Определение информации. Формула для количественного определения информации. Единицы измерения информации.
Информация – сведения об объектах окружающего мира, их параметрах, свойствах и состоянии, которые уменьшают степень неопределенности знаний о них.
Формулу для определения количества информации для событий с различными вероятностями предложил американский ученый К. Шеннон в 1948 г.
где I – количество информации; N – количество возможных событий (сообщений); pi – вероятность отдельных событий (сообщений);
Если вероятность появления отдельных событий одинаковая, то формула (1.1) преобразуется в формулу Р. Хартли:
Количество информации (информационный объем), содержащееся в сообщении, закодированном с помощью знаковой системы и содержащем определенное количество знаков (символов), определяется с помощью формулы:
где V – информационный объем сообщения; / = log2N, информационный объем одного символа (знака); К – количество символов (знаков) в сообщении; N – мощность алфавита (количество знаков в алфавите).
В качестве меры для оценки количества информации, при условии двоичного кодирования, принят один бит. Следующей по величине единицей измерения количества информации является байт, представляющий собой последовательность, составленную из восьми бит, т. е.
1 байт = 23 бит = 8 бит.
В информатике также широко используются кратные байту единицы измерения количества информации, однако в отличие от метрической системы мер, где в качестве множителей кратных единиц применяют коэффициент 10n, где п = 3, 6, 9 и т. д., в кратных единицах измерения количества информации используется коэффициент 2n. Выбор этот объясняется тем, что компьютер в основном оперирует числами не в десятичной, а в двоичной системе счисления.
Кратные байту единицы измерения количества информации вводятся следующим образом:
1 Килобайт (Кбайт) = 210 байт = 1024 байт,
1 Мегабайт (Мбайт) = 210 Кбайт = 1024 Кбайт,
1 Гигабайт (Гбайт) = 210 Мбайт = 1024 Мбайт и т.д.
Теорема сложения вероятностей. Условие нормировки. Теорема умножения вероятностей для независимых случайных событий.
Теорема сложения вероятностей: вероятность появления одного (безразлично какого события) из нескольких несовместимых событий равна сумме их вероятностей.
p (А или В) = p(A) + p(B), где p – вероятность появления события; А, В – события.
Условие нормировки - это стандартное условие, которому должна удовлетворять любая плотность вероятности.
Теорема умножения вероятностей: вероятность совместного появления независимых событий равна произведению их вероятностей.
p (A и B) = p(A) * p(B)
Выборочное уравнение линейной регрессии.
Регрессия – изменение функции в зависимости от изменений одного/нескольких аргументов.
Линейная зависимость между переменными x и y описывается уравнением общего вида:
y = a + bx1 + cx2 + dx3 +...,
где: а, b, с и d — параметры уравнения, определяющие соотношение между аргументами и функцией. В практике учитываются не все, а лишь некоторые аргументы, в простейшем случае, как при описании линейной регрессии, — всего один:
y = a + bx
В этом уравнении параметр а — свободный член. Параметр b называется коэффициентом регрессии, который показывает на сколько в среднем величина признака y изменится при изменении на единицу меры другого, корреляционно связанного с y признака x.
Поскольку показатели регрессии выражают корреляционную связь двусторонне, то уравнение регрессии записывают так:
Yx = ayx + byxX и Xy = axy + bxyY
