Prob. hipergeométrica

El muestreo sin reposición es el escenario cotidiano de naipes, lotes de control de calidad y modelos de urna: cada extracción cambia la composición de lo que queda, de modo que los ensayos sucesivos no son independientes. Cuando una población finita de tamaño N contiene exactamente K estados de éxito y usted extrae n elementos de una vez o en secuencia sin devolverlos, la probabilidad de observar exactamente k éxitos sigue la función de masa de probabilidad hipergeométrica. Esa fórmula multiplica las formas de elegir k éxitos entre los K buenos por las formas de elegir el resto de extracciones entre los no éxitos, y divide por las formas de elegir cualquier muestra de tamaño n de toda la población. Esta capacidad acepta N, K, n y k, valida que los parámetros sean coherentes con un experimento legal sin reposición, y devuelve la probabilidad junto con coeficientes binomiales exactos como cadenas decimales, una cadena breve de fórmula y el rango factible de k para esos N, K y n. Las combinaciones imposibles, como más éxitos en la muestra de los que existen en la población, se rechazan con un error de validación claro en lugar de un cero silencioso.

Cómo funciona la probabilidad hipergeométrica sin reposición

Parta de una población finita de N elementos distintos de los cuales exactamente K están etiquetados como éxito (ases, defectuosos, peces marcados, billetes premiados). Extrae una muestra de tamaño n sin reposición, de modo que el orden de las extracciones no crea combinaciones nuevas: cada subconjunto de tamaño n es igualmente probable. Sea X el número de éxitos en esa muestra.

Entonces X sigue una distribución hipergeométrica, y la probabilidad de observar exactamente k éxitos es C(K, k) por C(N menos K, n menos k) dividido por C(N, n), donde cada C(a, b) es un coeficiente binomial que cuenta combinaciones. El soporte de X no es simplemente de cero a n: k no puede superar K ni n, y no puede bajar de max(0, n menos (N menos K)), porque puede verse obligado a tomar algunos éxitos una vez agotado el depósito de no éxitos.

Comprobaciones clásicas incluyen una baraja de 52 cartas con cuatro ases, extrayendo cinco cartas y pidiendo exactamente dos ases: C(4, 2) por C(48, 3) sobre C(52, 5). Otro caso de manual es una urna con veinte bolas de las cuales ocho son rojas, extrayendo cinco y pidiendo exactamente tres rojas.

Los bordes importan para la corrección: si n es cero entonces solo k igual a cero tiene probabilidad uno; si K es cero entonces solo k igual a cero es posible cuando n es positivo; si k cae fuera del intervalo factible los parámetros son inconsistentes para este modelo.

Esta implementación nunca usa muestreo de Monte Carlo, semillas aleatorias, reloj de pared ni consultas de red: calcula coeficientes binomiales exactos con aritmética BigInt y evalúa la probabilidad de forma numéricamente estable para que los productos intermedios se comporten bien con N mayores.

Dónde aparecen las probabilidades hipergeométricas en el trabajo real

Los cursos introductorios de estadística y matemática discreta piden constantemente la probabilidad de exactamente k elementos marcados en una mano o muestra extraída sin reposición, desde problemas de cartas al estilo del póquer hasta bocetos de recaptura de peces marcados que motivan el muestreo de poblaciones finitas. Los ingenieros de calidad usan la misma función de masa cuando un lote de tamaño N contiene K defectuosos y un inspector extrae n unidades, necesitando la probabilidad de encontrar exactamente k piezas malas antes de aceptar o rechazar el lote.

Ecólogos y diseñadores de encuestas comparan recuperaciones de marcas observadas con expectativas hipergeométricas cuando se conoce la población de individuos marcados y el muestreo es sin reposición. Los científicos de datos validan simuladores de Monte Carlo de urnas finitas y barajas de cartas comparando frecuencias muestreadas con la probabilidad hipergeométrica en forma cerrada para N modestos antes de escalar las simulaciones. Los educadores construyen claves de respuesta y autoevaluadores que necesitan un único valor determinista en lugar de una simulación aleatoria que cambiaría entre ejecuciones.

Diseñadores de juegos y demos de probabilidad a menudo exponen valores por defecto de baraja y urna permitiendo aún el control total de N, K, n y k para enseñar la dependencia de la composición poblacional. Si más adelante necesita la distribución acumulada P(X menor o igual que k), tablas de la prueba exacta de Fisher, cuantiles inversos u odds binomiales de ensayos independientes con reposición, trátelos como intenciones de búsqueda separadas en lugar de sobrecargar esta página.

Mantenga N dentro del límite documentado para que la latencia del nivel gratuito sea previsible, y recuerde que la probabilidad en coma flotante es ideal para ranking y umbrales mientras que los coeficientes en cadena permanecen exactos para comprobaciones combinatorias.