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。

100%

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.

Setup
Mode
10
Model
Starting face
0°
View
Randomness check

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

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  7. 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

  1. Keller, J. B. (1986). The probability of heads. The American Mathematical Monthly 93(3), 191–197.
  2. Diaconis, P., Holmes, S., & Montgomery, R. (2007). Dynamical bias in the coin toss. SIAM Review 49(2), 211–235.
  3. 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.
  4. Bernoulli, J. (1713). Ars Conjectandi. Basel: Thurneysen.
  5. Schilling, M. F. (1990). The longest run of heads. The College Mathematics Journal 21(3), 196–207.