Grundlagen der Statistischen NachrichtentheorieModulbeschreibung #40472 / Version 6
- 6 LP
- Schriftliche Prüfung
- Benotet
- Winter- und Sommersemester
- Deutsch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v9)
| Modul / Version | #40472 / #6 |
|---|---|
| Gültigkeit | WS 2019/20 – WS 2019/20 |
| 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 und 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 oder 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 und Sensortechnik 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. Aufbauend auf diesen Beschreibungen werden Grundzüge der Signalklassifikation mittels der Bayes’schen Entscheidungstheorie entwickelt. Weiterhin werden elementare Grundlagen von Markov-Ketten eingeführt.
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 Filterung stochastischer Signale durch lineare zeitinvariante Systeme wird im Zeit- und im Frequenzbereich untersucht. Darauf aufbauend wird das Wiener-Hopf-Optimalfilter auf der Basis des Orthogonalitätsprinzipes hergeleitet und für die optimale Prädiktion und Filterung bzw. die Rauschreduktion genutzt. Abschließend werden typische AR-/MA-/ARMA-Signalmodelle beschrieben und für die Messung von Leistungsdichtespektren genutzt.
Im Rahmen der Vorlesung werden zunächst Grundlagen der Wahrscheinlichkeitsrechnung erarbeitet. Diskrete und kontinuierliche Zufallsvariablen, mehrdimensionale und bedingte Dichtefunktionen und Erwartungswerte werden eingeführt bzw. wiederholt. Aufbauend auf diesen Beschreibungen werden Grundzüge der Signalklassifikation mittels der Bayes’schen Entscheidungstheorie entwickelt. Weiterhin werden elementare Grundlagen von Markov-Ketten eingeführt.
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 Filterung stochastischer Signale durch lineare zeitinvariante Systeme wird im Zeit- und im Frequenzbereich untersucht. Darauf aufbauend wird das Wiener-Hopf-Optimalfilter auf der Basis des Orthogonalitätsprinzipes hergeleitet und für die optimale Prädiktion und Filterung bzw. die Rauschreduktion genutzt. Abschließend werden typische AR-/MA-/ARMA-Signalmodelle beschrieben und für die Messung 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 | Wintersemester | [de] | 3 | WiSe 2026/27 (1) ISIS |
| Grundlagen der Statistischen Nachrichtentheorie | Übung | 0432 L 279 | Winter- und Sommersemester | [de] | 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.
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 |
| Dauer/Umfang | 90 Minuten |
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: Winter- und Sommersemester.
Maximale teilnehmende Personen
Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.
Anmeldeformalitäten
Die Anmeldung erfolgt über QISPOS.
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