什麼是擲硬幣機率計算器?
這個計算器能算出在 n 次擲硬幣中剛好出現 k 次正面 的機率。每一次擲硬幣都是獨立事件,單次擲出正面的機率為 p(公正硬幣為 0.5)。只要調整 p 值,你也可以模擬一枚有偏差、加重的硬幣。同樣的算式也能回答「連續出現」的問題——例如連續擲出 5 次正面的機率,其實就是 n = 5、k = 5 的情況。
使用方法
輸入擲硬幣的總次數(n)、你想要的正面次數(k),以及單次擲出正面的機率(p,公正硬幣請填 0.5)。計算器會回傳以百分比和小數表示的機率、組合數 \(C(n,k)\)、正面的期望次數,以及該特定結果出現的反向勝算(odds against)。
公式解析
這個結果遵循 二項分布:
$$P(X = k) = \binom{n}{k} \, p^{k} \left(1 - p\right)^{n - k}$$
其中 \(C(n,k)\) 計算的是有多少種排列方式恰好得到 k 次正面,\(p^{k}\) 是那些指定的擲出全是正面的機率,而 \((1-p)^{n-k}\) 則是其餘全為反面的機率。對於公正硬幣(p = 0.5),公式可簡化為 \(C(n,k) \cdot 0.5^{n}\)。
實例演算
擲 10 次公正硬幣,剛好出現 5 次正面的機率是多少?\(C(10,5) = 252\),而 \(0.5^{10} = 1/1024 \approx 0.0009766\)。所以 $$P = 252 \times 0.0009766 \approx 0.2461$$ 約等於 24.61%——這是所有單一結果中機率最高的,但仍然不到四分之一的機會。
常見擲硬幣情境的機率比較
下表假設為公平硬幣(p = 0.5),並使用二項式公式 \(P(X=k)=\binom{n}{k}p^k(1-p)^{n-k}\)。每一列代表在 n 次投擲中「恰好」出現 k 次正面的機率。最後一列則為有偏差硬幣,供比較之用。
| n(投擲次數) | k(正面次數) | 機率(%) | 機率比(1 中之 X) |
|---|---|---|---|
| 2 | 2 | 25% | 1 中之 4 |
| 3 | 3 | 12.5% | 1 中之 8 |
| 5 | 5 | 3.125% | 1 中之 32 |
| 10 | 10 | 0.0977% | 1 中之 1,024 |
| 10 | 0 | 0.0977% | 1 中之 1,024 |
| 10 | 5 | 24.61% | 1 中之 4.06 |
| 100 | 50 | 7.96% | 1 中之 12.6 |
| 10(p = 0.6) | 6 | 25.08% | 1 中之 3.99 |
10 次投擲那一列的驗算:\(\binom{10}{5}=252\),因此 \(P = 252 \times 0.5^{10} = 252/1024 \approx 0.2461\)。有偏差那一列的驗算:\(210 \times 0.6^6 \times 0.4^4 = 210 \times 0.046656 \times 0.0256 \approx 0.2508\)。
請注意,最可能出現的單一結果其實並不太可能發生:即使投擲 100 次,恰好出現 50 次正面的機率也還不到 8%。
解讀結果:恰好、連續與至少的機率
- 是恰好 k 次,而非至少 k 次。計算機回傳的是恰好出現 k 次正面的機率。若要求「至少 k 次」,必須將 k、k+1、…、n 的機率全部相加。例如,公平硬幣投擲 3 次、至少出現 1 次正面的機率為 \(1 - 0.5^3 = 0.875\),而非 12.5%。
- 期望值與離散程度。正面次數的期望值為 \(\mu = np\),標準差為 \(\sigma = \sqrt{np(1-p)}\)。對於 100 次公平投擲,\(\mu = 50\),\(\sigma = \sqrt{100 \times 0.5 \times 0.5} = 5\),因此出現約 45 至 55 次正面都屬於十分常見的結果。
- 投擲彼此獨立。公平硬幣沒有記憶。連續出現五次正面後,下一次投擲出現正面的機率仍是 50%。認為反面「該出現了」就是賭徒謬誤。
- k = n 代表從一開始就連續出現的特定情況。令 k 等於 n,得到的是前 n 次投擲全部為正面的機率 \(p^n\)。這與在更長的序列中「任何位置」出現連續 n 次正面的機率不同,後者較高,因為可能的起始位置有很多個。
- 罕見事件仍然會發生。機率為 1 中之 1,024 的結果(例如投擲 10 次出現 10 次正面)對單次嘗試而言不太可能發生,但若進行數千次獨立嘗試,預期仍會定期出現。
常見問題
連續擲出兩次正面的機率是多少? 設定 n = 2、k = 2、p = 0.5:\(P = 0.25\),也就是 25%,相當於四分之一。
可以模擬加重的硬幣嗎? 可以——把 p 改成實際的正面機率即可,例如偏向正面的硬幣可設為 0.6。
為什麼擲 10 次出現 5 次正面不是 50% 的機率? 50% 指的是期望的平均值,但「剛好 5 次」只是眾多可能結果(0 到 10 次)中的其中一種。它確實是機率最高的單一數值,但實際發生的機會也只有約四分之一。