同一组人测生日碰撞，换成正态分布我重跑了十万次，结论反着来
上周和同事为一个模拟脚本吵了一架。事情不大：他在写一个哈希分桶的压力测试，我随口问了一句“你的键是均匀撒的吧？”他说当然是，教科书上的生日悖论就是这么算的。我说现实里的键从来不是均匀的，用户 ID 有活跃和冷门之分，日期类数据更是明显扎堆，你直接套均匀分布的结论，桶的负载估计会偏差很大。他不服，翻出 Stack Overflow 上一个高赞回答，说碰撞概率只跟人数和天数有关，跟分布形状没关系。
我去搜了一圈，发现网上确实是两派。一派坚持生日悖论的 23 人 50% 结论是普适的，另一派说分布一旦集中，碰撞会更容易，但没人给出能看的数字，全在打嘴仗。吵是吵不出结果的，我干脆把两种分布各跑十万组模拟，让数据说话。
两个做法的分歧点
把分歧拆开看，其实是一个问题：固定人数往 365 天里放，碰撞概率到底由什么决定？均匀分布派的理由很硬，经典生日悖论的推导里，每一天被抽中的概率相等是前提条件，23 个人碰撞概率过半这个数就是在这个前提下算出来的。教科书没写错，错的是把它当成无条件成立的定理。
正态分布派的理由来自现实。出生日期确实不是均匀的，某些季节、某些节假日前后出生率明显偏高；哈希键、缓存键也类似，热门对象总是集中在少数几个键上。如果真实输入是“中间挤、两头少”的形状，那么第一个人落在热门区间的概率变大了，第二个人跟他撞上的概率理应也变大。这两派的说法在直觉上是冲突的，必须靠实验裁决。
对比实验怎么设
我写了一个脚本，固定随机种子 42，每组模拟十万次，保证两边对比的是同一个随机环境。均匀分布那边用 random.randint(0, 364) 直接撒；正态分布这边用 random.gauss(182, 30) 生成以年中为中心、标准差 30 天的日期，再对 365 取模。碰撞判定很简单：往集合里塞日期，塞完发现集合大小小于人数，就是有碰撞。
import random
import math
import statistics
random.seed(42)
N = 100000
DAYS = 365
def birthday_uniform(n):
seen = set()
for _ in range(n):
seen.add(random.randint(0, DAYS - 1))
return len(seen) < n
def birthday_normal(n):
seen = set()
for _ in range(n):
d = int(random.gauss(DAYS // 2, 30)) % DAYS
seen.add(d)
return len(seen) < n
def first_collision_uniform(trials=5000):
hits = []
for _ in range(trials):
seen = set()
for k in range(1, DAYS + 1):
d = random.randint(0, DAYS - 1)
if d in seen:
hits.append(k)
break
seen.add(d)
return hits
hits = first_collision_uniform()
med = statistics.median(hits)
med_pred = math.sqrt(2 * DAYS * math.log(2))
print("=== Uniform vs Normal birthday collision, 100k sims each ===")
print(f"first-collision median (uniform): {med:.0f} theory~{med_pred:.1f}")
print(f"{'people':>8} | {'uniform%':>9} | {'normal%':>9}")
for n in (23, 60, 366):
u = sum(birthday_uniform(n) for _ in range(N)) / N * 100
m = sum(birthday_normal(n) for _ in range(N)) / N * 100
print(f"{n:>8} | {u:>8.1f}% | {m:>8.1f}%")
print(f"normal is concentrated: stdev={30}, so dates cluster")
print("same head-count, different distribution -> collision flips")
脚本还额外测了一个基准：均匀分布下第一次出现碰撞的人数中位数，用来验证实验框架本身没写错。理论上这个数是 sqrt(2×365×ln2)，约 22.5。我另外选了三个人数梯度：23（经典悖论点）、60（大组）、366（超过天数的人数）。跑完输出是这样的。
数据摆出来
先看基准：均匀分布下首次碰撞人数的中位数实测是 23，理论预测 22.5，完全对得上，实验框架可信。然后是三组对比。23 人这一档，均匀分布碰撞率 50.8%，正好落在经典生日悖论说的大约一半的位置；但正态分布这边是 92.0%。同样是 23 个人，仅仅因为生日集中在标准差 30 天的区间里，碰撞率从五成飙到九成二。
60 人这一档，均匀分布 99.4%，正态分布直接 100.0%。到 366 人，两边都是 100.0%——这一档其实是抽屉原理在起作用，366 个人放进 365 天，不管什么分布都必然碰撞，模拟只是验证了这一点。所以真正有区分度的是 23 和 60 这两档，而它们都指向同一个结论：分布越集中，碰撞越频繁，均匀分布给出的碰撞概率是低估而不是高估。
结论之外还要看什么
这个实验有明显的局限，我得老实交代。第一，标准差 30 天是我拍的，不是从真实出生数据拟合的。标准差取多大，正态分布那栏的数字就会差多少，92.0% 只是“σ=30 时”的答案，不是正态分布的 universal 值。第二，gauss 生成后对 365 取模，尾部的日期会被折回来叠加在边界附近，实际形成的分布是中间高、边界也有小突起的形状，和真实世界的出生日期分布并不完全一样。
还有一个小翻车：我最开始预期正态分布会让 366 人那档的碰撞率从 100% 明显掉下来，跑完发现这个想法本身就不成立——人数超过天数，抽屉原理封死了所有退路，任何分布都是 100.0%。另外十万次模拟在 50% 附近的统计波动大约在零点几个百分点量级，50.8% 和理论值 50% 的差距在正常范围内，但如果要看更细的梯度差异，样本量还得往上加。
我会选哪个
我的判断很明确：做碰撞相关的估计时，均匀分布假设只能当下界参考，不能当现实模型。22.5 的理论中位数和实测 23 说明我的均匀模拟是准的，但一旦输入形状变成集中型，同一人数下碰撞率直接翻到 92.0%。同事那个分桶压测如果拿均匀分布的结论去定桶数，线上热门键扎堆时大概率会比预估更早撞上。
具体建议一条：下次你要估碰撞、估桶负载、估 ID 冲突，先花十分钟采样真实输入画个直方图。如果长得像均匀分布，教科书公式放心用；如果中间鼓、两边瘪，就把标准差量出来，套一个类似这里的 gauss 加取模的模拟，几十行代码十万次循环几秒钟跑完。顺便留个开放问题：如果输入是双峰分布——比如活跃用户和僵尸用户各占一头的场景——碰撞率会比单峰正态更高还是更低？我打算下次把 gmm 混进脚本里再跑一轮。
