, segue diretamente:
Sejam ( X , Y ) , ( X ' , Y ' ) e ( X ' ' , Y ' ' ) vetores aleatrios independentes formados por
variveis aleatrias contnuas, todas com funes de distribuio conjunta H , funes
marginais F1 e F2 e Cpula C. Ento,
S ( X , Y ) = 3Q(C , ) = 12
[ 0 ,1]2
uvdC (u , v ) 3 = 12
[ 0 ,1]2
C (u , v )dudv 3 ,
[B-11]
onde a cpula independente.
B.3.5. Dependncia nas Caudas

O conceito de dependncia nas caudas relacionado com a quantidade de dependncia na
cauda do quadrante direito superior ou na cauda do quadrante esquerdo inferior de uma
distribuio bivariada, como por exemplo, a distribuio do vetor aleatrio ( X , Y )T .
Definio B.17: Seja o vetor ( X , Y )T de variveis aleatrias contnuas, com distribuies

marginais F1 e F2 . O coeficiente de dependncia na cauda superior (inferior) de ( X , Y )T
definido como:
lim P{Y > F21 ( ) / X > F11 ( )} = sup , ( lim+ P{Y F21 ( ) / X F11 ( )} = inf ) , sup [0,1]
( inf [0,1] ), dado que o limite exista. Se sup (0,1] ( inf (0,1] ) , ento X e Y so
chamadas de assintoticamente dependentes na cauda superior (inferior). Se sup = 0
( inf = 0 ) X e Y so chamadas de assintoticamente independentes na cauda superior
(inferior). Caso o limite no exista, a dependncia na cauda no definida.
129
pode-se reescrever P{Y > F21 ( ) / X > F11 ( )} como:
1 P{ X F11 ( )} P{Y F21 ( )} + P{ X F11 ( ), Y F21 ( )}

,
1 P{ X F11 ( )}
[B-12]
e P{Y F21 ( ) / X F11 ( )} como:
P{ X F11 ( ),Y F21 ( )}

,
P{ X F11 ( )}
da,
supondo
que
possuam
[B-13]
distribuio
conjunta
H ( X ,Y ) = C ( F1 ( X ), F2 (Y )) = C (U ,V ) , onde C uma funo de acoplamento, aplicando as

marginais F1 e F2 nos elementos dentro das probabilidade nas equaes [B-12] e [B-13] (j
que F1 ( X ) = U e F2 (Y ) = V ) e aplicando os limites descritos na definio B.17 obtm-se
definies equivalentes para cpulas:
(1) Se C o acoplamento bivariado de X e Y tal que o limite
lim
1 2 C ( , )
= sup
1
[B-14]
exista, ento C tem dependncia na cauda superior se sup (0,1] , e independente na

cauda superior se sup = 0 .
(2) Se C o acoplamento bivariado de X e Y tal que o limite
lim+
C ( , )
= inf
[B-15]
exista, ento C tem dependncia na cauda inferior se inf (0,1] , e independente na

cauda inferior se inf = 0 .
Dependncia
130
Pelo fato de que a aplicao de distribuies conjuntas, sua seleo e estimao

sobre dados reais, e mesmo a visualizao do perfil de dependncia que uma determinada
distribuio acarreta, no so fceis ou diretas, deve-se procurar uma distribuio conjunta
cujas marginais atendam ao perfil distribucional de cada varivel aleatria, enquanto que a
dependncia seja totalmente capturada pela conjunta.
Nesse sentido, busca-se soluo para que se possam capturar os efeitos da
variabilidade marginal separadamente ao perfil de dependncia, que pode ser feito pelo uso
de funes de acoplamento, sendo o perfil da dependncia mais facilmente capturado pelas
medidas de concordncia, para possibilitar uma melhor seleo da funo de acoplamento.
B.3.6. Outras Medidas

Outras medidas de dependncia ou concordncia presentes na literatura so Latif e
Morettin (2007) ou Latif (2008) apresentando medidas de dependncia locais para sries
temporais, Goodman e Johnson (2003) gerando medidas de dependncia multivariadas
baseadas em sries ortonormais e distncia de Kullback-Leibler, Schmid e Schmidt (2006),
mostram extenses multivariadas do rho de Spearman dentre outras tcnicas no
paramtricas, e Taylor (2006) que rev medidas de concordncia apresentadas em Scarsini
(1984) para pares ordenados de variveis aleatrias contnuas. Anjos e Kolev (2005)
representam cpulas bivariadas atravs de medidas locais de dependncia.
Apndice C
Modelos ARMA-GARCH
Suponha uma srie de retornos X t . Essa srie pode ser modelada atravs de um
nvel t mais uma perturbao t . Podemos considerar que existe uma relao aditiva
entre esses componentes, e que a perturbao o produto de dois processos independentes.
Dessa forma, pode-se considerar que:
X t = t + t ,
[C-1]
t = t t .
[C-2]
Sob as suposies de que as perturbaes t e o nvel t so processos

independentes, os processos { t } e { t } so independentes, { t } um rudo branco com
mdia zero e varincia 1, independente do passado de { t } .
No caso mais simples, t = c (constante). Entretanto, o nvel da srie ser
modelado atravs de modelos ARMA(p,q).
Modelos ARMA-GARCH
132
C.1. Modelo GARCH(p,q)

O modelo GARCH (Generalized Autoregressive Conditional Heteroskedasticity)
dado por (Bollerslev 1986):
t = t t ,
p
i =1
j =1
t2 = 0 + i t21 + j t2 j .
[C-3]
Onde { t } um processo rudo branco com mdia zero e varincia 1. Em geral,

supe-se que t ~ N (0,1) ou t ~ t v (t-Student padronizada). As restries que garantem
que a varincia condicional seja positiva so:
0 > 0 , i 0 para i = 1,..., p , j 0 para j = 1,..., q , e
max( p , q )
(
i =1
+ j ) < 1.
Para esse modelo, a varincia no condicional dada por:
Var ( t ) =
Que finita quando
i =1
i =1
0
p
i =1
i =1
[C-4]
1 ( i + j )
i + j < 1 . Tm-se tambm que:
t2 = 0 + ( 1 + 1 ) t21 + ... + ( p + p ) t2 p + t 1t 1 ... qt q
[C-5]
Onde t = t t um rudo branco. Dessa forma tm-se que t2 ~ ARMA( p, q ) .

No caso do modelo GARCH(1,1), a autocorrelao desse processo ARMA(1,1) tem
decaimento segundo o valor 1 + 1 , que chamado de persistncia da srie temporal.
C.2. Correlogramas das Sries Energticas
133

C.2.1. Gasolina Convencional
Pr Choques de 2002
0.8
0.6
0.2
0.4
Autocorrelao
0.6
0.4
0.0
0.0
0.2
Autocorrelao
0.8
1.0
1.0
Ps Choques de 2002
10
15
20
25
30
35
10
Lag
15
20
25
30
Lag
Figura C. 1. Autocorrelao da srie de log-retornos da Gasolina Convencional perodos pr e ps choques

de 2002.
Ps Choques de 2002
0.6
0.2
0.4
Autocorrelao
0.6
0.4
0.0
0.2
0.0
Autocorrelao
0.8
0.8
1.0
1.0
Pr Choques de 2002
10
15
20
Lag
25
30
35
10
15
20
25
30
Lag
perodo 2 para a Gasolina Convencional.
Modelos ARMA-GARCH
134
Ps Choques de 2002
0.6
0.2
0.4
Autocorrelao
0.6
0.4
0.0
0.0
0.2
Autocorrelao
0.8
0.8
1.0
1.0
Pr Choques de 2002
10
15
20
25
30
35
10
15
20
25
30
Lag
Lag
(Perodo 2), utilizado nos log- retornos da Gasolina Convencional.
Ps Choques de 2002
0.6
0.2
0.4
Autocorrelao
0.6
0.4
0.0
0.0
0.2
Autocorrelao
0.8
0.8
1.0
1.0
Pr Choques de 2002
10
15
20
Lag
25
30
35
10
15
20
25
30
Lag

ARMA(0,0)-GARCH(1,1) (Perodo 2), utilizado nos log- retornos da Gasolina Convencional
135
C.2.2. ndice de leo AMEX

Ps Choques de 2002
0.6
0.2
0.4
Autocorrelao
0.6
0.4
0.0
0.0
0.2
Autocorrelao
0.8
0.8
1.0
1.0
Pr Choques de 2002
10
15
20
25
30
35
10
15
Lag
20
25
30
Lag
Figura C. 5. Autocorrelao da srie de log-retornos do ndice de leo AMEX para os perodos pr e ps

choques de 2002.
Ps Choques de 2002
0.6
0.2
0.4
Autocorrelao
0.6
0.4
0.0
0.2
0.0
Autocorrelao
0.8
0.8
1.0
1.0
Pr Choques de 2002
10
15
20
Lag
25
30
35
10
15
20
25
30
Lag
perodo 2 para o ndice de leo AMEX.
Modelos ARMA-GARCH
136
Ps Choques de 2002
0.6
0.4
Autocorrelao
0.0
0.0
0.2
0.2
0.4
Autocorrelao
0.6
0.8
0.8
1.0
1.0
Pr Choques de 2002
10
15
20
25
30
35
10
Lag
15
20
25
30
Lag
(Perodo 2), utilizado nos log- retornos do ndice de leo AMEX.
Ps Choques de 2002
0.6
0.2
0.4
Autocorrelao
0.6
0.4
0.0
0.0
0.2
Autocorrelao
0.8
0.8
1.0
1.0
Pr Choques de 2002
10
15
20
Lag
25
30
35
10
15
20
25
30
Lag

ARMA(0,0)-GARCH(1,1) (Perodo 2), utilizado nos log- retornos do ndice de leo AMEX.
Apndice D
D Bondade de Ajuste
Nesta seo sero apresentados brevemente os testes de bondade de ajuste utilizados

para comparar as funes de acoplamento. Os testes so baseados em: a) na chamada
Cpula Emprica (Deheuvels, 1979), b) na Transformada de Kendall (Barbe et al,1996), e
c) no VaR, Valor em Risco (veja por exemplo Morgan, 1996).
D.1. Teste baseado na Cpula Emprica

O teste da cpula emprica aplica uma estatstica de "distancia" entre a cpula
ajustada e a emprica. Mais especificamente, o teste considera um acoplamento C
desconhecido mas pertencente classe C 0 = {C : } , onde um espao aberto dos
nmero Reais de dimenso p. A hiptese nula definida por H 0 : C C 0 . A estatstica do
teste da cpula emprica baseada no processo C&&n = n (C n C n ) , onde Cn a cpula
emprica, e dada por:
Sn =
[ 0 ,1]d
2
C&&n (u) dC n (u) .
[4-1]
Valores altos dessa estatstica resultam na rejeio da hiptese nula. A distribuio

assinttica dessa estatstica no pode ser tabulada na prtica, sendo que um algoritmo de
Bondade de Ajuste
138
bootstrap paramtrico ser utilizado para clculo do p-valor. Esse algoritmo foi validado
por Genest e Rmillard (2008) e est descrito em Genest et al (2007).
D.2. Teste baseado na Transformada de Kendall

Este
teste
utiliza
transformada
X a V = H ( X) = C (U 1 , U 2 ,..., U n )
para
gerar
um
integral
de
teste
H 0 : C C0 ,
U i = Fi ( X i ), i = 1,..., d , e a distribuio conjunta de
de
U = (U 1 ,..., U n )
probabilidade
onde
C. Essa
transformao chamada de Transformada de Kendall.

Se Vi = C n (U i ) , ento seja K n (v) =
1 n
1(Vi v) , v [0,1] . A hiptese nula que
n i =1
ser testada a de que H 0 : K K 0 = {K : } . Ento K&& n = n ( K n K n ) , e a

estatstica do teste dada por:
Sn =
[ 0 ,1]
2
K&& n (v) dK m (v) .
[4-1]
Novamente, valores altos dessa estatstica resultam na rejeio da hiptese nula. Um

procedimento paramtrico, descrito em Genest et al (2007) ser utilizado para o clculo do
p-valor.
D.3. Estatstica Baseada no Valor em Risco

O Valor em Risco uma medida padro usada por analistas para quantificar o risco
de mercado de um ativo ou portflio. Quando o retorno de cada componente de um
portflio pequeno, o retorno total do portflio aproximadamente dado por
n
rt x j ,t r j ,t , onde x j ,t , j=1,...,n so os pesos do j-simo ativo no tempo t. O VaR (Valor

j =1
em Risco de nvel 100 % para um momento t da srie em estudo definido por

P[rt VaR100 % t | r j ,t 1 , j = 1,...., n; t = 1,2,...] = .
D.3. Estatstica Baseada no Valor em Risco
139
Depois de estimado um modelo completo para um conjunto de ativos, o

VaR 100 % t pode ser estimado por simulao, se for possvel amostrar da distribuio
conjunta das inovaes, o que facilmente realizado atravs de uma funo de
acoplamento. Maiores detalhes sobre a metodologia podem ser obtidos em (Hotta et al,
2008).
A estatstica VaR empregada neste texto calculada atravs do seguinte algoritmo:
1. Seleciona-se uma janela de estimao, que um perodo inicial para a estimao. O
VaR nesse perodo no ser estimado, por exemplo 1000 observaes.
2. Seleciona-se o perodo da estimao, ou seja, considera-se que os modelos ARMAGARCH-Cpulas no se alteram para um determinado nmero de dias. O VaR
calculado ser comparado com as observaes desse perodo (por exemplo 50 dias),
que imediatamente subseqente janela.
3. Estima-se o modelo ARMA-GARCH-Cpula para a janela e executa-se uma
simulao de carteira a partir desse modelo.
4. Calculam-se limiares positivos e negativos da carteira que so comparado com a
carteira real no perodo de avaliao (50 dias).
5. Verifica-se o nmero dessas observaes que ultrapassaram o VaR.
6. A janela move-se em 50 (perodo) observaes e retorna-se para 2, mantendo fixo o
perodo.
Se o modelo ARMA-GARCH-Cpula foi bem ajustado, espera-se que o percentual, em
todo o perodo, de observaes que ultrapassam o VaR de nvel seja prximo de .
140
Bondade de Ajuste
Referncias Bibliogrficas
Abramowitz, M., Stegun, I., A., Handbook of Mathematical Functions, Dover
Publications, Nova Iorque, 1965

Akaike, H, Information theory and an extension of the maximum likelihood principle Em
Second International Symposium on Information Theory, Budapeste: Akademiai Kiado,

267-281, 1973
Anjos, U., U., Kolev, N., V., Representation of bivariate copulas via local measure of
dependence Technical report, IME-USP, 2005

Arellano-Valle, R., Genton, M., G., On Fundamental Skew Distributions, Journal of
Multivariate Analysis, 96, 93-116, 2005

Asmussen, S., Glynn, P. W., Stochastic Simulation: Algorithms and Analysis, Springer,
Nova Iorque, 2007

Azzalini, A., "A class of distribution which includes the normal ones", Scandinavian
Journal of Statistics, 12, 171-178, 1985
142
Azzalini, A., Capitanio, A., Distributions generated by perturbation of symmetry with
emphasis on a multivariate skew t distribution, Journal of Royal Statistic Society, srie B,

volume 65, 367-389, 2003
Bamberger, R, The strategic petroleum reserve: history, perspectives, and issues, CRS
Relatrio para o Congresso dos EUA, 2008

Barbe, P., Genest, C., Ghoudi ,K., Rmillard, B., "On kendall's process", Journal of
Multivariate Analysis 58, 197-229, 1996

Bicalho, R., G., Iootty, M., Bomtempo, J., V., Almeida, E., F., Queiroz, H., Economia
de Energia Fundamentos Econmicos, Evoluo Histrica e Organizao Industrial,

Editora Campus, 2003
Biglova, A., Kanamura, T., Rachev, S., Stovanov, S., Modeling, Risk Assessment and
Portfolio Optimization of Energy Futures, University of Karlsruhe, Alemanha, J-POWER,

Japan e finAnalytica Inc, 2007
Bollerslev, T., "Generalized autoregressive conditional heteroskedasticity", Journal of
Econometrics, 31, 307-327, 1986

Borenstein, S., Cameron, A., C., Gilbert, R., Do gasoline prices respond asymmetrically
to crude oil price changes?, Working Paper No. 4138, National Bureau of Economic
Research, Cambridge, Agosto 1992
Bouy, E., Durrleman, V., Nikeghbali, A., Riboulet, G., Roncalli, T., Copulas for
finance: a reading guide and some applications, Groupe de Recherche Oprationnelle

Crdit Lyonnais, Paris, 2000
Brown, S., P., A., Virmani, R., Whats driving gasoline prices?, Insights from the
Federal Reserve Bank of Dallas, Vol. 2 No. 7, Outubro de 2007

Byrd, R. H., Lu, P., Nocedal, J. and Zhu, C., A limited memory algorithm for bound
constrained optimization. SIAM J. Scientific Computing, 16, 11901208, 1995

Caillault, C. e Gugan, D. Empirical estimation of tail dependence using copulas:
application to asian markets. Note de Recherche IDHE-MORA n. 5, 2003
143
Chapentier, A., Tail distribution and dependence measures, ENSAE/CREST, Frana,
2003
Deheuvels, P., La fonction de dpendance empirique es ss proprits um test non
paramtrique dindpendence. Academic Royale de Belgique Bulletin de la classe ds

sciences 5. Srie, 65:274:292, 1979
Demarta, S., McNeil, A., J., The t Copula and related copulas, International Statistical
Review, Vol. 73, Nmero 1, 111-129, 2005

Embrechts, P., McNeil, A. & Straumann, D, Correlation and dependency in risk
management: properties and pitfalls, em Risk Management: Value at Risk and Beyond,
Cambridge University Press, 176223, 2002
Engdahl, W., "Iraq and the problem of peak oil", Current Concerns Journal, edio de 26
de janeiro de 2004
Ferrarese, C., A comparative analysis of correlation skew modeling techniques for CDO
index tranches, Master Thesis, Kings College London, MPRA Paper No. 1668, 2006
Fletcher, R. and Reeves, C. M., Function minimization by conjugate gradients.,
Computer Journal 7, 148154, 1964

Frahm, G., Junker, M., Schmidt, R., Estimating the tail-dependence coefficient:
properties and pitfalls, Insurance: Mathematics and Economics 37, 80-100, 2005
Genest, C., Rivest, L., On the multivariate probability integral transformation, Statistics
& Probability Letters 53, 391-399, 2001

Genest, C., Rmillard, B., Quessy, J., Goodness-of-fit procedures for copula models
based of the probability integral transformation, Scandinavian Journal of Statistics, vol

33, 337-366, 2006
Genest, C., Rmillard, B., Beaudoin, D., Goodness-of-fit tests for copulas: a review and
power
study
Insurance:
j.insmatheco.2007.10.005 , 2007
Mathematics
and
Economics,
doi:10.1016/
144
Genest, C., Rmillard, B., Validity of the parametric bootstrap for goodness-of-fit testing
in semiparametric models, Annales de lInstitut Henri Poincar Probabilits et

Statistiques, Volume 44, Number 6, 1096-1127, 2008
Goodman, I., N., Johnson, D., H., New multivariate dependence measures and
applications to neural ensembles,ECE Department, Rice University, Houston, TX 2003

Grgoire, V., Genest, C., Gendron, M., Using copulas to model price dependence in
energy markets, Energy Risk, energyrisk.com, Maro de 2008

Hotta, L., K., Lucas, E., C., Palaro, H., P., "Estimation of VaR using copula and extreme
value theory", Multinational Finance Journal 12 (3/4), 205-218, 2008

Hu, W., Kercheval, A., N., The skewed t distribution for portfolio credit risk, Florida
State University e Bell Trading, 2005

Hu, W., Calibration of multivariate generalized hyperbolic distributions using the EM
algorithm, with applications in risk management, portfolio optimization and portfolio

credit risk, PHd Dissertation, Florida State University, College of Arts and Sciences,
2005
Jacinto, C., M., C., Andrade, D., F., Barbeta, P., A., de Freitas Filho, P., J., Zunino, N.,
A., M., Using copulas in risk analysis Proceedings of the 2006 Winter Simulation
Conference, 2006
Joe, H., Multivariate Models and Dependence Concepts Londres, Chapman & Hall, 1997
Jogdeo, K., "Concepts of Dependence", Encyclopedia of Statistical Sciences, Vol. 2,
Wiley, Nova Iorque, pp. 324-334. 1982

Kole, E., Koedijk, K., Verbeek, M., Testing copulas to model financial dependence,
Dept. of Financial Management, RSM Erasmus University, Rotterdam, Holanda, 2005

Latif, S., A., Medidas de Dependncia Local para Sries Temporais. Tese de Doutorado,
IME-USP, Brasil. 2008

Latif, S., A., Morettin, P., A., "A Local Dependence Measure for Time Series. Third
Brazilian Conference on Statistical Modelling in Insurance and Finance, 2007, Maresias.
145
Proceedings of the Third Brazilian Cnference on Statistical Modelling in Insurance and

Finance,. 304-307 2007
Lindskog, F., Modelling dependence with copulas, dissertao de mestrado, Swiss
Federal Institute of Technology, Zurich, 2000

Lopez, J., A., Methods for evaluating Value-at-Risk estimates, FRBNY Economic Policy
Review, Outubro 1998

Majoras, D., Swindle, O., Leary, T., Harbour, P., Leibowitz, J. Gasoline price
changes: the dynamic of supply, demand, and competition, Federal Trade Comission,
EUA, 2005
Malevergne, Y., Sornette, D., Investigating extreme dependence: concepts and tools,
Universit de Nice-Sophia Antipolis and University of California, 2002

McNeil, A., J., Frey, R., Embrechts, P., "Quantitative Risk Management: Concepts,
Techniques and Tools", Princeton University Press, Reino Unido, 2005

Morgan, J., P., "RiskMetrics Technical Document", 4 Edio, J. P. Morgan, Nova Iorque
1996
Nadarajah, S., Dey, D., K., Multitude of multivariate t-distributions, Statistics, Vol 39,
No. 2, 149-181, Abril 2005

Nelder, J. A. and Mead, R., A simplex algorithm for function minimization Computer
Journal 7, 308313, 1965

Nelsen, R., An introduction to Copulas. 2 Edio, Springer, Nova Iorque, 2006
Palaro, H. P., Aplicao de acoplamento no clculo do valor em risco, dissertao de
mestrado, IMECC-UNICAMP, 2004.

Parra, F., "Oil Politics - A modern History of Petroleum", I.B. Tauris, Nova Iorque, 2004
Patton, A., L., On the out-of-sample importance of skewness and asymmetric dependence
for asset allocation, Journal of Financial Econometrics, Vol. 2, No. 1, pp. 130-168, 2004
146
Pilipovic, D., "Energy Risk : Valuing and Managing Energy Derivatives", McGraw-Hill, 2
Edio, 2007
Romano, C., Applying Copula Function to Risk Management, Risk Management
Function, Banca di Roma, Viale U., 2001

Scarsini, M., On measures of concordance, Stochastica, VIII, 201-218, 1984
Schimid, F., Schimidt, R., Multivariate extensions of spearmans rho and related
statistics, Statistics & Probability Letters 77, 407-416, 2007

Schmidt, R., Stadtmller, U., Nonparametric estimation of tail dependence, London
School of Economics and University of Ulm, 2003

Sklar, A., Fonctions de rpartition n dimensions et leurs marges Publications dew
lInstitut de Statistique de LUniversit de Paris, 8:229-231, (1959).

Stefanova, D., "Dependence modeling of joint extremes via copulas: a dynamic portfolio
allocation perspective", Canada Research Chair in Risk Management, HEC, Montreal,

2007
Stewart, J., "Calculus", 5 Edio, Thomson Brooks/Cole, 2002
Sun, W., Rachev, S., Stoyanov, S., V., Fabozzi F., J., "Multivariate skewed student's t
copula in the analysis of nonlinear and asymmetric dependence in the German equity
market, Studies in Nonlinear Synamics & Econometrics, Vol. 12, No. 2, Article 3., 2008
Taylor, M., D., Multivariate measures of concordance, The Institute of Statistical
Mathematics, Tokyo, 2006

Texas
Oil
and
Gas
Association,
"What
Barrel
of
Crude
Oil
Makes",
http://www.txoga.org/articles/308/1/WHAT-A-BARREL-OF-CRUDE-OIL-MAKES, 1995
Williams,
J.,
L.,
"Oil
Price
History
and
Analisys",
WRTG
Economics,
http://www.wtrg.com/prices.htm, 2007
Whipple, T., "Peak oil review", Association for the Study of Peak Oil and Gs, EUA,
Edio 14 de Julho de 2008

Função de Acoplamento T-Student Assimétrica, Modelagem de Dependência Assimétrica

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Função de Acoplamento T-Student Assimétrica, Modelagem de Dependência Assimétrica

Uploaded by

Copyright:

Available Formats

UNIVERSIDADE ESTADUAL DE CAMPINAS

INSTITUTO DE MATEMTICA, ESTATSTICA E COMPUTAO CIENTFICA

Funo de acoplamento t-Student assimtrica:

Erick Andrade Busato

Ttulo em ingls: Skewed t-Student copula function: skewed dependence modelling

A famlia de distribuies t-Student Assimtrica, construda a partir da mistura em

Palavras-Chave: Funo de Acoplamento, Assimetria da Dependncia, t-Student

Keywords: Copula Function, Skewed Dependence, Skewed t-Student, Petroleum, Value at

1,3 = 0.33 , 2,3 = 0.23

( 1 , 2 , 3 ) = (0.78 , -0.67 , -0.43)................................................ 53

1,3 = 0.33 , 2,3 = 0.23

( 1 , 2 , 3 ) = (0.78 , -0.67 , -0.43). Estimao para marginais

( 1 , 2 ) = (-0.78 , - 0.67) . ........................................................................................................................... 55

( 1 , 2 ) = (-0.48 , - 0.72) com marginal 1: Normal-Assimtrica com parmetros = 0.43 , = 0.81 e

( 1 , 2 ) = (-0.48 , - 0.72) ....................................................................................................... 57

1,3 = .705 , 2,3 = 0.074

( 1 , 2 , 3 ) = (-0.54 , 0.82 , - 0.05) . .................................................... 61

1,3 = .705 , 2,3 = 0.074

( 1 , 2 , 3 ) = (-0.54 , 0.82 , - 0.05) , sendo a primeira marginal

Uniforme(0,1) transformada na distribuio Normal-Assimtrica com parmetros

A 2 e 3 marginais na distribuio t-Student Assimtrica com parmetros v = 6.78 ,

(linha verde). ........................................................................................................................................ 19

Figura 3. 4. Grfico de Assimetrias e Curtoses da distribuio t-Student Assimtrica para parmetros de

Figura 3. 7. Funes densidade e distribuio da cpula t-Student Assimtrica com parmetros v

Figura 3. 8. Funes densidade e distribuio da cpula t-Student Assimtrica com parmetros v

( 1 , 2 ) = (-0.8 , 0.8). .................................................................................................................. 29

= 0.7 e 1 = 2 = 0.4 . ................................................................................................ 37

A facilidade de construo das funes de acoplamento (atravs da transformada

Texas Intermediate) e a Gasolina Convencional do Porto de Nova Iorque, e tambm o

As concluses sero apresentadas no Captulo 5, seguida pelo Apndice,

O objetivo deste trabalho utilizar a funo de acoplamento construda a partir da

parmetros das distribuies e simulao de variveis aleatrias. Em seguida ser

Marginals). Na aplicao sero utilizadas as distribuies marginais t-Student Assimtrica

acoplamento, atravs de mxima verossimilhana. Estatsticas baseadas no Valor em Risco,

O uso da distribuio Normal Multivariada para modelar distribuies conjuntas (e

3.1. Distribuies Assimtricas

3.1. Distribuies Assimtricas

3.1.1 Distribuio Normal Assimtrica Univariada

Definio 3.1: (Distribuio Normal Assimtrica) Seja (.) a funo densidade da

para algum parmetro . Adicionando-se os parmetros de posio e escala, atravs da

, tm-se a funo densidade de probabilidade:

Algumas propriedades da Distribuio Normal Assimtrica so:

3. Quando , a densidade converge densidade da distribuio folded-normal

valores do parmetro de assimetria.

Figura 3. 1. Densidade da Distribuio Normal Assimtrica, para

Essa distribuio pode ser utilizada quando os dados apresentam formato

, a esperana, varincia, assimetria e curtose dessa distribuio so

3.1. Distribuies Assimtricas

Figura 3. 2. Grfico de Assimetrias e Curtoses da distribuio Normal Assimtrica para parmetros de

3.1.2. Distribuio t-Student Assimtrica

normal inclui a distribuio t-Student simtrica, sendo que a deformao da simetria da

Definio 3.2: (Distribuies de Mistura em Varincia da Distribuio Normal). Seja Z e W

Definio 3.3: (Distribuies de Mistura em Mdia e Varincia da Distribuio Normal).

Z ~ N d (0, ) Normal d-dimensional e W univariada independente de Z, variveis

3.1. Distribuies Assimtricas

A distribuio t-Student Assimtrica construda a partir da formulao de Mistura

Definio 3.4: (Distribuio t-Student Assimtrica). Suponha que X = ( X 1 , X 2 ,..., X d ) seja

(x ) ' 1 exp (x )' 1

= M O M . A constante de normalizao dada por:

A notao para um vetor aleatrio X de distribuio t-Student Assimtrica :

respectivamente e v > 0 o nmero de graus de liberdade. Uma varivel aleatria X de

X i ~ st 1 (v, i , i2 , i ) , sendo a i-sima distribuio marginal univariada da distribuio t-

Student Assimtrica multivariada apresentada na definio 3.4.

3.1 Distribuies Assimtricas