Investigar e modelar a dependência existente em um conjunto de variáveis aleatórias é um tema amplamente discutido em estatística. Neste contexto, o uso de cópulas torna-se interessante por tratar-se de uma abordagem flexível que permite estudar, em um primeiro momento, as distribuições univariadas e, posteriormente, a estrutura de dependência. Em problemas práticos, conhecer a cópula que melhor conecta as distribuições marginais à função de distribuição conjunta não é uma tarefa simples. Em geral, vários modelos são ajustados de acordo com o tipo de dependência existente no conjunto de dados e algum critério de seleção é aplicado com o intuito de escolher o melhor modelo. Neste trabalho, utilizamos a família Arquimediana de dois parâmetros Power Variance Function (PVF), que inclui as cópulas de Clayton, Gumbel e Gaussiana Inversa (IG) como casos particulares ou casos limites, pois oferece uma abordagem unificada e flexível para ajustar modelos de cópulas amplamente utilizadas e propomos a utilização do Full Bayesian Significance Test (FBST) como critério de seleção de modelos encaixados. Validamos os resultados através de um estudo de simulação e ilustramos a utilidade da metodologia usando dados sobre os tempos de apendicectomia para gêmeos adultos.

The investigation and modeling of the existing dependence in a set of random variables is a widely discussed topic in statistics. In this context, the use of copulas becomes interesting because it is a flexible approach that allows to study, in a first moment, the univariate distributions and, later, the dependency structure. In practical problems, knowing the copula that best connects marginal distributions to the joint distribution function is not a simple task. In general, several models are adjusted according to the type of dependence existing in the data set and some selection criteria are applied in order to choose the "best model". In this work, we use the two-parameter Archimedean family of Power Variance Func- tion (PVF), which includes the Clayton, Gumbel and Inverse Gaussian (IG) copulas as special or limiting cases, once it offers a unified and flexible approach to adjust widely used copula models and we propose the use of the Full Bayesian Significance Test (FBST) as a model selection criterion. We validated the results through a simulation study and illustrated the usefulness of the methodology using data on appendectomy times for adult twins.