怎么确定是连续型还是离散型
分布函数可以是负数吗？
分布函数可以是负数吗？
无论是连续型还是离散型的随机变量，其分布函数的定义域都是负无穷到正无穷，分布函数是在整个实数域里讨论随机变量取值的情况，如果只是非负域里讨论，那随机变量取负数时的情况怎么办？
比如在负5到负3里随机的取一个实数，随机变量不是取负数吗？注意分布函数的定义域是随机变量取值的范围 不是它概率的范围！
如何区分连续型和离散型随机变量表示字母？
区分连续型和离散型随机变量不是字母，因为字母既可以表示离散型或连续型。当随机变量可一一列举时这变量是离散型，而随机变量是取遍范围内所有值，这变量称连续型。
泊松分布是离散型还是连续型？
离散型。
二项分布和泊松分布是离散型分布,正态分布是连续分布。 二项分布指的是重复n次独立的伯努利试验。在每次试验中只有两种可能的结果,而且两种结果发生与否互相对立,并且相互独立,与其它各次试验结果无关,事件发生与否的概率在每一次。
一维离散型定义？
变量按其数值表现是否连续，分为连续变量和离散变量。离散变量指变量值可以按一定顺序一一列举，通常以整数位取值的变量。如职工人数、工厂数、机器台数等。
有些性质上属于连续变量的现象也按整数取值，即可以把它们当做离散变量来看待。例如年龄、评定成绩等虽属连续变量，但一般按整数计算，按离散变量来处理。离散变量的数值用计数的方法取得。
离散型和连续型的区别？
离散变量是指其数值只能用自然数或整数单位计算的则为离散变量.例如,企业个数,职工人数,设备台数等,只能按计量单位数计数,这种变量的数值一般用计数方法取得.
反之,在一定区间内可以任意取值的变量叫连续变量,其数值是连续不断的,相邻两个数值可作无限分割,即可取无限个数值.例如,生产零件的规格尺寸,人体测量的身高,体重,胸围等为连续变量,其数值只能用测量或计量的方法取得.
人工神经网络有哪些主要分类规则，如何分类？
人工神经网络为一类似人类神经结构的并行计算模式，是“一种基于脑与神经系统研究，所启发的信息处理技术”，通常也被称为平行分布式处理模型或链接模型。其具有人脑的学习、记忆和归纳等基本特性，可以处理连续型和离散型的数据，对数据进行预测。人工神经网络模型主要考虑网络连接的拓扑结构、神经元的特征、学习规则等。目前，已有近40种神经网络模型，其中有反传网络、感知器、自组织映射、Hopfield网络、波耳兹曼机、适应谐振理论等。
以下讲述常见的两种分类方法:
按照网络连接的拓朴结构分类和按照网络内部的信息流向分类。
1 按照网络拓朴结构分类
网络的拓朴结构，即神经元之间的连接方式。按此划分，可将神经网络结构分为两大类：层次型结构和互联型结构。
层次型结构的神经网络将神经元按功能和顺序的不同分为输出层、中间层（隐层）、输出层。输出层各神经元负责接收来自外界的输入信息，并传给中间各隐层神经元；隐层是神经网络的内部信息处理层，负责信息变换。根据需要可设计为一层或多层；最后一个隐层将信息传递给输出层神经元经进一步处理后向外界输出信息处理结果。
而互连型网络结构中，任意两个节点之间都可能存在连接路径，因此可以根据网络中节点的连接程度将互连型网络细分为三种情况：全互连型、局部互连型和稀疏连接型
2 按照网络信息流向分类
从神经网络内部信息传递方向来看，可以分为两种类型：前馈型网络和反馈型网络。
单纯前馈网络的结构与分层网络结构相同，前馈是因网络信息处理的方向是从输入层到各隐层再到输出层逐层进行而得名的。
前馈型网络中前一层的输出是下一层的输入，信息的处理具有逐层传递进行的方向性，一般不存在反馈环路。因此这类网络很容易串联起来建立多层前馈网络。
反馈型网络的结构与单层全互连结构网络相同。在反馈型网络中的所有节点都具有信息处理功能，而且每个节点既可以从外界接受输入，同时又可以向外界输出。