在线抛硬币

抛硬币是人类最古老的随机决策方式之一，古罗马人称之为"船还是头"（硬币两面的图案）。它的魅力在于绝对的 50/50——在概率论里，抛硬币是"伯努利试验"的标准化身。

物理硬币其实有微小的偏差：重量分布、抛掷手法都会带来千分之几的倾斜（有研究测出约 51% 的"同面朝上"倾向）。而本工具使用加密级随机源，每一次都是数学上严格均等的 50%。

想亲眼看看大数定律？用"连抛 ×1000"一次抛 1000 次——正面比例有 95% 的把握落在 50% ± 3.1% 之内；抛 10000 次，区间收窄到约 ±1%。注意大数定律说的是比例向 50% 收敛，而不是正反面差值归零，统计涨落永远存在。抛满 30 次后工具会自动给出 95% 置信区间检验与"波动是否正常"的判定。

"概率试算"模式回答另一类问题：抛 n 次，恰好、至少、至多 k 次正面的概率各是多少。正面次数 X 服从二项分布 B(n, 0.5)——恰好 k 次的概率用组合数 C(n,k) ÷ 2ⁿ 计算——期望 n/2、标准差 √n/2——比如抛 100 次恰好 50 正 50 反的概率只有 7.96%，"刚好对半"其实挺难。

连续同一面的"连击"也有理论参照：n 次公平抛掷的最长连击期望约为 log₂(n) − 0.67 次（100 次 ≈ 6 连，1000 次 ≈ 9 连）。所以抛出 6 连正毫不稀奇，结果区的期望参照行会告诉你当前次数下多长算正常。

心理学家还有另一个视角：当硬币被抛向空中的那一刻，你内心往往会冒出一个期待——那才是你真正想要的答案。硬币帮你做的不是决定，而是看清自己。

抛硬币在数学史上的地位远超它的简单外表：伯努利 1713 年在《猜度术》中以它建立大数定律的雏形；德摩根、布丰、皮尔逊都留下过著名的抛硬币实测记录——皮尔逊 1900 年前后抛了 24,000 次，得正面 12,012 次（50.05%），这成为"频率趋近概率"最常被引用的实验证据。凯特勒、费勒等统计学家则用它讲解二项分布与正态近似的衔接：n 次抛掷的正面次数分布，在 n 增大时逼近钟形曲线。

"同面倾向"研究值得一说：斯坦福数学家 Persi Diaconis（曾是职业魔术师）团队 2007 年用高速摄影与力学模型证明，物理硬币被抛起时存在轻微进动，落地朝上与抛起时同面的概率约 51%——偏差来自抛掷而非硬币本身。这意味着真硬币不是完美的 50/50，而程序随机源反而更"理想"。对于需要严格公平的场合（如体育比赛挑边），这 1% 的偏差可以忽略；对于概率教学，它反而是讲清"理想模型 vs 物理现实"的绝佳案例。

连击（streak）的数学常被低估：n 次公平抛掷中出现至少一次长度 r 连击的概率，可以用递推精确计算。100 次中出现 6 连的概率约 54.6%，出现 8 连约 17%——所以"连开 8 把大"在轮盘赌桌上每晚都在发生，与"庄家作弊"无关。期望值公式 log₂(n) − 0.67 给出最长连击的中心位置：1000 次约 9 连、100 万次约 19 连。记住这个尺度，就不会再对随机序列里的"模式"大惊小怪。

抛硬币还是现代密码学与算法设计的基石之一：随机化快速排序的期望 O(n log n)、布隆过滤器的假阳性率、哈希表的负载均衡，全部建立在"均匀随机比特"的假设上；密码协议里的"承诺方案"（commitment）就是数字版抛硬币——先公布哈希（把硬币扣在杯子里），再揭晓原像（开杯验证）。从茶余饭后的二选一，到支撑互联网安全的协议设计，这枚硬币的两面刻着人类对"公平"最朴素的理解。