Nach einer kurzen Zusammenfassung über skalare und vektorielle Zufallsvariablen wird die Beschreibung skalarer und vektorieller stochastischer Prozesse durch Verteilungs- und Verteilungsdichtefunktionen und Erwartungswerte wie Korrelations- und Kovarianzfunktionen/-matrizen behandelt. Für stationäre Prozesse werden Ergodizität, zeitliche Mittelwerte, spektrale Leistungsdichtematrix und Korrelationsmatrix definiert.

Als Regeln für Matrizen werden behandelt: Ableitung nach Vektoren und Matrizen, Pseudoinverse für die Lösung bzw. Least-Squares-Schätzung konsistenter bzw. inkonsistenter linearer Gleichungen, Matrix-Inversions-Lemma.

Das Kapitel über Schätztheorie befasst sich mit den Methoden Bayessche Schätzung (einschließlich Miniimum-Varianz, Maximum A Posteriori), Maximum Likelihood und Least-Squares. Basierend auf den vorhergehenden Grundlagen werden die Gleichungen des zeitdiskreten optimalen Filters (Kalman Filter) für lineare Systeme mit normalverteilten Störsignalen hergeleitet (bzw. optimales lineares Filter bei beliebiger Verteilung). Numerische Varianten des Algorithmus sowie Erweiterungen (korreliertes System- und Messrauschen, farbiges Rauschen, kontinuierliches Kalman-Bucy-Filter) werden dargestellt. Für lineare zeitinvariante Systeme werden die Beziehungen zwischen Kalman-Filter, Wiener-Filter und klassischen Zustands-Beobachtern aufgezeigt.

Ein kurzer Ausblick befasst sich mit Prädiktion, Glättung und nichtlinearer Filterung. Es folgt die Schätzung der Parameter linearer Systeme zur Systemidentifikation.

Zum Schluss werden verschiedene Anwendungsbeispiele dargestellt.