抛硬币模拟器增强版 - 记录历史与统计概率

理论上，一枚完美均匀的硬币抛出正面和反面的概率各为50%。但在现实中，由于硬币的微小不对称性（如图案浮雕导致的重心偏移）、抛掷手法（如翻转力度、高度、角度）等因素，实际概率可能略有偏差。哈佛大学的研究表明，实际抛硬币出现同一面的概率约为51%，而非严格的50%。不过对于日常使用来说，50/50是一个非常好的近似。本模拟器使用高质量的伪随机数生成器Math.random()，基于Xorshift128+算法，确保每次翻转结果的公平性——大于0.5判定为正面，小于等于0.5判定为反面，理论概率精确为50/50。

大数定律是概率论中的核心定律：当独立重复试验的次数足够多时，事件发生的频率会趋近于其理论概率。也就是说，抛10次硬币可能出现7次正面（70%），但抛1000次后，正面比例通常会非常接近50%。这是因为大数定律保证了频率的收敛性——随着样本量增加，随机波动被"稀释"，频率趋向稳定。您可以在这个工具中进行验证：尝试批量翻转100次，观察概率分布条的变化；然后重置后再翻转1000次，对比两次实验的最终频率。您会发现1000次的结果更接近50%。这就是大数定律的威力——样本越大，频率越接近概率。

连续10次正面的概率为(0.5)^10 = 1/1024 ≈ 0.098%，看起来很小。但如果您抛1000次硬币，出现至少一次"连续10次正面"的概率实际上相当高。这是因为在长序列中存在许多可能的连续子序列——从第1位到第10位、第2位到第11位……共有(n-9)个可能的起始位置。这种现象被称为"聚类错觉"——人们常常低估随机序列中连续出现的可能性。在本工具中，当您进行批量翻转100次以上时，很可能会观察到至少一次5次以上的连击。请关注统计面板中的"最大连击"指标，它记录了您实验中的最长连击。

赌徒谬误（Gambler's Fallacy）是指错误地认为，如果某个结果连续出现多次，那么下一次出现相反结果的概率就会增加。例如："已经连续5次正面了，下一次肯定是反面！"——这是错误的。每次抛硬币都是独立事件，下一次出现正面的概率仍然是50%，与之前的结果完全无关。赌徒谬误源于人类大脑对"均衡"的直觉误判：我们倾向于认为随机序列应该在短期内表现出均匀分布，但实际上均匀性只在长期（大量样本）中才显现。这个工具可以帮助您直观地看到：即使连续出现多次正面，后续的分布依然遵循50/50的规律，而不是"补偿性"地偏向反面。建议您先进行50次以上翻转，观察历史记录中是否有明显的"补偿"现象——通常是没有的。

抛硬币在现实中广泛应用于多个领域：体育赛事中，足球、板球、美式橄榄球等运动的裁判通过抛硬币决定哪队先开球或选择场地一侧，这是一个历史悠久的传统仪式。决策辅助方面，当两个选项难以抉择时（如选择餐厅、分配任务），抛硬币提供了一个公平的随机解决方案。密码学领域，真正的随机数是加密密钥的基础，抛硬币的物理随机性（虽然本模拟器使用伪随机数）是早期随机数生成器的灵感来源。统计学教学中，抛硬币是演示概率概念（如大数定律、二项分布）的经典案例。博弈论研究中，抛硬币常被用作混合策略纳什均衡的实现方式。此外，在法律、医学研究、市场调查等领域，抛硬币也常被用作随机分组的工具。

可以通过假设检验来判断。首先设定零假设（H0）：硬币是公平的，正面概率p=0.5。然后进行大量抛掷（建议至少1000次），记录正面次数X。使用Z检验统计量：Z = (X - n*0.5) / sqrt(n*0.25)，其中n为总次数。在显著性水平α=0.05下，如果|Z| > 1.96，则拒绝零假设，认为硬币不公平。例如，抛1000次出现正面530次，Z = (530-500)/sqrt(250) ≈ 1.90，p值约0.057，尚不能拒绝公平性假设；但如果出现580次正面，Z ≈ 5.06，p值远小于0.001，可以判定硬币存在显著偏差。本工具可以帮助您进行大量试验并观察分布——试试看，1000次翻转后正面比例是否稳定在50%附近？注意：对于伪随机数生成器，理论上永远不会出现统计上显著偏离50%的结果（在足够大的样本下）。

本工具使用JavaScript内置的Math.random()函数，它基于Xorshift128+算法（现代浏览器标准），能够生成高质量的伪随机数，完全满足模拟抛硬币的需求。Xorshift128+的工作原理是：使用128位的内部状态，通过多次位移（shift）和异或（XOR）运算来生成下一个随机数。每次调用Math.random()都会产生一个在0-1之间均匀分布的数字，大于0.5判定为正面，小于等于0.5判定为反面，确保公平无偏。需要说明的是，Math.random()生成的是伪随机数（deterministic pseudo-random），而非真随机数（true random）。但对于抛硬币模拟这种应用场景，伪随机数的质量已经完全足够。如果您需要密码学级别的真随机数，应使用Web Crypto API的crypto.getRandomValues()或硬件随机数生成器。

完全正常！这正是概率的随机性所在。理论上100次翻转的期望正面次数是50次，但实际结果会围绕这个期望值波动。根据二项分布的标准差公式，标准差 = sqrt(n*p*(1-p)) = sqrt(100*0.5*0.5) = 5次。因此，40次正面偏离期望值10次，即2个标准差。在正态近似下，偏离2个标准差以内的概率约为95.4%，这意味着40次正面虽然偏少，但仍在正常范围内。如果您觉得40次太少，请尝试重置后再次翻转100次，您可能会得到45次、53次或其他接近50的结果。这就是随机性的魅力——每次实验都可能不同，但大量实验的平均值会趋向50%。批量翻转500次以上，您会发现正面比例更接近50%。

要计算"至少出现一次连续5次正面"的概率，需要区分两个不同的问题：问题一：抛n次硬币，恰好连续5次正面的概率是多少？这取决于n的大小。问题二：抛n次硬币，至少出现一次连续5次正面的概率是多少？对于问题二，当n=10时，至少出现一次连续5次正面的概率约为25.7%；当n=20时，概率约为66.1%；当n=50时，概率超过97%。这意味着如果您使用本工具批量翻转50次以上，几乎一定会看到至少一次连续5次的连击。请关注统计面板中的"最大连击"指标，当它达到5或更高时，说明您已经观察到了这一现象。这也解释了为什么人们常常低估连击的可能性——在大量试验中，看似"罕见"的事件其实很常见。