Êtes-vous un étudiant de l'EPFL à la recherche d'un projet de semestre?
Travaillez avec nous sur des projets en science des données et en visualisation, et déployez votre projet sous forme d'application sur Graph Search.
Concept
Degenerate distribution
Résumé
In mathematics, a degenerate distribution is, according to some, a probability distribution in a space with support only on a manifold of lower dimension, and according to others a distribution with support only at a single point. By the latter definition, it is a deterministic distribution and takes only a single value. Examples include a two-headed coin and rolling a die whose sides all show the same number. This distribution satisfies the definition of "random variable" even though it does not appear random in the everyday sense of the word; hence it is considered degenerate.
In the case of a real-valued random variable, the degenerate distribution is a one-point distribution, localized at a point k0 on the real line. The probability mass function equals 1 at this point and 0 elsewhere.
The degenerate univariate distribution can be viewed as the limiting case of a continuous distribution whose variance goes to 0 causing the probability density function to be a delta function at k0, with infinite height there but area equal to 1.
The cumulative distribution function of the univariate degenerate distribution is:
In probability theory, a constant random variable is a discrete random variable that takes a constant value, regardless of any event that occurs. This is technically different from an almost surely constant random variable, which may take other values, but only on events with probability zero. Constant and almost surely constant random variables, which have a degenerate distribution, provide a way to deal with constant values in a probabilistic framework.
Let X: Ω → R be a random variable defined on a probability space (Ω, P). Then X is an almost surely constant random variable if there exists such that
and is furthermore a constant random variable if
A constant random variable is almost surely constant, but not necessarily vice versa, since if X is almost surely constant then there may exist γ ∈ Ω such that X(γ) ≠ k0 (but then necessarily Pr({γ}) = 0, in fact Pr(X ≠ k0) = 0).
Source officielle
À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Proximité ontologique
Cours associés (22)
CS-101: Advanced information, computation, communication I
Discrete mathematics is a discipline with applications to almost all areas of study. It provides a set of indispensable tools to computer science in particular. This course reviews (familiar) topics a
MATH-233: Probability and statistics
Le cours fournit une initiation à la théorie des probabilités et aux méthodes statistiques pour physiciens.
MATH-519: Sans titre
This year we will be looking into probabilistic study of some models of mathematical physics.
Séances de cours associées (41)
Variables aléatoires et valeur prévue
Introduit des variables aléatoires, des distributions de probabilité et des valeurs attendues au moyen d'exemples pratiques.
Probabilités avancées : Variables aléatoires et valeurs attendues
Explore les probabilités avancées, les variables aléatoires et les valeurs attendues, avec des exemples pratiques et des quiz pour renforcer l'apprentissage.
Probabilité de révision
Introduit des variables aléatoires sous-gaussiennes et sous-exponentielles, des attentes conditionnelles et des normes Orlicz.
Publications associées (41)
RUM: Reconfigurable Umbrella Mesh
Mark Pauly, Florin Isvoranu, Uday Kusupati, Seiichi Eduardo Suzuki Erazo
We propose Reconfigurable Umbrella Meshes (RUMs), a new class of preassembled deployable structures. A RUM has a compact rest state that can be easily altered to deploy into different bending-active 3D target shapes. RUMs consist of elastic beams and rigid ...
De Gruyter2023Personnes associées (2)
Concepts associés (7)
Moment (probabilités)
En théorie des probabilités et en statistique, les moments d’une variable aléatoire réelle sont des indicateurs de la dispersion de cette variable. Le premier moment ordinaire, appelé moment d'ordre 1 est l'espérance (i.e la moyenne) de cette variable. Le deuxième moment centré d'ordre 2 est la variance. Ainsi, l'écart type est la racine carrée du moment centré d’ordre 2. Le moment d'ordre 3 est l'asymétrie. Le moment d'ordre 4 est le kurtosis. Le concept de moment est proche du concept de moment en physique.
Fonction caractéristique (probabilités)
En mathématiques et plus particulièrement en théorie des probabilités et en statistique, la fonction caractéristique d'une variable aléatoire réelle est une quantité qui détermine de façon unique sa loi de probabilité. Si cette variable aléatoire a une densité, alors la fonction caractéristique est la transformée de Fourier inverse de la densité. Les valeurs en zéro des dérivées successives de la fonction caractéristique permettent de calculer les moments de la variable aléatoire.
Fonction génératrice des moments
En théorie des probabilités et en statistique, la fonction génératrice des moments d'une variable aléatoire est la fonction M définie par pour tout réel t tel que cette espérance existe. Cette fonction, comme son nom l'indique, est utilisée afin d'engendrer les moments associés à la distribution de probabilités de la variable aléatoire .