Calculadora de entropia de Shannon
Cola uma distribuição de probabilidade e obtém a sua entropia de Shannon H = −Σ p·log p em bits — a informação média por resultado. Mostra também a entropia máxima possível (distribuição uniforme) e a redundância, quão abaixo desse máximo estás.
Ferramentas relacionadas
Todas as ferramentas: Matemática discreta e grafos →A Calculadora de entropia de Shannon transforma Probabilidades (somam 1) em Entropia (bits), Entropia máxima (bits), Redundância, ao instante e de graça. Por exemplo, com Probabilidades (somam 1) = 0.25, 0.25, 0.25, 0.25 devolve Entropia (bits) = 2, Entropia máxima (bits) = 2 e Redundância = 0%.
Como usar
- Introduza os seus valores: Probabilidades (somam 1).
- Veja o resultado ao instante: Entropia (bits), Entropia máxima (bits), Redundância.
Perguntas frequentes
Como funciona a Calculadora de entropia de Shannon?
Parte de Probabilidades (somam 1) para deduzir Entropia (bits), Entropia máxima (bits) e Redundância. O cálculo é feito à medida que escreves, por isso o resultado atualiza a cada alteração.
Que valores pede a calculadora?
Um único valor: Probabilidades (somam 1). Não é preciso mais nada — nem conta, nem carregar ficheiros.
Como é um cálculo típico?
Com Probabilidades (somam 1) = 0.25, 0.25, 0.25, 0.25, a calculadora devolve Entropia (bits) = 2, Entropia máxima (bits) = 2 e Redundância = 0%. Estes números vêm desta mesma ferramenta: introduz os mesmos valores para os reproduzires.
Quanto muda o resultado com outros valores?
Bastante. Com Probabilidades (somam 1) = 0.25, 0.26, 0.28, 0.29, Entropia (bits) passa de 2 para 1,998 — por isso vale a pena testar vários cenários em vez de confiar num só número.
O que dá com valores mais baixos?
Reduzido a Probabilidades (somam 1) = 0.25, 0.25, Entropia (bits) dá 1. Vale a pena verificar os dois extremos antes de confiar num único resultado.
Em que casos se usa na prática?
Tudo o que se modela como pontos e ligações: um caminho mais curto, a capacidade de uma rede, um escalonamento com dependências ou um circuito reduzido à sua lógica.
Qual é o erro mais comum?
Assumir que um caminho mais curto continua a ser o mais curto quando um peso muda de sinal. As arestas negativas quebram o argumento greedy em que Dijkstra se apoia, e o algoritmo devolve uma resposta errada com confiança em vez de um erro.
De onde vêm os dados e quão atuais são?
Os algoritmos são os dos manuais e os seus resultados exatos para o grafo introduzido. O que varia é o custo: vários destes problemas não têm solução eficiente conhecida, pelo que entradas grandes são resolvidas por heurística e a ferramenta indica-o.