抛硬币模拟器
以真实物理规律一次投掷多达100枚硬币,观察每轮正面向上的次数如何逐渐汇聚成二项分布。
Each coin gets a random toss speed and spin, and the face it lands on comes out of the physics of its flight. Tap a coin to flip it alone or the table to flip them all, and watch heads per round fill out the binomial curve.
你觉得 抛硬币模拟器 体验如何?
关于 抛硬币模拟器
- 抛投力学模型
- Keller (1986),包含 Diaconis、Holmes 与 Montgomery (2007) 的进动修正
- 同面着地概率
- 理论预测约 51%;350,757 次真实抛掷测得 50.8%
- 10枚投掷正面分布
- 出现5次正面的概率约为 24.6%
- 最长连续正面期望
- n 次均匀抛掷中约为 log₂ n − 2/3
抛硬币模拟器严格依照飞行物理学进行投掷。根据 Joseph Keller 于 1986 年提出的模型,每枚硬币以随机的向上初速度和自旋离手,在空中翻转约二十次,落地时的朝向即为最终结果。程序内部没有任何强制指定正反面的逻辑,结果完全由空中飞行决定。无论是单枚抛掷还是一次投掷百枚,每轮正面次数图表都会逐步拟合二项分布,实时正面占比也会不断向虚线逼近,直观展现 Jacob Bernoulli 于 1713 年在《猜度术》(Ars Conjectandi)中证明的大数定律。
现实中的硬币存在轻微偏差。2007 年,Persi Diaconis、Susan Holmes 与 Richard Montgomery 指出,除非硬币的自旋轴完全位于其表面内,否则飞行时会发生晃动(进动);晃动的硬币约有 51% 的概率以起跳时的朝向落地。2023 年 František Bartoš 等人通过 350,757 次真实抛投验证了该预测,测得实际比例为 50.8%。将 Starting face 设为 Heads up 并调高 Wobble 即可观察到此偏差;若初始面随机分布,该效应则会相互抵消,这与实验结果完全一致。Biased coin 模式则会跳过物理运算,按照设定好的任意概率输出正面。
随机序列往往比人们预想的更容易出现连胜与连败。Mark Schilling 曾阐明,在 n 次抛掷中,最长连续正面次数通常接近 log₂ n;因此在 200 次抛投中通常会出现约 7 次连续正面。读数面板会将实际最长连击与理论预测进行对比,Randomness check 功能则能检测人工编造序列的真伪。模拟数据可按每轮正面数或最近 10,000 次抛掷记录导出为 CSV,亦可录制抛币过程的视频或 GIF。
如何使用 抛硬币模拟器
- 点击 Play. 台面上所有硬币同时抛出;每枚硬币根据其出射速度与自旋落地,随后统计当轮正面数量。
- 观察统计图表. Heads per round 图表中的柱状统计会逐渐填满二项分布曲线,Share of heads 则显示实时累积比例向理论期望值收敛的过程。
- 调整实验参数. 将 Coins per round(每轮硬币数)设为 1 至 100,Rounds(轮数速率)可从每两秒一次调节至 1,000 a second(每秒1000次);高刷新速率下将自动跳过抛掷动画以加快运算。
- 验证同面偏差. 在 Physics 模式下,将 Starting face 设为 Heads up,并将 Wobble 调至约 10°:硬币落在正面的概率约为 51%。切换至 Biased coin 模式可任意自定义 Chance of heads。
- 手动单独抛掷. 点击任意单枚硬币即可单独抛掷,或轻触桌面一次性抛起所有硬币。
- 随机性检测. 在自编序列输入框中随意输入一组 H 与 T,检测其翻转频率与连续长度是否符合真实硬币抛掷规律。
- 导出数据与媒体. 可保存高清 PNG、录制视频或 GIF,亦可将每轮正面统计或近期单次抛投记录下载为 CSV 文件。
常见问题解答
抛硬币的概率真的是 50/50 吗?
在初始面完全随机的前提下非常接近。由于抛出的硬币在空中翻转次数极多,初速度和自旋的微小差异决定了最终结果,因此适合作为随机决策工具。若进行严谨测量,空中晃动的硬币落在起跳面的概率略高,Diaconis、Holmes 和 Montgomery 的理论模型给出的数值约为 51%,Bartoš 等人在 350,757 次真实实验中测得的数据为 50.8%。
是什么决定了抛出的硬币最终哪一面朝上?
取决于留空时间与旋转角速度。在 Keller 模型中,初速度为 u 的硬币留空时间为 2u/g,旋转总量等于转速乘以该时间;若总翻转角度接近整数圈(误差在四分之一圈内),则会保持原朝向落地。由于普通抛掷会翻转约 20 圈,因此结果对抛掷初始参数极度敏感。
什么是二项分布?
它表示在 n 次独立抛掷中出现 k 次正面的理论概率:C(n, k) p^k (1 − p)^(n − k),其中 p 代表单次正面的概率。投掷 10 枚均匀硬币时,出现 5 次正面的概率约为 24.6%,而出现 10 次正面的概率仅约为 1/1,024。每轮正面次数图表正是将此理论曲线叠加在实际统计柱状图之上。
什么是大数定律?
随着抛投次数增加,正面出现的实际频率会无限趋近于其理论概率。这并不意味着正面与反面的绝对次数差会归零:绝对差值通常会随着抛掷总次数的平方根量级增长,但正面所占的百分比比例会趋于稳定。Jacob Bernoulli 于 1713 年首次严格证明了该定律的初始形式。
抛硬币时应该期望出现多长的连续正面?
往往比多数人预期的更长。Mark Schilling 指出,在 n 次均匀硬币抛掷中,最长连续正面次数通常接近 log₂ n 减去约三分之二:在 100 次抛掷中通常约为 6 次,1,000 次中约为 9 次。人工假造的随机序列往往刻意回避长连击且面切换过于频繁,Randomness check 正是通过该特征进行甄别。
可以用这个工具做实际决定吗?
可以。将 Coins per round 设为 1 并点击硬币即可。抛掷运算由随机种子驱动,相同的种子和设置会重现相同的抛投结果;点击 Randomize 即可载入全新随机种子。
参考文献
- Keller, J. B. (1986). The probability of heads. The American Mathematical Monthly 93(3), 191–197.
- Diaconis, P., Holmes, S., & Montgomery, R. (2007). Dynamical bias in the coin toss. SIAM Review 49(2), 211–235.
- Bartoš, F., Sarafoglou, A., Godmann, H. R., et al. (2023). Fair coins tend to land on the same side they started: Evidence from 350,757 flips. arXiv:2310.04153.
- Bernoulli, J. (1713). Ars Conjectandi. Basel: Thurneysen.
- Schilling, M. F. (1990). The longest run of heads. The College Mathematics Journal 21(3), 196–207.





