**La distribution continue** décrit une expérience stochastique comportant un **nombre infini** d'issues possibles.   
## Distribution uniforme continue
**La distribution uniforme continue** décrit une expérience dans laquelle toutes les issues de l'intervalle ont une **probabilité égale de se produire**.   
Si la variable est uniformément répartie, nous pouvons utiliser une **approche géométrique** pour calculer les probabilités.    

## Exemple

Considérons un segment de droite de longueur `10` unités. Quelle est la probabilité de sélectionner au hasard un point sur ce segment de manière que la distance entre le point de départ et ce point soit comprise entre `3 and 7` unités?

En conséquence, la position (ou le point) est uniformément répartie sur la ligne de longueur `10`.    
Nous pouvons simplement diviser la longueur de l'intervalle désiré par la longueur totale du segment.   
Nous pouvons également utiliser la méthode `.cdf()` de la classe `scipy.stats.uniform` pour calculer la probabilité correspondante:


from scipy.stats import uniform
# Parameters of an experiment
whole_length = 10
range_start = 3
range_end = 7

# Geometrical approach
desired_length = range_end - range_start
geom_proba = desired_length / whole_length
print(f'Geometrical probability is {geom_proba:.4f}')

# Using `.cdf()` method
upper_cdf = uniform.cdf(range_end, loc=0, scale=whole_length)
lower_cdf = uniform.cdf(range_start, loc=0, scale=whole_length)
cdf_proba = upper_cdf - lower_cdf
print(f'Probability using .cdf() is {cdf_proba:.4f}')

Le premier paramètre de la méthode `.cdf()` détermine le point auquel nous calculons la probabilité ; le paramètre `loc` détermine le début du segment, et `scale` détermine la longueur du segment.

La méthode `.cdf()` calcule la probabilité que le résultat d'une expérience se situe dans un certain intervalle : `.cdf(interval_end) - .cdf(interval_start)`.   
Nous examinerons cette méthode plus en détail dans le cours <a 
href="https://codefinity.com/courses/v2/ec6e4978-d3b4-4612-b2be-894504d0f970"
target="_blank"
style="color: #ff8a00; font-weight: 600; text-decoration: none; transition: 0.3s ease-in-out;"
onmouseover="this.style.color='#ff0000'"
onmouseout="this.style.color='#d27204'">Maîtrise de la Théorie des Probabilités</a>.

La théorie des probabilités est une branche fondamentale des mathématiques qui étudie l'incertitude et le hasard. Elle offre un cadre permettant de comprendre et de quantifier l'incertitude dans divers domaines, notamment la statistique, l'analyse de données, l'apprentissage automatique, la finance, la physique et bien d'autres.

Nous commencerons notre apprentissage de la théorie des probabilités en examinant quelques définitions et règles de base : qu'est-ce qu'une expérience stochastique et un événement aléatoire, qu'est-ce que l'indépendance et l'incompatibilité des événements dans le contexte de la théorie des probabilités, qu'est-ce que la probabilité et comment pouvons-nous calculer les probabilités de différents événements élémentaires.

Dans les tâches de la vie réelle, nous devons souvent faire face à des relations complexes et, par conséquent, calculer les probabilités de plusieurs événements ou d'événements qui dépendent les uns des autres. Voyons comment nous pouvons le faire en utilisant la théorie des probabilités.

Pour résoudre de nombreux problèmes réels en théorie des probabilités, des modèles spéciaux ont été créés pour décrire une situation particulière. Considérons certains des modèles les plus utilisés qui peuvent être utilisés pour décrire certains résultats discrets d'expériences stochastiques.

Que se passe-t-il si le résultat d'une expérience stochastique ne peut pas être décrit par une valeur discrète ? Pour cela, on utilise des modèles qui fonctionnent avec des valeurs continues. Considérons les plus populaires de ces modèles.

Souvent, nous sommes confrontés à la tâche de vérifier la dépendance des résultats de différentes expériences stochastiques les unes par rapport aux autres. De plus, il est nécessaire non seulement d'évaluer la présence de dépendances, mais aussi de quantifier d'une manière ou d'une autre le degré de ces dépendances. Pour résoudre ces problèmes, nous pouvons utiliser la covariance et la corrélation.

Distribution Uniforme Continue

Distribution Uniforme Continue