If you're seeing this message, it means we're having trouble loading external resources on our website.

웹 필터가 올바르게 작동하지 않으면 도메인 *. kastatic.org*.kasandbox.org이 차단되어 있는지 확인하세요.

주요 내용

정보 엔트로피

마지막으로 엔트로피의 양을 측정하는 방법을 알아봅시다. 만든 이: Brit Cruise

대화에 참여하고 싶으신가요?

영어를 잘 하시나요? 그렇다면, 이곳을 클릭하여 미국 칸아카데미에서 어떠한 토론이 진행되고 있는지 둘러 보세요.

동영상 대본

두 개의 기계를 상상해보세요 둘 다 메시지를 출력합니다 알파벳 A, B, C, D를 출력합니다 기계1은 각 기호를 무작위로 만들어냅니다 모두 25%의 확률로 발생합니다 반면에 기계2는 기호를 다음의 확률에 따라서 만들어 냅니다 어떤 기계가 더 많은 정보를 생산할까요? 클로드 섀넌은 이 문제를 바꾸어 묻습니다 만일 각 기계로부터 다음 기호를 예측해야만 한다면 최소로 질문해야할 Yes/No 문제의 질문 수는 몇 개가 될까요? 기계1을 봅시다 가장 효과적인 방법은 확률을 반으로 나누는 질문을 제기하는 것입니다 예를 들면 첫 질문은 A냐 B냐처럼 아무 두 기호인지 물을 수 있죠 A 또는 B가 될 확률이 50% 이니까요 그리고 C 나 D가 될 기회도 50% 고요 답을 얻은 후에는 우리는 확률의 반을 제거할 수 있습니다 그리고 나면 두 개의 기호가 남습니다 그래서 간단히 하나를 뽑습니다 이렇게 묻죠, A 입니까? 그리고 이 두 번째 질문 후엔 기호를 정확하게 판별할 수 있을 겁니다 기계 1의 불확실성은 기호 하나에 질문 두 개라고 볼 수 있습니다 기계 2는 어떨까요? 기계 1처럼 다음 기호를 파악하기 위한 질문 2개를 할 수 있습니다 하지만 이번에는 각 기호의 확률이 다릅니다 따라서 다르게 질문해야 합니다 여기 A는 50%의 발생 기회가 있습니다 그리고 A를 뺀 다른 나머지 알파벳들이 될 확률도 50% 입니다 A입니까? 질문으로 시작해보죠 A라면 하나의 질문으로 우리의 할 일은 다 끝난 것이고 그렇지 않다면 D이거나 B와 C인 두 개의 동일한 결과가 남습니다 D입니까 라고 질문합니다 맞다면 두개의 질문으로 끝난 것이고 그렇지 않다면 세 번째 질문을 해야만 합니다 마지막 두 기호가 무엇인지 알아내려면요 기계2에서 기호를 알아내려면 평균적으로 몇 번의 질문을 해야 할 거라고 생각하시나요? 이것은 비유를 통해 잘 설명할 수 있습니다 가정해 봅시다 기계1과 기계2를 만들고자 하는데 디스크를 동등하게 같은 방향으로 못에 튕겨서 우리는 기호를 만들어낼 수 있습니다 어디로 떨어지느냐를 토대로 기호를 만들어 낼 수 있죠 기계1에 우리는 2단계를 더할 필요가 있습니다 또는 2번 떨어지게 만들 필요가 있죠 그래서 두 번 튕기게 하는 겁니다 그것은 4개의 같은 확률의 결과물을 낳게 합니다 디스크가 어디에 떨어지느냐에 근거해서 A, B, C, 또는 D를 출력합니다 이제 기계2입니다 이 경우에는 첫 번째 바운스가 50%의 확률이 있는 A로 가거나 아니라면 두 번째 바운스로 갑니다 그리고 나서 25% 확률의 D를 출력하거나 3번째 바운스로 가게 되죠 그리고 나면 12.5 % 확률의 B나 C로 갑니다 이제 다음의 평균을 계산합니다 예상 바운스의 숫자는 기호A의 확률 곱하기 1바운스 더하기 B확률 곱하기 3바운스 더하기 C확률 곱하기 3바운스 더하기 D 확률 곱하기 2바운스입니다 그러면 1.75 바운스가 나옵니다 Yes/No 질문과 이 바운스와의 연관성을 주목해보세요 질문의 예상 수는 바운스의 예상 수와 같습니다 따라서 기계 1이 기호를 만드려면 2번의 바운스가 필요합니다 모르는 기호를 알아내기 위해서 2개의 질문이 필요하듯이 말이죠 기계2는 1.75 바운스가 요구됩니다 평균적으로 1.75개의 질문을 해야 합니다 이 뜻은 만일 우리가 이 두 기계를 이용해 100개의 기호를 알아내기 위해서는 기계1에게는 200개 질문을 기계2에게는 175개의 질문을 해야한다는 뜻입니다 기계2가 적은 정보를 만들어낸다는 뜻이죠 출력값에 대한 불확실성이나 예상외의 일이 적기 때문입니다 클라우드 섀넌은 이것을 평균적 불확실성의 측정 엔트로피 라고 부릅니다 그리고 그것을 나타내기 위해 철자 H를 사용합니다 섀넌이 선택한 엔트로피의 단위는 동전뒤집기의 불확실성에 근거하고 있습니다 이것을 비트 라고 부릅니다 그 비트는 공정한 바운스와 동등한 것입니다 우리의 바운스 유추를 이용하면 같은 결과에 도달하죠 엔트로피 H는 각 기호의 시그마 그 기호의 확률 곱하기 바운스의 수입니다 차이점은 어떻게 우리가 바운스의 숫자를 좀더 일반적인 방법으로 표현하는가입니다 봤듯이 바운스의 숫자는 얼마나 트리의 아래에 있는지에 달렸습니다 간단히 말하지면 바운스의 숫자가 한 레벨의 출력물의 로그와 같다고 말할 수 있습니다 한 레벨에서 나오는 출력물의 숫자는 또한 한 레벨에서 산출되는 숫자가 그 출력물의 확률로 나눠진 것과 같다는 확률에 근거하고 있죠 바운스의 숫자는 사실 그 기호의 확률 분의 일의 로그와 같습니다 최종 등식을 봅시다 엔트로피 H 는 시그마 그 기호의 확률 곱하기 기호의 확률 분의 일의 로그 입니다 섀넌은 이것을 살짝 다르게 씁니다 로그 안의 표현을 뒤집으므로써 음수를 더하게 됩니다 두 공식은 똑같은 결과를 낳습니다 요점정리를 해봅시다 엔트로피는 모든 결과물이 동등하게 나오는 최대치입니다 등확률 결과로부터 멀어지거나 예측가능성을 만들어낼 때 엔트로피는 떨어져야 합니다 근본적인 아이디어는 이겁니다 만일 정보의 엔트로피가 떨어진다면 그것은 결과물을 추측하기 위한 질문을 적게 해도 된다는 것을 뜻합니다 섀넌 덕분에 엔트로피의 단위인 비트는 정보의 정량적 측정 혹은 예상치못한 경우의 정량적 측정으로 채택되었습니다