Python模拟抛硬币：理论与随机性的混沌现象

这个问题挺有意思的，模拟抛硬币确实是观察随机性和混沌现象的好例子。核心在于理解伪随机数生成器（PRNG）的确定性本质和“混沌”的数学定义。

先说理论：理想硬币每次正反面概率都是50%，但实际模拟用的是random.random()或random.randint()，它们生成的是伪随机序列。给定相同的种子（seed），结果完全可复现，这本身是确定性的，但序列在统计上满足均匀分布，所以看起来“随机”。

真正的“混沌”在动力系统里指的是：初始条件的微小变化会导致结果的巨大差异。我们可以在模拟中体现这一点：

import random

def coin_flip_experiment(initial_seed, num_flips=1000, perturbation=1e-10):
    """
    模拟混沌现象：微小的种子扰动对结果的影响
    """
    # 使用初始种子
    random.seed(initial_seed)
    results_original = [random.choice(['H', 'T']) for _ in range(num_flips)]
    heads_original = results_original.count('H')
    
    # 施加微小扰动
    random.seed(initial_seed + perturbation)
    results_perturbed = [random.choice(['H', 'T']) for _ in range(num_flips)]
    heads_perturbed = results_perturbed.count('H')
    
    # 计算差异
    difference = abs(heads_original - heads_perturbed)
    match_count = sum(1 for a, b in zip(results_original, results_perturbed) if a == b)
    
    return {
        'original_heads': heads_original,
        'perturbed_heads': heads_perturbed,
        'absolute_difference': difference,
        'match_rate': match_count / num_flips
    }

# 运行实验
if __name__ == "__main__":
    # 实验1：整数种子
    print("实验1：种子=42")
    result1 = coin_flip_experiment(42)
    print(f"原始正面数: {result1['original_heads']}")
    print(f"扰动后正面数: {result1['perturbed_heads']}")
    print(f"绝对差异: {result1['absolute_difference']}")
    print(f"序列匹配率: {result1['match_rate']:.2%}")
    print()
    
    # 实验2：浮点数种子，展示更明显的混沌
    print("实验2：种子=3.141592653589793 (π)")
    result2 = coin_flip_experiment(3.141592653589793, perturbation=1e-15)
    print(f"原始正面数: {result2['original_heads']}")
    print(f"扰动后正面数: {result2['perturbed_heads']}")
    print(f"绝对差异: {result2['absolute_difference']}")
    print(f"序列匹配率: {result2['match_rate']:.2%}")

运行这个代码你会看到，即使种子只变化了1e-10或1e-15（远小于浮点数精度），产生的序列却完全不同。匹配率大概在50%左右，这正是独立随机事件的预期。这模拟了混沌系统的核心特征：对初始条件的极端敏感性。

不过要明确，这不是真正的物理混沌，而是伪随机算法的特性。Python的Mersenne Twister算法有19937位的内部状态，微小扰动会完全改变这个状态，导致后续所有“随机”结果都不同。

如果你想更深入，可以试试这些扩展：

1. 计算随着抛掷次数增加，正面比例如何收敛到0.5（大数定律）
2. 模拟长连胜（比如连续10次正面）的概率
3. 用secrets模块生成加密安全的随机数对比

总结：用种子扰动来模拟混沌效应。