Harmonisches Mittel

Das harmonische Mittel von n Werten ist n / (1/x₁ + 1/x₂ + ... + 1/xₙ) – der Kehrwert des arithmetischen Mittels der Kehrwerte. Es ist der richtige Durchschnitt, wenn man Raten mittelt, die als Verhältniseinheiten ausgedrückt sind (Kilometer pro Stunde, Anfragen pro Sekunde, Euro pro Stück).

Kanonisches Beispiel: Fahren Sie 60 Kilometer mit 30 km/h, dann 60 Kilometer mit 60 km/h. Was ist die Durchschnittsgeschwindigkeit?

• Arithmetisches Mittel: (30 + 60) / 2 = 45 km/h. Falsch.
• Harmonisches Mittel: 2 / (1/30 + 1/60) = 40 km/h. Richtig.

Plausibilitätsprüfung: insgesamt 120 Kilometer, Gesamtzeit = 60/30 + 60/60 = 2 + 1 = 3 Stunden. 120 / 3 = 40 km/h. Das harmonische Mittel trifft es genau; das arithmetische Mittel überwichtet systematisch die höhere Rate.

Das harmonische Mittel ist stets ≤ geometrisches Mittel ≤ arithmetisches Mittel. Die Kette HM ≤ GM ≤ AM ist eine der klassischen Ungleichungen der Mathematik. Das falsche zu wählen ist die stille Ursache vieler realer Rechenfehler – gemittelte Verbrauchswerte, berechneter Netzwerkdurchsatz, mittlere Ausfallzeit paralleler Systeme.

Nutzen Sie das harmonische Mittel immer dann, wenn der natürliche „Durchschnitt“ eine Rate über einen konstanten Zähler ist (konstante Strecke, konstant zu leistende Arbeit). Nutzen Sie das arithmetische Mittel für additive Größen (Körpergrößen, Punktzahlen). Nutzen Sie das geometrische Mittel für multiplikative Größen (Zinseszins-Renditen).

Der F1-Score im maschinellen Lernen: Das harmonische Mittel taucht überall in Klassifikationsmetriken auf, weil Präzision (Precision) und Trefferquote (Recall) auf konkurrierenden Skalen liegen. Der F1-Score = 2 × Precision × Recall / (Precision + Recall) ist genau das harmonische Mittel von Precision und Recall – es bestraft Ungleichgewicht härter, als es das arithmetische Mittel täte. Ein Klassifikator mit 95 % Precision und 10 % Recall hat ein arithmetisches Mittel von 52,5 %, aber einen F1-Score von 18,1 %. Das harmonische Mittel sagt zutreffend „das ist ein schlechtes Modell“, während das arithmetische Mittel einen Münzwurf nahelegt. Jedes moderne ML-Bewertungs-Framework verwendet aus diesem Grund standardmäßig F-Scores. Referenz: NIST/SEMATECH e-Handbook – Harmonic mean.

Parallele Widerstände und das harmonische Mittel. Der Gesamtwiderstand von n parallel geschalteten Widerständen ist 1 / (1/R₁ + ... + 1/Rₙ), also das harmonische Mittel der Widerstände geteilt durch n. Zwei parallele 100-Ω-Widerstände ergeben 50 Ω, was dem harmonischen Mittel von (100, 100) geteilt durch 2 entspricht. Dieselbe Identität treibt parallele Rohre mit Flüssigkeit, parallele Prozessoren, die eine Last aufteilen, und parallele Datenbankverbindungen unter einer Connection-Pool-Obergrenze – alles, wo die begrenzende Größe kehrwert-additiv statt additiv ist. Das harmonische Mittel in diesen Zusammenhängen zu erkennen erspart Ihnen, die Formel jedes Mal neu herzuleiten.

Warum das harmonische Mittel empfindlich auf kleine Werte reagiert. Weil jeder Term über seinen Kehrwert beiträgt, zieht ein einziger Wert nahe Null das gesamte Mittel gegen Null. Ein Datensatz aus (1, 1, 1, 1, 0,01) hat ein arithmetisches Mittel von 0,802, aber ein harmonisches Mittel von 0,0476 – der einzelne kleine Wert dominiert. Das ist kein Fehler, sondern eine Eigenschaft: Beim Mitteln von Raten sollte eine langsame Etappe der Fahrt den Gesamtdurchschnitt nach unten ziehen, weil man unverhältnismäßig viel Zeit bei dieser langsamen Rate verbringt. Dieselbe Eigenschaft macht das harmonische Mittel ungeeignet für Daten, die legitimerweise Werte nahe Null enthalten (und undefiniert, wenn ein Wert genau Null ist, weil 1/0 undefiniert ist).

Das harmonische Mittel ohne Präzisionsverlust berechnen. Die naive Formel n / sum(1/x) häuft Rundungsfehler auf, wenn die Werte viele Größenordnungen umspannen. Ein numerisch stabilerer Ansatz ist, die Kehrwerte in höherer Präzision zu berechnen, sie nach Größe zu sortieren, vom kleinsten zum größten zu summieren und dann den Kehrwert zu nehmen. Für die meisten Alltagsdatensätze genügt die naive Form; für Finanzberechnungen, die Bruchteile eines Basispunkts neben ganzzahligen Vielfachen umspannen, liefert die sortierte Variante 2–3 zusätzliche Stellen Genauigkeit. Convertitives Statistik-Rechner nutzt durchgängig doppelte Präzision, was für jeden Datensatz genau genug ist, bei dem jeder Wert in eine JavaScript-Number passt.