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.
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.
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)")
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.