U teoriji verovatnoće,[2][3][4]funkcija gustine verovatnoće (engl.), ili gustinakontinuirane slučajne promenljive, funkcija je čija se vrednost u datom uzorku (ili tački) u prostoru uzoraka (skupu mogućih vrednosti koje slučajna promenljiva može da poprimi) može protumačiti kao relativna verovatnoća da će vrednost slučajne promenljive biti jednaka tom uzorku.[5] Drugim rečima, dok je apsolutna verovatnoća da kontinuirana slučajna promenljiva poprimi bilo koju određenu vrednost jednaka 0 (pošto postoji neograničen skup mogućih vrednosti), vrednost funkcije dva različita uzorka mogu se koristiti za izvođenje zaključka, koliko je u svakom datom izvlačenju slučajne promenljive, verovatnije da je slučajna promenljiva jednaka jednom uzorku u odnosu na drugi uzorak.
U preciznijem smislu, PDF se koristi za određivanje verovatnoće da slučajna promenljiva padne u određeni raspon vrednosti, za razliku od poprimanja bilo koje specifične vrednosti. Ova verovatnoća je data integralom PDF-a promenljive u datom opsegu - drugim rečima, ona je data područjem pod funkcijom gustine, iznad horizontalne ose i između najniže i najviše vrednosti raspona. Funkcija gustine verovatnoće je svuda pozitivna, a njen integral nad celokupnim prostorom jednak je jedinici.
Izrazi „funkcija raspodele verovatnoće”[6] i „funkcija verovatnoće”[7] se takođe ponekad koriste za označavanje funkcije gustine verovatnoće. Međutim, ova upotreba nije standardna u oblastima verovatnoće i statistike. U drugim izvorima „funkcija raspodele verovatnoće” može se koristiti kada je raspodela verovatnoće definisana kao funkcija nad opštim setovima vrednosti, ili se može odnositi na funkciju kumulativne raspodele, ili može biti funkcija verovatnoće (PMF), pre nego gustina. Sama „funkcija gustine” takođe se koristi za funkciju verovatnoće što dovodi do dalje konfuzije.[8] Generalno, PMF se koristi u kontekstu diskretnih slučajnih promenljivih (slučajne varijable koje poprimaju vrednosti na diskretnom skupu), dok se PDF koristi u kontekstu kontinuiranih slučajnih promenljivih.
Primer
Pretpostavimo da data vrsta bakterija obično živi 4 do 6 sati. Kolika je verovatnoća da bakterija živi tačno 5 sati? Odgovor je 0%. Mnogo bakterija živi oko 5 sati, ali nema šanse da bilo koja bakterija umre nakon tačno u 5.0000000000 ... sati.
Umesto toga može se postaviti pitanje: Kolika je verovatnoća da bakterija umre između 5 sati i 5,01 sata? Pretpostavimo da je odgovor 0,02 (tj. 2%). Sledeće: Kolika je verovatnoća da bakterija umre između 5 i 5,001 sati? Odgovor bi trebao biti oko 0,002, jer je ovaj vremenski interval jedna desetina prethodnog. Verovatnoća da bakterija umre između 5 sati i 5,0001 sata bi trebalo da bude oko 0,0002, i tako dalje.
U ova tri primera, odnos (verovatnoća umiranja tokom intervala) / (trajanje intervala) je približno konstantan i jednak je 2 na sat (ili 2 sata−1). Na primer, postoji 0,02 verovatnoća da će umreti u 0,01-časovnom intervalu između 5 i 5,01 sata, i (0,02 verovatnoće / 0,01 sata) = 2 sata−1. Ova količina je 2 sata−1 i naziva se gustinom verovatnoće umiranja na oko 5 sati.
Stoga, kao odgovor na pitanje „Kolika je verovatnoća da bakterija umre za 5 sati?”, doslovno tačan, ali beskoristan odgovor je „0”, dok se bolji odgovor može napisati kao (2 sata−1) . Ovo je verovatnoća da bakterija umre unutar malog (infinitezimalnog) vremenskog perioda na oko 5 sati, gde je vreme trajanja tog prozora.
Na primer, verovatnoća da živi duže od 5 sati, ali kraće od (5 sati + 1 nanosekunda), je (2 sata−1)×(1 nanosekunda) ≃ 6×10−13 (koristeći jedinicu konverzije 3,6×1012 nanosekundi = 1 sat).
Postoji funkcija gustine verovatnoće sa (5 sati) = 2 sata-1. Integral od u bilo kojem vremenskom prozoru (ne samo beskonačno mali prozori, već i veliki prozori) verovatnoća je da će bakterija umreti u tom prozoru.
Apsolutno kontinuarna univarijantna raspodela
Funkcija gustine verovatnoće se najčešće asocira sa apsolutno neprekidnimunivarijantnim distribucijama. Slučajna promenljiva ima gustinu , gde je nenegativna Lebegova integrabilna funkcija, ako:[9][10]
Nije moguće definisati gustinu referenciranjem na proizvoljnu meru (npr. ne može se odabrati mera brojanja kao referenca za kontinuiranu randomnu promenljivu). Štaviše, kada ona postoji, gustina je skoro svuda jedinstvena.
Olav Kallenberg; Foundations of Modern Probability, Springer Series in Statistics. 650pp. (2nd изд.). 2002. ISBN978-0-387-95313-7. Недостаје или је празан параметар |title= (помоћ)
Olav Kallenberg; Probabilistic Symmetries and Invariance Principles. Springer -Verlag, New York 510pp. . 2005. ISBN978-0-387-25115-8. Недостаје или је празан параметар |title= (помоћ)
Gut, Allan (2005). Probability: A Graduate Course. Springer-Verlag. ISBN978-0-387-22833-4.
Olofsson, Peter (2005) Probability, Statistics, and Stochastic Processes, Wiley-Interscience. 504 pp 0-471-67969-0.
Klartag, Bo'az (2008). „A Berry–Esseen type inequality for convex bodies with an unconditional basis”. Probability Theory and Related Fields. 145 (1–2): 1—33. S2CID10163322. arXiv:0705.0832. doi:10.1007/s00440-008-0158-6.
Grimmett, G. R.; Stirzaker, D. R. (1992). Probability and Random Processes, 2nd Edition. Clarendon Press, Oxford. ISBN0-19-853665-8.
Martin Jacobsen (1992). Videregående Sandsynlighedsregning (Advanced Probability Theory) 3rd Edition. HCØ-tryk, Copenhagen. ISBN87-91180-71-6.
Loève, Michel (1977). Probability theory 1 (4th изд.). Springer Verlag.
Newey, Whitney K.; McFadden, Daniel (1994). Large sample estimation and hypothesis testing. Handbook of econometrics, vol. IV, Ch. 36. Elsevier Science. стр.2111—2245.
Ross, Sheldon (2009). A first course in probability (8th изд.). Prentice Hall press. ISBN978-0-13-603313-4.
Seneta, Eugene (2013), „A Tricentenary history of the Law of Large Numbers”, Bernoulli, 19 (4): 1088—1121, arXiv:1309.6488, doi:10.3150/12-BEJSP12
Lang, Serge (1969). Analysis II: Real analysis. Addison-Wesley. Contains a proof for vector measures assuming values in a Banach space.
Royden, H. L.; Fitzpatrick, P. M. (2010). Real Analysis (4th изд.). Pearson. Contains a lucid proof in case the measure ν is not σ-finite.
Shilov, G. E.; Gurevich, B. L. (1978). Integral, Measure, and Derivative: A Unified Approach. Richard A. Silverman, trans. Dover Publications. ISBN0-486-63519-8.
Stein, Elias M.; Shakarchi, Rami (2005). Real analysis: measure theory, integration, and Hilbert spaces. Princeton lectures in analysis. Princeton, N.J: Princeton University Press. ISBN978-0-691-11386-9. Contains a proof of the generalisation.