白色雑音モデルとランダムウォークモデルは定常ですか？

白色雑音（WN）モデルとランダムウォーク（RW）モデルは非常に密接に関連しています。しかし、ドリフト項の有無にかかわらず、常に非定常なのは RW だけです。本演習では、シミュレーションでその違いを確かめます。

平均ゼロの WN 過程から始めて、そのランニングサム（累積和）を計算すると、結果は RW 過程になります。cumsum() 関数を使うと、この変換を簡単に行えます。同様に、WN 過程を作って平均をゼロ以外に変え、その累積和を計算すると、ドリフトを持つ RW 過程になります。

arima.sim() を使って WN モデルを生成します。model 引数を list(order = c(0, 0, 0)) にして WN 型のモデルを作り、n を 100 に設定して 100 観測を生成します。結果を white_noise に保存します。
cumsum() 関数を white_noise に適用し、WN モデルを RW データに素早く変換します。結果を random_walk に保存します。
同様に arima.sim() を呼び出して 2 つ目の WN モデルを生成します。引数は同じにしつつ、今回は mean 引数を 0.4 に設定します。結果を wn_drift に保存します。
もう一度 cumsum() を呼び出して、wn_drift データを RW に変換します。結果を rw_drift として保存します。
比較のため、4 つの系列すべてをプロットするための用意されたコードを入力してください。