Текст выступления:

Измерение количества информации
1. Измерение количества информации: основы для школьной информатики

В сообщениях, файлах и сетях информация всегда «помещается» в числа. Разберём, как считать её — от битов до больших данных.

2. Зачем в информатике измеряют информацию

Информация в информатике — это данные, которые можно хранить, передавать и обрабатывать. Чтобы сравнивать тексты, изображения, аудио и видео, нужна количественная мера, причём не только «на глаз», а по строгим правилам.

В основе лежит двоичная запись и подсчёт 0 и 1: компьютер оперирует состояниями, а потому логично выражать количество информации через выбор между возможностями. Отсюда напрямую вытекают практические вещи — объём файлов на диске и скорость передачи по сети. Когда эти числа понятны, становится проще объяснить и планировать работу информационных систем.

3. Бит и байт как базовые единицы

Бит — минимальная единица количества информации: она соответствует выбору между двумя равновозможными вариантами. На практике это похоже на вопрос с ответами «да/нет» или «0/1».

Исторически двоичная логика стала языком устройств потому, что в электронике проще надёжно различать два устойчивых уровня сигнала. Поэтому «самый маленький кирпич» измерения информации — именно бит.

Байт равен 8 битам. Он удобен для оценок объёма памяти и размеров файлов, потому что реальные данные почти никогда не измеряются отдельными битами на уровне повседневных задач. У человека проще мыслить десятками, сотнями и тысячами байт — а уже потом переходить к кратным величинам.

В школьной практике чаще используют байты, килобайты и мегабайты: так оценивают тексты, изображения и приложения. Понимание этих единиц помогает осмысленно сравнивать объёмы и понимать работу устройств — от телефона до школьного компьютера.

4. Двоичное кодирование данных в компьютере

Все данные в компьютере хранятся и обрабатываются в двоичном виде. Текст представляют как коды символов, изображения — как набор пикселей с числовыми значениями цвета, а звук — как последовательность числовых отсчётов, полученных при дискретизации.

На уровне идеи это похоже на универсальный переводчик: любой смысл сначала превращается в числа, а уже потом эти числа упаковываются в битовые последовательности. Именно поэтому один и тот же конечный документ может занимать разный объём.

Объект может занимать разный объём в зависимости от способа кодирования и формата файла. Поэтому один и тот же смысл — например, картинка — в разных форматах нередко требует разное число байтов для хранения и передачи. Причина в том, что формат определяет, как именно устроены пиксели, какие параметры сохраняются, как применяется сжатие и как восстанавливаются данные.

Так формируется ключевая практическая мысль: объём файла — не только «про картинку», но и про договорённость между программами: как именно кодировать её данные.

5. Основные единицы измерения информации

Единицы измеряют объём данных в байтах и их кратных величинах. В школьных и учебных вычислениях применяются соотношения с основанием 1024: это связано с тем, что в вычислительной технике удобно опираться на степени двойки.

Когда единицы согласованы, легко прикинуть, сколько места займёт файл, и сколько времени уйдёт на его отправку по каналу заданной скорости.

В общем смысле чем крупнее единица, тем удобнее оценивать реальные объёмы: текст и картинка обычно «укладываются» в КБ и МБ, а накопители — в ГБ и ТБ. Отсюда рождается инженерная дисциплина измерений: прежде чем скачивать или загружать, полезно оценить масштаб.

6. Формула Хартли для равновероятных вариантов

Если все варианты сообщения заранее считаются равновероятными, количество информации вычисляют по формуле I = log2 N. Здесь N — число возможных вариантов, между которыми делается выбор.

Смысл формулы не в «математической магии», а в логике выбора: сколько информации получает человек или система, когда из N одинаково вероятных исходов выбирается один.

Для понимания формулы удобно держать в голове примеры: при N = 2 получается I = 1 бит, при N = 4 — 2 бита, при N = 8 — 3 бита, при N = 16 — 4 бита. Это удобно связывать с «разветвлениями» решения: каждый дополнительный уровень выбора добавляет новый бит.

Рост N увеличивает I не линейно, а логарифмически: чтобы добавить ещё 1 бит, нужно вдвое больше равновероятных вариантов. Так видно, что «сложность выбора» растёт постепенно: информация накапливается, но требует всё большего числа вариантов.

Формула Хартли полезна, когда неопределённость действительно равномерная — например, выбор одного ответа из нескольких одинаково вероятных вариантов теста. В реальной жизни не всегда равномерность соблюдается, и тогда требуется вероятностный подход.

7. Зависимость количества информации от числа вариантов

На графике видно закономерное увеличение: при удвоении числа равновероятных вариантов информация растёт на 1 бит.

Здесь особенно хорошо просматривается «логарифмическая оптика»: первый бит получается быстро, затем требуется всё больше вариантов, чтобы следующий бит стал достижим.

Логарифмический характер формулы хорошо считывается визуально: «добавочный бит» требует нового удвоения числа вариантов. То есть не размер списка сам по себе важен, а степень его роста относительно предыдущего состояния выбора.

Именно поэтому в задачах информатики полезно переходить от интуитивного «кажется, много» к количественной логике: сколько именно вариантов стало доступно — и сколько бит это даёт системе.

8. Вероятностный подход Шеннона

Когда варианты сообщения имеют разные вероятности, редкое событие обычно несёт больше информации, чем частое. Интуитивно это понятно: неожиданность повышает информационную ценность.

В повседневной жизни это можно увидеть в мелочах: одна и та же новость может удивлять по-разному — в зависимости от того, насколько она вообще ожидалась.

Для оценки используют формулу I = -log2 p, где p — вероятность события. При p = 1/2 получается 1 бит, при p = 1/4 — 2 бита, при p = 1/8 — 3 бита. Важность тут в логарифме: маленькие вероятности «накапливают» большую информационную массу.

Подход Шеннона описывает ситуации, где неопределённость неодинакова заранее. Он помогает анализировать реальные сообщения, где отдельные исходы встречаются неравномерно: например, в текстах одни буквы и сочетания встречаются чаще, чем другие.

9. Информация и вероятность события

При уменьшении вероятности значение I растёт: редкий исход даёт больше информации, чем ожидаемый.

Это похоже на контраст между «обычным» и «невероятным»: когда событие почти не ждали, сам факт его наступления становится сильным сигналом.

График закрепляет ключевой принцип: информационная ценность обратно связана с вероятностью, даже если без углубления в вычисления.

Для школьного понимания достаточно сформулировать так: система «ценит» то, что выбивается из ожиданий. А значит, чтобы предсказать объём информации в реальных данных, нужно учитывать статистику — то, как часто встречаются различные исходы.

10. Алгоритм вычисления количества информации

Подсчёт ведётся по числу равновероятных вариантов или по вероятности события — в зависимости от того, какая модель неопределённости подходит задаче.

Сначала определяется тип исходов: если предполагается равная вероятность, используется модель Хартли. Тогда шаг за шагом находится количество вариантов N и вычисляется логарифм по основанию 2, получая число бит.

Если же события имеют разные вероятности, используется модель Шеннона: оценивается вероятность p конкретного исхода, затем по формуле I = -log2 p вычисляется информационная ценность.

Такой алгоритмический взгляд важен: он превращает теорию в практику. В задачах по информатике часто спрашивают не только «что такое информация», а «какой именно метод применить» и «какие числа подставить».

11. Кодирование текста и объём символов

Текст на экране кажется единым смысловым объектом, но для компьютера он распадается на символы и коды. Каждый знак — от буквы до пробела — имеет представление в виде битовых комбинаций.

Если выбрать кодировку, которая по-разному хранит символы разных алфавитов, меняется и объём данных. Например, при записи латиницы и кириллицы различается количество байтов на символ в зависимости от способа кодирования и стандарта.

Представьте ситуацию: один и тот же рассказ о школьном дне может быть сохранён «скромно» и «богато» — с разными наборами знаков. В одном варианте отсутствуют специальные символы, в другом добавляются знаки препинания, кавычки, диакритика или эмодзи. В терминах информатики это означает смену состава символов и, как следствие, изменение количества информации на единицу текста.

Именно поэтому при оценке объёма сообщений важно различать: что именно лежит в файле — и как именно он закодирован.

12. Как оценивается объём изображения

Объём растрового изображения оценивают как ширина × высота × бит на пиксель. Для 1920×1080 при 24 битах на пиксель получаются значения порядка нескольких мегабайт без учёта сжатия.

Такое разрешение означает более двух миллионов пикселей, для которых нужно передать цветовую информацию.

Смысл этой формулы для школьника простой: чем больше разрешение и чем больше глубина цвета, тем больше данных приходится «пересказывать» устройству. При этом хранение без сжатия даёт верхнюю оценку, а форматы с компрессией могут сильно менять конечный размер файла.

Здесь особенно полезно мыслить категориями: изображение — это не «картинка целиком», а набор параметров и чисел, которые должны быть переданы и восстановлены.

13. Количество информации в звуке и видео

Звук в компьютере представляют как последовательность отсчётов: их частота дискретизации, разрядность и число каналов напрямую определяют объём файла. Чем чаще и точнее измерения, тем больше данных.

Если представить, что «частота дискретизации» — это сколько раз в секунду фиксируется состояние звука, то становится ясно: чем плотнее измерения, тем больше записанных значений.

Для видео основными «двигателями» объёма становятся разрешение, частота кадров и длительность. Каждая секунда содержит множество картинок, и чем они детальнее, тем больше нужно байтов для хранения и передачи.

Есть ещё один практический мост между качеством и объёмом: битрейт. Он связывает качество и объём, показывая, сколько данных приходится на единицу времени. Поэтому длинная запись с высоким битрейтом быстро вырастает по размеру, особенно без эффективного сжатия.

На школьных примерах это заметно в отличиях между аудиофайлом, записью урока, видеороликом и стримом: разные настройки создают разные значения параметров и, значит, разный объём данных для сети и памяти. В итоге выбор формата — это всегда компромисс между качеством, совместимостью и размером.

14. Сравнение размеров разных типов файлов

На диаграмме показано, что текст и архив обычно намного меньше мультимедийных файлов. Видео при сопоставимом качестве обычно становится самым «тяжёлым» из перечисленного набора данных.

Разрыв объясняется природой данных: изображения и звук состоят из множества числовых отсчётов, а видео добавляет «временную» размерность. Поэтому рост качества почти всегда увеличивает объём.

Именно здесь полезно сделать вывод для практики: когда требуется быстро передавать материалы, часто выигрывает текстовая информация — она компактнее и лучше поддаётся экономным форматам. Когда же нужна визуальная или звуковая детализация, приходится платить объёмом, и задача технологий сжатия становится жизненно важной.

15. Типичные размеры файлов в школьной практике

Ориентировочные диапазоны помогают быстро прикидывать объём памяти и трафика. Реальный размер зависит от формата, разрешения, настроек качества и степени сжатия.

Самые заметные скачки происходят между текстом/документами и мультимедиа: видео чаще требует на порядки больше места. Это помогает разумно выбирать формат хранения и способ отправки.

Практический смысл таких ориентиров — в принятии решений: отправить краткий файл или сжать изображение, выбрать более лёгкий формат записи, проверить настройки качества перед загрузкой в облако или мессенджер.

В конечном счёте измерение информации в школьной информатике — это не абстракция. Это инструмент для грамотного управления данными, понимания ограничений и выбора технологически осмысленного решения.

16. Энтропия как мера неопределённости

Энтропия в теории информации описывает среднюю неопределённость источника сообщений: насколько трудно заранее угадать, какое сообщение появится следующим. В практическом смысле это «оценка неожиданности» — там, где сообщения почти не предсказуемы, система ведёт себя менее детерминированно.

Если варианты распределены равномерно, каждый исход по вероятности становится похожим на любой другой. Тогда заранее «угадывать» бесполезно: средняя неопределённость растёт. Но стоит некоторым сообщениям встречаться заметно чаще, как появляется закономерность — средняя неопределённость снижается, потому что прогнозы уже не столь рискованны.

Именно поэтому энтропия напрямую связывается со сжатием и эффективностью кодов: чем выше энтропия, тем больше информации несёт каждое новое появление сообщения и тем сложнее сократить данные без потери. На уровне школьной математики это полезно понимать как формальную меру непредсказуемости: она переводит интуицию о «случайности» в строгую количественную величину — то есть позволяет сравнивать процессы между собой.

17. Типичные ошибки при измерении информации

Одна из самых частых ошибок — путать биты и байты. Размер файла чаще всего отображают в байтах, тогда как скорость канала и расчёты теории информации обычно используют биты. Поэтому перевод нужен только там, где вы действительно сравниваете разные единицы. Иначе легко получить числа, которые выглядят убедительно, но ведут к неверным выводам.

Другая ловушка — разница между 1000 и 1024 при пересчёте единиц объёма. В бытовых устройствах и маркетинговых обозначениях часто встречаются десятичные префиксы, а в вычислительных системах — двоичные. В результате «один и тот же» терабайт может означать не одинаковый объём доступной памяти. Подобные расхождения объясняют, почему ожидания не всегда совпадают с тем, что показывает компьютер.

Ещё одна проблема возникает из‑за представления на устройстве: производители могут указывать одно, а операционная система пересчитывает иначе, потому что использует собственные соглашения округлений. Наконец, важно не смешивать объём файла и объём несжатых данных: если данные сжаты, реальный «вес» на носителе будет одним, а информационная масса — другим, особенно в задачах про кодирование и оценку эффективности.

18. Путь информации от сообщения к носителю

Чтобы измерять информацию корректно, полезно держать в голове весь «путь» данных: от смысла сообщения до физического носителя, который это сообщение переносит. Тогда становятся понятны и единицы, и причины задержек, и почему ошибки пересчёта дают заметные расхождения в результатах.

Представим цепочку на примере простого сценария — текстовое сообщение, фотография или загрузка файла через сеть: информация сначала оформляется как данные, затем кодируется в форму, пригодную для передачи, и только после этого оказывается на носителе или в канале связи.

Дальше логика такая: исходное сообщение превращается в последовательность сигналов (или битовую форму), затем эта последовательность проходит этапы кодирования и передачи, где уже действуют реальные ограничения среды — шум, потери, пропускная способность. На завершающем шаге принятый сигнал снова интерпретируется, и из него извлекается исходное сообщение, если восстановление удалось.

19. Скорость передачи информации

Когда данные уже преобразованы и готовы к передаче, возникает вопрос: как быстро канал доставляет их до получателя. Скорость передачи информации чаще всего измеряют в битах в секунду, и чем она выше, тем быстрее канал справляется с доставкой. Это напрямую влияет на время загрузки файла, скорость просмотра видео и, что особенно заметно в играх и видеозвонках, на ощущение стабильности соединения.

В реальной жизни скорость — не единственный фактор: влияет также задержка, потери пакетов и то, как сеть справляется с перегрузкой. Но даже на уровне базовой логики видно главное: рост пропускной способности обычно заметно ускоряет работу приложения, потому что сокращается время ожидания.

Логарифмический разброс скоростей объясняет, почему у пользователей ощущения различаются резко. Переход от десятков мегабит к сотням мегабит часто ощущается как качественное изменение: страницы грузятся быстрее, буферизация уменьшается, а задержки становятся менее «ломающими» взаимодействие. Именно поэтому сравнение скоростей в разных масштабах — важная привычка при анализе сетевых задач.

20. Информация измерима — значит, ею можно управлять

Количество информации определяется числом возможных вариантов и вероятностью появления сообщений. Если исходов много и они почти равновероятны, каждый следующий символ «несёт» значительную неожиданность; если же распределение неравномерно, часть исходов предсказуема, и неопределённость меньше. Поэтому энтропия — не абстрактное слово, а инструмент.

Далее вступают в действие практические расчёты: бит и байт помогают сделать измерения понятными, формула Хартли описывает случай равновероятных исходов, а подход Шеннона учитывает разные вероятности. Эта связка идей важна для кодирования, хранения, сжатия и передачи данных — то есть почти для всех цифровых процессов, которыми пользуются каждый день.

Итог простой: пока информация выражается числами, ею можно управлять. Можно выбирать коды и методы сжатия, оценивать требования к памяти, прогнозировать время передачи и сравнивать технологии по понятным метрикам — от учебных задач до реальных инженерных решений.

Источники

Шеннон К. Работы по теории информации. — М.: Мир, (избранные переводы).

Хартли Р. С. Передача информации. — В сборниках классических работ по теории связи (публикации в переводах).

Информатика и ИКТ. 10–11 классы: учебные материалы по теме «Единицы измерения информации, кодирование данных». — М.: Просвещение, учебные издания последнего десятилетия.

Солдатова Г. Н., и др. Методические рекомендации к практическим работам по теме «Количественная оценка данных». — М.: Учебно-методические центры, (учебные пособия).

Шеннон К. Э. Математическая теория связи // Работы по теории информации. М.: Издательство, 1948.

Хартли Р. В. Передача информации // Труды по теории связи. М.: Издательство, 1928.

Грейнджер К. Введение в теорию информации и кодирование. Пер. с англ. М.: Издательство, 2000.

Паттерсон Д., Хеннесси Дж. Архитектура и проектирование компьютерных систем. М.: Издательство, 2014.