Entropie Grundlegend für das Verständnis des Begriffes der Komprimierung ist der Begriff der Entropie. In der Physik ist die Entropie ein Maß für die Unordnung eines Systems. In der Informationstheorie ist die Entropie ein Maß für den Informationsgehalt einer Nachricht. Um der Begriff der Entropie zu erläutern brauchen wir erst mal einige Definitionen, z.b. Endlicher Wahrscheinlichkeitsraum (X, P(X), p), wobei X = {x1,..,xn} die Menge der Elementarereignisse, P(X) die Potenzmenge von X und p ein Wahrscheinlichkeitsmaß ist, welches jedem Ereignis aus der Potenzmenge einen Wert zuordnet mit den Eigenschaften 1. Q P(X) : p(q) 0 2. p(x) = 1 3. Q, R P(X) mit Q R = gilt p(q R) = p(q) + p(r) Hat Q P(X) die Wahrscheinlichkeit p(q), so wird dem Ereignis Q der Informationsgehalt I (Q) = - log p(q) bzw. I (xi) = - log pi für Elementarereignisse zugeordnet. Rechnet man mit dem Logarithmus zur Basis 2, so wird der Informationsgehalt in Bit gemessen. Die Umrechnung in eine andere Basis b erfolgt durch Multiplikation mit dem Faktor log 2 b. Jetzt definieren wir den Begriff der Entropie: Für eine Quelle X (die Menge der Elementarereignisse) mit Elementen x1,.., xn und zugehörigen Wahrscheinlichkeiten p1,..pn > 0 ist die Entropie definiert wie folgt: H(X) = - p i. log p i
Die Entropie einer Nachricht ist ganz einfach die Summe der Entropien aller Einzelsymbole. Die Entropie hat die folgenden Eigenschaften: 1. 0 H(X) log (n) so gen. Minimale und maximale Entropie H(X) = 0 ist genau der Fall, wenn keinerlei Ungewissheit über die von X erzeugte Nachricht besteht. Das bedeutet X darf nur ein Element x mit Wahrscheinlichkeit 1 haben H(X) = - p(x). log ( p(x)) = -1. log (1) = 0 H(X) = log (n) tritt genau dann ein, wenn völlige Ungewissheit über die von X erzeugte Nachricht herrscht, d.h. wenn alle Elemente x X die gleiche Wahrscheinlichkeit 1 / n haben H(X) = - p i. log p i = -n. log (1 / n) = - log (1 / n) = log (n) Gemeinsame Entropie: Seien nun X und Y zwei Quellen mit Elementen xi bzw. yj und Wahrscheinlichkeiten p(x i) und p(y j) dann ist die gemeinsame Entropie beider Quellen definiert als: H(X, Y) = - p(x i, y j). log ( p(xi, y j)) Sind X und Y diskrete Quellen, so gilt : H(X, Y) H(X) + H(Y) Die Gleichheit tritt dann ein, wenn X und Y unabhängige Quellen sind. Eine reellwertige Funktion f (a i) der Elementarereignisse ai A eines Wahrscheinlichkeitsraumes (A, P(A), p) wird durch eine Zufallsvariable bezeichnet. Die Schreibweise p(x = f(a i )) = pi besagt, dass die Zufallsvariable X mit Wahrscheinlichkeit pi den Wert f (ai) annimmt.
Der Erwartungswert oder Mittelwert E(X) einer Zufallsvariablen X ist durch E(X) = p (ai). f(ai) bestimmt. X und Y seien Zufallvariablen im Wahrscheinlichkeitsraum Q1 = (A, P(A), pa) und Q2 = (B, P(B), pb). Die Zufallsvariablen heißen unabhängig wenn gilt: " a, b R : p(x = a und Y = b) = p (X = a). p(y = b) = p(a).p(b) Eine Folge von unabhängigen Zufallsvariablen bildet einen gedächtnislosen Prozess. Die Bezeichnungsweise p(a B) steht für die bedingte Wahrscheinlichkeit eines Ereignisses a unter einer Bedingung B. In diesem Zusammenhang sprechen wir von einem bedingten Informationsgehalt und einer bedingten Entropie. Mit anderen Worten, die bedingte Entropie misst, wie groß die Ungewissheit über die von Quelle X erzeugte Nachricht ist, nachdem feststeht, dass Quelle Y die Nachricht b erzeugt hat. Für die Zufallsvariablen X und Y gilt: p(x = a Y = b) = p (X = a und Y = b) / p(y = b) Sind X und Y unabhängig, so folgt allerdings p(x = a Y = b) = p(x = a) Eine gedächnislose diskrete Informationsquelle sendet eine Folge von unabhängigen Quellensymbolen, die durch Zufallvariable {Xt ; t N} in einem endlichen Wahrscheinlichkeitsraum Q = (S, P(S), p) dargestellt werden. Dabei heißt S = {s1,...,sq} das Quellenalphabet und H(p1,..,pq) die Entropie der Quelle mit Signalwahrscheinlichkeiten p1 = p(s1),..,pq = p(sq) Für die n-te Erweiterung einer Informationsquelle, die n- stellige Wörter über dem Alphabet S aussendet, wird der Wahrscheinlichkeitsraum
Q n = {S n, P n (S), p n } in entsprechender Erweiterung von Q = { S, P(S), p} zugrunde gelegt. Für die Entropie der n-ten Erweiterung Q n eines Wahrscheinlichkeitsraums Q gilt bei Unabhängigkeit der Symbole in einem Wort: H(S n ) = n. H(S) Es sei eine gedächtnislose Informationsquelle Q = (S, P(S), p) mit q Quellensymbolen gegeben. Für die Codierung der Quellsymbole s1,...,sq sei l i die Länge des zu si zugeordneten Codeworts und die mittlere Codewortlänge. L = p i. l i Ein eindeutig decodierbarer Code heißt kompakt, wenn seine Codewortlänge für Codes mit r Symbolen minimal ist. Für die Entropie als eine untere Schranke für die mittlere Codewortlänge eines eindeutig decodierbaren Codes für die Quellsymbole haben wir folgenden Satz: Hr(S) L = p i. l i Die Realität zeigt, dass die minimale mittlere Codewortlänge bei der Codierung der Quellsymbole einer Informationsquelle nicht immer die Entropie als untere Schranke erreicht. Eine bessere Annäherung an diese Schranke kann allerdings erzielt werden, wenn statt der Symbole der gedächtnislosen Quelle die Wörter ihrer n- ten Erweiterung codiert werden. Dabei kann die Differenz zwischen der Entropie und der mittleren Codewortlänge mit wachsendem n beliebig klein gemacht werden. Die mittlere Wortlänge eines kompakten Codes mit r Symbolen für die n- te Erweiterung einer Informationsquelle erfüllt die Ungleichung von dem ersten Satz von Shannon n H r (S) L n < n H r (S) + 1
Wie die Entropie der Sprchwissenschaft dient? Die relative Entropie gibt an, wie viel Speicherplatz verschwendet wird, wenn eine Zeichenfolge mit einer Methode komprimiert wird, die für eine andere Folge optimiert wurde. Als Beispiel kann das Morsealphabet dienen, das für die englische Sprache optimiert wurde. Dem häufigsten Buchstaben in der englischen Sprache wurde die kürzeste Zeichenfolge zugeordnet. (z.b. für e ein Punkt). Aber für andere Sprachen ist das Morsealphabet nicht optimal, denn die Länge der Codes entspricht nicht mehr der Häufigkeit der Buchstaben. Die relative Entropie gibt dann an, wie viele zusätzlichen Striche oder Punkte benötigt werden, um zum Bsp einen englischen Text zu übermitteln. Mit einem Experiment versuchten die Wissenschaftler Benedetto, Caglioti und Loreto den Verwandtschaftsgrad verschiedener Sprachen herauszufinden. Zwei Sprachen, die aus der gleichen Familie stammen, haben nämlich eine geringere relative Entropie und sollten daher effizienter komprimiert werden können als ein Sprachenpaar, das nicht miteinander verwandt ist. Insgesamt untersuchten die Forscher 52 europäische Sprachen. Mit Hilfe des Zip Programms konnten sie die Zugehörigkeit der Sprachen zu den jeweils richtigen linguistischen Gruppen feststellen. Z.B besitzen Rätoromanisch und Italienisch wenig relative Entropie und sind somit verwandt. Dagegen haben Schwedisch und Kroatisch eine hohe relative Entropie und müssen somit verschiedenen Familien angehören. Winzip konnte sogar Maltesisch, Baskisch und Ungarisch als Sprachen identifizieren, die in keine der bekannten Familien passen. Der Erfolg ihrer Methode ließ bei die den Forschern die Hoffnung aufkommen, dass die Entropiemessung durch Zipping Software auch für anderen Datenfolgen wie z.b Aktienkurse anwendbar sein könnte. Aus: Neue Zürcher Zeitung