Prob. ipergeometrica

Il campionamento senza reinserimento è lo scenario quotidiano di carte, lotti di controllo qualità e modelli a urna: ogni estrazione cambia la composizione di ciò che resta, quindi le prove successive non sono indipendenti. Quando una popolazione finita di dimensione N contiene esattamente K stati di successo e Lei estrae n elementi in una volta o in sequenza senza rimetterli, la probabilità di osservare esattamente k successi segue la funzione di massa di probabilità ipergeometrica. Quella formula moltiplica i modi di scegliere k successi tra i K buoni per i modi di scegliere le restanti estrazioni tra i non-successi, poi divide per i modi di scegliere qualsiasi campione di dimensione n dall'intera popolazione. Questa capacità accetta N, K, n e k, convalida che i parametri siano coerenti con un esperimento legale senza reinserimento, e restituisce la probabilità insieme a coefficienti binomiali esatti come stringhe decimali, una breve stringa di formula e l'intervallo fattibile di k per quei N, K e n. Combinazioni impossibili, come più successi nel campione di quanti ne esistano nella popolazione, sono rifiutate con un errore di validazione chiaro invece di uno zero silenzioso.

Come funziona la probabilità ipergeometrica senza reinserimento

Parta da una popolazione finita di N elementi distinti di cui esattamente K sono etichettati successo (assi, difettosi, pesci marcati, biglietti vincenti). Estrae un campione di dimensione n senza reinserimento, così l'ordine delle estrazioni non crea nuove combinazioni: ogni sottoinsieme di dimensione n è ugualmente probabile. Sia X il numero di successi in quel campione.

Allora X segue una distribuzione ipergeometrica, e la probabilità di osservare esattamente k successi è C(K, k) per C(N meno K, n meno k) diviso per C(N, n), dove ogni C(a, b) è un coefficiente binomiale che conta combinazioni. Il supporto di X non è semplicemente da zero a n: k non può superare K né n, e non può scendere sotto max(0, n meno (N meno K)), perché può essere costretto a prendere alcuni successi una volta esaurito il pool di non-successi.

Controlli classici includono un mazzo da 52 carte con quattro assi, estraendo cinque carte e chiedendo esattamente due assi: C(4, 2) per C(48, 3) su C(52, 5). Un altro caso da manuale è un'urna con venti palline di cui otto rosse, estraendo cinque e chiedendo esattamente tre rosse.

I casi limite contano per la correttezza: se n è zero allora solo k uguale a zero ha probabilità uno; se K è zero allora solo k uguale a zero è possibile quando n è positivo; se k cade fuori dall'intervallo fattibile i parametri sono inconsistenti per questo modello.

Questa implementazione non usa mai campionamento Monte Carlo, semi casuali, orologio di parete né ricerche di rete: calcola coefficienti binomiali esatti con aritmetica BigInt e valuta la probabilità in modo numericamente stabile così i prodotti intermedi restano ben comportati per N più grandi.

Dove le probabilità ipergeometriche compaiono nel lavoro reale

I corsi introduttivi di statistica e matematica discreta chiedono costantemente la probabilità di esattamente k elementi marcati in una mano o campione estratto senza reinserimento, dai problemi di carte in stile poker agli schizzi di ricattura di pesci marcati che motivano il campionamento di popolazioni finite. Gli ingegneri della qualità usano la stessa funzione di massa quando un lotto di dimensione N contiene K difettosi e un ispettore estrae n unità, avendo bisogno della probabilità di trovare esattamente k pezzi cattivi prima di accettare o rifiutare il lotto.

Ecologi e progettisti di indagini confrontano recuperi di marche osservati con aspettative ipergeometriche quando la popolazione di individui marcati è nota e il campionamento è senza reinserimento. I data scientist validano simulatori Monte Carlo di urne finite e rimescolamenti di carte confrontando frequenze campionate con la probabilità ipergeometrica in forma chiusa per N modesti prima di scalare le simulazioni. Gli educatori costruiscono chiavi di risposta e auto-valutatori che necessitano di un unico valore deterministico piuttosto che di una simulazione casuale che cambierebbe tra le esecuzioni.

Game designer e demo di probabilità spesso espongono predefiniti di mazzo e urna consentendo ancora il controllo completo di N, K, n e k per insegnare la dipendenza dalla composizione della popolazione. Se in seguito Le servono la distribuzione cumulata P(X minore o uguale a k), tabelle del test esatto di Fisher, quantili inversi o odds binomiali di prove indipendenti con reinserimento, li tratti come intenti di ricerca separati invece di sovraccaricare questa pagina.

Tenga N entro il limite documentato così la latenza del livello gratuito resta prevedibile, e ricordi che la probabilità in virgola mobile è ideale per ranking e soglie mentre i coefficienti in stringa restano esatti per controlli combinatori.