Hypergeom. Wahrsch.

Stichproben ohne Zurücklegen sind der Alltag von Karten, Qualitätskontroll-Losen und Urnenmodellen: jede Ziehung ändert die Zusammensetzung des Verbleibenden, sodass aufeinanderfolgende Versuche nicht unabhängig sind. Wenn eine endliche Population der Größe N genau K Erfolgszustände enthält und Sie n Elemente auf einmal oder nacheinander ohne Zurücklegen ziehen, folgt die Chance, genau k Erfolge zu beobachten, der hypergeometrischen Wahrscheinlichkeitsfunktion. Diese Formel multipliziert die Wege, k Erfolge aus den K guten zu wählen, mit den Wegen, die restlichen Ziehungen aus den Nicht-Erfolgen zu wählen, und teilt durch die Wege, irgendeine Stichprobe der Größe n aus der gesamten Population zu wählen. Diese Fähigkeit akzeptiert N, K, n und k, prüft, dass die Parameter zu einem legalen Experiment ohne Zurücklegen passen, und liefert die Wahrscheinlichkeit zusammen mit exakten Binomialkoeffizienten als Dezimalzeichenketten, einer kurzen Formelzeichenkette und dem machbaren Bereich von k für diese N, K und n. Unmögliche Kombinationen wie mehr Erfolge in der Stichprobe als in der Population vorhanden werden mit einem klaren Validierungsfehler abgelehnt statt mit einer stillen Null.

Wie hypergeometrische Wahrscheinlichkeit ohne Zurücklegen funktioniert

Beginnen Sie mit einer endlichen Population von N verschiedenen Elementen, von denen genau K als Erfolg gekennzeichnet sind (Asse, Ausschuss, markierte Fische, Gewinnlose). Sie ziehen eine Stichprobe der Größe n ohne Zurücklegen, sodass die Reihenfolge der Ziehungen keine neuen Kombinationen erzeugt: jede Teilmenge der Größe n ist gleich wahrscheinlich. Sei X die Anzahl der Erfolge in dieser Stichprobe.

Dann folgt X einer hypergeometrischen Verteilung, und die Wahrscheinlichkeit, genau k Erfolge zu beobachten, ist C(K, k) mal C(N minus K, n minus k) geteilt durch C(N, n), wobei jedes C(a, b) ein Binomialkoeffizient ist, der Kombinationen zählt. Der Träger von X ist nicht einfach null bis n: k darf weder K noch n überschreiten und nicht unter max(0, n minus (N minus K)) fallen, weil Sie gezwungen sein können, einige Erfolge zu nehmen, sobald der Nicht-Erfolgs-Vorrat erschöpft ist.

Klassische Prüfungen umfassen ein 52-Karten-Deck mit vier Assen, fünf Karten ziehen und genau zwei Asse verlangen: C(4, 2) mal C(48, 3) über C(52, 5). Ein weiterer Lehrbuchfall ist eine Urne mit zwanzig Kugeln, von denen acht rot sind, fünf ziehen und genau drei rote verlangen. Randfälle zählen für die Korrektheit: wenn n null ist, hat nur k gleich null Wahrscheinlichkeit eins; wenn K null ist, ist nur k gleich null möglich, wenn n positiv ist; liegt k außerhalb des machbaren Intervalls, sind die Parameter für dieses Modell inkonsistent.

Diese Implementierung nutzt nie Monte-Carlo-Stichproben, Zufallsseeds, Wanduhrzeit oder Netzwerknachschlagewerke: sie berechnet exakte Binomialkoeffizienten mit BigInt-Arithmetik und wertet die Wahrscheinlichkeit numerisch stabil aus, damit Zwischenprodukte für größere N gutartig bleiben.

Wo hypergeometrische Wahrscheinlichkeiten in der realen Arbeit vorkommen

Einführende Statistik- und Diskrete-Mathematik-Kurse fragen ständig nach der Chance von genau k markierten Elementen in einer Hand oder Stichprobe ohne Zurücklegen, von pokerähnlichen Kartenproblemen bis zu Skizzen der Wiederfang-Markierung von Fischen, die endliche Populationsstichproben motivieren. Qualitätsingenieure nutzen dieselbe Massenfunktion, wenn ein Los der Größe N K Ausschussteile enthält und ein Prüfer n Einheiten zieht und die Wahrscheinlichkeit braucht, genau k schlechte Stücke zu finden, bevor das Los angenommen oder abgelehnt wird.

Ökologen und Survey-Designer vergleichen beobachtete Marken-Wiederfunde mit hypergeometrischen Erwartungen, wenn die Population markierter Individuen bekannt ist und die Stichprobe ohne Zurücklegen erfolgt. Datenwissenschaftler validieren Monte-Carlo-Simulatoren endlicher Urnen und Kartenmischen, indem sie Stichprobenhäufigkeiten mit der geschlossenen hypergeometrischen Wahrscheinlichkeit für bescheidene N vergleichen, bevor Simulationen skaliert werden. Lehrende bauen Antwortschlüssel und Auto-Bewerter, die einen einzigen deterministischen Wert brauchen statt einer Zufallssimulation, die zwischen Läufen wechseln würde.

Spieldesigner und Wahrscheinlichkeitsdemos legen oft Deck- und Urnen-Vorgaben frei und erlauben dennoch volle Kontrolle über N, K, n und k, um die Abhängigkeit von der Populationszusammensetzung zu lehren. Wenn Sie später die kumulative Verteilung P(X kleiner oder gleich k), Tabellen des exakten Fisher-Tests, inverse Quantile oder binomiale Odds unabhängiger Versuche mit Zurücklegen brauchen, behandeln Sie diese als getrennte Suchabsichten statt diese Seite zu überladen.

Halten Sie N innerhalb der dokumentierten Schranke, damit die Latenz der Gratisstufe vorhersehbar bleibt, und bedenken Sie, dass Gleitkomma-Wahrscheinlichkeit ideal für Ranking und Schwellen ist, während die Zeichenketten-Koeffizienten für kombinatorische Prüfungen exakt bleiben.