5 votos

¿Sigue siendo estacionaria la cartografía binaria de las series estacionarias simples?

Supongamos que tengo una serie débilmente estacionaria con un soporte $\{0, 1, 2, 3\}$ . Si tuviera que mapear todos los valores de esta serie en una serie binaria con soporte $\{0,1\}$ utilizando la regla $\{0,1\}\rightarrow\{0\}$ , $\{2,3\}\rightarrow\{1\}$ ¿la serie binaria resultante seguiría siendo (débilmente) estacionaria? Intuitivamente, la respuesta parece ser afirmativa, ya que se trata sólo de un "engrosamiento" de la serie y no de una alteración de sus propiedades estadísticas, pero ¿cómo puedo demostrarlo?

0 votos

Usted acaba de hacer esencialmente la misma pregunta y una de las respuestas muestra que la respuesta es no. La relación entre las preguntas es que se pueden desplazar todas las distribuciones por $-3/2$ y al hacerlo su mapeo es afinamente equivalente a la función de valor absoluto. Parece, por tanto, que sacarás mucho más provecho de esa respuesta si la estudias más a fondo.

0 votos

Gracias por su comentario, pero eso no es del todo cierto. El mapeo que propongo aquí no puede realizarse mediante el valor absoluto de una transformación lineal. Eso sólo sería el caso si la regla fuera $\{1,2\}\rightarrow\{0\}$ , $\{0,3\}\rightarrow\{1\}$ . Sin embargo, sinceramente, no vi cómo funcionaba el argumento de la parametrización en el comentario al que haces referencia. Entendí la intuición, pero aún así no demostró que la nueva serie pudiera carecer de estacionariedad.

3voto

jldugger Puntos 7490

Para dar un contraejemplo, emularé un ejemplo descrito por Yves en respuesta a una consulta similar.

Consideremos esta familia de distribuciones $p$ en $\{0,1,2,3\}$ parametrizado por $p\in[0,1/4]:$

$$\left\{\eqalign{p(0) &= p \\ p(1) &= \frac{3}{4}-3p \\ p(2)&=3p \\ p(3)&=\frac{1}{4}-p.}\right.$$

Estas son todas las distribuciones con media $3/2$ y la varianza $1/2.$ (Sabíamos que a priori que tal familia debería existir porque tales distribuciones están determinadas por cuatro probabilidades pero están sujetas a sólo tres restricciones lineales, incluyendo la restricción de suma a la unidad requerida para todas las distribuciones de probabilidad).

Para $p\approx 0$ la mayor parte de la probabilidad se concentra en el valor $1,$ con algunos colocados cerca de $3$ para mantener la media y la varianza, mientras que para $p\approx 1/4$ la distribución se ha invertido y ahora se concentra en el valor $2,$ con la mayor parte del resto de la probabilidad colocada cerca del valor $0.$ Esto es evidente en la primera figura de abajo, donde $p$ crece de $0$ a $1/4$ a medida que pasa el tiempo.

Así, cualquier secuencia de parámetros $p_i$ determina una secuencia $X_i$ de variables aleatorias independientes con sus correspondientes distribuciones $p_i.$ Esta secuencia es débilmente estacionaria de segundo orden porque la media y la varianza son constantes mientras que la independencia asegura que las covarianzas son constantemente cero.

! Figure 1: Realization of X

Esta figura muestra una realización de $(X_i)$ correspondiente a $p_i$ aumentando linealmente desde $0$ a $1/4.$ Las alturas se han repartido aleatoriamente para resolver los solapamientos. La curva es un suave Loess que traza una media local; como se pretende, es esencialmente plana, lo que indica estacionariedad débil de primer orden.

Según la cartografía de la pregunta ( $f(0)=f(1)=0;\ f(2)=f(3)=1$ ) la nueva distribución asigna la probabilidad $p + 3/4-3p = 3/4-2p$ a $0$ y la probabilidad restante $1/4+2p$ a $1.$ La media de esta distribución es $1/4+2p,$ por lo que los medios de la $f(X_i)$ forman una secuencia $(1/4 + 2p_i).$ Si el $p_i$ no son constantes, entonces $f(X_i)$ no es ni siquiera débilmente estacionaria de primer orden.

! Figure 2: Series f(X)

La misma serie, transformada por $f.$ El liso de Loess demuestra la falta de estacionariedad.

Apéndice: El Código

Esta es la R código utilizado para generar las cifras. Muestra cómo crear realizaciones de $X_t$ y $f(X_t).$

#
# Sample from the distributional family.
#
r <- function(p, n=1) {
  p <- min(1/4, max(0, p)) 
  sample(0:3, n, replace=TRUE, prob=c(p, 3/4-3*p, 3*p, 1/4-p))
}
#
# Transform the values.
#
f <- function(x) floor(x/2)
#
# Simulate a process from an array of parameters (p).
#
n <- 300
# p <- seq(0, 1/4, length.out=n)
p <- rep(0:1/4, each=floor(n/2)) # An extreme example
x <- sapply(p, r)
#
# Plot (X) and (f(X)).
#
library(ggplot2)
plot.it <- function(var="x", title="Series X") {
  ggplot(X, aes_string("t", var)) + 
    geom_smooth(method="loess") + 
    geom_jitter(aes(fill=X), shape=21, alpha=0.5, width=0, height=0.05) +
    ggtitle(title)
}
X <- data.frame(t=1:n, p=p, x=x, y=f(x), X=factor(x))
plot.it()
plot.it("y", "Series f(X)")

2 votos

¡Wow! Gracias por la respuesta increíblemente detallada y por esos hermosos gráficos. Ahora veo completamente que una media y una varianza estacionarias de la serie original no garantizan lo mismo para la serie binaria. Sin embargo, todavía tengo una pregunta sobre la parametrización. ¿El cambio en el parámetro $p$ hacen que la serie original deje de ser estacionaria ya que $Cov(Y_t,Y_{t+i})$ cambios con $t$ ? Si se considerara la tercera condición para la estacionariedad débil, ¿se mantendría este contraejemplo?

2 votos

Porque el $X_t$ son independientes, $\operatorname{Cov}(X_s,X_t)=0$ siempre que $s\ne t.$ No sé a qué te refieres con la "tercera condición de estacionariedad débil". Si te refieres a la estacionariedad débil de tercer orden, eso sí que descartaría este contraejemplo, pero la misma técnica daría contraejemplos para variables aleatorias apoyadas en conjuntos de cinco o más puntos. Sospecho que incluso se podrían construir contraejemplos (con distribuciones continuas) en los que todo los momentos son estacionarios, porque la igualdad de los momentos no asegura la igualdad de la distribución.

0 votos

Lo siento, ha sido una pregunta tonta. Ahora lo entiendo perfectamente. No puedo agradecerte lo suficiente tu gran comentario.

i-Ciencias.com

I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.

Powered by:

X