Statistisches Rahmenwerk zur Entscheidung zwischen konkurrierenden Hypothesen über beobachtete Signale in Anwesenheit von Rauschen und Störungen, das typischerweise Entscheidungsregeln definiert, welche die Kompromisse zwischen Fehlertypen (Falschalarme und Ausfälle) unter angegebenen probabilistischen Modellen oder Kosten berücksichtigen.

Prinzip

Für einfache Hypothesen unter üblichen Regularitätsbedingungen liefern Likelihood‑Ratio‑basierte Tests Entscheidungsregeln, die bestimmte Kriterien optimieren (z. B. Detektionswahrscheinlichkeit maximieren bei festem Falschalarmniveau); allgemeiner spiegelt die Wahl der Regel den Kompromiss zwischen Fehlertypen und den angenommenen Priors oder Kosten wider.

Demonstration

Illustrierendes Szenario → Ein Radarempfänger muss aus verrauschten Echos entscheiden, ob ein Ziel vorhanden (H1) oder nicht vorhanden (H0) ist. Der Empfänger berechnet eine Teststatistik (z. B. Ausgabe eines matched Filters) und vergleicht sie mit einer Schwelle, die auf ein gewünschtes Falschalarmniveau eingestellt ist; das Anheben der Schwelle reduziert Falschalarmraten, erhöht jedoch fehlende Detektionen und zeigt so den operativen Trade‑off.

Fehlanwendung

Eine Detektionsentscheidung als präzise Lokalisierung oder als Beweis zu interpretieren, dass die geschätzten Signaleigenschaften genau sind. Der semantische Fehler ist, Hypothesentscheid (Anwesenheit/Abwesenheit) mit Parameterschätzung oder einer absoluten Wahrheit unabhängig von Modell und Schwellenwahl zu verwechseln.

Konsequenz

Die Detektionstheorie liefert die Grundlage zur Festlegung von Entscheidungsgrenzen, zur Berechnung von ROC‑Kurven, zur Allokation von Sensorressourcen und zur Spezifikation von Leistungszusagen unter dem gewählten Modell und Kostenrahmen.

Umkehrung

Wenn Rauschstatistiken, Unabhängigkeitsannahmen oder Kosten-/Prior‑Informationen unbekannt oder falsch sind, können klassische Optimalitätsergebnisse (z. B. Neyman–Pearson) nicht mehr gelten; robuste, minimax‑ oder Bayessche Alternativen und verallgemeinerte Detektoren sind dann angemessen.

Abgrenzung

Innerhalb: Hypothesentests auf Anwesenheit/Abwesenheit oder zwischen einer kleinen Anzahl spezifizierter Signalmodelle unter einem expliziten statistischen Modell. Grenzfall: Detektion unter vielen engstehenden Hypothesen, wo das Problem in die Klassifikation übergeht. Außerhalb: detaillierte Parameterschätzung oder Inferenz über kontinuierliche Parameter, wo Entscheidungsresultate zu grobe Zusammenfassungen sind.

Semantische Spannung

Sensitivität (Detektionswahrscheinlichkeit) ↔ Spezifität (Falschalarmrate) — die Verbesserung des einen verschlechtert typischerweise das andere und verlangt einen kontextuellen Kompromiss.

Synthese

Die Detektionstheorie formalisert die Entscheidungsfindung über Signalpräsenz als Trade‑off‑Problem: sie beschreibt, wie verrauschte Beobachtungen in schwellenbasierte Entscheidungen überführt werden, gegeben Modelle und Leistungskriterien, und trennt Entscheidungsrichtigkeit von Parametergenauigkeit oder semantischer Gewissheit.