Methoden der statistischen Inferenz werden in fast allen Bereichen der empirischen Wissenschaften eingesetzt, um aus Daten zu lernen. Dieses Buch gibt eine angewandte EinfA1/4hrung in Likelihood- und Bayes-Verfahren, die zwei wichtigsten AnsAtze, um Parameter in stochastischen Modellen zu schAtzen und die damit verbundene Unsicherheit zu quantifizieren. Eigene Kapitel widmen sich der Prognose zukA1/4nftiger Beobachtungen und der Modellwahl.

Ohne UnterstA1/4tzung durch Computer ist der Einsatz dieser Methoden heute undenkbar. Dieses Buch legt besonderes Gewicht auf die Beschreibung der nAtigen algorithmischen Verfahren, von der numerischen Optimierung bis hin zur Monte-Carlo Integration. Alle Beispiele sind in der Open-Source Statistik-Software R gerechnet, wobei Teile des Programm-Codes explizit abgedruckt sind. An zahlreichen Beispielen aus Medizin, Epidemiologie und Genetik wird der Einsatz der Verfahren in der Praxis deutlich gemacht. Der Leser kann durch Bearbeitung von Aoebungsaufgaben am Ende jedes Kapitels (mit ausgewAhlten LAsungen auf der Website) den Stoff vertiefen.

Dieses Buch richtet sich in erster Linie an Studierende der Statistik, Mathematik und Informatik. Aber auch Interessierten aus Bereichen der Lebenswissenschaften, wie etwa der Biologie oder den Umweltwissenschaften wird es eine adAquate EinfA1/4hrung in Methoden der statistischen Inferenz geben. NAtige Kenntnisse der Stochastik, Numerik und Analysis, die A1/4ber ein elementares Niveau hinausgehen, sind in eigenen AnhAngen beschrieben.