Maximum de vraisemblance

L'estimation du maximum de vraisemblance est une méthode statistique courante utilisée pour inférer les paramètres de la distribution de probabilité d'un échantillon donné.

Cette méthode a été développée par le statisticien et généticien Ronald Fisher entre 1912 et 1922.

L'estimateur du maximum de vraisemblance peut exister et être unique, ne pas être unique, ou ne pas exister.

Soit X une variable aléatoire réelle, de loi ou bien discrète ou bien continue, dont on veut estimer un paramètre θ. On note ${\mathcal{D}}_{\theta }$ cette famille de lois paramétriques. Alors on définit une fonction f telle que : $f(x;\theta )=\{\begin{array}{ll}{f}_{\theta }(x)& \text{si X est une v.a. continue}\\ P_{\theta }(X=x)& \text{si X est une v.a. discrete}\end{array}$

f_θ(x) représente la densité de X (où θ apparaît) et P_θ(X = x) représente une probabilité discrète (où θ apparaît).

On appelle vraisemblance de θ au vu des observations (x₁,...,x_i,...,x_n) d'un n-échantillon indépendamment et identiquement distribué selon la loi ${\mathcal{D}}_{\theta }$, le nombre :

On cherche à trouver le maximum de cette vraisemblance pour que les probabilités des réalisations observées soient aussi maximum. Ceci est un problème d'optimisation. On utilise généralement le fait que si L est dérivable (ce qui n'est pas toujours le cas) et si L admet un maximum global en une valeur $\theta =\hat{\theta }$, alors la dérivée première s'annule en $\theta =\hat{\theta }$ et que la dérivée seconde est négative. Réciproquement, si la dérivée première s'annule en $\theta =\hat{\theta }$ et que la dérivée seconde est négative en $\theta =\hat{\theta }$, alors $\theta =\hat{\theta }$ est un maximum local (et non global) de L(x₁,...,x_i,...,x_n;θ). Il est alors nécessaire de vérifier qu'il s'agit bien d'un maximum global. La vraisemblance étant positive et le logarithme népérien une fonction croissante, il est équivalent et souvent plus simple de maximiser le logarithme népérien de la vraisemblance (le produit se transforme en somme, ce qui est plus simple à dériver). On peut facilement construire la statistique Y_n = Θ qui est l'estimateur voulu.

Ainsi en pratique :

• La condition nécessaire

ou

permet de trouver la valeur $\theta =\hat{\theta }$.

• $\theta =\hat{\theta }$ est un maximum local si la condition suffisante est remplie au point critique $\theta =\hat{\theta }$ :

ou

Pour simplifier, dans les cas de lois continues, où parfois la densité de probabilité est nulle sur un certain intervalle, on peut omettre d'écrire la vraisemblance pour cet intervalle uniquement.

Pour une variable aléatoire réelle X de loi quelconque définie par une fonction de répartition F(x), on peut considérer des petits voisinages V autour de (x₁,..., x_n) dans ${\mathbb{R}}^n$, par exemple une boule de rayon ε. On obtient ainsi une fonction de vraisemblance $L(\theta ;V)=P[(X_{1,\theta },...,X_{n,\theta })\in V]$ dont on cherche un maximum $\theta =\hat{\theta }(V)$. On fait ensuite tendre la taille de V vers 0 dans $\hat{\theta }(V)$ pour obtenir l'estimateur $\hat{\theta }$ de maximum de vraisemblance.

On retombe sur les fonctions de vraisemblance précédentes quand X est à loi discrète ou continue.

L'estimateur obtenu par la méthode du maximum de vraisemblance est :

• convergent, mais il peut être biaisé en échantillon fini.
• asymptotiquement efficient, il atteint la borne de Cramer Rao.
• asymptotiquement distribué selon une loi normale.

Avec une loi discrète

On souhaite estimer le paramètre λ d'une loi de Poisson à partir d'un n-échantillon.

L'estimateur du maximum de vraisemblance est : ${\hat{\lambda }}_{ML}=\bar{x}$

Avec une loi continue

Loi exponentielle

On souhaite estimer le paramètre α d'une loi exponentielle à partir d'un n-échantillon.

L'estimateur du maximum de vraisemblance est : ${\hat{\alpha }}_{ML}=\frac{1}{\bar{x}}$

Loi normale

L'estimateur du maximum de vraisemblance de l'espérance μ et la variance σ d'une loi normale est:

L'estimateur de la variance est un bon exemple pour montrer que le maximum de vraisemblance peut fournir des estimateurs biaisés : un estimateur sans biais est donné en effet par: ${\hat{\sigma }}^2=\frac{1}{n-1}{\sum }_{i=1}^n(x_i-\bar{x}{)}^2$. Néanmoins, asymptotiquement, quand n tend vers l'infini, ce biais, qui est de $\frac{n}{n-1},$ tend vers 1 et l'estimateur est alors asymptotiquement sans biais.

Si la dérivée ne s'annule jamais

On souhaite estimer le paramètre a d'une loi uniforme à partir d'un n-échantillon.

La vraisemblance s'écrit :

Intuitivement, il est clair que cette expression de la vraisemblance ne s'annule jamais (on peut la dériver pour s'en convaincre). Graphiquement dans le repère (a, L), sa représentation est une courbe décroissante de type « inverse » (convexe tournée vers l'origine).

La valeur de L sera maximale quand a sera très près de 0, donc quand a sera le plus petit possible (l'intervalle de la densité est alors réduit). Mais, pour que la densité soit vraie, le paramètre a doit être nécessairement plus grand que tous les x_i de l'échantillon.

On prend donc comme valeur qui maximise L, tout en vérifiant la définition de la loi de probabilité :

W_n = A = max(X₁,...,X_n)

Cet exemple permet de montrer, qu'un estimateur n'est pas toujours défini par une expression numérique explicite. Ainsi on sera amené parfois à considérer le maximum ou le minimum des échantillons.