Cours TGRF

STT-66972
Statistique computationnelle
Notes de cours par
Jean-Claude MASSÉ
Hiver 2009
c
Tous droits réservés
Chapitre 1
Le jackknife
Le jackknife est une méthode statistique introduite par Quenouille en

1949 pour estimer le biais d’un estimateur. On doit à John Tukey (1958)
l’appellation jackknife de même qu’une extension de la méthode à l’estima-
tion de la variance d’un estimateur.
1.1 Estimation du biais

Pour décrire le jackknife, nous supposerons que l’on observe n variables
aléatoires X1 , X2 , . . . , Xn indépendantes et identiquement distribuées :
iid
X1 , X2 , . . . , Xn ∼ F.
[Pour simplifier la notation, on notera souvent un tel échantillon :
X := (X1 , X2 , . . . , Xn ).]
Étant donné Xi = xi , i = 1, . . . , n, les valeurs observées, on s’intéresse à

un estimateur θb = θ(X
b 1 , . . . , Xn ) d’un certain paramètre θ. Lorsque cet
estimateur a une moyenne, son biais est défini par
b = E(θ)
biais(θ) b − θ.
Pour i = 1, . . . , n, on définit les n échantillons jackknife de taille n − 1 par
X (i) := (X1 , . . . , Xi−1 , Xi+1 , . . . , Xn ).
1
1.1. ESTIMATION DU BIAIS 2
Sur ces échantillons, on peut calculer les n réplications jackknife de θb :
θb(i) = θ(X
b b
(i) ) = θ(X1 , . . . , Xi−1 , Xi+1 , . . . , Xn ).
Quenouille estime alors le biais de θb par
bJack = (n − 1)(θb(·) − θ),

b
P
où l’on a posé θb(·) = i θb(i) /n. Puisque
b = θ + biais(θ),
E(θ) b
on en arrive à définir l’estimateur jackknife corrigé pour le biais :
θbJack = θb − bJack
= nθb − (n − 1)θb(·) .
Justification
Pour deux suites (an ) et (bn ) de nombres réels, la notation an = O(bn )

(lire : grand ordre de bn ) signifie qu’il existe une constante c > 0 telle que

an
≤ c pour tout n.
bn
Dans le cas particulier où bn → 0 lorsque n → ∞ comme dans l’exemple

ci-dessous, an = O(bn ) signifie que an → 0 au moins aussi vite que (bn ). Par

exemple les suites −2/n3 , 100/n4 , 1/n3.5 peuvent toutes s’écrire O 1/n3 ,
notation indiquant que ces 3 suites tendent vers 0 à une vitesse au moins
aussi grande que 1/n3 lorsque n → ∞. Remarquons que toute suite O(1/nα ),
α > 0, tend nécessairement vers 0 quand n → ∞ : cela est une conséquence
du fait que |O(1/nα )/(1/nα )| = nα |O(1/nα )| ≤ c pour tout n et que nα → ∞
lorsque n → ∞.
Plusieurs estimateurs ont une moyenne qui peut s’écrire
b = θ + biais(θ)
E(θ) b

a b 1
= θ+ + 2 +O , (1.1)
n n n3
c
Jean-Claude Massé
où a, b sont des constantes pouvant dépendre de θ mais indépendantes de n.

Lorsque a 6= 0, on dira que le biais est d’ordre 1/n ; lorsque a = 0, b 6= 0, le
biais sera dit d’ordre 1/n2 . Lorsque n n’est pas trop petit, un biais d’ordre
1/n2 est négligeable par rapport à un biais d’ordre 1/n.
Pour un estimateur vérifiant (1.1), on a
E(θbJack ) = E(θ)
b − E(bJack )

a b 1
= θ+ + 2 +O −
n n n3
(n − 1)[E(θb(·) ) − E(θ)].
b
D’autre part, pour tout i,

a b 1
E(θb(i) ) = θ + + +O ,
n − 1 (n − 1)2 (n − 1)3
où biais(θb(i) ) = E(θb(i) ) − θ est indépendant de i, donc est égal à biais(θb(·) ).

Donc,
(n − 1)[E(θb(·) ) − E(θ)]
b = (n − 1)[biais(θb(·) ) − biais(θ)]
b
= (n − 1)[biais(θb(i) ) − biais(θ)],
b quel que soit i,

a b 1
= (n − 1) + +O
n − 1 (n − 1)2 (n − 1)3

a b 1
− − 2 −O
n n n3

a b(2n − 1) 1
= + 2 +O ,
n n (n − 1) n2
d’où

b 1
E(θbJack ) = θ − +O
n(n − 1) n2

1
= θ+O . (1.2)
n2
[Vérifier ici qu’on a bien

1 1 1
(n − 1) O −O =O
(n − 1)3 n3 n2
c
Jean-Claude Massé
et
b 1 1
− +O =O .
n(n − 1) n2 n2
Selon le raisonnement qui précède, si θb a un biais d’ordre 1/n (a 6= 0),
alors θbJack a un biais d’ordre 1/n2 . Lorsque la taille d’échantillon n n’est pas
trop petite, θbJack améliore la qualité de l’estimation de θ en diminuant le
biais.
1.1.1 Exemple
Prenons le cas de θb = X, estimateur sans biais de µ = E(X). On vérifie

que P
j6=i Xj nX − Xi
θb(i) = = .
n−1 n−1
Il est clair que θb(·) = X, d’où bJack = (n − 1)(θb(·) − θ)
b = 0 et θbJack =
X. Comme la moyenne arithmétique est déjà sans biais, le jackknife ne la
modifie pas. Bien sûr, le contraire serait inacceptable.
1.1.2 Exemple
P
Soit θb = σ
b2 = 2
i (Xi −X) /n, estimateur de la variance σ 2 de la méthode
des moments. On b2 a un biais d’ordre 1/n :
sait que σ
σ2
σ2 ) = σ2 −
E(b .
n
Puisque
P 2
nX−Xi
j6=i Xj − n−1
θb(i) = ,
n−1
on vérifie que
P
− X)2i (Xi
bJack = (n − 1)(θb(·) − θ)
b = −
n(n − 1)
b2
σ
= −
n−1
c
Jean-Claude Massé
et ainsi P
− X)2
i (Xi
θbJack = σ
b2 − bJack = ,
n−1
estimateur usuel S 2 de la variance corrigé pour le biais.
1.1.3 Exemple
2
Considérons θb = X , estimateur de µ2 selon la méthode des moments.
On sait que
2 α2 σ2
E(X ) = µ2 + = µ2 + ,
n n
2
où αk = E(X − µ)k (moment centré d’ordre k), donc X a un biais d’ordre
1/n.
En faisant un peu de calculs, on montre que
2
bJack = (n − 1)(θb(·) − X )
1 X
= (Xi − X)2
n(n − 1)
i
b2
α
= ,
n
P
b2 = S 2 =
où α i (Xi − X)2 /(n − 1) (estimateur de σ 2 corrigé pour le biais
de l’exemple 1.1.2). L’estimateur de µ2 corrigé pour le biais est donc
2 b2
α
θbJack = X − .
n
On vérifie que cet estimateur est sans biais. De manière générale, le jackknife
corrige parfaitement pour le biais tout estimateur ayant un biais exactement
de la forme a/n.
Dans les trois exemples qui précèdent, il est possible d’exprimer l’esti-
mateur jackknife θbJack comme fonction explicite des observations. Dans un
pareil cas, il n’est donc pas nécessaire en pratique de se donner la peine
de calculer les θb(i) . L’utilité du jackknife comme estimateur du biais vient
plutôt de la possibilité d’en faire le calcul par un ordinateur en ignorant son
expression (parfois extrêmement compliquée) comme fonction des Xi . Nous
faisons suite en présentant la deuxième application importante du jackknife.
c
Jean-Claude Massé
1.2. ESTIMATION DE LA VARIANCE 6
1.2 Estimation de la variance

Tukey (1958) propose d’estimer la variance d’une statistique θb par
n − 1 X b 2
vJack = θ(i) − θb(·) .
n
i
Comme pour l’estimateur de Quenouille bJack , l’estimateur vJack est défini

b Comme les estimateurs de la variance
pour n’importe quelle statistique θ.
d’un estimateur ont rarement une forme explicite, l’introduction de l’esti-
mateur vJack a donné une impulsion importante à l’utilisation du jackknife
en statistique.
Justification heuristique
On note que
θbJack = θb − (n − 1)(θb(·) − θ)
b
P b b b
i [θ + (n − 1)(θ − θ(i) )]
=
n
P e
i iθ e
= (≡ θ).
n
Tukey nomme les θei = θ+(n−1)(

b b θb(i) ) = nθ−(n−1)
θ− b θb(i) les pseudo-valeurs
du jackknife. L’estimateur corrigé pour le biais θbJack s’exprime donc comme
la moyenne θe des pseudo-valeurs. Tukey conjecture qu’on peut traiter celles-
ci comme des variables i.i.d (indépendantes identiquement distribuées).
On note que
θei − θe = θb + (n − 1)(θb − θb(i) ) − θb − (n − 1)θb + (n − 1)θb(·)

= (n − 1)(θb(·) − θb(i) )
b on a donc l’expression
Pour toute statistique θ,
P e e2
i (θi − θ)
vJack = .
n(n − 1)
c
Jean-Claude Massé
1.2. ESTIMATION DE LA VARIANCE 7
Pour un échantillon i.i.d. X1 , . . . , Xn , on vérifie plus bas que l’estimateur

jackknife de Var(X) = σ 2 /n est l’estimateur sans biais habituel
P 2
i (Xi − X)
.
n(n − 1)
b par celle de Var(θbJack ). Trai-

En fait, Tukey remplace l’estimation de Var(θ)
tant ensuite les pseudo-valeurs θei comme des observations i.i.d. (dont la
moyenne est θbJack ), il estime Var(θbJack ) par vJack en suivant l’exemple de
l’estimation de Var(X) à partir des Xi .
En plus d’être applicable à toute statistique, la méthode a le grand intérêt
d’être facile à mettre en pratique quand on dispose d’un ordinateur. On peut
se demander si l’estimateur a une forme simple pour les exemples déjà vus.
1.2.1 Suite des exemples 1.1.1, 1.1.2 et 1.1.3
Pour tous ces exemples, nous allons voir que vJack s’exprime de façon
relativement simple en termes des Xi . En effet, pour θb = X, on a
X − Xi
θb(i) − θb(·) = ,
n−1
ce qui signifie qu’on retrouve l’estimateur sans biais de Var(X) :

P
n − 1 X (Xi − X)2 i (Xi − X)
2
vJack = = .
n (n − 1)2 n(n − 1)
i
P
Pour θb = i (Xi − X)2 /n, on peut montrer que
n 1
vJack = 2
b4 −
α b2 ,
α
(n − 1) n−1
P
bk =
où α i (Xi − X)k /(n − 1), k = 2, 3, . . . .
2
Pour θb = X , on peut également montrer que
2
4X αb2 b3
4X α b4
α b2
α
vJack = − + 2
− 2 2 .
n n(n − 1) n(n − 1) n (n − 1)
c
Jean-Claude Massé
1.3. CONDITIONS D’APPLICATIONS DU JACKKNIFE 8
1.3 Conditions d’applications du jackknife

Pour tout estimateur θb d’un paramètre θ, nous avons vu que la méthode
du jackknife associe trois estimateurs :
1. bJack , estimateur de Quenouille du biais de θb ;
2. θbJack , estimateur θb corrigé pour le biais ;
b
3. vJack , estimateur de Tukey de la variance de θ.
Dans quelles conditions est-il justifié d’utiliser la méthode ? Pour répondre
à cette question, il est nécessaire de se donner des critères pour évaluer
les estimateurs. On en retiendra deux : la convergence pour bJack et vJack ,
et l’erreur quadratique moyenne pour θbJack . Notons que la convergence est
une propriété asymptotique, alors que l’erreur quadratique moyenne est une
mesure de variabilité évaluée pour une taille fixe n.
La convergence d’une suite d’estimateurs (δn ) vers un paramètre δ est
dite faible (ou en probabilité) si pour tout ǫ > 0 :
lim P (|δn − δ| > ǫ) = 0,

n→∞
p
convergence notée δn → δ.
La convergence de (δn ) vers δ est dite forte (ou presque sûre) si
P ( lim δn = δ) = 1,
n→∞
convergence symbolisée par δ →p.s. δ.

En gros, la convergence faible de (δn ) vers δ signifie qu’il est très pro-
bable que l’estimateur soit dans le voisinage du paramètre lorsque la taille
d’échantillon n est assez grande, et cela, quel que soit le voisinage fixé.
Pour les besoins usuels de la statistique, cette convergence est généralement
considérée comme satisfaisante. On peut démontrer que la convergence forte
implique la convergence faible.
On trouvera des conditions précises de convergence du jackknife dans
la documentation de ce chapitre (voir par exemple Shao et Tu). Comme
c
Jean-Claude Massé
1.3. CONDITIONS D’APPLICATIONS DU JACKKNIFE 9
ces conditions sont relativement complexes, on les énonce ici en omettant

quelques détails techniques.
Grosso modo, si E[X1 |3 < ∞ et si θbn = θ(X
b 1 , . . . , Xn ) est une fonction
suffisamment lisse des Xi , on montre que, lorsque n → ∞,
n(bJack − biais(θbn )) →p.s. 0.
Ce résultat signifie que, presque sûrement (donc en probabilité), bJack et

biais(θbn ) se rapprochent très vite l’un de l’autre lorsque la taille n augmente.
Pour être un peu plus concret, le terme ‘fonction lisse’ signifie ici que la
fonction θbn de n variables vérifie une certaine propriété de différentiabilité.
Les résultats sur la convergence des estimateurs de la variance ne s’ex-
priment pas comme ceux du biais. Si (vn ) est une suite d’estimateurs telle
que vn estime Var(θbn ), on dit que (vn ) converge faiblement si
p
vn /Var(θbn ) → 1,
et fortement si
vn /Var(θbn ) →p.s. 1.
Supposons que Var(X1 ) < ∞ et que nVar(θbn ) → c > 0. Alors, pourvu

que θbn soit une fonction suffisamment lisse des observations, on peut montrer
que, lorsque n → ∞,
vJack /Var(θbn ) →p.s. 1.
Quant à θbJack , on retiendra que cet estimateur n’a pas nécessairement

une erreur quadratique moyenne plus petite que celle de θ. b Cela signifie
que, dans certains cas, la réduction du biais procurée en principe par θbJack
n’empêche pas parfois une augmentation de la variance.
1.3.1 Exemple illustrant une limitation du jackknife
Une statistique d’ordre est un exemple de statistique ne s’exprimant pas

comme fonction lisse des observations. Supposons, par exemple, que l’on
c
Jean-Claude Massé
1.4. BIBLIOGRAPHIE 10
estime la médiane θ de la distribution F par la médiane échantillonnale

b X(m) si n = 2m − 1,
θn = ,
(X(m) + X(m+1) /2 si n = 2m,
où X(1) < X(2) < · · · < X(n) désignent les statistique d’ordre. Lorsque F
possède une densité f positive en θ, on peut montrer que la variance jackknfe
de θbn est exactement égale à
n−1 2
vJack = X(m+1) − X(m) .
4
Soit (Xn ) une suite de variables aléatoires réelles et soit X une autre
variable aléatoire réelle. Soient Fn et F les fonctions de répartition de Xn et
X, respectivement, où l’on suppose que F est continue. On rappelle que la
suite (Xn ) tend en loi (ou en distribution) vers X lorsque n → ∞, si pour
d
tout x ∈ R : limn→∞ Fn (x) = F (x). On note cette convergence Xn → X.
Pour la médiane échantillonnale, on peut montrer (Efron (1982), p. 16)
2 2
d χ
que nvJack → 22 /(4f 2 (θ)) et que nVar(θbn ) → 1/(4f 2 (θ)), où θ est la
médiane de la population supposée telle que f (θ) > 0. D’après une propriété
de la convergence en loi, il en résulte que
2
vJack d χ22
→
Var(θbn ) 2
lorsque n → ∞, où χ22 est un khi-deux à 2 degrés de liberté. Puisque le
membre droit est une variable aléatoire presque sûrement 6= 1, l’estimateur
jackknife de la variance ne tend pas dans ce cas vers Var(θbn ) quand n → ∞.
1.4 Bibliographie
– Shao, J. et Tu, D. (1995). The Jackknife and Bootstrap, Springer-
Verlag, New York. Chapitres 1–2. Excellente référence pour la théorie.
Niveau de difficulté élevé.
– Efron, B. (1982). The Jackknife, the Bootstrap and Other Resampling
Plans, SIAM, Philadelphie. Chapitres 1–3. Plutôt théorique. Contient
de bons exemples pratiques.
c
Jean-Claude Massé
– Efron, B. et Tibshirani, R. J. (1993). An Introduction to the Bootstrap,

Chapman and Hall, New York. Chapitres 10–11. Excellente référence
pour la théorie aussi bien que la pratique. Pas trop difficile à lire.
c
Jean-Claude Massé
Chapitre 2
Le bootstrap
2.1 Introduction
Étant donné un échantillon aléatoire de taille n, le jackknife fait ap-

pel aux n sous-échantillons sans remise de taille n − 1. Un échantillon de
taille n possède exactement 2n − 1 sous-ensembles non-vides ; il est tentant
de penser qu’on pourra approfondir notre connaissance d’un estimateur en
exploitant de manière plus intensive l’information contenue dans plusieurs
sous-échantillons de l’échantillon de base.
Bradley Efron a proposé un tel outil en 1979 : le bootstrap. Le grand
succès de cette méthode s’explique en partie par le développement rapide
de l’informatique à partir du début des années 80. Le bootstrap requiert
en effet des moyens de calculs considérables : tous les sous-échantillons de
taille n avec remise provenant d’un échantillon de taille n y sont exploités.
Lorsque les n observations sont distinctes, il n’est pas difficile de montrer
que ce nombre d’échantillons appelés échantillons bootstrap est égal à nn .
2.2 Le principe de substitution
Supposons que l’on observe n valeurs Xi = xi de n variables aléatoires

indépendantes X1 , . . . , Xn identiquement distribuées de loi F . On appelle
loi empirique associée à l’échantillon x1 , . . . , xn la loi de probabilité discrète
12
2.2. LE PRINCIPE DE SUBSTITUTION 13
associant à chaque xi la masse 1/n (loi uniforme). On désigne par Fb(= Fbn )
la fonction de répartition empirique correspondante. Lorsque F est une loi
univariée, on a donc Fb (x) = #{xi : xi ≤ x}/n pour tout x ∈ R. Lorsque les
xi sont distinctes et x(1) ≤ x(2) ≤ · · · ≤ x(n) représentent les xi ordonnées,
cela signifie que 
 0 x < x(1)
Fb(x) = i
n x(i) ≤ x < x(i+1)

1 x ≥ x(n) .
Puisque les xi sont les valeurs des variables aléatoires Xi , une fonction
de répartition empirique est elle-même aléatoire en tout point x. Il est facile
de voir que
#{Xi ≤ x} ∼ Bin(n, F (x)).
En tant que variable aléatoire, Fb(x) = #{Xi ≤ x}/n, et donc E[Fb(x)] =

F (x) et
Fb(x) → P (X ≤ x) = F (x)
lorsque n → ∞, en vertu de la loi des grands nombres. La dernière conver-

gence est vraie au sens fort et, à plus forte raison, au sens faible. Pour tout x,
Fb(x) peut donc être considérée comme un estimateur convergent sans biais
de F (x). En ce qui regarde la convergence, le théorème de Glivenko-Cantelli
va plus loin en affirmant que, lorsque F est continue, la convergence forte
est uniforme en x :

P lim sup |Fbn (x) − F (x)| = 0 = 1.
n→∞ x
Comme on n’a pas fait l’hypothèse d’un modèle pour F , l’estimation

de F par Fb ≡ Fbn est un exemple d’estimation non paramétrique. Toutes
les fois qu’on voudra estimer un paramètre s’exprimant comme fonction
de F , θ = θ(F ), il est naturel de vouloir estimer ce paramètre en appli-
quant la même fonction θ à Fb, θb = θ(Fb). On donne à ce principe le nom
de principe de substitution (plug-in principle), base d’une méthode générale
d’estimation non paramétrique au cœur de la méthode du bootstrap. Nous
c
Jean-Claude Massé
donnons ci-dessous quelques exemples d’application du principe de substi-

tution. Sous-jacente à cette méthode est l’idée que l’estimateur θ(Fb ) ≈ θ(F )
lorsque Fb ≈ F , pourvu que θ soit continue — par rapport à la convergence
en probabilité, par exemple — par rapport à F .
Plusieurs paramètres rencontrés en statistique s’expriment par des inté-
grales (moyenne, variance, corrélation, etc.). Pour illustrer le principe de
substitution, on donnera d’abord un sens à l’intégration par rapport à une
loi discrète. La définition suivante est générale.
2.2.1 Une définition générale de l’espérance
Soit X une variable aléatoire discrète prenant les valeurs x1 , x2 , . . . et

soit F sa fonction de répartition. On définit l’intégrale d’une fonction g par
rapport à F comme étant
Z X
g(x)dF (x) := g(xi )P (X = xi ),
i
pourvu que la somme du membre droit converge absolument.

Soit X une variable aléatoire possédant une densité f et une fonction de
répartition F . On définit l’intégrale d’une fonction g par rapport à F comme
étant Z Z
g(x)dF (x) := g(x)f (x)dx,
pourvu que l’intégrale de |g(x)| par rapport à f (x)dx soit finie.

Les deux définitions précédentes permettent de représenter E[g(X)] par
R
l’intégrale g(x)dF (x), tant dans le cas discret que dans le cas continu.
Nous nous servons souvent de cette notation dans la suite.
2.2.2 Trois exemples d’applications du principe de substitu-

tion
La moyenne d’une variable X de loi F (quand elle existe) peut s’écrire

Z
EF (X) = θ(F ) = xdF (x).
c
Jean-Claude Massé
En appliquant le principe de substitution, on estime la moyenne par

Z
θ(F ) = xdFb(x).
b (2.1)
Selon la définition 2.2.1 appliquée à H = Fb , la dernière expression vaut

X 1
θ(Fb) = Xi · = X,
n
i
et l’on retrouve ainsi la moyenne échantillonnale.

La variance de X de loi F (si elle existe) peut s’écrire
Z Z
θ(F ) = [x − ydF (y)]2 dF (x).
Appliquant le principe de substitution, on l’estimera par

X 1
θ(Fb ) = (Xi − X)2 · ,
n
i
estimateur dans lequel on reconnaı̂t la forme biaisée de la variance échan-

tillonnale.
Une extension naturelle de cette idée s’obtient en considérant un vecteur
X = (Y, Z) de variables positives de loi bivariée F . Un paramètre important
dans certaines applications est le rapport des moyennes marginales
R
EF (Y ) ydFy (y)
θ(F ) = = R ,
EF (Z) zdFz (z)
où Fy , Fz désignent les lois marginales. En appliquant le principe de substi-

tution, on estimera ce rapport par l’estimateur ratio
Y
θ(Fb) = .
Z

L’estimateur θb obtenu en appliquant le principe de substitution s’appelle
l’estimateur bootstrap idéal de θ(F ). Dans les 3 exemples qui précèdent, cet
estimateur a une forme simple, facile à calculer. On ne peut cependant en
c
Jean-Claude Massé
2.3. L’ESTIMATION DE LA VARIANCE PAR LE BOOTSTRAP 16
dire autant de la très grande majorité des paramètres de la forme θ(F )

rencontrés en statistique. Nous allons voir qu’il est en effet généralement
impossible de calculer la valeur exacte de l’estimateur bootstrap idéal. Dans
la pratique, on visera plutôt à obtenir une approximation de l’estimateur
bootstrap idéal par une simulation appropriée. Nous examinons d’abord le
problème d’estimation d’une variance.
2.3 L’estimation de la variance par le bootstrap
Le bootstrap a d’abord été appliqué à un problème fondamental de la

statistique appliquée : l’estimation de la variance d’un estimateur.
Suposons que
iid
X1 , X2 , . . . , Xn ∼ F,
et soit θb = θ(X
b 1 , . . . , Xn ) un estimateur de variance finie VarF (θ).
b Posant
X = (X1 , . . . , Xn ), on peut écrire
b = EF [(θ(X)
VarF (θ) b b 2]
− E (θ))
Z Z F
= [θ(x) b
b − θ(y)dF (y1 ) · · · dF (yn )]2 dF (x1 ) · · · dF (xn )
= θ(F )
du fait que les Xi sont indépendantes. On appelle estimateur bootstrap de

b l’estimateur
VarF (θ)
b
vBoot := VarFb (θ)
obtenu du principe de substitution. [Pour une raison qui sera expliquée dans
la suite, cet estimateur sera également noté v ∗ (θb∗ ).]
2.3.1 Exemple
Soit θb = X pour des Xi telles que Var(Xi ) = σ 2 . Alors on sait que

Z Z
σ2 1
VarF (X) = θ(F ) = = [x − ydF (y)]2 dF (x).
n n
c
Jean-Claude Massé
L’estimateur bootstrap de la variance de X est alors
∗ 1 X
vBoot ≡ v ∗ (X ) ≡ VarFb (X) = (Xi − X)2 , (2.2)
n2
i
estimateur biaisé de σ 2 /n facile à calculer. Dans ce cas, on peut noter que

n−1
vBoot = vJack .
n

Dans le cas général, rappelons qu’un échantillon bootstrap est un échantillon
aléatoire de taille n tiré avec remise de l’échantillon initial X1 , . . . , Xn .
Désignons par X1∗ , . . . , Xn∗ les observations définissant un échantillon boots-
iid
trap. Par définition, on a X ∗ , X ∗ , . . . , X ∗ ∼ Fb, autrement dit
1 2 n
P (Xi∗ = xj ) = 1/n, 1 ≤ i, j ≤ n,
lorsque (X1 , . . . , Xn ) = (x1 , . . . , xn ) est l’échantillon initial observé. L’esti-

mateur bootstrap de la variance peut donc s’écrire
b
vBoot = VarFb (θ)
b ∗ , . . . , X ∗ ) − E b (θ(X
= EFb [θ(X b ∗ , . . . , X ∗ )]2
1 n F 1 n
b ∗ , . . . , X ∗ )|X1 , . . . , Xn ).
= Var(θ(X1 n
La dernière notation montre que l’estimateur bootstrap de la variance

est une variance conditionnelle : étant donné (X1 , . . . , Xn ) = (x1 , . . . , xn ),
on évalue l’espérance définissant vBoot en faisant varier (X1∗ , X2∗ , . . . , Xn∗ )
dans l’ensemble fini de tous les échantillons bootstrap possibles. Comme la
loi conditionnelle de (X1∗ , X2∗ , . . . , Xn∗ ) est discrète, il s’ensuit que vBoot a
toujours la forme d’une somme finie.
Combien y a-t-il d’échantillons bootstrap ? Au sens strict, il y en a
bien sûr nn . Pour le calcul de vBoot , nous donnerons cependant ici un sens
légèrement différent au terme ‘échantillon bootstrap’. Les estimateurs qu’on
considère ne dépendent que de Fb, laquelle est indépendante de l’ordre des
c
Jean-Claude Massé
Xi . Il est donc naturel d’identifier à un même échantillon bootstrap tous les

échantillons ne différant que par une permutation des xi . Par exemple, si
n = 4, (x1 , x1 , x2 , x4 ) est dans ce sens le même échantillon bootstrap que
(x1 , x4 , x2 , x1 ), et θb est le même appliqué à (x1 , x1 , x2 , x4 ) ou à (x1 , x4 , x2 , x1 ).
Lorsque n = 2 et x1 6= x2 les seuls échantillons bootstrap ainsi définis sont au
nombre de 3 : (x1 , x2 ), (x1 , x1 ) et (x2 , x2 ) ; pour n = 3 et les xi distincts, on
vérifie en exercice qu’il y en a 10. En général, lorsque les x1 , . . . , xn sont dis-
tincts, il suit d’un résultat bien connu d’analyse combinatoire que le nombre
d’échantillons bootstrap dans ce sens restreint est égal à

2n − 1
m= .
n
Le tableau 2.1 présente trois exemples de valeurs de m.
Tab. 2.1 – Quelques nombres d’échantillons bootstrap
n 4 10 15
m 35 92 378 77 558 760
Pour i = 1, . . . , n, posons Ai = #{Xj∗ = xi , 1 ≤ j ≤ n}. Selon le rai-

sonnement du paragraphe précédent, tout échantillon bootstrap est défini
par une valeur du vecteur (A1 , . . . , An ). Il n’est pas difficile de voir que
l’échantillon bootstrap tel que A1 = a1 , . . . , An = an a la probabilité multi-
nomiale :
n!
P (A1 = a1 , · · · , An = an ) = (1/n)a1 · · · (1/n)an ,
a1 ! · · · an !
pour a1 + · · · + an = n.
Puisque le nombre d’échantillons bootstrap est fini, l’estimateur boots-
trap de la variance de θb s’écrit
m
X m
X
vBoot = b j ) − θ(·)]
[θ(z b 2 wj = b j )2 wj − θ(·)
θ(z b 2,
1 1
c
Jean-Claude Massé
b = E b (θ)
où zj est le j e échantillon bootstrap, wj est sa probabilité et θ(·) b =
F
Pm b
1 θ(zj )wj .
Pour la plupart des tailles n rencontrées dans la pratique, le tableau 2.1
montre clairement que m est trop grand pour que le calcul exact de vBoot
soit réalisable, même avec un ordinateur. Presque toujours, on devra donc
se contenter d’une approximation de vBoot obtenue par simulation. Pour ce
faire, on se basera sur la loi des grands nombres énoncée maintenant dans
la généralité dont on a besoin.
Loi forte des grands nombres

Soit X1 , X2 , . . . une suite de vecteurs aléatoires indépendants identique-
ment distribués et soit g une fonction à valeur réelle telle que E[g(X1 )]
existe. Alors Pn
1 g(Xi )
→p.s. E[g(X1 )].
n

Selon la loi des grands nombres, pour calculer une valeur approchée
de E[g(X1 )], il suffit de simuler un nombre suffisamment grand de valeurs
P
X1 , X2 , . . . , Xn , puis de calculer n1 g(Xi )/n. De la même façon, pour ap-
procher
Var(g(X)) = E[g(X)2 ] − (E[g(X)])2 ,
il suffira de calculer
Pn 2 Pn 2 Pn Pn 2
1 g(Xi ) 1 g(Xi ) 1 (g(Xi ) − 1 g(Xi )/n)
− =
n n n
pour n suffisamment grand. Cette application de la loi des grands nombres

est un exemple d’application de la méthode de Monte Carlo au calcul d’une
variance.
b il suffit donc :
Pour le calcul approché de vBoot = VarFb (θ),
iid
– de tirer un échantillon bootstrap X ∗ , X ∗ , . . . , Xn∗ ∼ Fb, puis de calculer
1 2
θb∗ = θ(X
b ∗ , X ∗ , . . . , X ∗ ) (réplication bootstrap de l’estimateur) ;
1 2 n
c
Jean-Claude Massé
2.4. EXTENSION À DES PROBLÈMES PLUS GÉNÉRAUX 20
– de répéter la première étape un nombre suffisamment grand de fois B

pour obtenir les réplications θb∗ , . . . , θb∗ ;
1 B
– de calculer
B B
(B) 1 X b∗ b∗ 2 1 X b∗ 2
vBoot = (θb − θ (·)) = (θ ) − (θb∗ (·))2 ,
B 1 B 1 b
P
où θb∗ (·) = b θbb∗ /B.
(B)
En vertu de la loi des grands nombres, vBoot ≈ vBoot , dès que B est
assez grand. En pratique, on donne le nom d’estimateur bootstrap de la
(B)
variance à vBoot aussi bien qu’à l’estimateur idéal vBoot . Le premier de ces
estimateurs est communément utilisé dans les applications, tandis que le
second a surtout un intérêt théorique.
Quelle valeur de B prendre ?
Selon Efron, il est rarement nécessaire d’utiliser plus de B = 200 échan-

tillons bootstrap pour estimer une variance ; dans bien des cas, B = 50 ou
100 sont suffisants. L’importance des valeurs extrêmes de la statistique θb
étudiée est un facteur important dans la détermination du choix de B : plus
ces valeurs sont fréquentes, plus B devrait être grand. On notera cepen-
dant que certaines autres applications du bootstrap exigent un B beaucoup
plus grand ; ce sera en particulier le cas pour l’application à la construction
d’intervalles de confiance.
2.4 Extension à des problèmes plus généraux
La méthode du bootstrap est applicable à d’autres problèmes d’estima-

tion que celui de la variance. Supposons que l’on s’intéresse aux propriétés
d’une certaine variable aléatoire R = R(X, F ), où
iid
X = (X1 , X2 , . . . , Xn ) ∼ F.
c
Jean-Claude Massé
2.4. EXTENSION À DES PROBLÈMES PLUS GÉNÉRAUX 21
√
Par exemple, R pourrait être θb = θ(X)
b comme ci-dessus, ou encore n(X −
µ(F )). Après avoir observé X = x, on pourra vouloir estimer EF (R), PF (R >
1), etc. Pour chaque échantillon bootstrap X ∗ , on calcule alors
R∗ = R(X ∗ , Fb),
puis on évalue les estimateurs bootstrap EFb (R∗ ), PFb (R∗ > 1), etc. Comme
pour l’estimation d’une variance, le nombre d’échantillons bootstrap pos-
sible est généralement trop grand pour pouvoir calculer la valeur exacte de
ces estimateurs, de sorte qu’on engendrera B échantillons bootstrap pour
calculer les approximations
B
(B) 1 X ∗
E b (R∗ ) = R
F B 1 b
et
1
#{Rb∗ > 1; b = 1, . . . , B},
B
où Rb∗ = R(X ∗b , Fb), b = 1, . . . , B, sont les réplications bootstrap de R.
L’estimation du biais d’un estimateur θb fournit un exemple intéressant
d’application de cette extension de la méthode du bootstrap. Dans ce cas,
on estime
b = EF (θ)
biais(θ) b − θ(F )
par
bBoot = EFb (θb∗ ) − θ(Fb)

b ∗ )|X] − θ.
= E[θ(X b
Encore une fois, le plus souvent, on doit se contenter d’approcher cette valeur
en engendrant B échantillons bootstrap X ∗1 , . . . , X ∗B , puis en calculant
B
(B) 1 X b∗ b
bBoot = θb∗ (·) − θb = θb − θ
B
1
c
Jean-Claude Massé
2.5. COMPORTEMENT ASYMPTOTIQUE DU BOOTSTRAP 22
Plus généralement, le bootstrap peut servir à estimer la distribution

d’une variable aléatoire R(X, F ), autrement dit à l’estimer
Hn (x) = PF (R(X, F ) ≤ x), x ∈ R.
L’estimateur bootstrap de la fonction de répartition au point x est donné

par
HBoot (x) = PFb (R(X ∗ , Fb) ≤ x), x ∈ R,
expression approchée, le plus souvent, en tirant B échantillons bootstrap

pour calculer
1
#{R(X ∗b , Fb) ≤ x; b = 1, . . . , B}.
B
Dans le cas particulier de la distribution d’un estimateur θb = θ(X),
b on
b
estimera ainsi P (θ(X) ≤ x) par
1 b ∗ ) ≤ x; b = 1, . . . , B}.
#{θ(X b
B
2.5 Comportement asymptotique du bootstrap

Tout estimateur raisonnable doit converger vers le paramètre estimé
lorsque la taille d’échantillon tend vers ∞. Dans le cas de l’estimateur boots-
trap de la loi d’une variable aléatoire R(X, F ), on souhaite par exemple que :

0 = lim sup PFb (R(X ∗ , Fb) ≤ x) − P (R(X, F ) ≤ x) (2.3)
n→∞ x

= lim sup HBoot (x) − Hn (x) .
n→∞ x
L’équation (2.3) exprime que la loi de l’estimateur bootstrap R(X ∗ , Fb ) est

proche de celle de R(X, F ) quand n est assez grand. (Comme P b (R(X ∗ , Fb) ≤
F
x) est une variable aléatoire, on sous-entend ici que la convergence en (2.3)
a lieu au sens fort (presque sûre) ou au sens faible (en probabilité).)
Pour un grand nombre de variables aléatoires rencontrées en statistique,
on peut montrer que la convergence en (2.3) a lieu faiblement. Citons les
exemples suivants :
c
Jean-Claude Massé
√
1. La variable R(X, F ) = n(X − µ), où l’on suppose que µ = EF (X) et
σ 2 = VarF (X) existent. L’extension au cas multivarié est également
√ ∗
vraie. L’estimateur bootstrap de R(X, F ) est alors R(X ∗ , Fb) = n(X
√
− X). On sait que le théorème limite central implique que n(X − µ)
tend vers en loi vers la loi N (0, σ 2 ) lorsque n → ∞. Pour cet exemple,
cette loi est donc la loi limite de l’estimateur bootstrap.
√
2. La variable R(X, F ) = n(θ̃ − θ), où θ = F −1 (1/2) et θ̃ sont respecti-
vement la médiane de la loi et la médiane échantillonnale ; l’estimateur
√
bootstrap est alors n(θ̃ ∗ − θ̃). Pour que la convergence faible au sens
ci-dessus ait lieu, il suffit par exemple que F possède une densité f telle
que f (θ) > 0. Dans ce cas, on montre en statistique mathématique que
√
n(θ̃ − θ) converge en loi vers la loi N (0, 1/(4f 2 (θ)), loi limite donc
de l’estimateurbootstrap. Ce résultat peut être étendu aux quantiles
F −1 (q), 0 < q < 1, et à leurs estimateurs θb = Fb−1 (q). Rappelons que
F −1 (q) = inf{x : F (x) ≥ q} et que Fb−1 (q) est défini de la même façon.
√
3. Les variables de la forme n[g(X) − g(µ)], lorsque Var(X) < ∞ et g a
une dérivée continue non nulle en µ = E(X). D’après la méthode delta,
√
n[g(X) − g(µ)] converge alors en loi vers une loi normale. Sous ces
√ ∗
mêmes conditions, la loi limite de l’estimateur bootstrap n[g(X ) −
√
g(X)] est donc celle de n[g(X)−g(µ)] (au sens fort, donc faible aussi).
2
Par exemple, ce résultat s’appliquera à g(X) = X ou g(X) = 1/X
lorsque µ 6= 0.
4. Sous des conditions peu restrictives, on peut énoncer un résultat sem-
blable au précédent pour les moyennes tronquées.
En règle générale, la convergence en loi n’entraı̂ne pas la convergence
d
des moments : Yn → Y n’entraı̂ne pas que E(Ynk ) → E(Y k ). Par exemple,
lorsque les lois de l’estimateur bootstrap θb∗ et de θb sont de plus en plus
b →
proches lorsque n → ∞, il ne s’ensuit pas nécessairement que vBoot /Var(θ)
b → 1 au sens fort dans les
1. On a cependant la convergence vBoot /Var(θ)
cas suivants :
c
Jean-Claude Massé
1. θb = g(X) (fonction de la moyenne échantillonnale), avec Var(X) < ∞

et g ayant une dérivée non nulle continue autour de µ = E(X).
2. θb = Fb−1 (q), un quantile échantillonnal tel la médiane ou les quartiles,
pourvu que F ait une densité f telle que f (F −1 (q)) > 0 et que E|X|c <
∞ existe pour un certain c > 0. Il s’agit donc d’un cas où l’estimateur
bootstrap est supérieur à l’estimateur jackknife.
3. θb est une moyenne tronquée.
2.5.1 Exemple de limitation du bootstrap

iid
Supposons que X1 , . . . , Xn ∼ pour la loi uniforme sur (0, θ). L’estimateur
du maximum de vraisemblance est alors θb = X(n) = max Xi . Si X ∗ est un
échantillon bootstrap et θb∗ = θ(X
b ∗ ) = maxi X ∗ , on a alors
i
PFb (θb∗ = X(n) ) = 1 − P (max Xi∗ < X(n) ) = 1 − (1 − 1/n)n → 1 − e−1 ≈ .632
i
lorsque n → ∞. Par ailleurs, θb = X(n) est une variable continue de densité
xn−1
f (x) = n , 0 < x < θ.
θn
Puisque la loi de θb = X(n) est continue, la loi de θb∗ et la loi de θb ne tendent

pas à se confondre lorsque n → ∞. On peut le démontrer rigoureusement
comme suit.
Posons Hn (x) = P (n(θ − X(n) ) ≤ x). Alors
Hn (x) = P (X(n) ≥ θ − n−1 x)

n
= 1 − P (X < θ − n−1 x)
x n
= 1− 1−
nθ
−x/θ
→ 1−e , n → ∞,
ce qui signifie que n(θ − X(n) ) se comporte asymptotiquement comme une

variable exponentielle de paramètre 1/θ.
c
Jean-Claude Massé
2.6. LE BOOTSTRAP PARAMÉTRIQUE 25
∗ ) ≤ x). Alors H et
Posons maintenant HBoot (x) = PFb (n(X(n) − X(n) n
HBoot ne tendent pas à se rapprocher lorsque n → ∞ du fait que pour n

assez grand
|Hn (0) − HBoot (0)] ≈ 1 − e−1
et qu’ainsi on ne peut avoir la convergence uniforme en x.

Pour k fixe indépendant de n, on peut montrer que n’importe quelle
statistique d’ordre X(k) souffre du même problème. Cependant, lorsque k =
kn = ⌊pn⌋ avec 0 < p < 1 fixe, X(k) est un quantile échantillonnal : médiane,
quartile, décile, etc. ; dans ce dernier cas, le bootstrap converge (contraire-
ment au jackknife !).
Voici deux exemples de cas où l’estimateur bootstrap de la loi d’un esti-
mateur θb peut ne pas converger :
– la variance de θb n’existe pas (valeurs extrêmes très probables) ;
– θb n’est pas une fonction suffisamment lisse des observations.
Il n’est pas fréquent de rencontrer une situation où vBoot /Var(θbn ) 9 1.
Soulignons à ce propos que, contrairement au jackknife, vBoot /Var(θbn ) → 1
lorsque θbn est la médiane échantillonnale estimant θ, pourvu seulement que
f (θ) > 0 et que E|X1 |c < ∞ pour un certain c > 0.
Tel que présentée jusqu’ici dans ce chapitre, la méthode du bootstrap
est applicable sans faire d’hypothèse sur la loi F des observations i.i.d. On
parle dans ce cas de bootstrap non paramétrique. La section suivante montre
comment le bootstrap peut être appliqué aux situations où la loi F est
modélisée à partir d’une famille paramétrique.
2.6 Le bootstrap paramétrique

Supposons que la loi F des observations appartienne à une famille para-
métrique (Fψ ), où ψ est un paramètre inconnu. Par exemple, Fψ pourra
être le modèle N (µ, σ 2 ), avec ψ = (µ, σ 2 ). Étant donné un estimateur ψb
de ψ, on peut considérer le modèle Fψb comme étant un estimateur du vrai
c
Jean-Claude Massé
2.6. LE BOOTSTRAP PARAMÉTRIQUE 26
modèle Fψ . Pour notre exemple, ψb pourra être l’estimateur du maximum

de vraisemblance, ce qui veut dire que Fψb = N (x, σ b2 ). Dans la situation
où l’on souhaite estimer une caractéristique d’un estimateur θb = θ(X)
b (par
iid
exemple la variance) où X1 , . . . , Xn ∼ Fψ , on pourra tirer un échantilllon
aléatoire X1∗ , . . . , Xn∗ à partir de la loi Fψb, puis on calculera l’estimateur sur
cet échantillon : θb∗ = θ(X b ∗ , . . . , X ∗ ). En répétant cette démarche B fois pour
1 n
obtenir B réplications θb , . . . , θb , on obtient un estimateur de la variance en
1
∗
B
∗
prenant
B
(B) 1 X b∗ b∗ 2
vBoot = (θi − θ ) ,
B
1
P b∗
où θb∗ = B
1 θi /B. On pourra voir cet estimateur comme étant une appro-
ximation de l’estimateur exact ou idéal vBoot = VarFψb (θ ∗ ).
iid
On donne encore à X1∗ , . . . , Xn∗ ∼ Fψb le nom d’échantillon bootstrap.
Notons qu’il peut arriver que Fψb soit une loi continue, alors que, plus haut,
le rééchantillonnage se faisait toujours par rapport à la loi discrète Fb. Le
bootstrap appliqué dans le cadre d’un rééchantillonnage par rapport à une
loi paramétrique s’appelle le bootstrap paramétrique. Le dernier estimateur
(B) b Natu-
vBoot porte le nom d’estimateur bootstrap (paramétrique) de Var(θ).
rellement, on pourra estimer de la même façon d’autres caractéristiques de
l’estimateur (biais, coefficients d’asymétrie ou d’aplatissement, etc.).
Le bootstrap paramétrique est fiable pourvu que le modèle soit adéquat.
Dans ce cas, le bootstrap paramétrique permet d’estimer la variance avec
une précision aussi bonne, sinon meilleure, que l’estimateur bootstrap non
paramétrique ou d’autres estimateurs suggérés par la théorie asymptotique
et la loi normale (méthode delta, méthode de la fonction d’influence).
2.6.1 Exemple
Soit (X1 , Y1 ), . . . , (Xn , Yn ) un échantillon aléatoire de la loi normale bi-

variée de paramètres µ1 = E(X), µ2 = E(Y ) et σ12 = Var(X), σ22 = Var(Y )
p
et ρ = Cov(X, Y )/ Var(X)Var(Y ). Alors la méthode du maximum de vrai-
c
Jean-Claude Massé
semblance conduit à estimer F par la loi normale bivariée FbNorm de pa-

P P
b1 = X, µ
ramètres µ b12 = i (Xi − X)2 /n, σ
b2 = Y , σ b22 = i (Yi − Y )2 /n et
d
Cov(X, Y ) = ρbσ
b1 σ
b2 , où
P
i (Xi − X)(Yi − Y )
ρb = qP P .
2 2
i (Xi − X) i (Yi − Y )
En statistique mathématique, on montre que la variance de ρb est appro-

ximativement donnée par (1 − ρ2 )2 /n, expression estimée par (1 − ρb2 )2 /n.
Pour cet exemple, il est donc possible d’évaluer la précision de l’estimation
de Var(b
ρ) par la méthode du bootstrap paramétrique, en comparant vBoot à
(1 − ρb2 )2 /n. L’estimation bootstrap se fera à partir de B réplications boots-
trap de ρb obtenues de n observations indépendantes ((X1 , Y1 ), . . . , (Xn , , Yn ))
b1 , µ
provenant de la loi normale bivariée de paramètres µ b2 , σ b22 et ρb.
b12 , σ
2.7 Bibliographie

Verlag, New York. Chapitres 1, 3.
– Efron, B. (1982). The Jackknife, the Bootstrap and Other Resampling
Plans, SIAM, Philadelphie. Chapitre 5.
Chapman and Hall, New York. Chapitres 6, 11.
– Davison, A.C. et Hinkley, D.V. (1997). Bootstrap Methods and their
Applications, Cambridge University Press, Cambridge. Ouvrage de
haut niveau à caractère appliqué. Chapitre 2.
c
Jean-Claude Massé
Chapitre 3
Intervalles de confiance basés

sur le bootstrap
Un intervalle de confiance (IC) est un outil permettant d’estimer un

paramètre et de quantifier ce faisant notre degré de certitude. Étant donné
iid
X1 , . . . , Xn ∼ F , on rappelle qu’un IC de (1 − 2α) × 100% pour le paramètre
θ = θ(F ) est un intervalle aléatoire Iα = [T1 , T2 ] de valeurs possibles de θ
tel que T1 et T2 sont des statistiques et
P (θ ∈ Iα ) = 1 − 2α.
La statistique mathématique propose quelques solutions au problème de

construction d’un IC dans le contexte paramétrique. L’exemple classique
est celui d’un IC de Student pour la moyenne µ construit à partir d’un
échantillon de taille n de la loi N (µ, σ 2 ) :
√ √
[X − tn−1 (1 − α)b
σ / n − 1, X − tn−1 (α)b
σ / n − 1],
Pn
b2 =
où σ 2
1 (Xi −X) /n et tn−1 (α), tn−1 (1−α) sont les quantiles d’ordres α
et 1 − α de la loi de Student à n − 1 degrés de liberté. L’intervalle de Student
est l’exemple classique d’un intervalle symétrique par rapport à l’estimateur
ponctuel θb = X, autrement dit un intervalle de la forme
θb ± k(α)s(θ),
b
28
3.1. MÉTHODE DU BOOTSTRAP-T 29
\
b = Var( b est un estimateur sans biais de Var(θ)
b = σ 2 /n.
où s2 (θ) θ)
Dans ce chapitre, on présente trois méthodes de construction d’IC basés
sur le bootstrap. Contrairement aux méthodes de la statistique mathé-
matique, les méthodes basées sur le bootstrap n’exigent pas une modélisation
paramétrique de la loi F . En outre, les méthodes bootstrap ont l’avantage
d’être applicables aux paramètres les plus complexes.
3.1 Méthode du bootstrap-t

En statistique mathématique, l’une des méthodes les plus utiles pour
construire un intervalle de confiance est la méthode du pivot. Un pivot exact
(resp. approximatif) est une v.a. R(X, F ) dont la loi exacte (resp. approxi-
mative) Gn est indépendante de la loi F . (Les notations R(X, F ) et Gn
sous-entendent ici que X = (X1 , . . . , Xn ) est un échantillon aléatoire de
taille n de la loi F .)
Par exemple, si θ = µ est la moyenne d’une loi normale N (µ, σ 2 ) et si
P
b2 = n1 (Xi − X)2 /n, il est bien connu qu’on a l’égalité en loi
σ
√ X −µ
R(X, F ) = n−1 ∼ tn−1
b
σ
quelles que soient les valeurs de µ et de σ 2 , autrement dit R(X, F ) est
un pivot. Pour généraliser cette idée, on introduit ci-après le concept de
paramètre de localisation dont µ est un exemple.
Définition 1. Étant donné une loi F , soit X ∼ F . Faisons l’identification

θ(F ) = θ(X). On dit que θ est un paramètre de localisation si les conditions
suivantes sont remplies :
i) θ(X + b) = θ(X) + b, quelle que soit b constante ;
ii) X ≥ 0 implique que θ(X) ≥ 0 ;
iii) θ(aX) = aθ(X), quelle que soit a > 0 constante.
Comme exemples de paramètres de localisation θ(F ), citons la moyenne

µ = EF (X), la médiane F −1 (1/2), la moyenne des premier et troisième quar-
c
Jean-Claude Massé
tiles [F −1 (1/4) + F −1 (3/4)]/2, la moyenne α-tronquée symétrique

1
R F −1 (1−α)
1−2α F −1 (α) xdF (x), ainsi que les p-quantiles. Pour 0 < p < 1, rappe-
lons que le p-quantile de la loi F est défini par
qp = F −1 (p) = inf{x : F (x) ≥ p}.
(Lorsque F prend toutes les valeurs de (0, 1) et possède un inverse (pas de

plateau), le p-quantile coı̈ncide avec la solution xp de l’équation F (x) = p.)
Si θ est un paramètre de localisation estimé par θbn et si σ b2 est un es-
n
timateur de σ 2 (θbn )
= Var(θbn ), la variable (θbn − θ)/b
σn a souvent le com-
portement d’un pivot exact ou approximatif, en particulier lorsque Var(θbn )
est indépendant de θ. Pour rappeler la méthode du pivot, posons Gn comme
étant la loi de (θbn − θ)/b
σn . Si Gn est un pivot exact et si G−1 (α), G−1 (1 − α)
n n
sont les quantiles d’ordre α et 1 − α, on a par définition
!
θbn − θ
1 − 2α = P G−1
n (α) ≤ −1
≤ Gn (1 − α)
bn
σ
quel que soit θ, ce qui équivaut à

b −1
1 − 2α = P θn − Gn (1 − α) σ b −1
bn ≤ θ ≤ θn − Gn (α) σ
bn . (3.1)
(Dans les équations précédentes, l’égalité est remplacée par le symbole ≈

lorsque le pivot est approximatif.) Par définition, l’intervalle aléatoire
[θbn − G−1 bn , θbn − G−1

n (1 − α) σ bn ]
n (α) σ
est un IC de (1 − 2α) × 100% pour θ (exact ou approximatif).
Exemple. Dans certains cas, on ne dispose que d’une approximation de la

loi Gn basée sur les propriétés asymptotiques des estimateurs du maximum
de vraisemblance. Si G désigne la loi limite des Gn et si cette limite est
indépendante de F et connue, on utilise (3.1) pour construire un IC en
remplaçant Gn par G. Souvent, G = Gψ dépend d’un paramètre ψ que l’on
estime par ψb ; on utilise alors (3.1) en remplaçant Gn par G b. Par exemple,
ψ
c
Jean-Claude Massé
sous des conditions assez faibles, on sait que la suite (θbn ) des estimateurs
du maximum de vraisemblance de θ converge en loi comme suit :
θbn − θ p d
p = nI(θ)(θbn − θ) → N (0, 1), (3.2)
1/ nI(θ)
où I(θ) est l’information de Fisher associée à une observation,

qparamètre que
l’on peut estimer par I(θbn ). Pour n assez grand, la variable nI(θbn )(θbn − θ)
peut ainsi jouer le rôle de pivot approximatif, la loi d’approximation étant
une N (0, 1).
La première méthode de construction d’IC basée sur le bootstrap utilise
l’idée de pivot approximatif en se servant du bootstrap pour estimer la loi
de (θb − θ)/bσ . Cette méthode est en fait directement inspirée de la théorie
des intervalles de Student. Pour θb estimateur de θ = θ(F ) et σ b2 estimateur
b la méthode fait l’hypothèse que la variable studentisée
de la variance de θ,
θb − θ
Z=
b
σ
se comporte comme un pivot approximatif, autrement dit, la loi de Z est
approximativement la même quelle que soit θ. À partir de B échantillons
bootstrap X ∗1 , . . . , X ∗B provenant de Fb, on estime la loi de Z à l’aide des
valeurs
θbb∗ − θb
Zb∗ = , i = 1, . . . , B,
bb∗
σ
où θbb∗ = θ(X

b ∗ ) et σ
b b(X ∗b ) sont des réplications bootstrap calculées à
bb∗ = σ
partir de l’échantillon bootstrap X ∗b .
Pour obtenir un IC pour θ, on calcule ensuite les quantiles échantillonnaux
d’ordre α et 1−α de la loi empirique des Zb∗ . Pour k = ⌊(B +1)α⌋, on définit
ceux-ci comme étant les ke et (B + 1 − k)e plus grandes valeurs des Zb∗ or-
données. Désignons ces valeurs par t̂(α) et t̂(1−α) . L’intervalle de confiance
pour θ de la méthode du bootstrap-t est défini par
[θb − t̂(1−α) σ
b, θb − t̂(α) σ
b].
c
Jean-Claude Massé
Dans cet intervalle, on notera que les quantiles t̂(α) et t̂(1−α) dépendent des
observations, ce qui n’est pas le cas pour les intervalles de Student classiques.
En outre, contrairement à ces intervalles, on n’a pas nécessairement t̂(α) =
−t̂(1−α) , et ainsi l’intervalle bootstrap n’est pas nécessairement symétrique
par rapport à θ.b
Dans la forme présentée ci-dessus, la méthode du bootstrap-t est avant
tout applicable à l’estimation des paramètres de localisation. Outre X, les
estimateurs visés sont donc principalement les moyennes tronquées et les
quantiles échantillonnaux.
bb∗ . Lorsque θb = X,
Il nous faut maintenant dire un mot sur le calcul de σ
b est directement calculable à partir
on sait que l’estimateur bootstrap de σ(θ)
de l’échantillon. En effet, selon la formule (2.2)
s
Pn ∗ ∗ 2
∗ ∗ 1 (Xbi − X b )
bb = σ
σ b(X b ) = ,
n2
∗ P
où X b = B ∗
1 Xbi /B. Lorsqu’il n’existe pas de formule simple pour estimer
l’écart type, on pourra toujours se servir du bootstrap à un deuxième niveau,
autrement dit en prélevant des échantillons bootstrap sur X ∗b . En clair, cela
signifie :
1. tirer B1 échantillons bootstrap X ∗b , b = 1, . . . , B1 , et calculer θbb∗ =
b ∗) ;
θ(X b
2. de chaque échantillon X ∗b , tirer B2 échantillons bootstrap pour calculer

∗ P
θb∗ , j = 1, . . . , B2 , θ = B2 θb∗ /B2 et calculer
bj b j=1 bj
v
u B2
u 1 X
bb
σ
∗(B2 )
=t ∗ − θ ∗ )2 .
(θbbj b
B2 1
Selon Efron, pour estimer un écart type une taille B2 comprise entre
25 et 200 est en général suffisante ; en revanche, pour estimer des quantiles
(dans notre cas, ceux des Zb∗ ) il vaut mieux prendre B1 = 1000 au moins.
Cela signifie qu’il faut engendrer au minimum 25 000 échantillons bootstrap
c
Jean-Claude Massé
pour mettre en œuvre la méthode. Lorsque θb est compliqué, il peut donc

en résulter de grands temps de calcul, défaut principal de la méthode du
bootstrap-t.
Une autre faiblesse de la méthode devient apparente lorsque la loi de θb
n’est pas symétrique par rapport à θ. Le bootstrap-t peut alors conduire à
des intervalles trop longs ou sortant de l’ensemble des valeurs possibles du
paramètre. Par exemple, l’estimation d’un coefficient de corrélation pourra
aboutir à un intervalle contenant des valeurs hors de [−1, 1]. On pourra
souvent contourner ce problème en transformant le paramètre et son esti-
mateur.
Lorsque des observations (Xi , Yi ) proviennent d’une loi normale bivariée,
on sait que le coefficient de corrélation de Pearson r = rX,Y a une loi assez
fortement asymétrique lorsque n < 500. Pour normaliser r, il est bien connu
que l’on peut utiliser la transformation de Fisher

b 1+r
φ = T (r) = .5 log ,
1−r
laquelle produit une variable ayant une loi très proche N (T (ρ), 1/(n − 3)),
où ρ est le coefficient de corrélation de la population. Ainsi, en plus de
normaliser, la transformation T a pour effet de produire la variable T (r) dont
la variance ne dépend plus de ρ. On dit alors que T stabilise la variance. Dans
ce cas particulier, pour construire un IC pour ρ, il suffit d’en construire un
pour φ = T (ρ) à partir du pivot approximatif T (r) − T (ρ), puis d’appliquer
aux deux bornes la transformation inverse
e2φ − 1
ρ = T −1 (φ) = .
e2φ + 1
La même idée de transformation est exploitée pour étendre la méthode
du bootstrap-t aux cas où θb possède une loi asymétrique, cas souvent as-
b dépend de θ. Dans l’exemple qui précède, la
sociés aux situations où Var(θ)
transformation de Fisher stabilise la variance, autrement dit la variance de
φb ne dépend pas de φ = T (ρ). Des études ont montré que les situations où il
c
Jean-Claude Massé
b soit indépendante
existe une transformation monotone g telle que Var(g(θ))
de θ sont celles qui conviennent le mieux au bootstrap-t. On notera qu’une
telle transformation normalisante et stabilisante n’existe pas toujours.
En supposant que l’on puisse stabiliser la variance de θb par une trans-
formation monotone g, on pourra obtenir cette transformation comme suit.
On commence par tirer B1 échantillons bootstrap
q X ∗b , b = 1, . . . , B1 . Pour
b par σ
chaque b, on estime ensuite l’écart type Var(θ) bb∗ à partir de B2
échantillons bootstrap sur X ∗b . À l’aide d’une fonction de régression (pa-
ramétrique ou non), on ajuste alors une courbe continue u 7→ s(u) au dia-
gramme de dispersion des points (θb∗ , σ
b∗ ), b = 1, . . . , B1 . Cela étant, la trans-
b b
formation stabilisante g s’obtient en appliquant la formule utilisée en analyse
de la variance pour stabiliser une variance dépendant de la moyenne :
Z z
1
g(z) = du.
a s(u)
Finalement, étant donné cette transformation g, on tire B3 nouveaux
échantillons bootstrap par rapport à Fb pour appliquer la méthode du boot-
b − g(θ) (puisque la variance de g(θ)
strap-t à g(θ) b ne dépend pas de θ). On
obtient ainsi un IC pour g(θ) que l’on peut inverser par g−1 pour obtenir un
IC pour θ. On notera que tout cela peut être fait automatiquement dans R
(par exemple avec la fonction boott du module bootstrap).
Selon Efron, la construction d’intervalles de confiance à l’aide du boots-
trap devrait normalement se faire en utilisant un nombre d’échantillons
bootstrap relativement élevé, de l’ordre de B ≥ 1000. À la différence de
l’estimation du biais et de la variance, l’estimation par intervalle de confi-
ance repose en effet généralement sur une estimation de quantiles d’ordre
0.9, 0.95, 0.975, 0.995 et leurs symétriques, tous situés dans la région des va-
leurs extrêmes de la variable utilisée pour la construction.
c
Jean-Claude Massé
3.2. MÉTHODE DES PERCENTILES 35
3.2 Méthode des percentiles

Supposons que le paramètre θ = θ(F ) soit estimable par θb = θ(X).
b Étant
∗ ∗ iid b
donné un échantillon bootstrap X , . . . , Xn ∼ F , définissons pour tout x la
1
fonction de répartition bootstrap
GBoot (x) = PFb (θb∗ = θ(X
b ∗ , . . . , X ∗ ) ≤ x).
1 n
Soit G−1 b∗(α) le quantile d’ordre α de la loi de θb∗ . L’IC de (1 − 2α) ·

Boot (α) ≡ θ
100% de la méthode des percentiles est défini par
[G−1 −1 b∗(α) , θb∗(1−α) ].

Boot (α), GBoot (1 − α)] ≡ [θ
Dans la pratique, on ne peut énumérer toutes les valeurs possibles de la

variable discrète θb∗ , ce qui rend impraticable la détermination de la valeur
exacte des quantiles G−1
Boot (α). On calcule plutôt une valeur approchée de
ces quantiles en simulant des valeurs θb∗ , b = 1, . . . , B, puis en ordonnant ces
b
valeurs. On obtient alors l’IC approximatif de la méthode des percentiles
∗(α) ∗(1−α)
[θbB , θbB ] ≈ [G−1 −1
Boot (α), GBoot (1 − α)]
∗(α)
où θbB est le 100·αe percentile de la loi empirique des θbb∗ (avec la convention
déjà vue si (B + 1)α n’est pas un entier).
Pour mettre en évidence les qualités de la méthode et la justifier, faisons
maintenant l’hypothèse qu’il existe une transformation inversible croissante
b − φ(θ) soit symétrique continue et indépendante de
φ telle que la loi de φ(θ)
F , donc un pivot. Si l’on définit la fonction de répartition
b − φ(θ) ≤ x),
Ψ(x) = P (φ(θ) (3.3)
on déduit que Ψ(x) = 1 − Ψ(−x) est indépendante de F , donc de θ. [En

b − φ(θ) ne dépend pas de θ,
particulier, lorsqu’elle existe, la variance de φ(θ)
et ainsi φ est stabilisante.]
Posons φb = φ(θ).
b Les hypothèses sur φ font que la situation est idéale
pour construire un IC pour φ(θ). En effet, si zα = Ψ−1 (α), la symétrie de
c
Jean-Claude Massé
3.2. MÉTHODE DES PERCENTILES 36
la loi entraı̂ne que z1−α = Ψ−1 (1 − α) = −zα . Procédant de la manière

habituelle, on obtient l’IC de (1 − 2α) · 100% pour φ(θ) :
[φb + zα , φb − zα ],
d’où par inversion l’IC pour θ :
[φ−1 (φb + zα ), φ−1 (φb − zα )].
Supposons maintenant qu’on utilise le bootstrap pour estimer la loi de

b − φ(θ). On aura
φ(θ)
α ≈ PFb (φ(θb∗ ) − φ(θ)

b ≤ zα )
= P (θb∗ ≤ φ−1 (φb + zα ))
Puisque l’on a également
α ≈ PFb (θb∗ ≤ G−1

Boot (α)),
on conclut que G−1 −1 b

Boot (α)) ≈ φ (φ + zα ) ; de la même façon, on montre que
G−1 (1 − α)) ≈ φ−1 (φb − zα ).
Boot
Le raisonnement précédent fournit une justification théorique de la mé-
thode des percentiles. Pour que cette méthode soit valide, il suffit que la
statistique et le paramètre puissent être transformés par une fonction in-
b − φ(θ) soit un pivot exact ou approximatif de loi
versible φ telle que φ(θ)
symétrique. Comme pour la méthode du bootstrap-t, on notera que dans la
pratique il n’est pas nécessaire d’identifier une telle transformation φ. En
effet, la méthode repose totalement sur la loi d’une réplication bootstrap θb∗ .
Contrairement à la méthode du bootstrap-t (sans transformation) ou à
la méthode dite standard—reposant sur l’approximation normale pour la
loi de (θb − θ)/b
σ , la méthode des percentiles produit toujours des intervalles
contenus dans l’ensemble des valeurs possibles du paramètre. D’une manière
générale, les méthodes ayant cette propriété ont tendance à être plus précises
et plus fiables que les autres.
c
Jean-Claude Massé
3.3. MÉTHODE BCA 37
b est biaisé pour φ(θ) ou

Si pour toute transformation φ l’estimateur φ(θ)
possède une variance dépendant de φ(θ), la méthode des percentiles peut
être insatisfaisante. La méthode suivante a été proposée par Efron en 1987
pour tenir compte de cette possibilité.
3.3 Méthode BCa

Dans la pratique, la méthode des percentiles produit un IC dont les
bornes sont les 100 · αe et 100 · (1 − α)e percentiles des valeurs de θb∗ calculées
à partir de B échantillons bootstrap. La méthode BCa (pour bias-corrected
and accelerated) produit elle aussi un IC ayant comme bornes des percentiles
θb∗ , à la différence que ces percentiles dépendent de deux estimations b
a et zb0
de constantes a, z0 appelées respectivement constantes d’accélération et de
correction du biais.
Plus précisément, l’intervalle BCa de recouvrement 1 − 2α est donné par
[θb∗(α1 ) , θb∗(α2 ) ],
où α1 , α2 sont deux probabilités définies par

zb0 + zα
α1 = Φ zb0 + ,
1−b a(bz0 + zα )

zb0 + z1−α
α2 = Φ zb0 + .
1−b a(bz0 + z1−α )
Dans les formules précédentes, Φ est la fonction de répartition de la
loi N (0, 1) et zα le quantile d’ordre α de cette loi. Pour le cas particulier
b
a = zb0 = 0, notons que α1 = α et α2 = 1− α, et l’on constate que l’intervalle
BCa coı̈ncide avec celui de la méthode des percentiles. Malgré la forme
relativement complexe des formules du cas général, les calculs ne sont pas
difficiles.
La méthode BCa se propose d’améliorer celle des percentiles en rem-
plaçant l’hypothèse de l’équation (3.3) par l’hypothèse plus générale de
c
Jean-Claude Massé
l’existence d’une fonction inversible croissante φ et des constantes a, z0 telles

que !
b − φ(θ)
φ(θ)
P + z0 ≤ x = Φ(x), (3.4)
1 + aφ(θ)
où Φ est la fonction de répartition normale standard. Cela revient à supposer
qu’il existe φ, a, z0 telles que
b − φ(θ)
φ(θ)
U= + z0 ∼ N (0, 1).
1 + aφ(θ)
Dans la dernière expression, on peut identifier 1+aφ(θ) > 0 à l’écart type de

b La constante a dépend de n et de F et mesure le taux de changement
φ(θ).
b comme fonction de φ(θ) ; la constante
(accélération) de la variance de φ(θ)
z0 également dépendante de n et de F vise à corriger l’influence d’un biais
b
possible dans l’estimation de φ(θ) par φ(θ).
Supposons pour le moment que a et z0 soient connues. Sous l’hypothèse
précédente, des IC de (1 − 2α) · 100% pour φ(θ) et θ s’obtiennent comme
suit :
!
b − φ(θ) + z0 [1 + aφ(θ)]
φ(θ)
1 − 2α = P zα ≤ ≤ −zα
1 + aφ(θ)
!
b + z0 + zα
φ(θ) b + z0 − zα
φ(θ)
= P ≤ φ(θ) ≤
1 − a(z0 + zα ) 1 − a(z0 − zα )
! !!
b + z0 + zα
φ(θ) b + z0 − zα
φ(θ)
−1 −1
= P φ ≤θ≤φ .
1 − a(z0 + zα ) 1 − a(z0 − zα )
Appelons T1 , T2 les bornes inférieures et supérieures, respectivement, de l’in-

tervalle de confiance pour φ(θ) ; les bornes de l’IC pour θ sont donc φ−1 (T1 )
et φ−1 (T2 ).
On peut calculer approximativement la borne inférieure φ−1 (T1 ) en ap-
c
Jean-Claude Massé
pliquant le principe du bootstrap. On a d’abord

!
b + z0 + zα
φ(θ)
PFb φ(θb∗ ) ≤ T1 = PFb φ(θb∗ ) ≤
1 − a(z0 + zα )

z0 + zα
= PFb φ(θb∗ ) ≤ φ(θ)
b + b
[1 + aφ(θ)]
1 − a(z0 + zα )
!
φ(θb∗ ) − φ(θ)
b z0 + zα
= PFb + z0 ≤ + z0
1 + aφ(θ)b 1 − a(z0 + zα )

z0 + zα
≈ Φ z0 + .
1 − a(z0 + zα )

Ensuite, puisque PFb φ(θb∗ ) ≤ T1 = PFb θb∗ ≤ φ−1 (T1 ) , le raisonnement
précédent montre que la borne inférieure φ−1 (T1 ) est le quantile d’ordre α1
G−1 b∗
Boot (α1 ) de la loi de θ , où

z0 + zα
α1 = Φ z0 + .
1 − a(z0 + zα )
De la même façon, la borne supérieure φ−1 (T2 ) correspond au quantile
d’ordre α2 de la loi de θb∗ , où

z0 − zα
α2 = Φ z0 + .
1 − a(z0 − zα )
Sans entrer dans les détails de l’estimation de z0 et a, on estimera
la constante z0 à partir de la proportion de réplications bootstrap de θb
inférieures à θb :
!
#{b = 1, . . . , B : θ b
b∗ < θ}
zb0 = Φ−1 b
B
où Φ−1 est la fonction quantile de la loi normale standard : par exemple,
Φ−1 (.5) = 0, Φ−1 (.95) = 1.645. En gros, zb0 mesure le biais de la médiane
de θb∗ par rapport à θ. b Pour sa part, la constante a est estimée en termes
des réplications jackknife de θ. b De manière précise, en posant encore θb(i) =
b b P b
θ(X (i) ), θ(·) = i θ(i) /n, on prend
Pn b
(θ(·) − θb(i) )3
a = Pn1
b .
6( (θb(·) − θb(i) )2 )3/2
1
c
Jean-Claude Massé
3.4. PRÉCISION DES INTERVALLES CONSTRUITS AVEC LE
BOOTSTRAP 40
En conclusion, on notera que l’application de la méthode BCa n’exige pas

l’identification de la fonction φ dont l’existence est postulée dans l’équation
(3.4). Comme on l’a vu ci-dessus, cette application repose plutôt sur trois
choses relativement simples : l’estimation de a et z0 , le calcul de α1 et α2 ,
b
et finalement, le calcul des réplications bootstrap de θ.
3.4 Précision des intervalles construits avec le boots-

trap
Pour un IC bilatéral exact [T1 , T2 ] de (1 − 2α) · 100%, on a par définition
P (θ < T1 ) = α et P (θ > T2 ) = α. (3.5)
On peut mesurer la valeur d’un IC approximatif selon le degré de précision

atteint en (3.5). On peut montrer que la méthode BCa ainsi que la méthode
du bootstrap-t ont une précision d’ordre deux, ce qui signifie que
P (θ < T1 ) = α + O(1/n) et P (θ > T2 ) = α + O(1/n).
En comparaison, les méthodes standard (basées sur un pivot normal) et des

percentiles ont une précision d’ordre un :
√ √
P (θ < T1 ) = α + O(1/ n) et P (θ > T2 ) = α + O(1/ n).
En général, les suites O(1/n) convergent vers 0 plus vite que les suites
√
O(1/ n). En ce sens, on considère qu’une méthode de précision d’ordre
deux est supérieure à une méthode de précision d’ordre un. Pour que cette
évaluation asymptotique de la précision ait une valeur pratique, il faut bien
sûr que n soit suffisamment grand.
3.5 Bibliographie

Verlag, New York. Chapitre 4.
c
Jean-Claude Massé

Chapman and Hall, New York. Chapitres 12–14.
– Davison, A.C. et Hinkley, D.V. (1997). Bootstrap Methods and their
Applications, Cambridge University Press, Cambridge. Chapitre 5.
– Givens, G. H. et Hoeting, J. A. (2005). Computational Statistics, J. Wi-
ley & Sons, New York. Chapitre 9. Ouvrage de bon niveau, assez
théorique, couvrant l’ensemble de la matière du cours. Certains sujets
sont abordés superficiellement.
c
Jean-Claude Massé
Chapitre 4
Estimation de densité
4.1 L’histogramme
Soit X une variable aléatoire ayant la densité f et la fonction de répartition

F . En tout point de continuité de f , on sait que
F (x + h) − F (x)
f (x) = F ′ (x) = lim . (4.1)
h→0 h
Supposons que l’on veuille estimer f (x) à partir d’un échantillon x1 , . . . ,
xn de valeurs de X. Pour le faire de manière non paramétrique, il suffit
d’utiliser la fonction de répartition empirique. Pour ce faire, on commence
par se donner k intervalles (classes)
[b0 , b1 ], (b1 , b2 ], . . . , . . . , (bk−1 , bk ]
de même longueur h et contenant l’ensemble des observations. En vertu de

(4.1), il est naturel d’estimer f par la fonction en escalier
Fb(bj+1 ) − Fb(bj )
fb(x) = , x ∈ (bj , bj+1 ] = (bj , bj + h],
h
(#{xi ≤ bj+1 } − #{xi ≤ bj })/n
=
h
nj
= ,
nh
où nj = #{xi ∈ (bj , bj+1 ] ; pour x en dehors de l’intervalle [b0 , bk ], on pose
fb(x) = 0. L’estimateur ainsi défini s’appelle l’histogramme.
42
4.1. L’HISTOGRAMME 43
0.35
0.5
0.35
0.30
0.30
0.4
0.25
0.25
0.3
0.20
0.20
densité
densité
densité
0.15
0.15
0.2
0.10
0.10
0.1
0.05
0.05
0.00
0.00
0.0
8 10 12 7 9 11 13 7 9 11 13
largeur de marge largeur de marge largeur de marge
Fig. 4.1 – Histogramme de la variable V1 du jeu swissmon.dat utilisant

respectivement 28, 12 et 6 classes. La variable V1 représente la largeur de
la marge d’un billet de banque suisse contrefait (en mm) et n = 100.
On notera qu’en statistique descriptive le terme histogramme désigne la

représentation graphique de fb dans laquelle, au-dessus de chaque intervalle
(bj , bj+1 ] = (bj , bj + h], on élève le rectangle de hauteur nj /(nh). Puisque
Pk
la somme des aires de ces rectangles j=1 h × nj /(nh) = 1, on voit que
b
l’estimateur f est effectivement une densité.
Il est clair que la construction de fb peut être faite même si les données
ne proviennent pas d’une loi continue. Dans la suite, le terme histogramme
sera employé dans le sens restreint d’estimateur d’une densité f .
4.1.1 Propriétés de l’histogramme
Comme le montre la figure 4.1, le nombre de classes a un impact im-

portant sur le graphique de l’histogramme des données swissmon.dat. Pour
c
Jean-Claude Massé
k = 28, on détecte trois ou quatre modes sur un histogramme très irrégulier ;

pour k = 12, deux modes sont encore détectables mais ceux-ci sont moins
affirmés ; pour k = 6, il n’y a plus qu’un mode, mais on arrive à détecter
une asymétrie.
Ces trois histogrammes illustrent une caractéristique commune aux mé-
thodes d’estimation de densité : lorsque la hauteur des rectangles colle bien
à la distribution (biais faible), cette hauteur est très variable (lissage faible
ou sous-lissage, irrégularité du premier graphique) ; lorsque la hauteur des
rectangles colle moins bien à la distribution (biais important), la hauteur
est peu variable (lissage important ou surlissage, régularité du troisième
graphique). Un bon histogramme arrive à trouver un juste équilibre entre
biais et variabilité de l’estimation, ce qui revient à choisir adéquatement le
nombre d’intervalles ou, si l’on préfère, la longueur h de ceux-ci. Dans la
suite, on donne à h le nom de paramètre de lissage. La détermination d’une
valeur adéquate de celui-ci est un problème important que nous examinerons
en détail.
Pour mesurer la précision de fb en un point x fixé, on utilisera l’erreur
quadratique aléatoire SE(x) = (fb(x) − f (x))2 , ou mieux, l’erreur quadra-
tique moyenne
M SEF [fb(x)] = EF [fb(x) − f (x)]2 ,
où la notation EF signifie que l’espérance est évaluée par rapport à la loi F
de la variable X. À ce propos, il est important d’observer que pour tout x
fixé la variable aléatoire fb(x) est une statistique :
Nj #{Xi ∈ (bj , bj+1 ]}
fb(x) = = = Tx (X1 , . . . , Xn ).
nh nh
Notons en outre que fb(x) dépend fortement de h ; lorsque, comme ci-dessous,
l’on fait varier h, on désignerait donc plus précisément l’estimateur par
fb(x; h).
Il est cependant préférable de mesurer la précision de façon globale,
autrement dit sur l’ensemble de tous les x. Une telle mesure (aléatoire) est
c
Jean-Claude Massé
l’erreur quadratique intégrée :

Z
ISE = [fb(x) − f (x)]2 dx.
Plus loin, nous utiliserons plutôt la valeur moyenne de l’ISE :

Z Z
M ISE = EF [f (x) − f (x)] dx = M SEF [fb(x)]dx.
b 2
On peut voir que
Nj := #{Xi ∈ (bj , bj+1 ]} ∼ Bin(n, pj ),
où pj = P (bj < X ≤ bj+1 ). Pour x ∈ (bj , bj+1 ], on en déduit que
EF (Nj ) pj
EF [fb(x)] = =
nh h
et
pj (1 − pj )
VarF [fb(x)] = . (4.2)
nh2
Ces calculs permettent de constater que
M SEF [fb(x)] = EF [fb(x) − f (x)]2

= VarF [fb(x)] + Biais2F [fb(x)]
dépend de n et h pour la partie variance, et de h pour la partie biais. Cela

nous amène plus loin à évaluer la performance de l’histogramme au point x
à partir du comportement (asymptotique) de M SEF [fb(x)] lorsque n ր ∞
et h ց 0.
Dans ce qui suit, pour k > 0 on désigne par O(hk ) toute fonction g(h)
telle |g(h)|/hk est bornée quand h ց 0 : autrement dit, toute fonction qui
en valeur absolue est ≤ M hk pour une certaine constante M > 0 et pour
tout h > 0 assez petit. Une fonction de la classe O(hk ) tend donc vers 0 à
une vitesse au moins aussi grande que hk lorsque h ց 0.
Pour f suffisamment lisse, f, f ′ , f ′′ bornées et x ∈ (bj , bj+1 ], on peut
exprimer le biais de fb(x) comme fonction de h :
c
Jean-Claude Massé
BiaisF [fb(x)] = EF [fb(x)] − f (x)

pj
= − f (x)
h
Z bj+1
= f (t)dt/h − f (x)
bj
Z bj+1
= f (x) + (t − x) · f ′ (x) + O(h2 ) dt/h − f (x)
bj
Z bj+1
f ′ (x) 2 bj +h
= t − xf ′ (x) + O(h2 )dt/h
2h bj bj
f ′ (x)
= [h − 2(x − bj )] + O(h2 ). (4.3)
2
En effet, comme f ′′ est par hypothèse bornée, le reste du développement de
Taylor ci-dessus (t − x)2 f ′′ (θ)/2 ≤ M h2 , où M est indépendante de t, x et
n, puisque θ ∈ [bj , bj+1 ] et (t − x)2 ≤ h2 pour t ∈ [bj , bj+1 ]. Cela entraı̂ne
Rb Rb
que | bjj+1 O(h2 )dt/h| ≤ M h2 , et donc que bjj+1 O(h2 )dt/h = O(h2 ) ≤
M h2 . (Observer que la notation O(h2 ) sert ici à désigner deux fonctions
différentes.)
À partir de (4.2), on peut ensuite mettre en évidence le comportement
asymptotique de VarF [fb(x)] comme fonction de n et h. Pour x ∈ (bj , bj+1 ],
il vient
pj (1 − pj )
VarF [fb(x)] =
nh2
R bj+1
bj f (t)dt p2j
= −
nh2 nh2
R bj+1
bj [f (x) + O(h)]dtp2j
= −
nh2 nh2
2
f (x) 2 f (x)
= + O(1/n) − nh + O(1/n)
nh nh
f (x)
= + O(1/n), (4.4)
nh
où |O(1/n)| ≤ K/n pour une borne positive K indépendante de x et de h.
c
Jean-Claude Massé
De (4.3), on voit que h → 0 entraı̂ne que BiaisF [fb(x)] → 0 ; de (4.4),

il suit que VarF (fb(x)) → 0 lorsque nh → ∞. En pratique, on prendra
h = h(n). Pour que le biais et la variance de l’histogramme en x soient
petits, il faut donc que n soit grand et qu’en même temps h(n) soit petit,
tout en ayant nh(n) grand.
De ce qui précède, il s’ensuit que
M SE[fb(x)] = Var[fb(x)] + Biais2 [fb(x)]

f (x) f ′ (x)2
= + O(1/n) + [h − 2(x − bj )]2 + O(h3 ) + O(h4 )
nh 4
f (x) f ′ (x)2
= + [h − 2(x − bj )]2 + O(h3 ) + O(1/n),
nh 4
où en valeur absolue O(h3 ) et O(1/n) sont bornées en x. Finalement, en
intégrant par rapport à x on peut montrer que (voir Scott, 54)
1 h2 R(f ′ )
M ISE = + + O(h3 ) + O(1/n), (4.5)
nh 12
R
où R(f ′ ) = f ′ (t)2 dt.
On interprète R(f ′ ) comme une mesure de la régularité de la densité
à estimer f . Lorsque f ′ prend de grandes valeurs (f irrégulière), R(f ′ ) est
grand ; lorsque f est lisse (valeurs de f ′ proches de 0), R(f ′ ) prend de petites
valeurs. Dans (4.5), on voit que le carré du biais intégré est proportionnel
au carré du paramètre de lissage h et que la variance intégrée est inver-
sement proportionnelle à ce paramètre. On pourra donc dire qu’un petit
h produit un histogramme peu biaisé, tandis qu’un grand nh détermine
un histogramme peu variable. Pour atteindre ce double objectif, on devra
réconcilier ces contraintes un peu contradictoires.
4.1.2 Choix du paramètre de lissage
En pratique, on choisit h en fonction de n. Nous présentons maintenant

trois des règles les plus utilisées.
c
Jean-Claude Massé
1) Règle de Sturges (1926)
Choisir le nombre k de classes égal à ⌈1+log2 n⌉ (plus petit entier ≥). On

prendra alors h = (X(n) − X(1) )/k (voir Scott, 48). Cette règle est obtenue
à partir du principe que le modèle normal peut servir de référence lorsqu’il
est impossible d’identifier un bon modèle.
La règle de Sturges a tendance à produire des histogrammes trop lisses
(surlissage). C’est la règle utilisée par défaut dans R et dans la plupart des
logiciels statistiques. On la considère insatisfaisante lorsque n est grand.
Nous examinerons deux autres méthodes de sélection qui dans l’ensemble
sont plus acceptables. Elles font toutes deux appel à la partie dominante du
M ISE, partie que l’on nomme le M ISE asymptotique :
1 h2 R(f ′ )
AM ISE = AM ISE(h) = + .
nh 12
On vérifie facilement que cette mesure globale de précision de l’histo-
gramme vue comme fonction de h est minimisée en prenant
1/3
6 1
hopt = ′ 1/3
. (4.6)
R(f ) n
Cette valeur ‘optimale’ du paramètre de lissage h entraı̂ne que

9R(f ′ ) 1/3 1
AM ISEopt = .
16 n2/3
Lorsque n → ∞, l’AM ISEopt tend donc vers 0 à la vitesse n−2/3 , une
vitesse plus lente que celle de la variance de la plupart des estimateurs
paramétriques laquelle converge généralement à la vitesse n−1 .
Pour les applications pratiques, on note toutefois qu’un problème bien
concret se pose : comme f n’est pas connue, f ′ ne l’est pas davantage, ce
qui empêche d’utiliser directement l’équation (4.6).
Faute de mieux, on utilise souvent (4.6) en prenant pour f la densité de
la loi normale N (µ, σ 2 ). On peut alors montrer que le paramètre de lissage
optimal est
√ 1
b
hopt = (24σ 3 π)1/3 1/3 = 3.491σn−1/3 .
n
c
Jean-Claude Massé
En estimant σ par l’écart type S échantillonnal, on obtient ainsi la règle de

Scott.
2) Règle de Scott (1979)
Prendre
b
hopt = 3.491Sn−1/3 .
Une règle du même type, moins sensible aux données aberrantes, est celle
de Freedman-Diaconis.
3) Règle de Freedman-Diaconis (1981)
Prendre
b
hopt = 2IQn−1/3
où IQ = Q3 − Q1 est l’écart interquartile.
Remarque 1. On notera que les deux dernières règles font du surlissage

lorsque la densité a plusieurs modes.
0.6
0.5
0.4
0.4
0.3
Densité
Densité
0.3
0.2
0.2
0.1
0.1
0.0
0.0
−2 0 1 2 −1 0 1 2
y y
Fig. 4.2 – Influence du point d’ancrage sur un histogramme
c
Jean-Claude Massé
4.2. LE POLYGONE DE FRÉQUENCE 50
La plus grande qualité de l’histogramme est sa simplicité. Parmi ses

défauts importants, citons celui d’être dépendant du point d’ancrage, autre-
ment dit de la position du premier intervalle (voir Figure 4.2). On peut aussi
reprocher à l’histogramme d’être trop peu sensible aux propriétés locales
de f . En outre, alors que la plupart des fonctions de densité ne sont pas
des fonctions en escalier, l’histogramme est toujours de cette forme. Nous
présentons maintenant un premier exemple d’estimateur de densité ayant la
forme d’une fonction continue, le polygone de fréquence.
polygone de fréquence
1.4
1.2
1.0
0.8
densité
0.6
0.4
0.2
0.0
7.5 8.0 8.5
taux
Fig. 4.3 – Polygone de fréquence pour les valeurs de la variable V1 du tableau

cdrate.dat.
4.2 Le polygone de fréquence

Même si la fonction de densité f est indéfiniment différentiable, l’histo-
gramme l’estime par une fonction discontinue. Il existe une manière simple
de construire un estimateur continu à partir de l’histogramme. Elle consiste
à joindre par un segment de droite tous les couples consécutifs de points
(mi , fb(mi )), où fb est l’histogramme, mi = (bi + bi+1 )/2, i = 0, . . . , k − 1,
m−1 = b0 − h/2 et mk = bk + h/2. On obtient alors l’estimateur appelé
c
Jean-Claude Massé
4.2. LE POLYGONE DE FRÉQUENCE 51
polygone de fréquence. Formellement, celui-ci est défini par

1
fbp (x) = [nj−1 mj+1 − nj mj + (nj − nj−1 )x] , x ∈ [mj , mj+1 ],
nh2
où n−1 = nk = 0. La figure 4.3 montre un exemple de polygone de fréquence
superposé à un histogramme. Le polygone de fréquence est continu et différen-
tiable partout, sauf en chacun des points milieux des intervalles [bj , bj+1 ].
Comme pour l’histogramme, on peut faire une analyse du comporte-
ment asymptotique du biais et de la variance du polygone de fréquence. En
supposant que f soit suffisamment lisse, Scott a montré que
2 49h4 R(f ′′ )
M ISE = + + O(n−1 ) + O(h6 ).
3nh 2880
La variance intégrée est encore inversement proportionnelle à nh. Le carré
du biais intégré est proportionnel à h4 ainsi qu’à R(f ′′ ), un terme dépendant
de la courbure (dérivée seconde) de la densité f . Le biais du polygone de
fréquence est donc d’un ordre de grandeur plus petit que celui de l’histo-
gramme. Le polygone de fréquence parvient à cette augmentation de précision
en ne retenant que les valeurs de l’histogramme aux centres des intervalles
définissant l’histogramme.
Comme ci-dessus, la minimisation de l’AMISE conduit au paramètre de
lissage optimal
1/5
15 1
hopt =2 , (4.7)
49R(f ′′ ) n1/5
ainsi qu’à la valeur minimale

5 49R(f ′′ ) 1/5 1
AM ISEopt = .
12 15 n4/5
De ce point de vue, on peut ainsi dire que la vitesse de convergence du
1
polygone de fréquence, proportionnelle à n4/5
, est supérieure à celle de l’his-
1
togramme, proportionnelle à n2/3
.
Dans la pratique, la manière la plus simple d’estimer le paramètre de
lissage est de supposer que f est gaussienne dans (4.7). On obtient alors
c
Jean-Claude Massé
4.3. L’ESTIMATEUR À NOYAU 52
hopt = 2.15σn−1/5 , ce qui conduit à la règle de Scott

b
hopt = 2.15Sn−1/5 ,
où S est un estimateur de l’écart type. Comparé au paramètre de lissage

optimal de l’histogramme, le paramètre analogue du polygone de fréquence
tend à être plus grand : n−1/5 est toujours plus grand que n−1/3 . Pour que
l’histogramme discontinu produise une bonne estimation de f , il faut que son
paramètre de lissage soit plus petit. À cause de sa continuité, le polygone de
fréquence arrive à estimer une densité continue de façon acceptable à partir
d’un paramètre de lissage plus grand.
Selon ce qui précède, le polygone de fréquence est un estimateur plus
précis que l’histogramme lorsque n est assez grand et h bien choisi. Des
études de Monte Carlo montrent que cette supériorité est observée même
pour des tailles n petites. Dans la pratique, on préférera donc le polygone de
fréquence à l’histogramme. Comme l’histogramme, le polygone de fréquence
a l’inconvénient de dépendre du point d’ancrage. L’estimateur à noyau n’a
pas ce défaut, tout en ayant l’avantage d’être plus lisse que l’histogramme
ou le polygone de fréquence.
4.3 L’estimateur à noyau

On sait qu’en chacun de ses points de continuité une densité f est liée à
sa fonction de répartition F par l’équation :
F (x + h) − F (x − h)
f (x) = lim . (4.8)
h→0 2h
En effet, cela est une conséquence de l’identité
F (x + h) − F (x − h) F (x + h) − F (x) F (x − h) − F (x)
= + ,
2h 2h −2h
où les deux termes du membre droit tendent vers f (x)/2 quand h → 0.
Rappelons que la construction d’un histogramme repose sur le choix d’un
point d’ancrage b0 ≤ min xi , et de k intervalles disjoints recouvrant l’en-
semble des observations et ayant la même longueur h, paramètre contrôlant
c
Jean-Claude Massé
Histogramme Noyau rectangulaire
1.4
1.4
1.2
1.2
1.0
1.0
0.8
0.8
Densité
Densité
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
7.4 8.0 8.6 7.5 8.5
taux taux, h=0.1153
Fig. 4.4 – Histogramme et estimateur à noyau rectangulaire pour la première

variable du jeu cdrate.dat (69 taux d’intérêt sur des certificats de dépôt)
le lissage. À l’exception du point d’ancrage, les extrémités de ces intervalles

sont indépendantes des données.
Pour mesurer la densité des données en un point x sans faire intervenir de
point d’ancrage, l’estimateur à noyau propose de s’intéresser aux données
contenues dans l’intervalle (x − h, x + h] pour le paramètre h fixé. Cette
nouvelle approche est suggérée par (4.8). Selon cette équation, la fonction
de répartition empirique permet en effet d’estimer f au point x par
#{xi ∈ (x − h, x + h]}
fb(x) = . (4.9)
2nh
En posant
1/2, −1 ≤ u < 1
K(u) =
0, sinon
on peut réécrire (4.9) sous la forme
n
1 X x − xi
fb(x) = f (x; h) = K . (4.10)
nh h
i=1
c
Jean-Claude Massé
Nous venons de définir l’estimateur à noyau dit rectangulaire (ou uniforme,

ou naı̈f), du nom de la forme prise ici par le noyau K, à savoir la densité
uniforme sur [−1, 1). La figure 4.4 ci-dessus compare un histogramme à 7
intervalles avec l’estimateur à noyau rectangulaire de paramètre h = 0.1153.
L’estimation porte sur la première variable du jeu de données cdrate.dat.
L’estimateur à noyau rectangulaire reflète plus fidèlement les propriétés
locales de f que l’histogramme. En tant que somme de valeurs de K, cet
estimateur a les mêmes propriétés de continuité et de différentiabilité que la
densité uniforme, ce qui explique son aspect en dents de scie. Pour obtenir
un estimateur plus lisse, il suffit d’utiliser la définition (4.10) avec un noyau
K plus régulier. La figure 4.5 ci-après montre le graphique de l’estimateur à
noyau pour le noyau gaussien
1 2
K(u) = √ e−u /2
2π
et h = 0.1153.
1.5
1.0
Densité
0.5
0.0
7.5 8.0 8.5 9.0
taux h=0.1153
Fig. 4.5 – Estimateur à noyau gaussien pour les données cdrate.dat
Comme l’histogramme et le polygone de fréquence, l’estimateur à noyau
c
Jean-Claude Massé
dépend fortement du paramètre de lissage h (appelé en anglais bandwidth

ou window width). Comme pour l’histogramme et le polygone de fréquence,
pour n fixé on pourra baser le choix d’un h optimal sur l’AM ISE. Cela
revient encore à minimiser à la fois la variance et le carré du biais intégrés,
en recherchant un équilibre entre ces deux exigences contradictoires.
Dans le raisonnement qui suit, on suppose que le noyau K est une fonc-
tion symétrique par rapport à 0 vérifiant les trois conditions suivantes :
Z Z Z
K(u)du = 1, uK(u)du = 0, u2 K(u)du = σK 2
> 0.
On notera que ces conditions n’obligent pas K à être positive et, en par-
ticulier, à être une densité. On suppose aussi que la densité à estimer f
est suffisamment régulière en ce sens que ses dérivées d’ordres deux et trois
existent et ont un bon comportement. En outre, on fait l’hypothèse que
f (x) → 0 lorsque |x| → ∞.
Compte tenu des propriétés du noyau K, au point x on a
" n #
1 X x − X i
BiaisF [fb(x)] = EF K − f (x)
nh h
1
1 x−X
= EF K − f (x) (puisque les Xi sont i.i.d.)
h h
Z
1 x−y
= K f (y)dy − f (x)
h h
Z
= K(u)f (x − hu)du − f (x)
Z
= K(u)[f (x − hu) − f (x)]du
Z
1
= K(u)[−huf ′ (x) + h2 u2 f ′′ (x) + · · · ]du
2
Z Z
1 2 ′′
= −hf (x) uK(u)du + h f (x) u2 K(u)du + · · ·
′
2
2 ′′
h f (x)σK 2
= + O(h4 )
2
= O(h2 )
c
Jean-Claude Massé
lorsque h est petit. De même, lorsque h est petit, le calcul précédent implique
que

1 1 x−X
VarF [fb(x)] = VarF K (puisque les Xi sont i.i.d.)
n h h
( " # )
1 1 x−X 2 1 x − X
= EF K − EF2 K
n h2 h h h
Z 2
1 1 x−y 1 b(x)]
2
= K f (y)dy − f (x) + Biais F [f
n h2 h n
Z
1 1 2
= K 2 (u)f (x − hu)du − f (x) + O(h2 )
nh n
Z
1
= K 2 (u)[f (x) − huf ′ (x) + · · · ]du + O(1/n)
nh
R(K)f (x)
= + O(1/n),
nh
où R a la même signification que pour l’histogramme et le polygone de
fréquence.
L’erreur quadratique moyenne au point x s’obtient en additionnant la
variance et le carré du biais :
R(K)f (x) h4 σK
4 [f ′′ (x)]2
M SEF [fb(x)] = + + O(1/n) + O(h6 ).
nh 4
En intégrant par rapport à x, on obtient ensuite le M ISE, dont la partie
dominante, le M ISE asymptotique, est donnée par
R(K) h4 σK
4 R(f ′′ )
AM ISE = AM ISE(n, h) = + . (4.11)
nh 4
Comme plus haut, l’AMISE est vu comme une mesure globale de précision
de l’estimateur à noyau. Pour minimiser la variance et le biais intégrés, on
choisira h = h(n) tel que nh(n) → ∞ et h(n) → 0 lorsque n → ∞. Pour n
fixé, on vérifie que le h minimisant AM ISE(n, h) est
1/5
R(K) 1
hopt = 4 R(f ′′ ) ,
σK n1/5
c
Jean-Claude Massé
d’où il suit que l’AM ISE minimal est

5 1
AM ISEopt = [σK R(K)]4/5 R(f ′′ )1/5 4/5 .
4 n
L’estimateur à noyau et le polygone de fréquence ont donc la même vitesse
de convergence mesurée par l’AMISE, soit n−4/5 .
Parmi tous les noyaux K qui sont des densités, on peut montrer que la
valeur minimale de σK R(K) est atteinte pour le noyau
3 2
K(u) = 4 (1 − u ) |u| ≤ 1
0 sinon,
fonction appelée noyau d’Epanechnikov. Pour ce noyau, la valeur minimale

√
atteinte est 3/(5 5). Il est alors naturel de mesurer l’efficacité relative d’un
noyau K en prenant
σK R(K)
√ .
3/(5 5)
Le tableau suivant donne l’efficacité relative des noyaux les plus fréquem-
ment utilisés. À l’exception du noyau gaussien, tous ces noyaux valent 0
en dehors de l’intervalle [−1, 1]. Comme ces efficacités relatives sont très
rapprochées, on est amené à choisir K en fonction de la facilité de calcul
plutôt que de l’efficacité relative.
Tab. 4.1 –
Noyau Forme Efficacité relative

3 2
Epanechnikov 4 (1 − u ) 1
15 2 2
‘Biweight’ 16 (1 − u ) 1.0061
Triangulaire 1 − |t| 1.0143
2
Gaussien (2π)−1/2 e−u /2 1.0513
1
Uniforme 2 1.0758
Cosinus (1 + cos πu)/2 1.0104
c
Jean-Claude Massé
4.3.1 Choix du paramètre de lissage en pratique
Comme pour l’histogramme et le polygone de fréquence, une méthode

consiste à minimiser en h l’AM ISE défini par (4.11). Comme cette ex-
pression dépend de l’inconnue f , une approche simple consiste à l’évaluer
en prenant pour f la densité de la loi normale N (µ, σ 2 ). Pour le noyau K
gaussien, on obtient ainsi
1/5
4 1
hopt = σ ≈ 1.059 σ . (4.12)
3n n1/5
En estimant σ par l’écart type échantillonnal S, on obtient la règle sui-

vante.
Règle de Scott pour le noyau gaussien
Prendre
b 1
hopt = 1.059S 1/5 .
n
On peut aussi estimer σ avec un estimateur robuste tel que l’écart inter-
quartile IQ = Q3 − Q1 . Pour une loi normale standard, l’écart interquartile
R = Φ−1 (.75) − Φ−1 (.25) ≈ 1.35.
Pour une variable normale X de variance σ 2 , on vérifie sans peine que l’écart
interquartile vaut
FX−1 (.75) − FX−1 (.25) = σR.
Cela conduit à estimer σ par IQ/R, d’où la règle
b IQ 1 1
hopt = 1.059 = 0.79IQ 1/5 . (4.13)
R n1/5 n
Selon Silverman, si (4.13) est satisfaisant pour des densités présentant de

l’asymétrie ou des valeurs extrêmes, ce paramètre de lissage a l’inconvénient
de provoquer du surlissage pour des densités bimodales. Pour estimer la
c
Jean-Claude Massé
4.4. CHOIX DE H PAR VALIDATION CROISÉE 59
densité de manière robuste tout en remédiant au problème de surlissage,

Silverman propose de réduire le coefficient 1.059 de l’équation (4.12) à 0.9
et suggère la règle suivante.
Règle de Silverman
Prendre
b 1
hopt = 0.9A 1/5 ,
n
où
A = min{S, IQ/1.35}.
Il s’agit de la règle utilisée par défaut dans le progiciel R.
4.4 Choix de h par validation croisée

Les idées sous-jacentes à la validation croisée ont été décrites par Stone
en 1974. Essentiellement, cette méthode sert à sélectionner un modèle parmi
plusieurs, en évaluant un critère d’ajustement approprié à partir de certains
sous-ensembles des observations. La technique est fréquemment utilisée entre
autres en régression et en classification. Nous appliquerons ici la validation
croisée au choix du paramètre de lissage lorsque l’on estime une densité
par un estimateur à noyau. Nous verrons que la méthode est étroitement
apparentée au jackknife dans sa façon d’utiliser les données pour l’évaluation
du critère.
Dans la section précédente, on identifie le h optimal au h obtenu en (4.12)
en supposant f gaussienne, une hypothèse rarement réaliste. Plus haut, la
moyenne de l’erreur quadratique intégrée (le M ISE) est présentée comme
une mesure globale de précision de fb. Au lieu de choisir hopt à partir de
l’AM ISE(h), on est tenté de le faire à partir de
Z
M ISE(h) = EF [fb(t) − f (t)] dt .
2
c
Jean-Claude Massé
Il s’agit du point de vue adopté par la validation croisée. En fait, comme

M ISE(h) dépend de f inconnue, la validation croisée visera plutôt à mini-
miser un estimateur sans biais de M ISE(h).
En premier lieu, on peut voir que
Z
M ISE(h) = EF [fb(t) − f (t)] dt
2
Z Z Z
= 2
f (t) dt + EF b 2
f (t) dt − 2EF b
f (t)f (t)dt (. 4.14)
R
Comme f (t)2 dt est une constante indépendante de h, il suffira de minimiser
un estimateur des deux derniers termes.
En tout point t, observons que fb(t) est une variable aléatoire fonction
de X1 , . . . , Xn . Pour bien le marquer, on notera son espérance EF [fb(t)] =
EX1 ,...,Xn [fb(t)]. Suivant la même logique, pour Y indépendante des Xi , on
peut voir que
Z Z Z
EF b b
f (t)f (t)dt = EF [f (t)]f (t)dt = EX1 ,...,Xn [fb(t)]f (t)dt (4.15)
= E[EX1 ,...,Xn [fb(Y )|Y ]].

= EF [fb(Y )]
" " ##
1 X Y − Xi
= E E K Y
nh h
i
" " ##
1 Y − X
= E E K Y .
h h
Nous avons ici un exemple d’application de l’identité exprimant l’espérance

d’une variable aléatoire W (ici fb(Y ), fonction de X1 , . . . , Xn , Y ) en termes de
l’espérance conditionnelle de cette variable par rapport à une autre variable
(ici Y ) :
E[W ] = E[E[W |Y ]].
Le membre gauche de l’équation (4.15) s’obtient donc en calculant succes-

sivement une espérance par rapport aux variables X1 , . . . , Xn pour Y fixée,
c
Jean-Claude Massé
ensuite une espérance par rapport à la variable Y , où les variables Xi et Y

sont indépendantes et de même loi F .
Nous allons estimer l’espérance du membre gauche de l’équation (4.15)
en faisant appel au principe de la validation croisée. Pour i = 1, . . . , n,
posons
1 X t − Xj
fb−i (t) = K .
(n − 1)h h
j6=i
Noter que fb−i (t) est l’estimateur à noyau de f basé sur les observations Xj ,
j 6= i. Il est clair que
" #
1 t−X 1 X t − Xi
E[fb−i (t)] = E K =E K = EX1 ,...,Xn [fb(t)],
h h nh h
i
d’où, pour Y indépendante de X1 , . . . , Xn mais de même loi,
E[fb−i (Xi )] = E[E[fb−i (Xi )|Xi ]] = E[E[fb−i (Y )|Y ]]

= E[EX1 ,...,Xn [fb(Y )|Y ]]
Pn b
Il en résulte que i=1 f−i (Xi )/n estime sans biais
Z
E fb(t)f (t)dt = E[EX1 ,...,Xn [fb(Y )|Y ]].
Remarque 2. On peut se demander pourquoi on ne pourrait pas estimer

hR i
E fb(t)f (t)dt = E[fb(Y )] par
Z
1Xb
fb(y)dFb (y) = f (Xi ).
n
i
On ne le fait pas parce que cet estimateur est biaisé. En fait, pour tout i,

b 1 1 X Xi − Xj 1
f (Xi ) = K(0) + K ≥ K(0),
nh nh h nh
j6=i
alors qu’en général fb(Y ) n’a pas de borne inférieure strictement positive.
c
Jean-Claude Massé
4.5. MÉTHODE DE SHEATHER-JONES 62
Le raisonnement qui précède est un exemple d’application du principe

de la validation croisée, dans laquelle chacun des sous-échantillons de n −
1 observations est utilisé pour obtenir de l’information sur l’observation
restante : plus précisément, pour tout i, les observations Xj , j 6= i, sont
utilisées pour estimer f (Xi ).
R
Le deuxième terme de (4.14) s’estime sans biais par fb(t)2 dt. On définira
donc le h optimal comme étant un point minimum de
Z n
2Xb
V C(h) = fb(t)2 dt − f−i (Xi ). (4.16)
n
i=1
La fonction V C(h) définit le critère de validation croisée dite sans biais.

Puisque
M ISE(h) = E[R(f ) + V C(h)],
on dit aussi que cette validation croisée est celle des moindres carrés.
Pour le calcul de (4.16), on peut utiliser l’approximation
P P ∗ Xi −Xj
i jK h K(0)
V C(h) ≈ 2
+2 ,
n h nh
R
où K ∗ (x) = K (2) (x) − 2K(x) et K (2) (x) = K(x − y)K(y)dy est le produit
de convolution de K avec lui-même. Dans le cas particulier où K est le noyau
normal, K (2) est la densité N (0, 2).
Des études ont montré que la méthode de la validation croisée sans biais
produit un h très variable. Un autre défaut de cette méthode est qu’elle
produit parfois une fonction V C(h) ayant plus d’un minimum local.
4.5 Méthode de Sheather-Jones

On se souvient que l’AMISE de l’estimateur à noyau est minimisé en
1/5
R(K) 1
hopt = 4 .
σK R(f ′′ ) n1/5
c
Jean-Claude Massé
4.6. EXTENSION À PLUSIEURS DIMENSIONS 63
Comme f ′′ est inconnue, Sheather et Jones (1991) proposent d’utiliser la

méthode du noyau pour estimer R(f ′′ ). Pour ce faire, on note que pour un
noyau différentiable deux fois L et un paramètre de lissage h0 ,
( )
d2 1 X x − Xi
fb′′ (x) = L
dx2 nh0 h0
i

1 X ′′ x − Xi
= L .
nh30 h0
i
Dans le présent contexte, il est important de noter que l’estimation opti-

male de f ′′ ne se fait pas nécessairement avec le même paramètre de lissage
optimal que l’estimation de f . Dans le cas où K = L est le noyau gaussien,
Sheather et Jones suggèrent une stratégie en deux étapes pour estimer le
b
hopt de fb. À la première étape, on choisit un h0 ∝ n−1/7 (proportionnel)
conduisant à fb′′ ; à la seconde étape, on calcule
" #1/5
b R(K) 1
hopt = .
σ 4 R(fb′′ )
K
n1/5
On trouvera les détails de ces calculs dans la bibliographie de ce chapitre.
Entre toutes les méthodes de sélection du h optimal actuellement dis-
ponibles, la méthode de Sheather-Jones est considérée parmi les meilleures.
Entre autres avantages, cette méthode produit un h moins variable que la
validation croisée.
4.6 Extension à plusieurs dimensions
Soient x1 , . . . , xn des observations indépendantes d’un vecteur aléatoire

de dimension d de densité inconnue f . On définit un estimateur à noyau
d-dimensionnel de f par
n
1 X
fb(y) = Kd (H −1 (y − xi )),
n|H|
1
où H est une matrice symétrique d × d définie positive, |H| son déterminant
et Kd un noyau d-dimensionnel prenant, par exemple, la forme d’une densité.
c
Jean-Claude Massé
4.6. EXTENSION À PLUSIEURS DIMENSIONS 64
Une manière simple de générer un noyau d-dimensionnel est de prendre

un noyau unidimensionnel K et de définir le noyau produit :
d
Y
Kd (u1 , . . . , ud ) = K(ui ).
1
La matrice H contient en général d(d + 1)/2 différents paramètres de lissage

qu’il nous faut déterminer de façon optimale. Parce qu’il y a généralement
trop peu d’observations pour obtenir une estimation assez précise, on sup-
pose la plupart du temps que H est diagonale, ce qui réduit à d le nombre
de paramètres à déterminer.
Pour simplifier l’exposé, nous nous limiterons ici au cas d = 2. Dans cette
situation, le noyau le plus couramment utilisé est le noyau normal produit :
1 −u21 /2 −u22 /2
K2 (u1 , u2 ) = e e .
2π
Lorsque H = diag(h1 , h2 ), l’estimateur à noyau prend alors la forme
n
X
1 (y1 − xi1 )2 (y2 − xi2 )2
fb(y) = fb(y1 , y2 ) = exp − exp − .
2πnh1 h2 2h1 2h2
1
Pour le noyau précédent et H = diag(h1 , h2 ), on pourra encore sélection-

ner les valeurs optimales de h1 et h2 en minimisant l’AMISE correspondant.
Une version bidimensionnelle de la règle de Scott en découle par substitution
à f de la densité normale à deux composantes indépendantes de variances σ12
et σ22 . En conséquence, on peut vérifier que la règle de Scott bidimensionnelle
prend la forme

b opt = diag n−1/6 S1 , n−1/6 S2 ,
H
où Si est une estimation de l’écart type σi basée sur les ie composantes de
l’échantillon, i = 1, 2. Il existe également une règle basée sur la validation
croisée mais nous ne la considérerons pas ici.
c
Jean-Claude Massé
4.7. PROPRIÉTÉS DE CONVERGENCE DE L’ESTIMATEUR À
NOYAU 65
4.7 Propriétés de convergence de l’estimateur à

noyau
4.7.1 Convergence ponctuelle
Rosenblatt et Parzen ont été les initiateurs de la méthode du noyau. Le

résultat suivant est dû à Parzen (1962).
Théorème 4.7.1. Soit K un noyau borné vérifiant les conditions suivantes :

R
1. |K(u)|du < ∞ ;
R
2. K(u)du = 1 ;
3. |uK(u)| → 0 lorsque |u| → ∞.
Soit x un point de continuité de f . Pour que fb(x) → f (x) en probabilité, il
suffit que hn → 0 et nhn → ∞ lorsque n → ∞.
4.7.2 Convergence uniforme
Le principal résultat est dû à Bertrand-Retali (1978).
Théorème 4.7.2. Soit K un noyau borné vérifiant les conditions suivantes :

1. K est à variation bornée (par exemple une densité unimodale) ;
2. K est continu presque partout ;
3. K vérifie les conditions 1 et 2 de Parzen.
Supposons que f soit uniformément continue. Pour que
sup |fb(x) − f (x)| → 0, n→∞

x
avec probabilité 1 (convergence presque sûre), il suffit que hn → 0 et que

nhn / log n → ∞.
4.8 Bibliographie
– Simonoff, J. S. (1996). Smoothing Methods in Statistics, Springer-

Verlag, New York. Chapitres 1–3. Théorie et pratique. Excellent.
c
Jean-Claude Massé
– Silverman, B. W. (1986). Density Estimation for Statistics and Data

Analysis. Chapman & Hall, New York. Chapitres 1–3. Plus théorique
que pratique. Bonne référence un peu ancienne.
– Wand, M. P. et Jones, M. C. (1995). Kernel Smoothing, Chapman and
Hall, New York. Chapitres 1–3. Théorie. Excellente référence.
– Scott, D. W. (1992). Multivariate Density Estimation, J. Wiley and
Sons, New York. Chapitres 2–4, 6. Théorie avancée. Excellente réfé-
rence.
– Bowman, A. W. et Azzalini, A. (1997). Applied Smoothing Techniques
for Data Analysis. The Kernel Approach with S-Plus Illustrations, Ox-
ford Science Publications, New York. Chapitres 1–2. Accent sur la
pratique. Bonne référence.
c
Jean-Claude Massé
Chapitre 5
Une introduction à la
régression non paramétrique
5.1 La régression à noyau
Les modèles de régression servent à représenter mathématiquement la

relation entre une variable aléatoire Y et un ensemble de prédicteurs X.
On les utilise souvent pour prédire Y en fonction de certaines valeurs des
prédicteurs.
Le modèle de régression le plus élémentaire est le modèle de régression
linéaire simple contenant un seul prédicteur X. Pour des données (x1 , y1 ), . . . ,
(xn , yn ), ce modèle énonce que
yi = β0 + β1 xi + ǫi , i = 1, . . . , n, (5.1)
pour deux constantes, β0 , β1 , où l’on suppose généralement que les ǫi sont
iid de moyenne nulle. À partir des estimateurs des moindres carrés βb0 et βb1 ,
on obtient l’équation de prédiction de la réponse Y en X = x :
Yb = βb0 + βb1 x.
Lorsque la relation entre Y et X est non linéaire, le modèle (5.1) est

insatisfaisant. On s’intéressera naturellement au modèle plus général
yi = m(xi ) + ǫi , i = 1, . . . , n,
67
5.1. LA RÉGRESSION À NOYAU 68
où m(x) s’appelle la fonction de régression. Lorsque E(ǫ|X = x) = 0, on voit

que m(x) = E(Y |X = x). Lorsqu’on ne suppose pas une forme paramétrique
pour m, on parlera d’une fonction de régression non paramétrique.
Pour construire un estimateur de la fonction de régression m, faisons
l’hypothèse que (X, Y ) possède une densité jointe f . Si f (y|x) désigne la
densité conditionnelle de Y étant donné X = x, on peut écrire
m(x) = E(Y |X = x)
Z
= yf (y|x)dy
Z
f (x, y)
= y dy, (5.2)
fX (x)
où fX (x) est la densité marginale de X et f (x, y) est la densité jointe de X

et Y .
Supposons maintenant que l’on veuille estimer m(x0 ). La méthode du
noyau permet d’estimer f (x0 , y) et fX (x0 ), donc (5.2) suggère l’estimateur
R h i
y fb(x0 , y)/fbX (x0 ) dy. Étant donné deux noyaux Kx et Ky , deux estima-
teurs à noyau sont
n
1 X x0 − xi y − yi
fb(x0 , y) = Kx Ky
nhx hy 1 hx hy
et
n
b 1 X x0 − xi
fX (x0 ) = Kx .
nhx 1 hx
R R
Comme plus haut, supposons que Ky (u)du = 1 et uKy (u)du = 0. En
faisant le changement de variable ui = (y − yi )/hy , on peut évaluer notre
estimateur comme suit :
Pn R
Z Kx x0 −xi 1
yKy y−y i
dy
fb(x0 , y) 1 hx hy hy
y dy = Pn
fbX (x0 ) Kx x0h−x
1
i
x
Pn
x0 −xi
1 Kx hx yi
= Pn .
x0 −xi
1 Kx hx
c
Jean-Claude Massé
5.2. LA RÉGRESSION POLYNOMIALE LOCALE 69
b N W (x0 ) s’appelle l’estimateur à noyau de Nadaraya-

L’estimateur obtenu m
Watson (1964). On voit que celui-ci est une fonction linéaire des yi , en fait
la moyenne pondérée
n
X
b N W (x0 ) =
m wi yi ,
i=1
où

Kx x0h−x x
i
wi = Pn
x0 −xi
1 Kx hx

x0 −xi
1 K x hx
= .
nhx fbX (x0 )
Pour x0 fixe et Kx prenant ses valeurs les plus grandes dans le voisinage
de 0, cette expression montre que les poids wi les plus importants sont
ceux associés aux xi proches de de x0 . On se souviendra que l’estimateur à
noyau d’une densité possède la même propriété. À l’opposé, on notera que
l’ajustement en un point d’une fonction de régression polynomiale (modèle
paramétrique) pourrait fortement dépendre d’observations très éloignées du-
b N W (x0 ) hérite des
dit point. Comme fonction de x0 , on observe enfin que m
propriétés de différentiabilité de K = Kx .
5.2 La régression polynomiale locale

b N W (x0 ) est la solution en β0 du
Il n’est pas difficile de voir que m
problème de moindres carrés pondérés
n
X
21 x0 − xi
min (yi − β0 ) K . (5.3)
β0 h h
i=1
[Exercice : vérifier cette affirmation en dérivant l’expression précédente par

rapport à β0 et en égalant la dérivée à 0.] Au sens des moindres carrés
b N W (x0 ) est la constante s’ajustant le
pondérés, on peut donc dire que m
c
Jean-Claude Massé
1 x0 −xi

mieux aux yi lorsque le poids de yi est hK h , i = 1, . . . , n. On voit
ainsi que l’estimation de cette constante est donc davantage influencée par
les (xi , yi ) tels que xi est proche de x0 . En outre, plus h est grand plus
l’influence des points xi éloignés de x0 se fera sentir, et inversement lorsque
h est petit. C’est en ce sens que l’on parle ici de régression locale.
Nous verrons que l’estimateur de Nadaraya-Watson peut être fortement
biaisé près des extrémités de l’intervalle où se trouvent les xi . Le problème de
minimisation (5.3) suggère qu’il pourrait être préférable d’ajuster localement
(i.e. en chaque point x0 ) un polynôme de degré p ≥ 1 plutôt qu’une constante
β0 . Au point x0 , on cherchera donc le polynôme β0 +β1 (x0 −x)+· · ·+βp (x0 −
x)p minimisant en β0 , β1 , . . . , βp l’expression
n
X
p 2 1 x0 − xi
[yi − β0 − β1 (x0 − xi ) − · · · − βp (x0 − xi ) ] K . (5.4)
h h
i=1
Le problème de minimisation en est un des moindres carrés pondérés avec

la matrice de poids diagonale

1 x0 − x1 1 x0 − xn
W = diag K ,..., K .
h h h h
Si  
1 x0 − x1 (x0 − x1 )p
 
X =  ... ..
. ...
..
. ,
1 x0 − xn (x0 − xn )p
la somme à minimiser (5.4) peut en effet écrire
(y − Xβ)′ W (y − Xβ).
Lorsque X ′ W X est inversible, la solution obtenue par dérivation est

 
βb0
 b 
b=
β
β 
 1  = (X ′ W X)−1 X ′ W y. (5.5)
 ··· 
βbp
c
Jean-Claude Massé
b p (x0 ) = βb0 , soit la valeur du polynôme estimé

On estime alors m(x0 ) par m
p
X
βbi (x0 − x)i
i=0
en x = x0 . (Noter que ce βb0 dépend de x0 , de chacun des (xi , yi ), de K et

b p (x0 ) est une combinaison linéaire
de p.) Pour tout x0 , il suit de (5.5) que m
des yi . Il en résulte que l’on peut écrire
(m b p (xn ))′ = Sh y,
b p (x1 ), . . . , m (5.6)
pour une matrice de lissage Sh carrée d’ordre n jouant le rôle de la matrice

chapeau rencontrée en régression linéaire. (Dans le cas présent, contraire-
ment à la régression linéaire, on notera que Sh n’est pas idempotente :
Sh2 6= Sh .) En raison de la propriété précédente, on dit que le lissage par
régression polynomiale locale est linéaire.
Dans la suite, nous nous intéresserons surtout aux cas p = 0 (estima-
teur de Nadaraya-Watson) et p = 1 (estimateur dit linéaire local). On peut
montrer que ce dernier peut s’écrire
n
1 X [b
s2 (x0 , h) − sb1 (x0 , h)(x0 − xi )]K[(x0 − xi )/h]yi
b 1 (x0 ) =
m ,
nh s0 (x0 , h) − sb1 (x0 , h)2
sb2 (x0 , h)b
1
où
n
1 X x0 − xi
sbr (x0 , h) = (x0 − xi )r K .
nh h
1
Le paramètre de lissage h joue le même rôle qu’en estimation de densité.

Une valeur appropriée de h fait en sorte que l’estimateur montre bien les
caractéristiques importantes de la relation entre x et y tout en n’étant pas
trop influencé par les variations locales. La figure 5.1 donne un exemple d’un
lissage approprié représenté par la courbe continue (h = 0.022) et d’un sur-
lissage appliqué aux mêmes données et représenté par la courbe pointillée
(h = 0.052).
c
Jean-Claude Massé
5.3. CHOIX DU PARAMÈTRE DE LISSAGE 72
4
3
concentration
2
1
0
0.6 0.8 1.0 1.2
rapport
Fig. 5.1 – Effet du paramètre de lissage sur une régression linéaire locale.
Courbe continue : h = 0.022. Courbe pointillée : h = 0.052.
5.3 Choix du paramètre de lissage

Les méthodes sont semblables à celles qu’on utilise en estimation de
densité. L’une de celles-ci est basée sur le comportement asymptotique du
biais et de la variance mesuré par l’AMISE. Supposons que les xi proviennent
d’une loi de densité fX et que Var(Y |X = x) = σ 2 , quel que soit x. Lorsque
x0 est éloigné du minimum ou du maximum des xi , on montre que pour la
régression linéaire locale
1
b 1 (x0 )) = m′′ (x0 )σK
biais(m 2 2
h + o(h2 ) = O(h2 )
2
et
σ 2 R(K)
b 1 (x0 )) =
Var(m + o((nh)−1 ).
nhfX (x0 )
c
Jean-Claude Massé
La notation o(h2 ) représente ici une fonction de h telle que limh→0 o(h2 )/h2 =
0 ; de même o((nh)−1 ) représente une fonction de n et h telle que
o((nh)−1 )
lim = lim nh o((nh)−1 ) = 0.
nh→∞ (nh)−1 nh→∞
b0 ≡ m
Des formules tout à fait semblables valent pour m b NW .
Ces résultats montrent que le biais de ces estimateurs est le plus impor-
tant là où m a une forte courbure (m′′ (x0 ) grand en valeur absolue) ; en
outre, ces estimateurs ont leur plus grande variabilité là où f (x0 ) est petit
(là où les observations sont peu nombreuses).
b 0 (x0 ))
Lorsque x0 est proche des xi extrêmes, on peut montrer que biais(m
b 1 (x0 )) = O(h2 ). Pour leur part, les
= O(h) alors qu’on a encore biais(m
variances des deux estimateurs restent toutes deux d’ordre (nh)−1 . Ces
résultats font considérer l’estimateur linéaire local comme supérieur à l’esti-
b0
mateur de Nadaraya-Watson. La figure 5.2 illustre ce comportement de m
b 1 pour le jeu de données elusage.dat et h = 9.
et m
Comme en estimation de densité, il est possible en principe de sélectionner
b 1 en minimisant
le paramètre de lissage optimal de m
2 2 2 Z
σK h σ 2 R(K)
AM ISE(h) = m′′ (u)2 fX (u)du + ,
2 nh
où l’on a supposé que les Xi sont iid de densité fX . Le minimum est atteint
en 1/5
σ 2 R(K)
hopt = 4
R , (5.7)
nσK m′′ (u)2 fX (u)du
où σ 2 et m′′ doivent être estimées. Le package KernSmooth inclut la fonction
dpill calculant une valeur approximative de h pour le noyau gaussien K et
R
une estimation préalable de σ 2 et m′′ (u)2 fX (u)du. Nous nommerons cette
approche la méthode de substitution.
La validation croisée (Stone 1974) offre une autre approche à la sélection
du h optimal. Pour celle-ci, on cherche à minimiser
n
X
V C(h) = b (i)
(yi − m 2
p (xi )) , (5.8)
1
c
Jean-Claude Massé
100
N−W
Consommation moyenne quotidienne
linéaire local
80
60
40
20
30 40 50 60 70 80
Température moyenne quotidienne
Fig. 5.2 – Comportements différents des estimateurs de Nadaraya-Watson

et linéaire local dans la région des valeurs extrêmes de x. Jeu de données
elusage.dat, h = 9.
(i)
où mb p (xi )) est l’estimation de mp (xi ) basée sur toutes les données exceptée
(xi , yi ). De ce point de vue, le paramètre de lissage optimal est b hV C , point
minimal de V C(h). Comme en estimation de densité, b
hV C a le défaut de
posséder une variance relativement grande et tend à produire du sous-lissage.
En outre, son calcul est relativement complexe.
À première vue, (5.8) requiert n ajustements. En pratique, à cause de
l’identité
b p (xi )
yi − m
b p(i) (xi ) =
yi − m
1 − Sii (h)
où Sh = (Sij (h)) est la matrice de lissage, on pourra calculer plus simplement
n
X
b p (xi ) 2
yi − m
V C(h) = .
1
1 − Sii (h)
c
Jean-Claude Massé
5.4. LA RÉGRESSION SPLINE 75
La vaidation croisée s’avère donc plus facile à appliquer en régression poly-

nomiale locale qu’en estimation de densité.
Appliquées aux données elusage.dat, les deux méthodes précédentes
donnent b
hV C = 7.46 et h = 5.07. La figure 5.3 permet de constater que
cette différence a peu d’effet sur l’estimateur local linéaire.
100
validation croisée
Consommation moyenne quotidienne
substitution
80
60
40
20
30 40 50 60 70 80
Température moyenne quotidienne
Fig. 5.3 – Optimisation par validation croisée et par substitution (p = 1).
5.4 La régression spline

On peut mesurer la qualité de l’ajustement d’une courbe g à des obser-
vations (xi , yi ), i = 1, . . . , n, en calculant la somme de carrés
n
X
(yi − g(xi ))2 .
1
Il existe évidemment une infinité de fonctions g annulant cette somme : il

suffit qu’on ait g(xi ) = yi pour tout i, une condition facile à réaliser. Une
telle fonction s’appelle une fonction d’interpolation. Par exemple, on peut
c
Jean-Claude Massé
montrer qu’il existe toujours un polynôme de degré n−1 passant par chacun
des points (xi , yi ) (polynôme de Lagrange). Ce polynôme est donné par la
formule Q
n
X j6=i (x − xj )
g(x) = yi Q .
i=1 j6=i (xi − xj )
Une telle solution est en général trop irrégulière pour modéliser la relation
entre x et y de façon satisfaisante. On souhaite plutôt un estimateur de
régression qui s’ajuste bien aux données tout en étant lisse.
La régression spline ou lissage par splines aborde ce problème en mesu-
rant la qualité de l’ajustement par une expression de la forme
n
X
L(g) = (yi − g(xi ))2 + Φ(g),
1
où Φ est une fonction positive mesurant la “lissité” (régularité) d’une fonc-
tion : plus g est lisse, plus Φ(g) est petit. Pour que la solution au problème
de minimisation soit unique, il est nécessaire de restreindre la classe des
fonctions g. Celles-ci doivent être suffisamment lisses, en pratique dérivabies
au moins deux fois. Comme en estimation de densité, on mesurera la lissité
R
d’une fonction g dérivable deux fois à l’aide de l’intégrale Φ(g) = g′′ (x)2 dx.
Supposons que a = x0 < x1 < x2 < · · · < xn < xn+1 = b. On quantifiera
la qualité de l’ajustement et la régularité de g sur [a, b] au moyen de la
somme Z b
n
X
2
Lλ (g) = (yi − g(xi )) + λ g′′ (x)2 dx,
1 a
où λ ≥ 0 jouera le rôle d’un paramètre de lissage. Dans la dernière expres-

sion, la somme pénalise l’inadéquation de g, l’intégrale pénalise l’irrégularité
de g et λ pondère l’importance de ces deux pénalités. Dans la classe des fonc-
tions polynomiales g, deux cas limites méritent d’être soulignés. Lorsque
λ = 0, Lλ atteint la valeur minimale 0 pour n’importe quelle interpola-
tion exacte, autrement dit pour tous les polynômes g tels que g(xi ) = yi ,
i = 1, . . . , n. Lorsque λ = ∞, Lλ est infinie, sauf si l’intégrale s’annule, ce qui
c
Jean-Claude Massé
ne peut avoir lieu que pour les polynômes g tels que g′′ (x) = 0 dans [a, b], au-
P
trement dit les polynômes linéaires sur [a, b] ; ainsi, L∞ (g) = n1 (yi −g(xi ))2
est minimisée lorsque g est la régression linéaire des moindres carrés.
Pour qu’une fonction lisse minimisant Lλ (g) soit unique, il est nécessaire
d’imposer des conditions sur les valeurs des dérivées de g. Pour les conditions
ci-dessous et λ fixé positif, on peut montrer en résolvant un système d’équa-
tions linéaires qu’il existe un minimum unique de Lλ (g) dans la classe des
fonctions g sur [a, b] différentiables deux fois telles que (g′′ )2 est intégrable et
g, g′ sont absolument continue (i.e. exprimables sous forme d’une intégrale
de a à b). Le minimum unique est alors un spline cubique appelé spline
de lissage. Un tel spline Sλ est une fonction coı̈ncidant avec un polynôme
cubique pi sur l’intervalle [xi , xi+1 ] et telle qu’aux nœuds xi , i = 2, . . . n − 1,
on a les relations
pi (xi ) = pi−1 (xi ) (continuité de Sλ aux nœuds)

p′i (xi ) = p′i−1 (xi ) (continuité de Sλ′ aux nœuds)
p′′i (xi ) = p′′i−1 (xi ) (continuité de Sλ′′ aux nœuds),
avec les égalités p′′1 (x1 ) = p′′′ ′′ ′′′

1 (x1 ) = pn (xn ) = pn (xn ) = 0. On exige en
outre que Sλ′′ (x) = Sλ′′′ (x) = 0 sur [a, x1 ] et [xn , b] Sλ , de sorte que Sλ
est linéaire sur ces intervalles. Le spline cubique ainsi défini a une dérivée
seconde continue sur [a, b], mais peut ne pas avoir de dérivée troisième aux
nœuds. Ce type de spline est connu plus précisément sous le nom de spline
cubique naturel.
Exemple 1. Une interpolation par spline.

Les données suivantes sont obtenues de l’équation g(x) = 10/(1 + x2 ).
j 1 2 3 4 5 6 7
xj −3 −2 −1 0 1 2 3
yj = g(xj ) 1 2 5 10 5 2 1
c
Jean-Claude Massé
10
8
6
4
2
0
0.0 0.5 1.0 1.5 2.0 2.5 3.0
Fig. 5.4 – Comparaison des graphiques de g(x) = 10/(1 + x2 ) (trait continu

noir), du polynôme de Lagrange (en pointillé) et du spline cubique d’inter-
polation (en rouge).
On peut vérifier que le polynôme d’interpolation de Lagrange est égal à
PL (x) = 10 − 6.4x2 + 1.5x4 − 0.1x6 .
On utilise en analyse numérique un autre type de fonction d’interpolation : le

spline cubique d’interpolation. Dans le cas présent, ce spline passant par les
points (xi , yi ) est symétrique par rapport à 0 et s’exprime sur [0, 3] comme
suit : 
 p4 (x), 0 ≤ x < 1
S(x) = p (x), 1 ≤ x < 2
 5
p6 (x), 2 ≤ x < 3
où
p4 (x) = 5 − 5.65385(x − 1) + 3.69231(x − 1)2 + 4.34615(x − 1)3

p5 (x) = 2 − 1.38462(x − 2) + 0.57692(x − 2)2 − 1.03846(x − 2)3
p6 (x) = 1 − 0.80769(x − 3) − 0.19231(x − 3)3
c
Jean-Claude Massé
Sur le graphique de la figure 5.4, on a comparé sur [0, 3] les fonctions

g, le polynôme d’interpolation de Lagrance et le spline cubique d’interpola-
tion. On constate que le polynôme d’interpolation s’écarte assez largement
de g(x), tandis que le spline cubique d’interpolation en est une excellente
approximation.
Les splines de lissage de la régression non paramétrique ne doivent pas
être confondus avec les splines d’interpolation utilisés en analyse numérique
pour calculer des intégrales ou des dérivées de façon approximative. L’exem-
ple précédent a pour but de montrer qu’il est possible de bien approximer
une courbe relativement complexe à partir d’un objet relativement simple à
manipuler, le spline cubique. Sans être des splines d’interpolation, les splines
de lissage poursuivent le même objectif en régression non paramétrique.
5.4.1 Choix du paramètre de lissage λ
La méthode la plus populaire est sans doute celle de la validation croisée.

Pour celle-ci, on recherche la valeur de λ minimisant
n
X (i)
V C(λ) = (yi − Sλ (xi ))2 ,
1
(i)
où Sλ (xi ) est le spline cubique minimal évalué en xi , obtenu en utilisant
toutes les observations exceptée xi .
On peut montrer que le spline de lissage est un estimateur linéaire. On
veut dire par là que, si l’on définit le vecteur des valeurs ajustées en posant
ybi = Sλ (xi ), ce vecteur s’écrit
b = A(λ)y,
y
où l’on donne à A(λ) le nom de matrice chapeau (par analogie avec la
régression paramétrique). On peut alors vérifier que
n
X
yi − Sλ (xi ) 2
V C(λ) = ,
1 − Aii (λ)
1
c
Jean-Claude Massé
où Aii (λ) est le ie élément diagonal de la matrice chapeau. Par analogie avec
la régression paramétrique, la valeur Aii (λ) est appelée valeur de levier ; cette
valeur mesure l’influence du point (xi , yi ) sur l’ajustement.
Pour réduire l’influence des points à effet de levier important, on peut
aussi choisir le paramètre de lissage en minimisant plutôt la validation
croisée généralisée (Craven et Wahba 1979). Celle-ci est définie par
Pn 2
1 (yi − Sλ (xi ))
V CG(λ) = ,
(1 − n−1 tr(A(λ)))2
où tr(A(λ)) est la trace de la matrice A(λ) (somme des éléments diagonaux).
Pour bien comprendre la réduction d’influence des points à effet de levier,
on notera que la validation croisée généralisée remplace les poids 1 − Aii (λ)
par leur valeur moyenne tr(A(λ))/n. Les valeurs minimales des deux types
bV C et λ
de validation croisée seront notées λ bV CG .
5.5 Bibliographie
– Simonoff, J. S. (1996). Smoothing Methods in Statistics, Springer-
Verlag, New York. Chapitre 5. Excellente référence, présentant le sujet
de façon très abordable.
– Ruppert, D., Wand, M. P. et Carroll, R. J. (2003). Semiparametric
Regression, Cambridge University Press, Cambridge.
– Bowman, A. W. et Azzalini, A. (1997). Applied Smoothing Techniques
for Data Analysis. The Kernel Approach with S-Plus Illustrations, Ox-
ford Science Publications, New York. Chapitres 3, 4.
c
Jean-Claude Massé
Chapitre 6
Résolution d’équations non

linéaires et optimisation
L’application de la méthode du maximum de vraisemblance conduit

fréquemment à des équations dont il est impossible de déterminer explicite-
ment la solution. Ce chapitre présente quelques méthodes d’analyse numé-
rique utiles pour résoudre ce type d’équations. Comme la maximisation
d’une fonction de vraisemblance équivaut souvent à déterminer la racine
d’une équation, on présente d’abord quelques méthodes de résolution d’équa-
tions non linéaires.
6.1 Problèmes univariés

6.1.1 Méthode de la bissection ou de Bolzano
On cherche une racine de l’équation g(x) = 0, où g est une fonction

continue définie sur l’intervalle [a0 , b0 ]. Supposons que g(a0 ) et g(b0 ) soient
de signes opposés ; par exemple, sans perte de généralité, supposons que
g(a0 ) < 0 < g(b0 ). Un théorème bien connu d’analyse garantit qu’il existe
alors un point de [a0 , b0 ] où g s’annule.
À la première étape de l’algorithme de la bissection, on calcule g((a0 +
b0 )/2). Lorsque g((a0 + b0 )/2) = 0, (a0 + b0 )/2 est une racine, et la recherche
81
6.1. PROBLÈMES UNIVARIÉS 82
est terminée. Si l’on a plutôt g((a0 +b0 )/2) < 0, il existe comme ci-dessus une
racine dans ((a0 + b0 )/2, b0 ) ; dans le cas contraire, il existe une racine dans
l’intervalle (a0 , (a0 + b0 )/2). À l’étape suivante, on poursuit la recherche
en coupant en deux l’intervalle de longueur (b0 − a0 )/2 identifié comme
contenant une racine ; on vérifie si le point milieu de cet intervalle est une
racine, sinon on identifie un sous-intervalle de longueur (b0 −a0 )/4 contenant
une racine. On continue d’appliquer ce raisonnement jusqu’à ce qu’on ait
identifé un sous-intervalle contenant une racine et de longueur correspondant
au degré de précision souhaité.
Formellement, le point de départ de l’algorithme est le calcul de g au
point x0 = (a0 + b0 )/2. À l’étape n, lorsque g((an−1 + bn−1 )/2) = 0, (an−1 +
bn−1 )/2 est une racine ; sinon, on retient l’intervalle

[an−1 , xn−1 ] si g(an−1 )g(xn−1 ) < 0
[an , bn ] = ,
[xn−1 , bn−1 ] si g(an−1 )g(xn−1 ) > 0
et on pose xn = (an + bn )/2. Après n étapes, si une racine n’est pas encore
identifiée, on se retrouve avec l’intervalle [an , bn ] contenant une racine et
ayant la longueur (b0 −a0 )/2n . Si cette longueur est suffisamment petite, il est
naturel d’estimer la racine par le point xn . Puisque an−1 ≤ an ≤ bn ≤ bn−1
pour tout n, on a lim an = lim bn = x∞ . Comme lim g(an )g(bn ) = [g(x∞ )]2 ≤
0, on conclut que g(x∞ ) = 0 et le point limite x∞ est une racine.
Dans la pratique, lorsqu’une itération générale ne réussit pas à identifier
la racine exacte, il est nécessaire de se donner une règle d’arrêt. Une première
règle est celle de la convergence absolue : on s’arrête à l’étape n pour le plus
petit n tel que
|xn − xn−1 | < ǫ,
où ǫ > 0 mesure le degré de précision souhaité. Une autre règle d’arrêt est
celle de la convergence relative pour laquelle on s’arrête dès que
|xn − xn−1 |
< ǫ.
|xn−1 |
c
Jean-Claude Massé
Ce deuxième critère a l’avantage d’atténuer l’importance des unités dans l’at-

teinte de la précision souhaitée. Il peut cependant s’avérer instable lorsque
xn est trop proche de 0. (Une solution à ce problème est d’utiliser le critère
|xn+1 −xn |
|xn |+ǫ < ǫ.) Notons enfin que pour toute itération de ce type il est sou-
haitable d’imposer une limite au nombre de répétitions.
La méthode de la bissection a l’avantage de pouvoir s’appliquer à toutes
les fonctions continues g changeant de signe sur un intervalle [a, b]. La
méthode a cependant l’inconvénient d’exiger un nombre d’itérations rela-
tivement grand (convergence lente).
6.1.2 Méthode de Newton
Faisons l’hypothèse que g est dérivable, et notons par x∞ une racine de

g(x) = 0. Supposons que x0 soit une première approximation de cette racine
et que g′ (x0 ) 6= 0. Alors dans le voisinage de x0 , l’approximation linéaire de
Taylor
0 = g(x∞ ) ≈ g(x0 ) + (x∞ − x0 )g′ (x0 ) (6.1)
entraı̂ne que
g(x0 )
x∞ ≈ x0 − .
g′ (x0 )
Cela conduit à penser que
g(x0 )
x1 = x0 − (6.2)
g′ (x0 )
a des chances d’être plus proche de x∞ que ne l’est x0 . Notons que l’on
peut aussi obtenir x1 comme solution d’un problème d’optimisation d’une
fonction quadratique. En effet, soit G une fonction telle que G′ = g. Il est
alors facile de vérifier que x1 est l’unique point x annulant la dérivée de
l’approximation quadratique de Taylor de G(x) autour de x0 :
(x − x0 )2 g′ (x0 )
Gq (x) = G(x0 ) + (x − x0 )g(x0 ) + .
2
En effet G′q (x1 ) = 0 et G′′q (x1 ) = g′ (x0 ), d’où x1 est le minimum de Gq si
g′ (x0 ) > 0 et le maximum si g′ (x0 ) < 0.
c
Jean-Claude Massé
En substituant x1 à x0 dans (6.1) et (6.2), on peut de la même façon

obtenir une deuxième approximation x2 qui, on l’espère, est meilleure que
x1 . Plus généralement, dès que g′ (xn ) 6= 0, on peut définir
g(xn )
xn+1 = xn − ,
g′ (xn )
itération définissant la méthode de Newton (ou encore de Newton-Raphson)1

pour résoudre l’équation g(x) = 0. Sous certaines hypothèses, on peut mon-
trer que xn → x∞ .
Pour bien comprendre la méthode, il est important de noter que h(x) =
g(x0 ) + (x − x0 )g′ (x0 ) est l’équation de la droite de pente g′ (x0 ) passant par
le point (x0 , g(x0 )) et que cette droite coupe l’abscisse en x1 . L’exemple 2
ci-dessous en fournit une illustration.
Remarque 3. En statistique, les équations non linéaires à résoudre appa-

raissent le plus souvent en théorie de l’estimation par la méthode de la vrai-
semblance maximales où elles prennent la forme l′ (θ) = 0, l(θ) désignant
la log-vraisemblance. Lorsque la solution de l’équation précédente est un
point maximum global, la racine n’est autre que l’estimateur du maximum
de vraisemblance. Dans ce contexte, les équations de l’itération s’écrivent
l′ (θn )
θn+1 = θn − .
l′′ (θn )
Exemple 2. Les figures 6.1 et 6.2 illustrent une application de la méthode
de Newton. La fonction G(x) = log x/(1 + x) possède un point maximum
unique coı̈ncidant avec la racine de
x−1 + 1 − log x
g(x) ≡ G′ (x) = = 0.
(1 + x)2
On peut vérifier que g(3) = 0.015 et que g(4) = −0.005, et l’on pourra
donc chercher la racine entre 3 et 4. Prenant x0 = 3, on peut vérifier que la
1
Isaac Newton (1642-1727) et Joseph Raphson (1648-1715) étaient deux
mathématiciens anglais.
c
Jean-Claude Massé
0.000 0.005 0.010 0.015

0.268 0.270 0.272 0.274 0.276 0.278
G(x)=log(x)/(1+x)
G'(x)
−0.010
3.0 4.0 5.0 3.0 4.0 5.0
x x
Fig. 6.1 – Graphiques de G(x) = log(x)/(1 + x) et de sa dérivée g(x) ≡

G′ (x) = (x−1 + 1 − log(x))/(1 + x)2 .
racine est identifiée à 6 décimales près après 4 étapes : x1 = 3.417798, x2 =

3.574045, x3 = 3.590946, x4 = x5 = 3.591121. En comparaison, ce niveau de
précision n’est atteint qu’à la 19e itération avec la méthode de la bissection.
La méthode de Newton ne converge pas toujours. Pour analyser cette

convergence, considérons l’erreur de la ne itération en = xn −x∞ . Supposons
que g soit dérivable deux fois et que g′ (x) 6= 0 dans le voisinage de x∞ . Le
développement de Taylor d’ordre deux donne
g(x∞ ) = 0 = g(xn ) + (x∞ − xn )g′ (xn ) + (x∞ − xn )2 g′′ (t)/2
pour un certain t entre xn et x∞ . Pour xn près de x∞ , la dernière équation

équivaut à
g(xn ) (xn − x∞ )2 g′′ (t)
xn − − x ∞ = ,
g′ (xn ) 2g′ (xn )
c
Jean-Claude Massé
0.08
0.06
0.04
g(x)
0.02
x_2
0.00
x_0
x_1
2.0 2.5 3.0 3.5 4.0 4.5 5.0
Fig. 6.2 – Méthode de Newton pour la dérivée de log(x)/(1 + x).
laquelle peut s’exprimer sous la forme

g′′ (t)
en+1 = e2n · . (6.3)
2g′ (xn )
La dernière expression révèle le caractère quadratique de la convergence de
la méthode de Newton. (En comparaison, pour la méthode de la bissection
on a une convergence linéaire et il se peut que l’on ait |en+1 ] = |en |.) Lorsque
xn → x∞ et g′′ est continue, on notera que (6.3) implique que
en+1 g′′ (x∞ )

lim = .
n e2n 2g′ (x∞ )
Le taux de convergence dépend de l’importance du terme g′′ (t)/2g′ (xn ).

Lorsque la pente g′ est grande par rapport à g′′ dans le voisinage de x∞ , ce
terme est petit et la convergence plus facile. Lorsque la pente g′ est proche
de 0, l’approximation linéaire de la fonction g en xn pourra couper l’axe des
x en un point très éloigné de xn , ce qui risque d’entraı̂ner la divergence.
c
Jean-Claude Massé
6.2. PROBLÈMES MULTIVARIÉS 87
En général, la convergence de la méthode de Newton vers une racine

dépend de la position du point de départ x0 . Chaque racine possède en
effet son propre domaine d’attraction ; lorsqu’il y a plusieurs racines, cela
signifie que l’itération partant de x0 mène à une racine contenant x0 dans
son domaine d’attraction. En définitive, les nombreux facteurs impliqués
dans la convergence font que la méthode de Newton doit être appliquée avec
précaution.
Citons sans démonstration le résultat théorique suivant.
Théorème 6.1.1. Supposons que g ait exactement une racine. Pour que
la méthode de Newton converge à partir de n’importe quel point de départ,
il suffit que g soit continûment dérivable deux fois et convexe (g′′ (x) > 0
partout). Un résultat analogue vaut pour g concave (g′′ (x) < 0 partout).
6.2 Problèmes multivariés

6.2.1 Méthode d’optimisation de Nelder-Mead
Dans l’espace Rd , on appelle d-simplexe de sommets x0 , . . . , xd l’ensemble

des points ( d )
X d
X
ti xi : ti = 1, t1 , . . . , td ≥ 0 ,
0 0
où les xi sont des points distincts de Rd tels que les différences x1 −x0 , . . . , xd
− x0 sont linéairement indépendantes. En dimension 1, un 1-simplexe est
un segment de droite aux bornes x0 et x1 ; en dimension 2, un 2-simplexe
est un triangle aux sommets x0 , x1 et x2 , tandis qu’en dimension 3 un 3-
simplexe est un trièdre aux sommets x0 , x1 , x2 et x3 . La méthode de Nelder-
Mead (1965), ou méthode du simplexe, optimise une fonction f en ne faisant
appel qu’aux valeurs de f sur les sommets d’une suite de simplexes. Par
rapport à la plupart des méthodes d’optimisation en contexte multivarié elle
a l’avantage de ne pas exiger que l’on calcule des dérivées. Nous la décrivons
ici en dimension d = 2.
c
Jean-Claude Massé
Supposons que l’on veuille minimiser f . On commence par se donner les

trois sommets d’un triangle Si = (xi , yi ), i = 1, 2, 3. On calcule ensuite les
valeurs zi = f (Si ) où l’on suppose que z1 ≤ z2 ≤ z3 , quitte à redéfinir les
indices. On introduit la notation
M = (x1 , y1 ), B = (x2 , y2 ), P = (x3 , y3 ),
où M, B, P désignent respectivement le meilleur sommet, un bon sommet et

le pire sommet.
À l’étape suivante, on souhaite remplacer P par un “meilleur” sommet.
On calcule d’abord le point milieu du segment de droite joignant M et B :

M +B x1 + y1 x2 + y2
C= = , .
2 2 2
Comme f diminue en passant de P à M ou de P à B, il est plausible
que f prenne de plus petites valeurs du côté du segment M B opposé à P .
Comme troisième sommet, on peut alors examiner le point R, réflexion du
point P par rapport à M B :
R = C + (C − P ) = 2C − P.
(Plus généralement, on pourra examiner R = C +α(C −P ) = (1+α)C −αP ,

où α > 0 s’appelle le facteur de réflexion.)
I) Si f (R) < f (M ), un nouveau minimum a été trouvé. Avant de le
retenir, on peut penser que la direction choisie nous rapproche du minimum,
et peut-être celui-ci est-il un peu plus loin dans cette même direction. On
prolonge donc le segment P R jusqu’au point
E = R + (R − C) = 2R − C.
(Plus généralement, on prolonge jusqu’au point E = R + (γ − 1)(R − C) =

γR + (1 − γ)C, où γ > 1 s’appelle le facteur d’expansion.) Lorsque f (E) <
f (R), on répète le raisonnement précédent avec le triangle EM B ; sinon, on
le fait avec le triangle RM B. Voir ci-dessus la figure 6.3.
c
Jean-Claude Massé
P
M B
C B
Fig. 6.3 – Première phase de la méthode du simplexe
C2
M
C1
V1
B
M V2
Fig. 6.4 – Deuxième phase de la méthode du simplexe
c
Jean-Claude Massé
II) Si f (M ) ≤ f (R) < f (B), on poursuit le raisonnement avec le triangle

M RB.
III) Reste le cas f (R) ≥ f (B) que l’on va traiter en réduisant la taille
de l’un des deux triangles M BR ou M BP . Une première possiblité (a)
est que f (B) ≤ f (R) < f (P ) ; dans ce cas, on retient les deux sommets
M et B, et l’on choisit un troisième sommet C1 entre C et R (réduction
du côté des petites valeurs). L’autre possibilité (b) est que f (R) ≥ f (P ),
auquel cas on retient les sommets M, B, et on choisit un troisième sommet
C2 entre C et P (réduction du côté des grandes valeurs). Pour ces deux
possibilités, la réduction est contrôlée par un facteur 0 < β < 1 appelé
facteur de contraction. Dans le cas (a), on choisit comme troisième sommet
S = C + β(R − C), et dans le cas (b) S = C + β(P − C). Le triangle retenu
est alors M SB, à moins que f (S) > f (B). Dans cette dernière situation,
on choisit le triangle en opérant une contraction par rapport à M ; pour ce
faire, si V désigne l’un des sommets B, P , on définit deux autres sommets
par
V ′ = M + β ′ (V − M ),
où 0 < β ′ < 1 est un facteur de contraction. Dans la figure 6.4, on désigne
les sommets ainsi construits par V1 et V2 , et on poursuit avec le triangle
M V1 V2 .
Dans R, la méthode du simplexe est une option de la fonction optim.
Par défaut, on y prend α = 1, β = β ′ = 0.5 et γ = 2.
6.2.2 Méthodes de type Newton
Partout dans cette sous-section, nous nous plaçons dans le contexte

où l’on désire optimiser une fonction de log-vraisemblance l(θ), où θ =
(θ1 , . . . , θk ). La dérivée première de l (ou gradient) est souvent appelée fonc-
tion score, dérivée que l’on écrira ci-après sous la forme d’un vecteur ligne :

′ ∂l ∂l
l (θ) = (θ), . . . , (θ) .
∂θ1 ∂θk
c
Jean-Claude Massé
La dérivée seconde de l est définie comme étant la matrice hessienne, matrice

k × k formée des dérivées partielles d’ordre deux de l :
 
∂2l ∂2l
∂θ1 ∂θ1 (θ) · · · ∂θ1 ∂θk (θ)
 .. .. .. 
l′′ (θ) = 
 . . .
.

2
∂ l 2
∂ l
∂θk ∂θ1 (θ) · · · ∂θk ∂θk (θ)
Dans la suite, nous supposerons que les dérivées partielles secondes de l sont
continues, ce qui fera de la matrice hessienne une matrice symétrique. On
notera qu’en théorie de l’estimation la matrice −l′′ (θ) s’appelle l’information
(de Fisher) observée.
On sait qu’optimiser la log-vraisemblance équivaut à résoudre les k équations
∂l
(θ) = 0, i = 1, . . . , k,
∂θi
système que l’on écrira de manière plus compacte à partir du vecteur 0 :
l′ (θ) = 0T .
Pour reprendre la deuxième approche conduisant à la méthode de Newton

univariée (voir p. 83), on considère l’approximation quadratique de Taylor
de l(θ) autour de la valeur initiale θ0 :
1
lq (θ) = l(θ0 ) + l′ (θ0 ) · (θ − θ0 ) + (θ − θ0 )T l′′ (θ0 )(θ − θ0 ). (6.4)
2
Selon la méthode de Newton, le maximum de la log-vraisemblance s’obtient
en procédant à une itération dont le premier terme θ1 est le point maximum
en θ du membre droit de (6.4). Lorsque ce point est unique, on vérifie qu’il
est solution de l’équation
l′ (θ0 ) + (θ − θ0 )T l′′ (θ0 ) = 0T ,
équation obtenue en égalant à 0T la dérivée première de (6.4). (Pour la

justification de cette dérivation par rapport à un argument vectoriel, voir
c
Jean-Claude Massé
l’exercice 4 a) de la série 9.) Si l’on suppose en outre que la matrice hessienne

est inversible en θ0 , l’équation précédente a pour solution
θ1 = θ0 − (l′′ (θ0 ))−1 l′ (θ0 )T ,
équation analogue à (6.2). Dans le cas multivarié, l’itération de Newton pour

la maximisation de la log-vraisemblance prend ainsi la forme
θn+1 = θn − (l′′ (θn ))−1 l′ (θn )T .
Le terme (l′′ (θn ))−1 l′ (θn )T peut être vue comme la direction ou le pas que
l’on imprime à θn pour obtenir l’itéré suivant. Pour éviter d’avoir à inverser
la matrice hessienne, notons qu’on peut aussi résoudre en θn+1 l’équation
équivalente
l′′ (θn )(θn+1 − θn ) = −l′ (θn )T .
Utiliser l’itération précédente ne va pas de soi. Du point de vue pratique,

le principal problème rencontré est l’évaluation des dérivées. Il faut voir que
si θ a k composantes il est nécessaire de calculer à l’étape n les k dérivées
partielles d’ordre un de l′ (θn ) et les k(k+1)/2 dérivées partielles d’ordre deux
de l′′ (θn ). En outre, rien ne garantit que l’itération converge vers l’estimateur
de vraisemblance maximale θb ou même que l(θn+1 ) > l(θn ).
On contourne souvent le problème du calcul de la matrice hessienne
l′′ (θn ) en substituant à celle-ci une approximation de forme plus simple.
Dans cette veine, on se sert parfois d’une itération de la forme
θn+1 = θn − M −1 l′ (θn )T ,
où M est une matrice k ×k inversible fixée. Selon la théorie de l’optimisation

des fonctions de plusieurs variables, dans le voisinage de son point maxi-
mum θb la log-vraisemblance l possède une matrice hessienne l′′ (θ) définie
négative. De ce point de vue, les choix les plus simples pour l’approximation
M sont des matrices diagonales des types −cIk (c > 0) ou −diag(α1 , . . . , αk )
(mini αi > 0) ; un autre bon choix peut être l′′ (θ0 ) si θ0 est suffisamment
c
Jean-Claude Massé
b Quel que soit ce choix, l’algorithme convergera à condition que

proche de θ.
b −1 .
M −1 soit suffisamment proche de (l′′ (θ))
Le choix M = −Ik mérite un peu plus d’attention. L’itération prend
alors la forme
θn+1 = θn + l′ (θn )T ,
où l′ (θn )T est le gradient de la log-vraisemblance. On sait que le gradient

d’une fonction de plusieurs variables est un vecteur indiquant la direction
où la fonction augmente le plus rapidement. La méthode d’optimisation
correspondante s’appelle la méthode du gradient (steepest ascent). Notons
que pour ne pas s’exposer à une divergence en s’éloignant indûment de θn ,
il peut être souhaitable de prendre M = −αIk pour un α > 0 petit.
Pour mieux comprendre le choix de M , on notera que si An est une
matrice k × k définie positive et θn+1 = θn + αn A−1 ′ T
n l (θn ) , on aura
l(θn+1 ) > l(θn )
pourvu que αn > 0 soit assez petit. En effet, puisque l′ (θ) est défini comme
un vecteur ligne, il découle du développement de Taylor autour de θn que
l(θn+1 ) − l(θn ) = l(θn + αn A−1 ′ T ′ −1 ′ T

n l (θn ) ) − l(θn ) = αn l (θn )An l (θn ) + o(αn ),
où o(αn ) est un multiple de α2n et le terme αn l′ (θn )A−1 ′ T

n l (θn ) > 0 du fait
que A−1 ′ −1 ′
n est définie positive. Finalement, lorsque αn → 0, αn l (θn )An l (θn )
T
domine o(αn ), car par définition celui-ci tend plus vite vers 0 que αn .
Nous présenterons maintenant un peu plus en détail deux autres méthodes
de type Newton.
Méthode de Fisher ou du scoring
Rappelons que l’information de Fisher associée aux observations i.i.d. X1 ,

. . . , Xn est définie par
I(θ) = −E[l′′ (θ)] = −E[l′′ (θ|X1 , . . . , Xn )] = −nE[l′′ (θ|X)],
c
Jean-Claude Massé
où X a la même loi que les Xi . L’entrée (i, j) de la matrice hessienne l′′ (θ)
est donnée par
′′ ∂2
lij (θ) = l(θ|X1 , . . . , Xn )
∂θi ∂θj
Xn
∂2
= l(θ|Xm ),
∂θi ∂θj
m=1
Or, selon la loi des grands nombres,

′′ (θ) n
lij 1 X ∂2 ∂2 ′′
= l(θ|Xm ) →p E l(θ|X) = E(lij (θ|X))
n n ∂θi ∂θj ∂θi ∂θj
m=1
lorsque n → ∞. Au niveau matriciel, cela revient à dire que

l′′ (θ)
→p E(l′′ (θ|X)
n
lorsque n → ∞, ou encore, pour n assez grand, l′′ (θ) ≈ nE(l′′ (θ|X) = −I(θ)
en probabilité.
Dans les équations définissant la méthode de Newton, il est donc naturel
de ce point de vue d’estimer l′′ (θn ) par −I(θn ). La méthode d’optimisa-
tion qui en découle s’appelle la méthode de Fisher ou méthode du scoring.
Formellement, celle-ci est définie par l’itération
θn+1 = θn + (I(θn ))−1 (l′ (θn )T .
En pratique, on constate qu’il est souvent plus facile de calculer I(θ)

que la matrice hessienne l′′ (θ). Un autre avantage de cette approche est que
b −1 estime la matrice de covariance asymptotique de l’estimateur du
(I(θ))
maximum de vraisemblance θ. b Sous certaines conditions de régularité, si
θ = (θ1 , . . . , θk ) est le paramètre estimé, on sait en effet que θb est asympto-
tiquement Nk (θ, (I(θ))−1 ).
Méthodes de type quasi-Newton
Les méthodes de type quasi-Newton reposent toutes sur une itération de

la forme
θn+1 = θn − Mn−1 l′ (θn )T ,
c
Jean-Claude Massé
6.3. L’ALGORITHME EM 95
où Mn est une approximation de la matrice hessienne l′′ (θn ). Elles se dis-
tinguent dans leur manière de mettre à jour les Mn d’une étape à l’autre.
Une particularité de cette mise à jour est qu’elle incorpore de manière re-
lativement simple de l’information sur le comportement de la fonction score
l′ au voisinage de θn dans la direction −Mn−1 l′ (θn )T .
Plus précisément, cela se fait en imposant à la matrice Mn+1 de vérifier
une condition du type
l′ (θn+1 ) − l′ (θn ) = Mn+1 (θn+1 − θn ). (6.5)
Il existe plusieurs façons de définir Mn+1 comme fonction de Mn tout en

satisfaisant à l’équation (6.5). Nous n’en retiendrons qu’une, considérée par
plusieurs comme supérieure aux autres et pour laquelle les matrices Mn
sont symétriques : la méthode BFGS (pour Broyden, Fletcher, Goldfarb et
Shanno). Pour celle-ci, la mise à jour est faite à partir de l’équation
Mn zn znT Mn yn ynT
Mn+1 = Mn − + T ,
znT Mn zn zn yn
où zn = θn+1 − θn et yn = l′ (θn+1 ) − l′ (θn ).
6.3 L’algorithme EM
Lorsqu’une fonction de vraisemblance est difficile à maximiser, il s’avère
parfois avantageux d’insérer les variables observées dans un ensemble plus
vaste de variables dont la loi est paramétrisée de la même façon, tout en
ayant la particularité de faciliter la maximisation de la nouvelle fonction de
vraisemblance obtenue par cet ajout de variables. En pratique, les variables
additionnelles prennent alors la forme de variables non observées ou partiel-
lement observées. Pour évaluer la contribution des variables additionnelles à
la fonction de vraisemblance, on se sert alors de la loi conditionnelle de ces
variables étant donné les variables observées. Cette idée est à la base d’un al-
gorithme très général de maximisation des fonctions de vraisemblance connu
c
Jean-Claude Massé
sous le nom d’algorithme EM , où la lettre E fait référence à une espérance

mathématique et la lettre M à une maximisation. La méthode a été présentée
pour la première fois dans un article de Dempster, Laird et Rubin (1977).
Désignons par Y le vecteur des variables observées et par U celui des
variables non observées ou partiellement observées. Nous dirons que X =
(Y, U ) est le vecteur des données augmentées ou complètes. On suppose
que X et Y ont une densité (ou fonction de masse) dépendant du même
paramètre θ. En outre, nous sommes dans la situation où, relativement à
l’observation Y = y, la vraisemblance
Z Z
L(θ) = f (y; θ) = f (y, u; θ)du = f (y|u; θ)f (u; θ)du
est difficile à calculer ou à maximiser.

De son côté, la log-vraisemblance en θ relative aux données augmentées
(y, u) s’écrit
log f (y, u; θ) = l(θ) + log f (u|y; θ), (6.6)
où l(θ) = log L(θ) est la log-vraisemblance relative à l’observation y. Comme

u n’est pas complètement observée, l’équation (6.6) ne sera utile qu’après
avoir calculé la moyenne en u de ses termes par rapport à la loi conditionnelle
f (u|y; θ ′ ) pour une valeur appropriée θ ′ du paramètre. Plus précisément, à
l’étape m de l’algorithme θ ′ sera le me élément θm d’une suite de valeurs
de θ déterminées par l’algorithme et devant converger vers l’estimateur du
maximum de vraisemblance θ. b
Chaque étape de l’algorithme EM est divisée en une phase ‘Espérance’
suivie d’une phase ‘Maximisation’. À l’étape m, la première phase consiste à
calculer l’espérance conditionnelle des deux membres de (6.6) pour obtenir
E[log f (Y, U ; θ)|Y = y; θm ] = l(θ) + E[log f (U |Y ; θ)|Y = y; θm ],
identité qu’on récrit plus simplement
Q(θ; θm ) = l(θ) + C(θ; θm ). (6.7)
c
Jean-Claude Massé
La deuxième phase est la maximisation en θ du membre gauche de (6.7).

Nous allons exploiter cette maximisation au moyen de l’inégalité dite de
Jensen. Pour énoncer celle-ci, rappelons qu’une fonction réelle définie sur
un intervalle est dite convexe si h(αx + (1 − α)y) ≤ αh(x) + (1 − α)h(y),
quels que soient x, y dans l’intervalle et 0 ≤ α ≤ 1. On parle de stricte
convexité lorsque l’inégalité précédente est stricte lorsque x 6= y et α 6= 0, 1.
Lorsque h est différentiable deux fois, une condition suffisante pour qu’elle
soit strictement convexe est que h′′ (x) > 0 pour tout x.
Théorème 6.3.1. (Inégalité de Jensen) Étant donné une variable aléatoire

X, soit h une fonction convexe définie sur un intervalle contenant l’ensemble
des valeurs de X et telle que E(X) et E(h(X)) existent. Alors
h(E(X)) ≤ E(h(X)).
De plus, lorsque h est strictement convexe, l’égalité ne peut avoir lieu que
si X est constante avec probabilité 1.
On trouvera une preuve de l’inégalité de Jensen dans tout bon livre de

théorie des probabilités. Dans l’algorithme EM , on applique l’inégalité à la
fonction strictement convexe h(x) = − log x, x > 0, ce qui donne
h(E(X)) = − log E(X) < −E(log X) = E(h(X)),
pourvu que X > 0 ne soit pas constante avec probabilité 1.

Posons
θm+1 = argmaxθ Q(θ; θm ),
c
Jean-Claude Massé
et montrons que l(θm+1 ) > l(θm ). De (6.7), on peut voir que

" #
f (U |Y ; θm+1 )
l(θm+1 ) − l(θm ) = Q(θm+1 ; θm ) − Q(θm ; θm ) − E log Y = y; θm
f (U |Y ; θm )
" #
f (U |Y ; θm+1 )
≥ −E log Y = y; θm
f (U |Y ; θm )
Z
f (u|y; θm+1
= − log f (u|y; θm )du
f (u|y; θm )
" #
f (U |Y ; θm+1 )
≥ − log E Y = y; θm (Jensen)
f (U |Y ; θm )
Z
f (u|y; θm+1 )
= − log f (u|y; θm )du
f (u|y; θm )
Z
= − log f (u|y; θm+1 )du
= 0.
Dans tous les cas où deux valeurs différentes de θ déterminent des densités
conditionnelles f (u|y; θ) différentes, on a f (U |y; θm+1 )/f (U |y; θm ) 6= d’une
constante avec probabilité 1, et donc l’inégalité de Jensen s’applique stricte-
ment. On a alors l(θm+1 ) > l(θm ) dès que θm+1 6= θm , ce qui fait de (l(θm ))
une suite croissante. Soulignons que la méthode de Newton-Raphson n’a
pas toujours cette propriété. Notons finalement que, sous des conditions de
régularité assez faibles, la suite (θm ) converge vers un point maximum local
de l(θ).
En résumé, l’algorithme EM procède comme suit.
Algorithme EM
1. Se donner une valeur initiale θ0 . Aux itérations m = 1, 2, . . ., passer

par les deux phases suivantes dans l’ordre.
2. La phase E (espérance mathématique) : calculer
Z
Q(θ; θm ) = E[log f (Y, U ; θ)|Y = y; θm ] = log f (y, u; θ)f (u|y; θm )du.
c
Jean-Claude Massé
3. La phase M (maximisation) : calculer
θm+1 = argmaxθ Q(θ; θm ).
L’application de l’algorithme prend fin lorsque |Q(θm+1 ; θm )−Q(θm ; θm )| ou

|θm+1 − θm | sont suffisamment petits. Lorsque la log-vraisemblance possède
un maximum unique, la suite (θm ) converge généralement vers l’estimateur
du maximum de vraisemblance cherché. On trouvera dans les références des
conditions garantissant la convergence.
Exemple 3. Cet exemple est emprunté à la statistique génétique. Avant de

le présenter, on donne d’abord quelques définitions empruntées au Nouveau
Petit Robert et au Grand Robert.
allèles : gènes de même fonction et d’action dissemblable occupant la même
place dans une même paire de chromosomes.
génotype : patrimoine génétique d’un individu dépendant des gènes hérités
de ses parents, qu’ils soient exprimés ou non.
phénotype : ensemble des caractères individuels correspondant à la réalisa-
tion du génotype, déterminée par l’action de facteurs du milieu au
cours du développement de l’organisme.
L’appartenance d’un individu à un groupe sanguin est déterminée par la
présence de certains gènes dans le bagage génétique. Les trois allèles im-
pliqués sont désignés par A, B et O. Chaque individu est porteur d’exac-
tement deux allèles, l’un hérité du père, l’autre de la mère. Chaque com-
binaison de deux allèles définit un génotype ; pour le groupe sanguin, on
désigne ces génotypes par A/A, A/B, A/O, etc., où l’ordre des lettres est
sans importance. Les allèles A et B étant dominants par rapport à l’allèle
O, la paire A/O s’exprime de la même façon que la paire A/A, et la paire
B/O comme la paire B/B. Pour leur part, les paires A/B et O/O ont cha-
cune une expression particulière. Ces quatre formes d’expression définissent
autant de phénotypes que l’on représente simplement par A, B, AB et O,
c
Jean-Claude Massé
les groupes sanguins observables bien connus. Comme certaines combinai-

sons d’allèles ne sont pas distinguables, les proportions d’allèles A, B et O
dans une population ne sont pas directement estimables. Dans ce premier
exemple, l’algorithme EM est utilisé pour estimer ces proportions à partir
des proportions observées des 4 phénotypes.
Les données proviennent de n = 521 individus se répartissant entre les
phénotypes selon les fréquences nA = 186, nB = 38, nAB = 13 et nO = 284.
Dans l’application de l’algorithme EM qui suit, ces fréquences définissent le
vecteur des variables observées Y , tandis que le vecteur U des variables non
observées est défini par les fréquences des génotypes nA/A et nB/B . Noter
que nA = nA/A +nA|O et nB = nB/B +nB|O . Le problème statistique consiste
à estimer les proportions des trois allèles pA , pB et pO , proportions positives
vérifiant l’identité pA + pB + pO = 1.
Pour obtenir l’expression de la log-vraisemblance, on se sert de la loi de
Hardy-Weinberg pour les populations en équilibre génétique ; selon cette loi,
la probabilité d’un génotype s’obtient en considérant comme indépendants
les deux allèles hérités des parents. Par exemple, cela donne p2A pour la
probabilité du génotype A/A et 2pA pO pour celle du génotype A/O, puisque,
dans ce dernier cas, chacun des deux parents peut être porteur de l’allèle A.
Il est facile de voir que les valeurs du vecteur X = (Y, U ) sont en corres-
pondance bijective avec les valeurs de la multinomiale (nA/A , nA/O , nB/B ,
nB/O , nA/B , nO ). Comme fonction de p = (pA , pB , pO ), la log-vraisemblance
des données augmentées s’écrit donc
log f (y, u; p) = nA/A log(p2A ) + nA/O log(2pA pO ) + nB/B log(p2B )

+nB/O log(2pB pO ) + nAB log(2pA pB ) + nO log(p2O )

n
+ log . (6.8)
nA/A , nA/O , nB/B , nB/O , nAB , nO
En comparaison, la log-vraisemblance relative aux données observées est
c
Jean-Claude Massé
égale à
log f (y; p) = nA log(p2A + 2pA pO ) + nB log(p2B + 2pB pO )

+nAB log(2pA pB ) + nO p2O

n
+ log .
nA , nB , nAB , nO
La dernière fonction est plus difficile à maximiser en p que la première.

À l’étape m de l’algorithme EM , il nous faut calculer l’espérance condi-
tionnelle de log f (Y, U ; p) étant donné le vecteur des fréquences observées
Y = y = (nA , nB , nAB , nO ) lorsque la loi conditionnelle est paramétrisée par
le me itéré pm = (pmA , pmB , pmO ). Pour commencer, notons qu’au membre
droit de (6.8) les six premiers termes logarithmiques sont constants. Pour
tous ces termes, le calcul de l’espérance conditionnelle se ramène ainsi à
celui des fréquences nA/A , nA/O , etc. Il n’est pas difficile de voir que les
lois conditionnelles de nA/A , nA/O , nB/B , nB/O sont binomiales. Prenons par
exemple nA/A dont les valeurs possibles sont 0, 1, . . . , nA . La probabilité
de succès est celle qu’un individu appartienne au génotype A/A sachant
qu’il appartient au phénotype A. Lorsque les probabilités des allèles sont
(pmA , pmB , pmO ), la formule de Bayes implique que cette probabilité de
succès vaut p2mA /(p2mA + 2pmA pmO ), ce qui entraı̂ne que
p2mA
nmA/A := E(nA/A |Y = y; pm ) = nA .
p2mA + 2pmA pmO
On peut obtenir pareillement les espérances conditionnelles de nA/O , nB/B

et nB/O . Par ailleurs, il est clair que E(nAB |Y = y; pm ) = nAB et E(nO |Y =
y; pm ) = nO . Quant à l’espérance conditionnelle du logarithme du coefficient
multinomial, il n’est pas indispensable de la calculer car p = (pA , pB , pO ) est
absent de ce terme et la maximisation de Q est faite sur p.
À la deuxième phase de l’algorithme, nous devons maximiser Q(p|pm )
obtenue de (6.8) en remplaçant nA/A par nmA/A , nA/O par nmA/O , etc.
Comme la maximisation est faite sous contrainte, on utilise un multiplicateur
c
Jean-Claude Massé
de Lagrange λ pour maximiser plutôt en p la fonction
H(p, λ) = Q(p|pm ) + λ(pA + pB + pO − 1).
Il suffit pour cela de résoudre les équations obtenues en égalant à 0 les

dérivées partielles premières de H. Ces équations sont :
∂ 2nmA/A nmA/O nAB
H(p, λ) = + + +λ=0
∂pA pA pA pA
∂ 2nmB/B nmB/O nAB
H(p, λ) = + + +λ=0
∂pB pB pB pB
∂ nmA/O nmB/O 2nO
H(p, λ) = + + +λ=0
∂pO pO pO pO
∂
H(p, λ) = pA + pB + pO − 1 = 0.
∂λ
Il n’est pas difficile de voir λ = −2n, et la solution unique est donc
2nmA/A + nmA/O + nAB
pm+1,A =
2n
2nmB/B + nmB/O + nAB
pm+1,B =
2n
nmA/O + nmB/O + 2nO
pm+1,O = .
2n
Pour comprendre de façon intuitive les itérés obtenus, considérons par
exemple pm+1,A . Comme estimation de pA , cet itéré prend la somme des
fréquences observées ou estimées à l’étape m de chacune des trois sources
d’allèles A, soient les génotypes A/A, A/O et A/B, puis divise cette somme
par 2n, le nombre total d’allèles des n individus.
Dans cet exemple, l’algorithme est relativement facile à programmer.
Pour une valeur initiale p0 bien choisie, la convergence sera rapide. Comparé
à la méthode de Newton-Raphson, l’algorithme EM est en général plus lent.
Un résultat général établit que sa vitesse de convergence a un caractère
linéaire plutôt que quadratique.
c
Jean-Claude Massé
Exemple 4. Estimation de la densité d’un mélange

Un mélange de lois est un modèle utilisé pour représenter une observa-
tion pouvant provenir de plusieurs sous-populations distinctes, sans que l’on
sache de laquelle. Lorsque le nombre k de sous-populations est fini, une telle
observation Y possède une densité de la forme
k
X k
X
f (y; θ) = πi fi (y; φi ), 0 ≤ πi ≤ 1, πi = 1,
1 1
où πi est la probabilité que y provienne de la ie sous-population, fi (y; φi ) est

la densité conditionnelle à cet événement, supposée connue dans sa forme.
On a ici θ = (π1 , . . . , πk , φ1 , . . . , φk ), où les φi peuvent eux-mêmes être des
vecteurs. En raison du grand nombre de paramètres, estimer la loi d’un
mélange est en général un problème particulièrement compliqué.
Aux données observées, on ajoutera ici l’indicatrice U égale à i avec
probabilité πi , une variable non observée. Une donnée augmentée (y, i)
détermine la fonction de vraisemblance πi fi (y; φi ). Lorsqu’on a n obser-
vations d’indices j = 1, . . . , n, la fonction de vraisemblance relative à une
Q
donnée (yj , uj ) peut donc s’écrire ki=1 [πi fi (yj ; φi )]1(uj =i) , où 1(uj = i) = 1
ou 0, selon que uj = i ou non. La log-vraisemblance correspondante est donc
k
X
log f (yj , uj ; θ) = 1(uj = i)[log πi + log fi (yj ; φi )].
i=1
En sommant ensuite sur j = 1, . . . , n, on obtient la log-vraisemblance rela-

tive aux n données augmentées.
À l’étape m de l’algorithme EM , il nous faut calculer l’espérance de
log f (Y, U ; θ) par rapport à la loi conditionnelle
πmi fi (yj ; φmi )

P (Uj = i|Y = y; θm ) = Pk := wi (yj ; θm ),
l=1 πml fl (yj ; φml )
expression découlant de la formule de Bayes. Comme
E(1(Uj = i)|Y = y; θm ) = P (Uj = i|Y = y; θm ) = wi (yj ; θm ),
c
Jean-Claude Massé
la valeur espérée de la log-vraisemblance pour l’ensemble des données aug-

mentées (yj , uj ), j = 1, . . . , n, est
n X
X k
Q(θ; θm ) = wi (yj ; θm )[log πi + log fi (yj ; φi )]
j=1 i=1
X n
k X X n
k X
= wi (yj ; θm ) log πi + wi (yj ; θm ) log fi (yj ; φi )(6.9)
i=1 j=1 i=1 j=1
Pk
Comme la maximisation en θ est faite sous la contrainte 1 πi = 1, on
pourra utiliser un multiplicateur de Lagrange. On remarque cependant que
la maximisation en πi peut être faite en ne considérant que le premier terme
du membre droit de (6.9). Or, à une constante près, ce terme a la forme
P
d’une log-vraisemblance multinomiale. Puisque ki=1 wi (yj ; θm ) = 1 pour
tout j, le maximum en πi est donc
Pn Pn
j=1 wi (yj ; θm ) j=1 wi (yj ; θm )
πm+1,i = Pk Pn = ,
i=1 j=1 wi (yj ; θm )
n
soit le poids moyen pour la composante i du mélange.

Le maximum sur les autres paramètres est déterminé par le deuxième
terme de (6.9). Prenons le cas particulier où les fi sont des densités normales
de paramètres µi , σi2 (2k paramètres). Il nous suffit alors d’égaler à 0 les 2k
dérivées partielles :
n Pn
∂ X j=1 wi (yj ; θm )(yj − µi )
wi (yj ; θm ) log fi (yj ; µi , σi2 ) = − ,
∂µi
j=1
σi2
Xn n
X
∂ 1 (yj − µi )2
wi (yj ; θm ) log fi (yj ; µi , σi2 ) = wi (yj ; θm ) − 2 + ,
∂σi2 j=1 j=1
2σ i 2σ 4
i
et résoudre pour i = 1, . . . , k. Il n’est pas difficile de voir que les solutions

sont
Pn
wi (yj ; θm )yj
µm+1,i = Pj=1
n
j=1 wi (yj ; θm )
Pn 2
2 j=1 wi (yj ; θm )(yj − µm+1,i )
σm+1,i = Pn
j=1 wi (yj ; θm )
c
Jean-Claude Massé
pour i = 1, . . . , k.
6.4 Bibliographie
– Lange, K. (1999). Numerical Analysis for Statisticians, Springer-Verlag,

New York. Chapitres 5, 10 et 11. Bon exposé, surtout pour la théorie.
Couvre un grand nombre de sujets.
– Monahan, J. F. (2001). Numerical Methods of Statistics, Cambridge
University Press, Cambridge. Chapitre 8 et 9. Forte teinte informa-
tique. Valable surtout pour les algorithmes. Intérêt inégal.
– Givens, G. H. et Hoeting, J. A. (2005). Computational Statistics, J. Wi-
ley & Sons, New York. Chapitres 2 et 4. Couvre un grand nombre de
sujets, parfois de manière assez superficielle. La partie optimisation
est bien faite.
– Thisted, R. A. (1988). Elements of Statistical Computing, Chapman &
Hall, Londres. Chapitre 4. Très bon livre. Mériterait une mise à jour.
– Nash, J. C. (1990). Compact Numerical Methods for Computers, 2e
éd., Adam Hilger, New York. Chapitres 12–15. Très bon pour les al-
gorithmes.
– Davison, A. (2003). Statistical Models, Cambridge University Press,
Cambrige. Chapitres 4 et 5. Livre excellent. D’un très bon niveau.
– Venables, W. N. et Ripley, B. (2002). Modern Applied Statistics with
S, Springer, New York. La meilleure référence pour R et S-Plus.
– Bickel, P. J. et Doksum, K. A. (2001). Mathematical Statistics, 2e
éd., vol. 1, Prentice Hall, New York. Chapitre 2. Bon livre. De niveau
élevé.
c
Jean-Claude Massé

Cours TGRF

Transféré par

Droits d'auteur :

Formats disponibles

Cours TGRF

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours TGRF

Transféré par

Droits d'auteur :

Formats disponibles

STT-66972

Notes de cours par

Le jackknife est une méthode statistique introduite par Quenouille en

1.1 Estimation du biais

[Pour simplifier la notation, on notera souvent un tel échantillon :

Étant donné Xi = xi , i = 1, . . . , n, les valeurs observées, on s’intéresse à

Pour i = 1, . . . , n, on définit les n échantillons jackknife de taille n − 1 par

X (i) := (X1 , . . . , Xi−1 , Xi+1 , . . . , Xn ).

Sur ces échantillons, on peut calculer les n réplications jackknife de θb :

Quenouille estime alors le biais de θb par

bJack = (n − 1)(θb(·) − θ),

on en arrive à définir l’estimateur jackknife corrigé pour le biais :

Pour deux suites (an ) et (bn ) de nombres réels, la notation an = O(bn )

Dans le cas particulier où bn → 0 lorsque n → ∞ comme dans l’exemple

où a, b sont des constantes pouvant dépendre de θ mais indépendantes de n.

D’autre part, pour tout i,

où biais(θb(i) ) = E(θb(i) ) − θ est indépendant de i, donc est égal à biais(θb(·) ).

Prenons le cas de θb = X, estimateur sans biais de µ = E(X). On vérifie

1.2 Estimation de la variance

Comme pour l’estimateur de Quenouille bJack , l’estimateur vJack est défini

Tukey nomme les θei = θ+(n−1)(

θei − θe = θb + (n − 1)(θb − θb(i) ) − θb − (n − 1)θb + (n − 1)θb(·)

Pour un échantillon i.i.d. X1 , . . . , Xn , on vérifie plus bas que l’estimateur

b par celle de Var(θbJack ). Trai-

1.2.1 Suite des exemples 1.1.1, 1.1.2 et 1.1.3

ce qui signifie qu’on retrouve l’estimateur sans biais de Var(X) :

1.3 Conditions d’applications du jackknife

lim P (|δn − δ| > ǫ) = 0,

convergence symbolisée par δ →p.s. δ.

ces conditions sont relativement complexes, on les énonce ici en omettant

n(bJack − biais(θbn )) →p.s. 0.

Ce résultat signifie que, presque sûrement (donc en probabilité), bJack et

Supposons que Var(X1 ) < ∞ et que nVar(θbn ) → c > 0. Alors, pourvu

Quant à θbJack , on retiendra que cet estimateur n’a pas nécessairement

1.3.1 Exemple illustrant une limitation du jackknife

Une statistique d’ordre est un exemple de statistique ne s’exprimant pas

estime la médiane θ de la distribution F par la médiane échantillonnale

– Efron, B. et Tibshirani, R. J. (1993). An Introduction to the Bootstrap,

Étant donné un échantillon aléatoire de taille n, le jackknife fait ap-

2.2 Le principe de substitution

Supposons que l’on observe n valeurs Xi = xi de n variables aléatoires

En tant que variable aléatoire, Fb(x) = #{Xi ≤ x}/n, et donc E[Fb(x)] =

lorsque n → ∞, en vertu de la loi des grands nombres. La dernière conver-

Comme on n’a pas fait l’hypothèse d’un modèle pour F , l’estimation

donnons ci-dessous quelques exemples d’application du principe de substi-

2.2.1 Une définition générale de l’espérance

Soit X une variable aléatoire discrète prenant les valeurs x1 , x2 , . . . et

pourvu que la somme du membre droit converge absolument.

pourvu que l’intégrale de |g(x)| par rapport à f (x)dx soit finie.

2.2.2 Trois exemples d’applications du principe de substitu-

La moyenne d’une variable X de loi F (quand elle existe) peut s’écrire

En appliquant le principe de substitution, on estime la moyenne par

Selon la définition 2.2.1 appliquée à H = Fb , la dernière expression vaut

et l’on retrouve ainsi la moyenne échantillonnale.

Appliquant le principe de substitution, on l’estimera par

estimateur dans lequel on reconnaı̂t la forme biaisée de la variance échan-

où Fy , Fz désignent les lois marginales. En appliquant le principe de substi-

dire autant de la très grande majorité des paramètres de la forme θ(F )