In dem einführenden Werk für Anwender werden alle klassischen Statistik-Methoden aus der beschreibenden Statistik, aus Verteilungen und Maximum-Likelihood-Methode abgeleitet. Beispiele machen komplexe Zusammenhänge verständlich und erleichtern die Umsetzung.

Beispielreich baut das Buch Schritt für Schritt die statistischen Grundlagen moderner Datenanalysen für Anwender auf. Dabei wird besonderer Wert auf einen roten Faden gelegt, der alle Methoden zusammenführt. Ausgehend von den Grundlagen in beschreibender Statistik, Verteilungen und maximum likelihood, werden alle anderen Verfahren als Spezialfälle des GLM entwickelt (ANOVA, multiple Regression). An jedes Kapitel zum statistischen Verständnis schließt eines zur Umsetzung in der freien Statistiksoftware R an. Ein Kapitel zur Wissenschafts- und Forschungstheorie und eines zum Design von Experimenten und Stichprobeverfahren komplettieren das Buch.Die Darstellung legt großen Wert auf Verständlichkeit und Umsetzung: Jedes Kapitel hat ausgewiesene Lerninhalte, die durch Übungen zu jedem R-Kapitel geprüft werden können. Ein ausführliches Schlagwortverzeichnis inklusive der R-Funktionen rundet das Buch ab.

Die technische Seite und die Wahl der Statistiksoftware.- Stichprobenstatistik.- Stichprobenstatistiken in R.- Verteilungen, ihre Parameter und deren Schätzer.- Verteilungen, Parameter und Schätzer in R.- Korrelation und Assoziation.- Korrelation und Assoziation in R.- Regression - Teil I.- Regression in R Teil I.- Regression Teil II.- Regression in R Teil II.- Das Lineare Modell: t-Test und ANOVA.- Das Lineare Modell: t-Test und ANOVA in R.- Hypothesen und Tests.- Experimentelles Design.- Multiple Regression.- Multiple Regression in R.- Ausblick.