构建一个教授概率学的掷骰子工具：批次、直方图与 CSV

免费领取国家顶级域名（.cn/.中国）

欢迎加入国家域名信源站点导航

站点智能：AI搭建 AI辅助运营独立站，把生意做到全世界

掷骰子工具看起来像是一个只需一行代码的项目：

const value = Math.floor(Math.random() * 6) + 1;

这一行代码足以生成一个 1 到 6 之间的数字。但这还不足以构成一个实用的概率工具。

当用户提出以下问题时，有趣的工程挑战才真正开始：

• 我可以一次投掷多个骰子吗？
• 我可以在不冻结页面的情况下运行 10、50 或 100 次试验吗？
• 结果分布是否符合预期？
• 显示的平均值究竟衡量的是什么？
• 我可以导出观测数据并在其他地方进行检查吗？

本文旨在构建这些功能背后的思维模型和实现方案。其目标并非制作花哨的动画，而是提供一个小型、诚实的实验，使其状态、统计信息和局限性易于理解。

1. 在编写用户界面之前定义实验

假设用户选择了 k 个六面骰子并按下“投掷”按钮一次。该动作构成一次试验，但会产生 k 个独立的点数观测值。

这种区分至关重要。在使用 6 个骰子进行 100 次试验后：

• 试验次数为 100；
• 观测到的点数总数为 600；
• 单个点数的期望均值为 3.5；
• 每次试验总点数的期望均值为 3.5 * 6 = 21；
• 每个点数应约占 600 个点数观测值的六分之一。

如果直方图将点数计数除以 100 而不是 600，那么它展示的并不是概率。它混淆了两种不同的单位。

紧凑的状态模型使这些单位变得明确：

const state = {
  diceCount: 1,
  trialCount: 0,
  grandTotal: 0,
  faceCounts: [0, 0, 0, 0, 0, 0],
  history: []
};

我使用 trialCount 记录完成的投掷次数，并通过以下方式推导点数观测值的数量：

const sampleCount = state.faceCounts.reduce(
  (sum, count) => <

免责声明：本文内容来自互联网，该文观点不代表本站观点。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请到页面底部单击反馈，一经查实，本站将立刻删除。