
handle: 11250/2778324
Copulaen er et interessant verktøy i statistikken. Den er brukt i mange forskjellige områder fra finans til klimamodeller. En stor grunn til at copulaen er nyttig er hvordan man kan bruke copulaen til å splitte en bivariat fordeling opp i avhengighets-strukturen og selve marginalfordelingene. Vi vil forklare dette i denne oppgaven. Hvis du for første gang ser på definisjonen til copulaen kan det være vanskelig å forstå hva copulaen egentlig er. Derfor har vi gitt en foklaring på hva en copula er i form av sansynlighetsfordelinger, som burde være intuitiv for en person som allerde har litt kunnskap om statistikk. Vi skriver også om sklars teorem, som teoretisk forklarer denne sammenhengen mellom den bivariate fordelingen, dens marginalfordelinger og avhengighetsstrukturen mellom marginalfordelingene. Vi generaliserer også denne teorien fra $2$ til $n$ dimensjoner, og vi forklarer hvordan man kan estimere parameterne til en copula. Vi avslutter oppgaven med å vise hvordan man kan bruke en copula til å simulere fra en bivariat fordeling.
| selected citations These citations are derived from selected sources. This is an alternative to the "Influence" indicator, which also reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically). | 0 | |
| popularity This indicator reflects the "current" impact/attention (the "hype") of an article in the research community at large, based on the underlying citation network. | Average | |
| influence This indicator reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically). | Average | |
| impulse This indicator reflects the initial momentum of an article directly after its publication, based on the underlying citation network. | Average |
