统计学基础（二）：信息熵、基尼系数

一、信息熵

• 百科：信息熵

• 衡量信息的不确定度；
• 

　1）理论提出

• 信息论之父 C. E. Shannon  指出：任何信息都存在冗余，冗余大小与信息中每个符号（数字、字母或单词）的出现概率或者说不确定性有关。

• Shannon 把信息中排除了冗余后的平均信息量称为“信息熵”。

• 通常，一个信源发送出什么符号是不确定的（不同的符号可以看做不同的样本类型），衡量它可以根据其出现的概率来度量。概率大，出现机会多，不确定性小；反之就大。

 

　2）基本内容

• 根据事件发生的概率 P，可得出发生该事件的不确定性： ；
• 不同事件的不确定性可以相加：f(P1, P2)  =  f(P1) +  f(P2)；
• 一个数据集的不确定性：f(P1, P2, ... , Pk) = f(P1) + ... + f(Pk) = H

• 在信源中，考虑的不是某一单个符号发生的不确定性，而是要考虑这个信源所有可能发生情况的平均不确定性。若信源符号有n种取值：U1…Ui…Un，对应概率为：P1…Pi…Pn，且各种符号的出现彼此独立。这时，信源的平均不确定性应当为单个符号不确定性-logPi的统计平均值（E），可称为信息熵，即  ，式中对数一般取2为底，单位为比特。但是，也可以取其它对数底，采用其它相应的单位，它们间可用换底公式换算。

二、基尼系数

• 百科：基尼系数
• 多用于经济学中，分析国家贫富差距；
• 基尼系数是指国际上通用的、用以衡量一个国家或地区居民收入差距的常用指标。基尼系数介于0-1之间，基尼系数越大，表示不平等程度越高；
• 有赫希曼提出，而不是基尼；

　1）通用算法

• 赫希曼根据洛伦茨曲线提出的判断分配平等程度的指标。设实际收入分配曲线和收入分配绝对平等曲线之间的面积为A，实际收入分配曲线右下方的面积为B。并以A除以（A+B）的商表示不平等程度；

1. 如果A为零，基尼系数为零，表示收入分配完全平等；
2. 如果B为零则系数为1，收入分配绝对不平等。
3. 收入分配越是趋向平等，洛伦茨曲线的弧度越小，基尼系数也越小，反之，收入分配越是趋向不平等，洛伦茨曲线的弧度越大，那么基尼系数也越大。

•