¿El modelo de ruido blanco o el de paseo aleatorio son estacionarios?

Los modelos de ruido blanco (WN) y paseo aleatorio (RW) están muy relacionados. Sin embargo, solo el RW es siempre no estacionario, tanto con como sin término de deriva. Este es un ejercicio de simulación para resaltar las diferencias.

Recuerda que si partimos de un proceso WN con media cero y calculamos su suma acumulada, obtenemos un proceso RW. La función cumsum() hará esta transformación por ti. De forma similar, si creamos un proceso WN pero cambiamos su media de cero, y luego calculamos su suma acumulada, el resultado es un proceso RW con deriva.

Este ejercicio forma parte del curso

Análisis de series temporales en R

Ver curso

Instrucciones del ejercicio

Usa arima.sim() para generar un modelo WN. Establece el argumento model igual a list(order = c(0, 0, 0)) para generar un modelo de tipo WN y establece n igual a 100 para producir 100 observaciones. Guarda esto en white_noise.
Usa la función cumsum() sobre white_noise para convertir rápidamente tu modelo WN en datos RW. Guarda esto en random_walk.
Usa una llamada similar a arima.sim() para generar un segundo modelo WN. Mantén todos los argumentos iguales, pero esta vez establece el argumento mean en 0.4. Guarda esto en wn_drift.
Usa otra llamada a cumsum() para convertir tus datos wn_drift a RW. Guarda esto como rw_drift.
Introduce el código ya preparado para trazar las cuatro series y poder compararlas.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Use arima.sim() to generate WN data
white_noise <- 

# Use cumsum() to convert your WN data to RW
random_walk <- 
  
# Use arima.sim() to generate WN drift data
wn_drift <- 
  
# Use cumsum() to convert your WN drift data to RW
rw_drift <- 

# Plot all four data objects
plot.ts(cbind(white_noise, random_walk, wn_drift, rw_drift))

Editar y ejecutar código