现实中的碰撞概率应用

通过生活案例引出核心问题：为什么巧合这么常见？

• 生日相同、彩票重复号、网络包丢失都是碰撞
• 碰撞概率 = 两个独立结果相同的可能性
• 本节课将建立模型来量化这些看似意外的现象

让学习者在学习正式计算前独立预测，暴露直觉偏差。

• 凭直觉选择所需人数
• 记录自己的第一反应

说明为什么人数不多时配对数量已经很大。

• n个人中有C(n,2)个生日对
• 碰撞概率 = 1 - 所有生日都不相同的概率
• 计算23人时概率约为50.7%

拖动人数滑块，直观感受碰撞概率如何随人数上升。

• 调整人数观察概率曲线
• 确认23人时概率超过50%
• 尝试75人时概率接近100%

将生日问题推广为一般碰撞概率，并引入泊松近似这个实用工具。

• 期望碰撞对数量 λ = C(n,2)/N
• 当 λ 较小时，碰撞概率 ≈ 1 - e^{-λ}
• 不需要精确计算也能快速估算

用泊松近似估算一个简单场景的碰撞概率。

• 给定人数和取值范围
• 选择最接近的碰撞概率

展示单次概率很低时，重复多次如何让整体风险显著上升。

• 丢包率1%，发送100个包至少丢一个的概率约63%
• 攻击者反复尝试时，安全系统被攻破的风险增大
• 累积风险公式：1 - (1-p)^n

通过多领域案例说明碰撞概率的实际影响。

• [Table] 案例对比：哈希碰撞、随机分配、交通事故
• 哈希函数输出位数决定碰撞风险，SHA-256 足够安全
• 生日悖论影响抽奖算法和数据库索引设计

将所学知识应用到实际网络安全场景，做出判断。

• 假设哈希范围N=10^6，采样1000个值是否可能碰撞
• 使用泊松近似估计风险等级
• 提出降低碰撞风险的方案

总结课程，帮助学习者把碰撞概率思维迁移到更多领域。

• 配对计数是理解巧合的关键
• 泊松近似适合快速估算
• 不要被单次低概率麻痹，要估算累积风险