# Statistiques appliquées

La théorie des probabilités répond à la question « que peut-on attendre ? » — elle raisonne depuis un modèle vers les données. Les statistiques appliquées répondent à la question inverse : « que nous disent ces données ? » — elles raisonnent depuis les observations vers les conclusions. Ce livre est le pont entre la rigueur mathématique du livre *Mathématiques* et la pratique du livre *Data Science* : il prend des données réelles, pose des questions précises, et y répond avec des outils statistiques modernes.

Chaque chapitre part d'un problème concret — comparer deux groupes, détecter une tendance, construire un modèle prédictif, tester une hypothèse — et introduit les méthodes adaptées avec du **code Python exécutable** (`scipy.stats`, `statsmodels`, `pingouin`, `seaborn`). La théorie sous-jacente est rappelée succinctement ; pour les démonstrations complètes, le livre *Mathématiques* reste la référence.

Ce livre s'adresse aux data analysts, data scientists, chercheurs et ingénieurs qui manipulent des données et veulent aller au-delà des moyennes et des graphiques : comprendre la signification statistique de leurs observations, construire des modèles interprétables, et adopter les bonnes pratiques de la statistique moderne. Un niveau intermédiaire en Python et des bases en probabilités (niveau licence) sont suffisants.

## Partie I — Explorer les données

- [Statistiques descriptives](01_statistiques_descriptives.md)
- [Distributions en pratique](02_distributions_pratique.md)
- [Corrélation et dépendance](03_correlation_dependance.md)
- [Visualisation statistique](04_visualisation_statistique.md)

## Partie II — Inférence classique

- [Estimation et intervalles de confiance](05_estimation_intervalles.md)
- [Tests paramétriques](06_tests_parametriques.md)
- [Tests non paramétriques](07_tests_non_parametriques.md)
- [Comparaisons multiples et reproductibilité](08_comparaisons_multiples.md)

## Partie III — Modélisation

- [Régression linéaire simple](09_regression_lineaire_simple.md)
- [Régression linéaire multiple](10_regression_lineaire_multiple.md)
- [Régression logistique](11_regression_logistique.md)
- [Modèles linéaires généralisés](12_modeles_lineaires_generalises.md)

## Partie IV — Méthodes avancées

- [Statistiques bayésiennes](13_statistiques_bayesiennes.md)
- [MCMC et inférence bayésienne computationnelle](14_mcmc_bayesien.md)
- [Séries temporelles](15_series_temporelles.md)
- [Statistiques multivariées](16_statistiques_multivariees.md)

## Partie V — Statistiques en pratique

- [Plans d'expérience et A/B testing](17_ab_testing.md)
- [Données manquantes et valeurs aberrantes](18_donnees_manquantes.md)
- [Statistiques computationnelles](19_statistiques_computationnelles.md)
- [Bonnes pratiques et reproductibilité](20_bonnes_pratiques.md)

---

**À propos de ce livre.** Cet ouvrage couvre les statistiques appliquées depuis l'exploration des données jusqu'aux méthodes bayésiennes, les séries temporelles et la reproductibilité scientifique. Chaque chapitre mêle explications conceptuelles, code Python exécutable et visualisations. Il est conçu comme complément pratique au livre *Mathématiques* et comme fondation rigoureuse au livre *Data Science*. La rédaction a été réalisée par Lôc Cosnier avec l'assistance de Claude (Anthropic). Le contenu a été relu, structuré et validé par l'auteur ; toute erreur restante lui est imputable.