超几何分布计算器

🎰 Hypergeometric Distribution

📐 工作原理与说明
描述不放回抽样中成功次数的概率分布。
  • 概率:P(X=k) = C(K,k)·C(N−K, n−k) / C(N,n),N 为总数、K 为成功总数、n 为抽取数。
  • 期望:E[X] = n·K/N;方差含有限总体校正因子 (N−n)/(N−1)。
  • 与二项分布:超几何为不放回,二项为有放回;当 N 远大于 n 时可用二项近似。
  • 场景:抽检合格数、抽样调查、卡牌抽牌概率。

📋 超几何分布公式

P(X = k) = C(K, k) × C(N−K, n−k) / C(N, n)
性质:
• 均值 E[X] = n × K / N
• 方差 Var[X] = n × (K/N) × ((N−K)/N) × ((N−n)/(N−1))
• 适用场景:无放回抽样(如扑克牌、批次质检)
• 与二项分布区别:每次试验不独立(无放回)

📚 深度解析:超几何分布计算器

💡 常见使用场景

  • 不放回抽样(如从 N 件含 K 件次品中抽 n 件)的成功次数。
  • 质检抽检:从 1000 件(含 30 件次品)中抽 50 件,算「一件次品都没抽到」的概率,评估该抽检方案能否发现问题。
质检抽样
N=50,K=5,n=10,k=1:P(X=1)=C(5,1)C(45,9)/C(50,10)≈0.431(约 43.1%)。

❓ 常见问题(FAQ)

超几何与二项区别?
超几何不放回、概率随抽样变化;二项放回、概率恒定。
什么时候可以当作二项分布算?
当总体 N 远大于抽样量 n(通常 n/N < 0.05)时,不放回与放回的差异可忽略,用二项分布近似即可,计算更简单。抽样比例较高时必须用超几何分布,否则会高估方差、低估抽到次品的概率。
⚠️ 使用说明与注意事项
📖关于「超几何分布计算器」 ▼

📝工具简介

Compute hypergeometric probabilities in your browser — modeling sampling without replacement.