**Stetige Verteilung** beschreibt das stochastische Experiment mit **unendlich** vielen möglichen Ergebnissen.   
## Stetige Gleichverteilung
**Stetige Gleichverteilung** beschreibt ein Experiment, bei dem alle Ergebnisse innerhalb des Intervalls mit **gleicher Wahrscheinlichkeit eintreten**.   
Wenn die Variable gleichverteilt ist, können wir einen **geometrischen Ansatz** verwenden, um Wahrscheinlichkeiten zu berechnen.    

## Beispiel

Betrachten Sie ein Liniensegment der Länge `10` Einheiten. Wie groß ist die Wahrscheinlichkeit, einen Punkt auf dem Liniensegment zufällig auszuwählen, sodass der Abstand vom Startpunkt zu diesem Punkt zwischen `3 and 7` Einheiten liegt?

Folglich ist die Position bzw. der Punkt gleichmäßig über eine Linie der Länge `10` verteilt.    
Wir können die Länge des gewünschten Intervalls einfach durch die Gesamtlänge des Segments teilen.   
Wir können auch die `.cdf()`-Methode der `scipy.stats.uniform`-Klasse verwenden, um die entsprechende Wahrscheinlichkeit zu berechnen:


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}')

Der erste Parameter der `.cdf()`-Methode bestimmt den Punkt, an dem wir die Wahrscheinlichkeit berechnen; der `loc`-Parameter bestimmt den Anfang des Segments und `scale` bestimmt die Länge des Segments.

Die `.cdf()`-Methode berechnet die Wahrscheinlichkeit, dass das Ergebnis eines Experiments in ein bestimmtes Intervall fällt: `.cdf(interval_end) - .cdf(interval_start)`.   
Diese Methode werden wir im Detail im <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'">Wahrscheinlichkeitstheorie meistern</a> Kurs behandeln.

Die Wahrscheinlichkeitstheorie ist ein grundlegender Zweig der Mathematik, der sich mit der Untersuchung von Ungewissheit und Zufälligkeit befasst. Sie bietet einen Rahmen, um Ungewissheit in verschiedenen Bereichen zu verstehen und zu quantifizieren, einschließlich Statistik, Datenanalyse, maschinelles Lernen, Finanzen, Physik und mehr.

Wir beginnen unseren Weg des Lernens der Wahrscheinlichkeitstheorie, indem wir einige grundlegende Definitionen und Regeln betrachten: Was ist ein stochastisches Experiment und ein zufälliges Ereignis, was ist Unabhängigkeit und Unvereinbarkeit von Ereignissen im Kontext der Wahrscheinlichkeitstheorie, was ist die Wahrscheinlichkeit und wie können wir Wahrscheinlichkeiten verschiedener elementarer Ereignisse berechnen.

Bei Aufgaben im realen Leben müssen wir oft mit komplexen Beziehungen umgehen und infolgedessen Wahrscheinlichkeiten mehrerer Ereignisse oder voneinander abhängiger Ereignisse berechnen. Lassen Sie uns betrachten, wie wir dies mit Hilfe der Wahrscheinlichkeitstheorie tun können.

Um viele reale Probleme in der Wahrscheinlichkeitstheorie zu lösen, wurden spezielle Modelle erstellt, die eine bestimmte Situation beschreiben. Betrachten wir einige der am häufigsten verwendeten Modelle, die verwendet werden können, um einige diskrete Ergebnisse stochastischer Experimente zu beschreiben.

Was, wenn das Ergebnis eines stochastischen Experiments nicht durch einen diskreten Wert beschrieben werden kann? Dafür werden Modelle verwendet, die mit kontinuierlichen Werten arbeiten. Betrachten Sie die beliebtesten dieser Modelle.

Oft stehen wir vor der Aufgabe, die Abhängigkeit der Ergebnisse verschiedener stochastischer Experimente voneinander zu überprüfen. Darüber hinaus ist es notwendig, nicht nur das Vorhandensein von Abhängigkeiten zu bewerten, sondern auch den Grad der Abhängigkeiten irgendwie zu quantifizieren. Um diese Probleme zu lösen, können wir Kovarianz und Korrelation verwenden.

Grundlagen der Wahrscheinlichkeitstheorie

Stetige Gleichverteilung

Stetige Gleichverteilung

Beispiel