在線即時計算器 · 純前端本地秒算 · 零數據上傳

🎲 Hypergeometric Probability 計算機

專業免費的 Hypergeometric Probability 計算機。純前端本機毫秒級計算、零資料上傳、極致隱私保護。提供詳細公式推導、實例示範與常見問答。

即時推算結果 (Computed Output)
0.20984 恰好出現 k 個成功的精確機率
專業公認計算模型,即時運算完畢
📜 計算歷史記錄 (試算軌跡)
尚無歷史記錄,每次點擊「計算」將在此留下試算軌跡...

什麼是超幾何分布?

超幾何分布用來描述:從一個總數為 N、其中含有 K 個「成功」項目的有限母體中,以不放回方式抽取 n 次,恰好抽中 k 個成功項目的機率。它和二項分布最大的差別在於——二項分布假設每次抽取都會放回、機率維持固定,而超幾何分布則考慮到每抽走一個項目,剩餘母體的組成都會隨之改變。

如何使用這個計算器

請輸入四個整數:母體大小 N、母體中的成功數 K、樣本大小 n,以及觀察到的成功數 k。計算器會回傳恰好抽中 k 個的精確機率 P(X=k)、累積機率 P(X ≤ k) 與 P(X ≥ k),以及該分布的平均數與變異數。

公式說明

P(X=k) 的計算方式為:從 K 個成功中選出 k 個的組合數,乘上從 N-K 個失敗中選出剩下 n-k 個的組合數,再除以從 N 個中選出 n 個的總組合數。

P(X = k) = \dfrac{\dbinom{K}{k}\dbinom{N-K}{n-k}}{\dbinom{N}{n}}

平均數為 \mu = n · K/N;變異數為 \sigma^{2} = n · (K/N) · ((N-K)/N) · ((N-n)/(N-1)),其中最後一項即為「有限母體校正因子」。

\begin{gathered} \mu = n \dfrac{K}{N} \\[1em] \sigma^{2} = n \dfrac{K}{N} \dfrac{N-K}{N} \dfrac{N-n}{N-1} \end{gathered}

實例演算

一副標準撲克牌共 52 張,其中 K=4 張為 A。若抽取 n=5 張牌,恰好抽中 k=2 張 A 的機率為

((C(4,2)· C(48,3)) ÷ (C(52,5))) = ((6 · 17296) ÷ (2598960)) ≈ 0.039929

而 A 的期望張數則為 5 · 4/52 ≈ 0.3846。

使用注意事項與精準校對原則(6 大核心守則)

📐 1. 嚴格對齊輸入量綱與單位

輸入各項數值時請務必確認量綱(例如小時、天數、金額、百分比),避免單位不匹配引發推算偏差。

🔒 2. 純前端本機毫秒級隱私保障

所有計算邏輯 100% 在您的終端瀏覽器內完成,資料絕不上傳伺服器,嚴格守護商業與個人隱私。

📊 3. 符合公認學術與產業計算模型

演算法嚴格遵循國際通用數學公式與標準計算模型,經多重情境交叉核對,數值嚴密精確。

📋 4. 一鍵複製與免登入 PDF 匯出

支援一鍵複製推算結果字串至剪貼簿,亦可直接點擊列印按鈕輸出純淨 PDF 工作報表。

🔄 5. 多情景敏感度動態對比

建議針對極端值與多組預期情景分別試算,觀察輸出數據的波動區間,輔助做出更穩健的決策。

🛡️ 6. 專業諮詢與日常參考免責聲明

本工具運算結果供日常排程、學業研習與事前參考之用,如涉及重大法規或投資決策請諮詢持證專家。

常見問題 (FAQ)

什麼時候該用超幾何分布,而不是二項分布?
當你從一個較小的有限母體中以不放回方式抽樣時,請使用超幾何分布;若每次抽取彼此獨立,或母體大到近乎無限,則使用二項分布。
\(P(X \ge k)\) 代表什麼意思?
它表示「至少」抽中 \(k\) 個成功項目的機率,常用於尾端檢定,例如品質管制中的允收抽樣。
\(k\) 可以大於 \(K\) 或 \(n\) 嗎?
若 \(k\) 超過 \(K\) 與 \(n\) 之中較小的那個值,機率即為 0,因為這樣的結果根本不可能發生。