Harmonisches Mittel erklärt: Dein Leitfaden für Quoten und Verhältnisse

Hast du dich schon einmal gefragt, warum das durchschnittliche Kurs-Gewinn-Verhältnis deines Portfolios mit einem einfachen Mittel ungewöhnlich hoch wirkt? Oder warum sich parallele Widerstände in einem Stromkreis mit einer besonderen Art von Durchschnitt berechnen lassen? Diese Beispiele zeigen, warum das harmonische Mittel so wichtig ist – ein leistungsfähiges statistisches Werkzeug, das sich besonders für Quoten, Verhältnisse und reziproke Beziehungen eignet.

In diesem Tutorial schauen wir uns an, was das harmonische Mittel ist, wofür du es einsetzen kannst und warum es manchen Situationen anderen Durchschnittsarten überlegen ist. Wir sehen, wie es in verschiedenen Disziplinen von Finanzen bis Physik genutzt wird – und warum es in Data Science und Machine Learning zunehmend an Bedeutung gewinnt. Wenn du in diesem Bereich durchstarten willst, deckt unser Machine Learning Scientist in Python-Karrierepfad diese und weitere zentrale Statistikthemen umfassend ab.

Was ist das harmonische Mittel?

Das harmonische Mittel ist eine Durchschnittsart, die besonders nützlich ist, wenn du mit Quoten oder Verhältnissen arbeitest. Anders als das arithmetische Mittel, das Zahlen addiert und durch die Anzahl teilt, oder das geometrische Mittel, das multiplikative Zusammenhänge abbildet, ist das harmonische Mittel für Situationen mit reziproken Beziehungen gemacht.

Für eine Menge von Zahlen berechnest du das harmonische Mittel, indem du:

1. Den Kehrwert jeder Zahl bildest.
2. Das arithmetische Mittel dieser Kehrwerte berechnest.
3. Den Kehrwert dieses Ergebnisses nimmst.

Wann du das harmonische Mittel verwenden solltest

Das harmonische Mittel ist in mehreren Szenarien und Fachgebieten hilfreich. Einiges klang schon in der Einleitung an, jetzt schauen wir uns die wichtigsten Anwendungsfelder im Detail an.

Finanzanalyse

In der Finanzwelt liefert das harmonische Mittel präzisere Portfoliokennzahlen. Besonders bei Kurs-Gewinn-(KGV-)Verhältnissen bildet es die Bewertung eines Portfolios realistischer ab als einfache Durchschnitte. Analysten nutzen es außerdem für weitere Finanzkennzahlen und -raten sowie für Kostenmittelungen in dynamischen Preisszenarien, in denen sich Raten über die Zeit verändern.

Physik und Ingenieurwesen

Ingenieurinnen, Ingenieure und Physikerinnen, Physiker setzen das harmonische Mittel häufig ein. Es kommt etwa bei der Berechnung des Gesamtwiderstands paralleler Schaltungen zum Einsatz, wenn einzelne Widerstände kombiniert werden. In der Akustik hilft es bei der Analyse von Schallfrequenzen, in der Optik bei Linsenkombinationen – überall dort, wo reziproke Beziehungen typisch sind.

Data Science

In Data Science ist das harmonische Mittel weit verbreitet, insbesondere im Machine Learning. Es ist die Grundlage des F1-Scores, der Precision und Recall in Klassifikationsaufgaben ausbalanciert. Zudem wird es zur Bewertung von Leistungsmetriken bei unausgewogenen Datensätzen eingesetzt und in kollaborativen Filtersystemen für Empfehlungslösungen, wenn unterschiedliche Ähnlichkeitsmaße kombiniert werden müssen.

Allgemeine Anwendungen

Auch abseits spezialisierter Felder ist das harmonische Mittel nützlich. Es ist die richtige Wahl, um Durchschnittsgeschwindigkeiten über feste Distanzen zu berechnen, Produktionsraten in der Fertigung zu bestimmen oder Übertragungsraten in Netzwerken zu messen – überall dort, wo reziproke Beziehungen eine Rolle spielen. In solchen Fällen liefert es präzisere Ergebnisse als das arithmetische Mittel.

So berechnest du das harmonische Mittel

Gehen wir die Berechnung Schritt für Schritt mit klaren Beispielen durch.

Die Formel des harmonischen Mittels

Das harmonische Mittel (H) von n Zahlen berechnet sich wie folgt:

Dabei sind x₁, x₂, ..., xₙ die Werte in deinem Datensatz.

Beispiel Schritt für Schritt

Berechnen wir das harmonische Mittel von drei Zahlen: 2, 4 und 8. 

1. Kehrwerte bilden: 1/2 = 0,5. 1/4 = 0,25. 1/8 = 0,125
2. Diese Kehrwerte addieren: 0,5 + 0,25 + 0,125 = 0,875
3. Die Anzahl (3) durch diese Summe teilen: 3 / 0,875 = 3,429

Das harmonische Mittel von 2, 4 und 8 beträgt ungefähr 3,429.

Gewichtetes harmonisches Mittel

Nicht immer sollten alle Werte gleich stark in die Berechnung einfließen. Das gewichtete harmonische Mittel löst das, indem du einzelnen Werten unterschiedliche Gewichte zuweist.

Formel für das gewichtete harmonische Mittel

Für Werte x₁, x₂, ..., xₙ mit den zugehörigen Gewichten w₁, w₂, ..., wₙ gilt:

Besonders nützlich ist das in:

• Portfolioanalysen mit unterschiedlich großen Investments
• Qualitätsmetriken, bei denen manche Messgrößen wichtiger sind als andere
• Kundenzufriedenheitswerten, bei denen einzelne Faktoren stärker gewichtet werden

Harmonisches Mittel in Data Science und Machine Learning

Das harmonische Mittel hat zahlreiche Anwendungen in moderner Data Science und im Machine Learning gefunden.

F1-Score-Berechnung

Der F1-Score ist – wie erwähnt – eine verbreitete Kennzahl im Machine Learning. Er ist das harmonische Mittel aus Precision und Recall:

So wird sichergestellt, dass sowohl Precision als auch Recall für einen guten F1-Score ausreichend hoch sein müssen, da das harmonische Mittel extreme Ungleichgewichte zwischen den beiden Metriken stark bestraft. Wie du diese Metriken visualisierst und interpretierst, erfährst du ausführlich in unserem Tutorial zur Precision-Recall-Kurve in Python mit praktischen Beispielen und Implementierungen.

Cross-Validation

Bei der Bewertung der Modellleistung über verschiedene Folds hinweg gilt:

• Das harmonische Mittel von Leistungskennzahlen stellt sicher, dass schwache Ergebnisse in einzelnen Folds angemessen ins Gewicht fallen.
• Besonders nützlich bei unausgewogenen Datensätzen.
• Hilft, Modelle zu identifizieren, die über verschiedene Datensplits hinweg konsistent performen.

Eine umfassende Einführung in Validierungstechniken bietet unser Guide zu K-Fold Cross-Validation mit fortgeschrittenen Strategien für eine robuste Modellevaluierung.

Empfehlungssysteme

In kollaborativem Filtern und Empfehlungssystemen hilft das harmonische Mittel, ausgewogene und nutzerfreundliche Vorschläge zu erzeugen. Beim Bau von Recommendern müssen Data Scientists häufig verschiedene Ähnlichkeitsmaße kombinieren – etwa Nutzungsverhalten, Item-Merkmale und historische Interaktionen. Das harmonische Mittel sorgt dafür, dass keine einzelne Komponente die Empfehlungen übermäßig dominiert.

Ein Beispiel: Ein Filmempfehlungssystem muss Genrevorlieben eines Nutzers mit seiner Bewertungshistorie und Sehdauer-Mustern ausbalancieren. Zudem hilft das harmonische Mittel beim „Diversity-vs.-Relevance“-Trade-off, damit Vorschläge weder zu einseitig noch zu beliebig werden. Das ist besonders wertvoll im E-Commerce und auf Streaming-Plattformen, wo Nutzerbindung eine feine Balance aus ähnlichen und neuen Optionen verlangt.

Harmonisches Mittel vs. andere Mittelwerte

Schauen wir uns an, wie sich das harmonische Mittel von anderen Durchschnittsarten unterscheidet – und in welchen Fällen welches Mittel passt. 

Für ein tieferes Verständnis anderer Mittelwerte findest du separate Tutorials zum arithmetischen Mittel und geometrischen Mittel. 

Wichtige Überlegungen beim Einsatz des harmonischen Mittels

Beispiel: Umgang mit Extremwerten

Betrachten wir eine Fondsmanagerin, die drei Aktien mit jeweils gleichem Investment, aber stark unterschiedlichen Gewinnen analysiert:

• Aktie A: Investment $100, Gewinn $2, KGV = 50 (hohe Bewertung)
• Aktie B: Investment $100, Gewinn $10, KGV = 10 (moderate Bewertung)
• Aktie C: Investment $100, Gewinn $25, KGV = 4 (niedrige Bewertung)

So gehen verschiedene Mittel mit den stark abweichenden KGVs um:

• Arithmetisches Mittel: (50 + 10 + 4) / 3 ≈ 21,33 KGV 
• Harmonisches Mittel: 3 / (1/50 + 1/10 + 1/4) ≈ 8,11 KGV

Zur Überprüfung des tatsächlichen Portfolio-KGVs:

• Gesamtinvestment: $300 ($100 × 3)
• Gesamtgewinn: $37 ($2 + $10 + $25)
• Tatsächliches Portfolio-KGV: $300/$37 ≈ 8,11

Das arithmetische Mittel von 21,33 wird stark durch das extreme KGV der Aktie A (50) verzerrt und suggeriert eine deutlich höhere Durchschnittsbewertung, als tatsächlich vorliegt. Das harmonische Mittel von rund 8,11 liefert das korrekte Portfolio-KGV, weil es extrem hohe Werte automatisch geringer gewichtet und so die reale Ertragskraft der kombinierten Investments besser abbildet.

Vorteile des harmonischen Mittels

• Ideal für berechnungen auf Basis von Quoten und Raten
• Weniger anfällig für große Ausreißer
• Liefert präzise Durchschnitte bei reziproken Beziehungen

Einschränkungen des harmonischen Mittels

• Nicht anwendbar bei Nullwerten
• Empfindlicher gegenüber sehr kleinen Werten
• Für nicht-technische Zielgruppen teils wenig intuitiv

Fazit: Darum ist das harmonische Mittel wichtig

Das harmonische Mittel ist ein unverzichtbares Werkzeug – besonders, wenn du mit Quoten, Verhältnissen und reziproken Beziehungen arbeitest. Es ist zwar weniger geläufig als das arithmetische Mittel, doch wer weiß, wann und wie man es anwendet, trifft präzisere Analysen und bessere Entscheidungen.

Ob du Portfolios bewertest, ML-Modelle analysierst oder Physikaufgaben löst – das harmonische Mittel liefert Einblicke, die anderen Durchschnitten entgehen. Wenn du seine Eigenschaften und Einsatzmöglichkeiten kennst, wählst du den passenden Mittelwert für deinen Bedarf und vermeidest typische Analysefallen. Melde dich zu unserem Machine Learning Scientist in Python-Karrierepfad an, um weiterzulernen.