Coin Flipper

Verwendung des Münzwerfers

1. Klicke Münze werfen. Das Münzbild rotiert kurz und landet entweder auf Kopf oder Zahl. Die Animation ist kosmetisch - das Ergebnis wird gewählt, bevor die Drehung beginnt, sodass du dich nicht durch Zuschauen beeinflusst.
2. Beobachte das Statistikfeld beim Aktualisieren: Gesamtwürfe, Kopf-Anzahl, Zahl-Anzahl, aktuelle Serie und ein Prozentbalken, der zwischen den beiden Ergebnissen aufgeteilt ist.
3. Setze jederzeit zurück mit der Zurücksetzen-Schaltfläche, um die Statistiken zu löschen und ein frisches Experiment zu starten.
4. Scrolle den Verlauf, um jeden Wurf in Reihenfolge zu sehen, farbkodiert für schnelles Mustererkennen. Das ist die Ansicht, die Studenten beim Live-Demonstrieren des Spielerfehlschlusses im Unterricht verwenden.
5. Wirf wieder so oft du möchtest - der CSPRNG hat effektiv unerschöpfliche Entropie, sodass 10.000 aufeinanderfolgende Würfe genauso fair sind wie einer.

Wie Fairness in Software garantiert wird

Jeder Wurf zieht ein einzelnes Byte von crypto.getRandomValues(new Uint8Array(1)), der kryptografisch sicheren Zufallsquelle der Web Crypto API, und behandelt das niedrige Bit als Kopf oder Zahl. Da 256 gerade ist, gibt es null Modulo-Verzerrung; die Aufteilung ist genau 50/50 innerhalb der Präzision eines CSPRNG, das für jeden rechnerisch begrenzten Beobachter von echter Zufälligkeit nicht zu unterscheiden ist. Das ist wichtig für den Lehrfall: Eine physische Münze hat eine messbare Verzerrung (Persi Diaconis, Susan Holmes und Richard Montgomery zeigten in ihrem 2007er Papier, dass eine geworfene und aufgefangene Münze eine etwa 51%ige Chance hat, mit derselben Seite zu landen), während der digitale Wurf ein saubererer Demonstrator dessen ist, was eine "wirklich faire" Münze tun würde.

Alle Berechnungen finden in der Preact-Komponente statt. Es gibt keinen Fetch-Aufruf pro Wurf, keinen Analytics-Beacon an jedes Ergebnis gebunden und keine Speicherung, die den Tab überlebt. Das Statistikfeld ist React-Status, der beim Neuladen zurückgesetzt wird.

Wann ein Münzwerfer nützlich ist

• Wahrscheinlichkeit lehren: Beobachten, wie das Kopf-Verhältnis sehr langsam gegen 50 % konvergiert (das Gesetz der großen Zahlen ist sichtbar langsam).
• Den Spielerfehlschluss demonstrieren: Lange Serien sind üblich, und der Glaube, "Zahl ist fällig", ist ein kognitiver Bias, den das Verlaufspanel schön veranschaulicht.
• Eine binäre Entscheidung treffen, wenn keine Wahl einen klaren Vorteil hat.
• Bernoulli-Versuche für ein Statistik-Hausaufgabenproblem oder eine Monte-Carlo-Demo simulieren.
• Zufällige Bits für ein einfaches pädagogisches Beispiel eines Einmalschlüssels generieren (nicht für echte Schlüssel verwenden).
• Ein Unentschieden in einem Meeting oder einem Sportdraft beilegen, ohne nach einer echten Münze zu greifen.

Serien, Wahrscheinlichkeiten und häufige Missverständnisse

• Serie von 10. Die Wahrscheinlichkeit einer bestimmten 10-Wurf-Serie beträgt (1/2)¹⁰ = 1/1024, also durchschnittlich etwa einmal pro tausend 10-Wurf-Sequenzen. Eine auf einem Live-Statistikfeld nach einigen hundert Würfen zu sehen ist völlig erwartet.
• Spielerfehlschluss. Nach neun Köpfen ist die Wahrscheinlichkeit, dass der nächste Wurf Kopf ist, immer noch genau 0,5; die Münze hat kein Gedächtnis. Das zu glauben ist einer der meistuntersuchten kognitiven Biases.
• Clusterbildung. Faire Zufallssequenzen sehen geclusterter aus, als Menschen erwarten. Echte Zufälligkeit hat Folgen von gleichen Ergebnissen, die dem Auge "nicht-zufällig" erscheinen.
• 50/50-Konvergenz ist langsam. Nach 100 Würfen unterscheidet sich das empirische Verhältnis typischerweise um mehrere Prozentpunkte von 0,5; der Standardfehler des Verhältnisses beträgt ungefähr 1/(2√n), sodass du 10.000 Würfe benötigst, um zuverlässig innerhalb eines Prozentpunkts zu bleiben.
• Unabhängigkeit. Jeder Wurf ist unabhängig; der CSPRNG konditioniert nicht auf vorherige Ausgaben. Serien entstehen allein durch Zufall.
• Physische Münzverzerrung. Eine echte Münze, die in der Hand aufgefangen wird, hat gemäß Diaconis et al. eine etwa 51%ige Same-Seite-Verzerrung; der Software-Wurf hat keine.

Die Wahrscheinlichkeitstheorie hinter einem einzelnen Wurf

Ein Münzwurf ist der einfachste Bernoulli-Versuch: ein einzelnes Experiment mit zwei sich gegenseitig ausschließenden Ergebnissen, konventionell als 1 (Erfolg) und 0 (Misserfolg) bezeichnet, jedes mit seiner eigenen Wahrscheinlichkeit. Die Summe von n unabhängigen Bernoulli-Versuchen ergibt eine Binomialverteilung, X ~ B(n, 0,5) für eine faire Münze, deren Erwartungswert n/2 und deren Varianz n/4 ist. Das Gesetz der großen Zahlen besagt, dass das empirische Kopf-Verhältnis gegen 0,5 konvergiert, wenn n wächst, und der zentrale Grenzwertsatz sagt dir, dass die Verteilung des Verhältnisses (nach geeigneter Reskalierung) annähernd normal ist. Das ist der Boden, auf dem die moderne frequentistische Statistik aufgebaut ist: Jakob Bernoulli arbeitete die meisten dieser Ideen in seinem Ars Conjectandi aus, das 1713 posthum veröffentlicht wurde, und Abraham de Moivre bewies die Normalannäherung an die Binomialverteilung im Jahr 1733.

Digitaler Wurf vs. die Alternativen

Eine physische Münze ist zeremoniell befriedigend, aber subtil verzerrt und unpraktisch für Tausende von Würfen. Pythons random.choice(['K', 'Z']) und Rs sample generieren dasselbe programmgesteuert mit einem geseeden PRNG (nützlich für Reproduzierbarkeit) oder mit einem CSPRNG, wenn du nach secrets greifst. Hardware-Zufallszahlengeneratoren wie die Intel-RDRAND-Instruktion oder ein Quanten-HRNG geben zertifizierte Entropie, sind aber übertrieben. Unterrichts-Simulatoren wie Seeing Theory (seeing-theory.brown.edu) führen interaktive Wahrscheinlichkeits-Demos durch, die pädagogisch reicher sind als eine Wurf-Schaltfläche. Der Browser-Werfer gewinnt, wenn du eine schnelle faire Münze mit einem sichtbaren Serienverlauf und einem Live-Prozentbegrenzer möchtest, ohne Installation.