Fundamentals of Statistical Signal TheoryModule description #40472 / Version 2
- 6 CP
- Written exam
- Graded
- Summer semester
- German
This module description is not valid in the current semester (Winter semester 2026/27).
Current version (v9)
| Module / Version | #40472 / #2 |
|---|---|
| Validity | WS 2014/15 – SS 2015 |
| Available language(s) | German |
| Credit points | 6 |
| Person responsible for the module | Sikora, Thomas |
| Grading | Graded |
| Exam format | Written exam |
| Language(s) of instruction | German |
Affiliation
| Faculty | Fakultät IV |
|---|---|
| Institute | Institut für Energie und Automatisierungstechnik |
| Academic chair | 34311900 FG Elektronische Systeme der Medizintechnik |
Contact
| Office | EN 3 |
|---|---|
| Contact person | Li, Na |
| E-mail address | gnt@mtec.tu-berlin.de |
| Website | https://www.tu.berlin/mtec/studium-lehre/lehrveranstaltungen/grundlagen-der-statistischen-nachrichtentheorie |
Learning outcomes
Die Studierenden sind in der Lage stochastische Signale und deren Filterung/Übertragung durch dynamische Systeme mit Hilfe statistischer Werkzeuge zu untersuchen und zu bewerten. Sie verfügen über Grundlagen aus der Statistik und der Stochastik und können mit deren Hilfe Zufallsvorgänge und Zufallsgrößen aus der Nachrichtentechnik/Messtechnik/Regelungstechnik beschreiben. Die Studierenden können weiterhin Systeme entwerfen, die z.B. ein optimale Rauschunterdrückung oder die Vorhersage von Signalen ermöglichen.
Content
Die Vorlesung beschäftigt sich mit der Beschreibung und Bewertung von stochastischen Signalen
(Nutzsignale und Rauschen) und deren Übertragung/Filterung in linearen Systemen. Neben der Beschreibung von Signalen steht insbesondere auch der Entwurf von Systemen im Vordergrund, die
eine optimale Übertragung/Prädiktion von Signalen und eine optimale Reduktion von Rauschen ermöglichen. Obwohl sich die Vorlesung an Fragestellungen der Nachrichtentechnik orientiert, ist die
zugrundeliegende Theorie und Praxis der stochastischen Signale und Systeme auch von großer
praktischer Bedeutung in vielen Gebieten der Elektrotechnik und Informatik, insbesondere in der
Mess- und Regelungstechnik.
Im Rahmen der Vorlesung werden zunächst Grundlagen der Wahrscheinlichkeitsrechnung erarbeitet.
Diskrete und kontinuierliche Zufallsvariablen, mehrdimensionale und bedingte Dichtefunktionen
und Erwartungswerte werden eingeführt bzw. wiederholt. Die für die Nachrichtentechnik wichtigen
Begriffe der Information und Entropie werden definiert und der Informationsgehalt von digitalen
Nachrichtenquellen anhand einfacher Markov-Signalmodelle beschrieben.
Im zweiten Teil der Vorlesung steht die Beschreibung von wertkontinuierlichen Signalen durch ergodische stochastische Prozesse im Vordergrund. Korrelationseigenschaften von Signalen werden
anhand von Auto- und Kreuzorrelationsfolgen bzw. der entsprechenden Leistungsdichtespektren
beschrieben. Die Übertragung/Filterung stochastischer Signale durch lineare zeitinvariante Systeme
wird im Zeit- und im Frequenzbereich untersucht. Darauf aufbauend wird das Wiener-Optimalfilter
auf der Basis des Orthogonalitätsprinzipes hergeleitet und für die optimale Prädiktion und Filterung/
Rauschreduktion genutzt. Abschließend werden typische AR/MA/ARMA-Signalmodelle eingeführt
und u.A. für die Schätzung von Leistungsdichtespektren genutzt.
(Nutzsignale und Rauschen) und deren Übertragung/Filterung in linearen Systemen. Neben der Beschreibung von Signalen steht insbesondere auch der Entwurf von Systemen im Vordergrund, die
eine optimale Übertragung/Prädiktion von Signalen und eine optimale Reduktion von Rauschen ermöglichen. Obwohl sich die Vorlesung an Fragestellungen der Nachrichtentechnik orientiert, ist die
zugrundeliegende Theorie und Praxis der stochastischen Signale und Systeme auch von großer
praktischer Bedeutung in vielen Gebieten der Elektrotechnik und Informatik, insbesondere in der
Mess- und Regelungstechnik.
Im Rahmen der Vorlesung werden zunächst Grundlagen der Wahrscheinlichkeitsrechnung erarbeitet.
Diskrete und kontinuierliche Zufallsvariablen, mehrdimensionale und bedingte Dichtefunktionen
und Erwartungswerte werden eingeführt bzw. wiederholt. Die für die Nachrichtentechnik wichtigen
Begriffe der Information und Entropie werden definiert und der Informationsgehalt von digitalen
Nachrichtenquellen anhand einfacher Markov-Signalmodelle beschrieben.
Im zweiten Teil der Vorlesung steht die Beschreibung von wertkontinuierlichen Signalen durch ergodische stochastische Prozesse im Vordergrund. Korrelationseigenschaften von Signalen werden
anhand von Auto- und Kreuzorrelationsfolgen bzw. der entsprechenden Leistungsdichtespektren
beschrieben. Die Übertragung/Filterung stochastischer Signale durch lineare zeitinvariante Systeme
wird im Zeit- und im Frequenzbereich untersucht. Darauf aufbauend wird das Wiener-Optimalfilter
auf der Basis des Orthogonalitätsprinzipes hergeleitet und für die optimale Prädiktion und Filterung/
Rauschreduktion genutzt. Abschließend werden typische AR/MA/ARMA-Signalmodelle eingeführt
und u.A. für die Schätzung von Leistungsdichtespektren genutzt.
Module components
Compulsory area
The following courses are mandatory for this module:
| Courses | Type | Number | Frequency | Language | Hours per week | Course catalog |
|---|---|---|---|---|---|---|
| Grundlagen der Statistischen Nachrichtentheorie | Lecture | 0432 L 278 | Summer semester | – | 3 | WS 2026/27 (1) ISIS |
| Grundlagen der Statistischen Nachrichtentheorie | Exercise | 0432 L 279 | Summer semester | – | 2 | WS 2026/27 (1) ISIS |
Courses in the course catalog
Courses created from the teaching units of this module.
Winter semester 2026/27 (2)
Grundlagen der Statistischen Nachrichtentheorie (Lecture) 1
- Grundlagen der Statistischen Nachrichtentheorie (Vorlesung) Termingruppe 1 0432 L 278
Grundlagen der Statistischen Nachrichtentheorie (Exercise) 1
- Grundlagen der Statistischen Nachrichtentheorie (Übung) Termingruppe 1 0432 L 279
Workload and credit points
Grundlagen der Statistischen Nachrichtentheorie (Lecture)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 3 h | 45 h |
| Vor-/Nachbereitung | 15 | 3 h | 45 h |
| 90 h | |||
Grundlagen der Statistischen Nachrichtentheorie (Exercise)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
The workload of the module adds up to 180 hours. The module therefore comprises 6 credit points.
Description of teaching and learning methods
In den jeweils 2-stündigen Vorlesungen wird das vom Dozenten zusammengestellte Wissen vorgestellt, diskutiert und mit Beispielen erläutert. Die Vorlesungen finden im wöchentlichen Rhythmus
statt. In der begleitenden Rechenübung werden die Inhalte der Vorlesung anhand von Rechenbeispielen vertieft.
statt. In der begleitenden Rechenübung werden die Inhalte der Vorlesung anhand von Rechenbeispielen vertieft.
Requirements for participation and examination
Desirable prerequisites for participation in the courses:
Es sind Kenntnisse aus den Veranstaltungen Analysis I und Lineare Algebra erforderlich. Wünschenswert ist ein gleichzeitiger Besuch der Vorlesung Signale und Systeme.
Mandatory requirements for the module examination registration:
This module has no examination requirements.
Completion of the module
| Grading | Graded |
|---|---|
| Exam format | Written exam |
| Language | German |
Exam description
Vorlesung und Übung werden gemeinsam in einer neunzigminütigen schriftlichen Prüfung (SP) abgeprüft.
Duration of the module
The following number of semesters is estimated for taking and completing the module: 1 semester(s).
This module can be started in the following semesters: Summer semester.
Maximum number of participants
This module is not limited to a number of students.
Registration procedures
Die Anmeldung erfolgt über das Prüfungsamt.
Recommended reading, lecture notes
Lecture notes
available – Das Skript kann im Raum E-N 333 erworben werden.
Electronic lecture notes
unavailable
Recommended literature
No recommended literature given
Assigned programs
This module is not used in any program.
Miscellaneous
Not specified