退化分布

退化分布

累積分布函數 k0=0時的圖像。水平軸是ki中的索引i。
母數	$k_{0}\in (-\infty ,\infty )\,$
值域	$k=k_{0}\,$
機率質量函數	δ$({x-k_{0}\,})$
累積分布函數	${\begin{matrix}0&{\mbox{for }}k<k_{0}\\1&{\mbox{for }}k\geq k_{0}\end{matrix}}$
期望值	$k_{0}\,$
中位數	$k_{0}\,$
眾數	$k_{0}\,$
變異數	$0\,$
偏度	未定義
峰度	未定義
熵	$0\,$
動差母函數	$e^{k_{0}t}\,$
特徵函數	$e^{ik_{0}t}\,$

在數理統計中，退化分布（或確定性分布）是指只有一種值的分布，是一種絕對事件的分布。比如，一個六面數值均相等的骰子；一枚正反雙面一模一樣的硬幣。儘管它並不會隨機出現數字，這種分布滿足隨機變數的定義，因此被認為是「退化」的。

它的累積分布函數是：

$F(k;k_{0})=\left\{{\begin{matrix}1,&{\mbox{if }}k\geq k_{0}\\0,&{\mbox{if }}k<k_{0}\end{matrix}}\right.$

恆等的隨機變數

機率論中，一個恆等的隨機變數是指任何事件下都取一相同單一值的離散隨機變數。這與「幾乎」恆等的隨機變數不同，因為後者可以取別的值，只是別的值的機率為０。

設  X: Ω → R  為一定義在 (Ω, P)的隨機變數，那麼X 是「幾乎」恆等的隨機變數如果存在 $c\in \mathbb {R}$ 使

$\Pr(X=c)=1,$

如果以下條件成立即是一個恆等的隨機變數：

$X(\omega )=c,\quad \forall \omega \in \Omega .$

X 是否是恆等隨機變數並不影響它的累積分布函數 F(x) ：

$F(x)={\begin{cases}1,&x\geq c,\\0,&x<c.\end{cases}}$

函數 F(x) 是一個階躍函數; 本質上它是一個單位階躍函數的平移。