Hypergeometrische-Verteilung-Rechner

Was ist die hypergeometrische Verteilung?

Die hypergeometrische Verteilung modelliert die Wahrscheinlichkeit, eine bestimmte Anzahl von Erfolgen zu ziehen, wenn ohne Zurücklegen aus einer endlichen Population gezogen wird. Im Gegensatz zur Binomialverteilung, die unabhängige Versuche mit konstanter Wahrscheinlichkeit annimmt, berücksichtigt die hypergeometrische Verteilung, wie jede Ziehung die Zusammensetzung der verbleibenden Population verändert.

Klassisches Beispiel: Karten aus einem Kartendeck ziehen. Sobald Sie ein Ass ziehen, gibt es weniger Asse (und weniger Karten insgesamt), was die Wahrscheinlichkeiten für nachfolgende Ziehungen beeinflusst.

Die Ausgangslage

Betrachten Sie eine Population von $N$ Elementen:

• $K$ Elemente sind "Erfolge" (der Typ, den Sie zählen)
• $N - K$ Elemente sind "Misserfolge"

Sie ziehen $n$ Elemente ohne Zurücklegen. Die hypergeometrische Verteilung gibt die Wahrscheinlichkeit an, genau $k$ Erfolge zu erhalten.

Die Formel

$P(X = k) = \frac{\binom{K}{k} \binom{N-K}{n-k}}{\binom{N}{n}}$

Wobei:

• $\binom{K}{k}$ = Möglichkeiten, $k$ Erfolge aus $K$ verfügbaren auszuwählen
• $\binom{N-K}{n-k}$ = Möglichkeiten, verbleibende Elemente aus Nicht-Erfolgen auszuwählen
• $\binom{N}{n}$ = Gesamtmöglichkeiten, $n$ Elemente aus $N$ auszuwählen

Gültiger Wertebereich für k

Die Anzahl der Erfolge $k$ muss erfüllen:

$\max(0, n - (N - K)) \leq k \leq \min(n, K)$

Sie können nicht mehr Erfolge ziehen als vorhanden sind ($k \leq K$), nicht mehr als Sie ziehen ($k \leq n$), oder weniger als erzwungen, wenn zu wenige Misserfolge vorhanden sind ($k \geq n - (N - K)$).

Wichtige Kennzahlen

• Erwartungswert: $E[X] = n \cdot \frac{K}{N}$
• Varianz: $Var(X) = n \cdot \frac{K}{N} \cdot \frac{N-K}{N} \cdot \frac{N-n}{N-1}$

Die Varianzformel enthält den Endlichkeitskorrekturfaktor $\frac{N-n}{N-1}$, der die Varianz im Vergleich zur Binomialstichprobe reduziert.

Praktische Anwendungen

Qualitätskontrolle

Eine Lieferung enthält 100 Teile, von denen 10 defekt sind. Wenn ein Prüfer 20 Teile ohne Zurücklegen entnimmt, wie hoch ist die Wahrscheinlichkeit, genau 3 defekte zu finden?

$P(X = 3) = \frac{\binom{10}{3} \binom{90}{17}}{\binom{100}{20}} \approx 0{,}211$

Dies ist genauer als die Binomialapproximation für kleine Populationen.

Kartenspiele

Wahrscheinlichkeit, genau 2 Herz-Karten bei einer 5-Karten-Pokerhand zu erhalten:

$P(X = 2) = \frac{\binom{13}{2} \binom{39}{3}}{\binom{52}{5}} = \frac{78 \times 9139}{2598960} \approx 0{,}274$

Ökologische Studien

Fang-Wiederfang-Methoden schätzen Populationsgrößen mit hypergeometrischer Logik. Wenn Forscher 50 Fische markiert haben und später 30 Fische gefangen haben (von denen 10 markiert waren), können sie die Gesamtpopulation schätzen.

Lotterieanalyse

Wahrscheinlichkeitsberechnungen für Lotterien beinhalten oft hypergeometrische Verteilungen, insbesondere für Spiele, bei denen Sie Zahlen aus einem festen Pool ohne Zurücklegen auswählen.

Wirtschaftsprüfung

Bei der Prüfung einer Stichprobe von Transaktionen auf Fehler modelliert die hypergeometrische Verteilung korrekt das Finden von Fehlern in der Stichprobe bei einer endlichen Population von Transaktionen.

Hypergeometrisch vs. Binomial

Wann die Binomialapproximation verwenden: Wenn $n < 0{,}05N$ (Stichprobe ist weniger als 5% der Population), approximiert die Binomialverteilung die hypergeometrische Verteilung gut und ist rechnerisch einfacher.

Verbindung zu Fishers exaktem Test

Fishers exakter Test für 2×2-Kontingenztabellen basiert auf der hypergeometrischen Verteilung. Er prüft, ob zwei kategoriale Variablen unabhängig sind, indem er hypergeometrische Wahrscheinlichkeiten berechnet.

Multivariate hypergeometrische Verteilung

Die Verteilung erweitert sich auf mehrere Kategorien. Wenn eine Population Elemente der Typen 1, 2, ..., $m$ mit den Anzahlen $K_1, K_2, ..., K_m$ enthält:

$P(X_1 = k_1, ..., X_m = k_m) = \frac{\prod_{i=1}^{m} \binom{K_i}{k_i}}{\binom{N}{n}}$

Dies modelliert Szenarien wie das Ziehen von Karten verschiedener Farben oder die Entnahme von Elementen verschiedener Typen.

Rechnerische Überlegungen

Bei großen Populationen führt die direkte Berechnung von Fakultäten zum Überlauf. Verwenden Sie:

• Log-Fakultäts-Berechnungen: $\log(n!) = \sum_{i=1}^{n} \log(i)$
• Rekursive Beziehungen
• Stirling-Approximation für sehr große Werte

Verwandte Berechnungen

• Binomialwahrscheinlichkeits-Rechner — Stichprobennahme mit Zurücklegen
• Fishers exakter Test — Basiert auf der hypergeometrischen Verteilung
• Kombinationen-Rechner — Grundlegende Zählverfahren
• Negative Binomialverteilung-Rechner — Bis $r$ Erfolge

Zusammenfassung

Die hypergeometrische Verteilung ist unverzichtbar bei der Stichprobenentnahme ohne Zurücklegen aus einer endlichen Population — Situationen, in denen jede Auswahl die nachfolgenden Wahrscheinlichkeiten tatsächlich beeinflusst. Von Qualitätskontrollprüfungen über Kartenspielchancen bis hin zu ökologischen Populationsschätzungen liefert sie exakte Wahrscheinlichkeiten, die Binomialapproximationen verfehlen. Obwohl rechnerisch aufwendiger, handhaben moderne Werkzeuge die Berechnungen problemlos und machen die hypergeometrische Analyse für praktische Anwendungen zugänglich.