Inégalité de Gibbs

En théorie de l'information, l'inégalité de Gibbs, nommée en l'honneur de Willard Gibbs, porte sur l'entropie d'une distribution de probabilités. Elle sert à prouver de nombreux résultats en théorie de l'information.

Enoncé[modifier | modifier le code]

Soient deux distributions de probabilités $P=\{p_{1},p_{2},...p_{n}\}$ et $Q=\{q_{1},q_{2},...,q_{n}\}$ , alors

-\sum _{i=1}^{n}p_{i}\log(p_{i})\leq -\sum _{i=1}^{n}p_{i}\log(q_{i})

.

Le cas d'égalité se produit si et seulement si $p_{i}=q_{i}$ pour tout $i$ .

Démonstration[modifier | modifier le code]

D'après l'inégalité de Jensen, puisque le logarithme est concave,

\sum _{i=0}^{n}p_{i}\log \left({\frac {q_{i}}{p_{i}}}\right)\leq \log \left(\sum _{i=0}^{n}p_{i}{\frac {q_{i}}{p_{i}}}\right)=\log(1)=0

.

Cela équivaut à

-\sum _{i=0}^{n}p_{i}\log(p_{i})\leq -\sum _{i=0}^{n}p_{i}\log(q_{i})

et montre donc l'inégalité.

Comme le logarithme n'est pas linéaire, le cas d'égalité dans l'inégalité de Jensen, et à fortiori dans la première inégalité ci-dessus, est réalisé si et seulement si tous les $p_{i}/q_{i}$ sont égaux, ce qui équivaut au fait que $p_{i}=q_{i}$ pour tout $i$ car ce sont des distributions de probabilités.