Grundlagen der Statistischen NachrichtentheorieModulbeschreibung #40472 / Version 2
- 6 LP
- Schriftliche Prüfung
- Benotet
- Sommersemester
- Deutsch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v9)
| Modul / Version | #40472 / #2 |
|---|---|
| Gültigkeit | WS 2014/15 – SS 2015 |
| Verfügbare Sprache(n) | Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Sikora, Thomas |
| Benotung | Benotet |
| Prüfungsform | Schriftliche Prüfung |
| Lehrsprache(n) | Deutsch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Energie und Automatisierungstechnik |
| Fachgebiet | 34311900 FG Elektronische Systeme der Medizintechnik |
Kontakt
| Sekretariat | EN 3 |
|---|---|
| Ansprechpartner*in | Li, Na |
| E-Mail-Adresse | gnt@mtec.tu-berlin.de |
| Webseite | https://www.tu.berlin/mtec/studium-lehre/lehrveranstaltungen/grundlagen-der-statistischen-nachrichtentheorie |
Lernergebnisse
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.
Lehrinhalte
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.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Grundlagen der Statistischen Nachrichtentheorie | Vorlesung | 0432 L 278 | Sommersemester | – | 3 | WiSe 2026/27 (1) ISIS |
| Grundlagen der Statistischen Nachrichtentheorie | Übung | 0432 L 279 | Sommersemester | – | 2 | WiSe 2026/27 (1) ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (2)
Grundlagen der Statistischen Nachrichtentheorie (Vorlesung) 1
- Grundlagen der Statistischen Nachrichtentheorie (Vorlesung) Termingruppe 1 0432 L 278
Grundlagen der Statistischen Nachrichtentheorie (Übung) 1
- Grundlagen der Statistischen Nachrichtentheorie (Übung) Termingruppe 1 0432 L 279
Arbeitsaufwand und Leistungspunkte
Grundlagen der Statistischen Nachrichtentheorie (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 3 h | 45 h |
| Vor-/Nachbereitung | 15 | 3 h | 45 h |
| 90 h | |||
Grundlagen der Statistischen Nachrichtentheorie (Übung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
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.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Es sind Kenntnisse aus den Veranstaltungen Analysis I und Lineare Algebra erforderlich. Wünschenswert ist ein gleichzeitiger Besuch der Vorlesung Signale und Systeme.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Schriftliche Prüfung |
| Sprache | Deutsch |
Prüfungsbeschreibung (Abschluss des Moduls)
Vorlesung und Übung werden gemeinsam in einer neunzigminütigen schriftlichen Prüfung (SP) abgeprüft.
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Sommersemester.
Maximale teilnehmende Personen
Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.
Anmeldeformalitäten
Die Anmeldung erfolgt über das Prüfungsamt.
Literaturhinweise, Skripte
Skript in Papierform
verfügbar – Das Skript kann im Raum E-N 333 erworben werden.
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Dieses Modul findet in keinem Studiengang Verwendung.
Sonstiges
Keine Angabe