CATEGORII DOCUMENTE |
Astronomie | Biofizica | Biologie | Botanica | Carti | Chimie | Copii |
Educatie civica | Fabule ghicitori | Fizica | Gramatica | Joc | Literatura romana | Logica |
Matematica | Poezii | Psihologie psihiatrie | Sociologie |
Teoria informatiei raspunde la doua probleme fundamentale din teoria comunicatiilor.
limita - compresia datelor -
limita - rata transmisiei datelor -
O sursa de informatii discreta X de alfabet finit si cardinalitate , conform unei distributii de probabilitate .
Sursa poate fi modelata matematic ca o variabila aleatoare X avand acelasi alfabet si aceeasi functie de distributie a probabilitatilor:
unde
si
Emiterea unui simbol de catre sursa este echivalenta cu realizarea unui eveniment constand din faptul ca sursa X emite simbolul xi, respectiv variabila aleatoare X ia valoarea xi cu probabilitatea . Daca asociem alfabetului sursei X campul complet de evenimente, evenimentul xi reprezinta emiterea de catre sursa X a simbolului xi cu probabilitatea pi.
Valoarea informatiei obtinuta prin realizarea evenimentului xi depinde numai probabilitatea cu care are loc evenimentul.
Shannon a definit cantitatea de informatie obtinuta prin observarea evenimentului prin functia logaritmica:
Informatia proprie i(xi) reprezinta o masura a informatiei obtinute prin realizarea evenimentuluui xi sau echivalent o masura a incertitudinii anulate de realizarea evenimentului xi.
Evenimentul sigur nu produce informatie:
;
Informatia proprie are valoare pozitiva:
;
Observatie: folosim conventia deoarece .
Realizarea evenimentului xi prin care v.a. X ia valoarea xi este cu atat mai incerta cu cat probabilitatea p(xi) are o valoare mai mica:
.
Informatia este aditiva. Fie doua evenimente independente, si , ce au loc cu probabilitatile individuale si . Informatia obtinuta prin realizarea celor doua evenimente egaleaza suma informatiilor obtinute prin realizarea fiecarui eveniment in parte:
.
Consideram:
Consideram: (distributie uniforma)
Deci 16 elemente pot fi descrise distinct de 4 biti.
Entropia Shannon a v.a. este definita de valoarea medie a informatiei proprii:
respectiv:
, [biti].
Pentru v.a. discreta X, notand f.m.p. , entropia poate fi exprimata prin relatia:
, [biti].
Entropia binara reprezinta entropia unei v.a. avand doua realizari posibile.
Fie alfabetul binar si notam si pentru . Entropia binara notata este:
,
si este reprezentata in fig. 1.
Graficul entropiei binare ilustreaza urmatoarele proprietati:
, cu precizarea daca sau ;
este o functie strict concava in raport cu p.
entropia este o functie continua de probabilitatile simbolurilor sursei
entropia este simetrica (are aceleasi valori indiferent cum sunt ordonate probabilitatile simbolurilor sursei)
entropia este aditiva
valoarea entropiei este intotdeauna pozitiva
daca si numai daca X are distributie p(X) uniforma pe alfabetul(simbolurile sunt egal probabile)
Pentru simboluri egal probabile: mare mare.
entropia este o functie concava in raport cu probabilitatea p
Din acesti parametrii se poate construi un model probabilistic al sursei de informatie si se pot defini
Entropia sursei
Entropia maxima a sursei:
Debitul de informatie ,
Durata medie a unui simbol
Redundanta sursei
In realitate dependenta probabilistica a simbolurilor dintr-o secventa si probabilitatile inegale de aparitie a simbolurilor reduc valoarea reala a lui H(X).
Pentru doua v.a. discrete X si Y, de alfabet X si Y, caracterizate de distributia reunita a probabilitatilor entropia reunita:
masoara incertitudinea totala asociata perechii de v.a. , reprezentand valoarea medie a informatiei ce caracterizeaza perechea de v.a.
Pentru aceeasi pereche de v.a. X, Y, entropia conditionata reprezinta cantitatea de incertitudine ramasa asupra variabilei X dupa observarea variabilei Y:
Folosind relatia intre distributia de probabilitati reunite a perechii de v.a. X si Y, distributia marginala si distributia conditionata :
vom putea exprima entropia variabilei X conditionata de cunoasterea variabilei Y prin:
.
Entropia conditionata poate fi interpretata ca fiind cantitatea medie de informatie pe care X o contine, dupa ce Y este cunoscut. Astfel, definim:
, pentru y astfel incat .
Acum, este chiar media tuturor entropiilor ale v.a. X, pentru orice fixat.
Similar, entropia v.a. Y conditionata de cunoasterea variabilei X se defineste prin:
Proprietatile entropiilor reunite si entropiilor conditionate
Entropiile reunite sunt comutative:
Entropia unei v.a. este mai mica decat entropia reunita a doua v.a:
cu egalitate daca:
Subaditivitatea
Pentru o pereche de v.a. , entropia reunita este mai mica sau cel mult egala cu suma entropiilor celor doua variabile:
,
cu egalitate daca si numai daca X, Y sunt v.a. independente.
* Subaditivatate puternica:
cu daca si numai daca lant Markov
Entropiile conditionate sunt pozitive:
Conditionarea reduce entropia:
cu egalitate daca X si Y sunt independente. (2 v.a.)
(3 v.a.)
Fiind dat un spatiu masurabil pe care se definesc doua masuri probabilistice reprezentate de doua distributii de probabilitate si , apartinand aceleiasi multimi, entropia relativa este o masura a "distantei" dintre cele doua distributii.
Denumita si distanta KL (Kullback Leibler), entropia relativa se defineste in raport cu perechea de distributii si prin:
cu respectarea conventiilor:
si , pentru .
Proprietatile entropiei relative:
cu egalitate daca si numai daca p(x) = q(x) pentru orice x.
Demonstratie:
.
Pentru perechea de v.a. X, Y de alfabet X Y si distributie reunita , informatia mutuala reprezinta cantitatea de informatie pe care cele doua variabile o au in comun. Luate separat, cele doua variabile sunt caracterizate de entropiile , si de entropia reunita , deci informatia mutuala va fi data de relatia:
Informatia mutuala poate fi exprimata in termenii entropiilor conditionate prin putand fi interpretata ca reducerea incertitudinii asupra v.a. X cand se cunoaste v.a. Y:
Demonstratie:
In mod similar se poate scrie si relatia simetrica: .
Pentru o pereche de doua variabile identice , informatia mutuala egaleaza entropia variabilei X:
Pentru o pereche de v.a. X si Y de alfabet X Y, depinzand de v.a. Z, de alfabet Z, informatia mutuala conditionata este data de relatia:
si reprezinta cantitatea de informatie "continuta" in v.a. X, datorita cunoasterii v.a. Y cand v.a. Z este data (cunoscuta).
Conditionarea reduce entropia si vom putea scrie pentru cele trei v.a. X, Y si Z:
sau
cu egalitate X, Y si Z sunt independente.
Pentru trei v.a., intuitiv, ne asteptam ca incertitudinea despre X, cand stim valoarea v.a. Y si Z este mai mica decat incertitudinea cand stim doar pe Y. Cu ajutorul definitiilor, afirmatia "conditionarea reduce entropia" este echivalenta cu:
adica o forma rearanjata a inegalitatii de subaditivitate puternica.
Proprietatile informatiei mutuale
Informatia mutuala este comutativa:
Informatia mutuala este pozitiva:
cu egalitate daca si numai daca X si Y sunt v.a. independente.
Informatia mutuala este marginita superior:
sau ,
cu egalitate X este o functie de Y,, respectiv Y este o functie de X, .
Informatia mutuala nu este intotdeauna subaditiva:
Informatia mutuala nu este intotdeauna superaditiva:
Relatiile intre entropiile , , entropia reunita , entropiile conditionate , si informatia mutuala pot fi ilustrate prin diagrama Venn.
Tinand cont de relatia intre entropia reunita si entropiile conditionate:
Demonstratie
Formula trebiue corectata >>>
Regula lantului pentru trei variabile aleatoare X, Y, Z:
din curs tti2
Daca X, Y, Z formeaza un lant Markov, ( X Y Z ) atunci
H(X) ³ I(X,Y) ³ I(X,Z)
Prima inegalitate este indeplinita cu semnul "=" daca si numai daca fiind dat Y este posibila reconstructia lui X.
Daca o v.a. X este afectata de zgomot rezultand v.a. Y atunci "procesarea datelor" nu poate fi folosita pentru a creste cantitatea de informatie mutuala intre semnalul observat Y si informatia initiala X.
Deci, H(X) ³ I(X,Y
A doua inegalitate, I(X,Y) ³ I(X,Z) este echivalenta cu H(X | Y) £ H(X | Z)
Deoarece X Y Z formeaza un lant Markov, Z Y X este deasemenea un lant Markov si in consecinta aplicand inegalitatea subaditivitatii puternice rezulta
H(X,Y,Z) - H(Y,Z) = H(X | Y, Z) £ H(X|Z) = H(X,Z) - H(Z)
Presupunem I(X,Y) < H(X). In acest caz nu ar mai fi posibil sa-l reconstruim pe X din Y deoarece daca Z este o incercare de reconstructie bazata numai pe cunoasterea lui Y, atunci X Y Z trebuie sa fie un lant Markov si
H(X) ³ I(X,Z) conform inegalitatii procesarii datelor. Deci Z ¹ X
Daca I(X,Y) = H(X) atunci H(X | Y) = 0 si ori decate ori p(X = x, Y = y) > 0 vom avea p(X = x | Y = y) = 1, altfel spus daca Y = y atunci, prin inferenta, cu certitudine X = x, permitand astfel reconstructia lui X.
din curs tti2
Daca X Y Z este un lant Markov, la fel este si Z Y X si in consecinta, ca un corolar la inegalitatea procesarii datelor vom avea
I(Z,Y) ³ I(Z,X)
Aceasta inegalitate se numeste data pipeline inequality si ne spune in mod intuitiv ca informatia pe care Z o are in comun cu X este informatia pe care Z o are in comun cu Y, deci informatia este "pipelined" de la X prin Y catre Z.
Din curs tti 1
Inegalitatea procesarii datelor reprezinta o inegalitate fundamentala in teoria informatiei, bazata pe ideea reprezentarii secventei de simboluri generate de sursa ca un lant Markov de variabile aleatoare X1, X2, ,Xn pentru care putem scrie:
Daca variabila aleatoare X1 este afectata de zgomot actiunile de procesare a datelor nu permit cresterea cantitatii de informatie mutuala intre Xi, si informatia originala X1.
Daca formeaza un lant Markov, atunci si formeaza un lant Markov si
Informatia pe care X3 o imparte cu X1 trebuie sa fie cel putin aceeasi cu care X3 o imparte cu X2.
Pentru un lant Markov, X1, X2, X3, ., Xn, rata entropiei este data de relatia
,
unde entropia conditionata este calculata folosind distributia stationara cunoscuta.
Daca avem o secventa de n variabile aleatoare, se pune intrebarea naturala "Cum creste entropia secventei cu n?". Definim rata entropiei ca acea rata de crestere ca in cele ce urmeaza.
Definitia 1: Rata entropiei unui proces aleator X(t) = X1, X2, .Xn reprezinta entropia per simbol a n variabile aleatoare si este definita prin
cand limita exista.
Vom considera cateva exemple simple de procese aleatoare si rata entropiei corespunzatoare.
Exemplul 1: Fie X1, X2, ., Xn variabile aleatoare i.i.d. Atunci :
Exemplul 2: Secvente de variabile aleatoare distribuite independent dar nu si identice. In acest caz,
dar valorile H(Xi) nu sunt toate egale.
Definitia 2: In termenii entropiei conditionate H(Xn | Xn-1, Xn-2, ., X1) rata entropiei se poate defini prin
cand aceasta limita exista.
(Demonstrarea existentei limitei H'(X) :)
Teorema 1: Pentru un proces aleator stationar, entropia conditionata ca caracterizeaza secventa indexata de v.a. X1, X2, ., Xn notata H(Xn | Xn-1, Xn-2, ., X1) scade cu n si are limita data de rata entropiei H'(X).
Demonstratie:
(3)
, (4)
unde inegalitatea rezulta deoarece conditionarea reduce entropia si egalitatea din stationaritatea procesului.
Intrucat H(Xn | Xn-1, Xn-2, ., X1) este o secventa descrescatoare de numere pozitive, aceasta are o limita, care este H'(X).
Teorema 2: Pentru un proces aleator stationar, limitele din relatiile (1) si (2) exista si sunt egale,
Demonstratie: Din legea lantului Markov, avem
de exemplu, rata entropiei este media in timp a entropiilor conditionate.
Conform teoremei 1, entropiile conditionate tind la o limita H'(X) si in consecinta:
Pentru orice proces stationar ergodic are loc (cu probabilitate 1) relatia
Aceasta arata semnificatia ratei entropiei ca o descriere a "lungimii medii" respectiv a numarului mediu de biti pe simbol ce caracterizeaza o secventa de n variabile aleatoare reprezentand un proces stationar ergodic.
Politica de confidentialitate | Termeni si conditii de utilizare |
Vizualizari: 2942
Importanta:
Termeni si conditii de utilizare | Contact
© SCRIGROUP 2024 . All rights reserved