https://edu.iit.uni-miskolc.hu/ 2026-04-29T09:46:53+00:00 https://edu.iit.uni-miskolc.hu/ https://edu.iit.uni-miskolc.hu/_media/wiki:logo.png text/html 2024-11-12T12:25:53+00:00 Anonymous (anonymous@undisclosed.example.com) https://edu.iit.uni-miskolc.hu/tanszek:oktatas:infrendalapjai_architekturak:informacio_feldolgozas:entropia?rev=1731414353&do=diff Entrópia Ha az eseménytér eseményei nem egyformán valószínűek, akkor a hírkészlet jól jellemezhető a hírek átlagos információ tartalmával. A hírkészlet átlagos információtartalmát a hírkészlet entrópiájának nevezik. $$ H_E = \sum\limits_{i=1}^n p_i \cdot I_{E_i} = \sum\limits_{i=1}^n p_i \cdot log_2 \frac{1}{p_i} = - \sum\limits_{i=1}^n p_i \cdot log_2 \cdot p_i \ \ [bit]$$ . \( E = \{E_1, E_2 \} \)\( p = \{ p_1, p_2\} \)\( p_2 = 1- p_1 \)$$ H_E = - [ p_1 \cdot log p_1 + (1 - p_1) \cdot log … text/html 2024-11-15T17:43:11+00:00 Anonymous (anonymous@undisclosed.example.com) https://edu.iit.uni-miskolc.hu/tanszek:oktatas:infrendalapjai_architekturak:informacio_feldolgozas:informacio?rev=1731692591&do=diff Információ A tapasztalat szerint a hírek információ tartalma várható valószínűségüktől függ. $$ I_{E_i} = f(P_i) , $$ ahol, \( I_{E_i} : E_i \) eseményről szóló hír információtartalma. Ebben a megközelítésben, minél váratlanabb, valószínűtlenebb egy hír, annál nagyobb az információtartalma. Ezért \( f \)$$ I_E = log_2 \frac{1}{p_E} = - log_2 \, p_E \,\, [bit].$$\( P(E_1) = p(E_2) = 0.5 \)$$ I_{E_1} = I_{E_2} = log_2 \frac{1}{0.5} = log_2 \, 2 = 1 \,\, [bit]. $$\( p_E = \frac{1}{n} \)$$ I_E =… text/html 2025-10-03T12:27:33+00:00 Anonymous (anonymous@undisclosed.example.com) https://edu.iit.uni-miskolc.hu/tanszek:oktatas:infrendalapjai_architekturak:informacio_feldolgozas:karakter_kodolas?rev=1759494453&do=diff Karakter kódolás A betűkarakterek egységes kódjának létrehozása a műszaki kommunikáció nagy eredménye. Kezdetben az Amerikai Szabványhivatal egy 7 bites kódot szabványosított ASCII (American Standard Code for Information Interchange) néven. Ez a kód az angol ABC 26 nagy és kisbetűjét, a számjegyeket, írásjeleket, és az un. vezérlő karaktereket tartalmaz. Ez utóbbiak az írás formátumának vezérlésére és az egyes alkalmazások vezérlésére szolgáltak. A betűkarakterek kódját később ki kellett bővíte… text/html 2024-11-12T12:37:01+00:00 Anonymous (anonymous@undisclosed.example.com) https://edu.iit.uni-miskolc.hu/tanszek:oktatas:infrendalapjai_architekturak:informacio_feldolgozas:kod?rev=1731415021&do=diff Kód Az események hírekre való leképzését, kódolásnak nevezzük. A híreket információ tárolókba rögzítik. Az információtárolóban rögzített hír maga is egy eseményrendszer. A kódolás egy hír átalakítása, két eseményrendszer kölcsönös és egyértelmű megfeleltetése alapján.\( N = 2^n \)\( N = m^n \) text/html 2024-11-12T19:55:28+00:00 Anonymous (anonymous@undisclosed.example.com) https://edu.iit.uni-miskolc.hu/tanszek:oktatas:infrendalapjai_architekturak:informacio_feldolgozas:multimedia_toemoerites?rev=1731441328&do=diff Multimédia tömörítési módszerek Jellemzően tömörítetlen formában a multimédia adatok igen nagy tárterületet igényelnek. A multimédia tömörítési eljárások általában a veszteséges eljárások csoportjába tartoznak, azaz nem állítják vissza az eredeti adatot, hanem úgy csalnak, hogy az emberi érzékszervek ne érzékeljék. text/html 2024-11-12T12:29:03+00:00 Anonymous (anonymous@undisclosed.example.com) https://edu.iit.uni-miskolc.hu/tanszek:oktatas:infrendalapjai_architekturak:informacio_feldolgozas:redundancia?rev=1731414543&do=diff Redundancia Az egyenlő valószínűségű, teljesen rendezetlen eseményhalmazról szóló hírkészlet átlagos információtartalma a legnagyobb. A teljesen rendezett, azaz előre ismert eseményhalmazról szóló hírkészlet átlagos információtartalma a legkisebb.$$ R = \frac{H_{max} -H}{H_{max}} = 1- \frac{H}{H_{max}} $$$$ H_{max} = log_2 n \, \,{és}\,\, R = 1- \frac{H(p_1, ... , p_n)}{log_2 n}$$$$ H_{max} = log_2 n = log_2 4 = 2 $$$$ R = 1- \frac{H}{H_{max}}=1-\frac{1.68}{2} = 0.16 $$… text/html 2024-11-15T17:32:01+00:00 Anonymous (anonymous@undisclosed.example.com) https://edu.iit.uni-miskolc.hu/tanszek:oktatas:infrendalapjai_architekturak:informacio_feldolgozas:statisztikus_tulajdonsagok?rev=1731691921&do=diff Statisztikus tulajdonságok Kísérletek kimenetele, megfigyelések eredménye, rendszerek állapota, eseményteret alkot, amelyben véges vagy végtelen számosságú elemi esemény következhet be. A bekövetkezett események halmazokat alkotnak. Mivel az események \(E\)\(k\)\(E_i\)\(k_i\)\(g_i\)\(g_i = \frac{k_i}{k}\)\(E_i\)\(k_i\)\(k\)\( E_i \)\( \lim \limits_{k \to \infty} g_i = \frac {k_i}{k} = p(E_i) , \)\(k_i = k \)\( p(E) = 1 \)\(k_i = 0 \)\( p(E) = 0 \)\( E \)\(p(E)\)$$ \sum\limits_{i=1}^n p(E_i) = 1… text/html 2024-11-15T18:01:39+00:00 Anonymous (anonymous@undisclosed.example.com) https://edu.iit.uni-miskolc.hu/tanszek:oktatas:infrendalapjai_architekturak:informacio_feldolgozas:toemoerites?rev=1731693699&do=diff Adattömörítő eljárások A tömörítő eljárások lényege: olyan változó szóhosszúságú kódot választunk, hogy a sokszor előforduló szimbólumokhoz rövidebb, míg a ritkábbakhoz hosszabb kódot rendelünk. Shannon-Fano eljárás $$ H = - (\frac{2}{4}log\frac{1}{4} + \frac{2}{8} log \frac{1}{8} + \frac{4}{16} log \frac{1}{16}) = 2.75 \,\, [bit]$$