{"id":7192,"date":"2026-09-16T18:09:32","date_gmt":"2026-09-16T18:09:32","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/estimation-maximum-vraisemblance-distribution-uniforme\/"},"modified":"2026-09-16T18:09:35","modified_gmt":"2026-09-16T18:09:35","slug":"estimation-maximum-vraisemblance-distribution-uniforme","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=estimation-maximum-vraisemblance-distribution-uniforme","title":{"rendered":"Estimation par le maximum de vraisemblance (EMV) pour une distribution uniforme"},"content":{"rendered":"

L’inf\u00e9rence statistique contemporaine repose en grande partie sur des principes d’optimisation fonctionnelle formalis\u00e9s au d\u00e9but du vingti\u00e8me si\u00e8cle. Parmi ces paradigmes, l’estimation par le maximum de vraisemblance s’est impos\u00e9e comme le standard dominant pour d\u00e9river des estimateurs ponctuels dot\u00e9s de propri\u00e9t\u00e9s asymptotiques remarquables telles que la consistance, l’efficacit\u00e9 asymptotique et la normalit\u00e9 de la distribution d’\u00e9chantillonnage. Cependant, la validit\u00e9 universelle de ces propri\u00e9t\u00e9s repose de mani\u00e8re critique sur un ensemble de conditions de r\u00e9gularit\u00e9 math\u00e9matique, souvent regroup\u00e9es sous le vocable d’hypoth\u00e8ses de Cram\u00e9r-Rao. Lorsque ces postulats structurels sont enfreints, l’\u00e9difice analytique traditionnel s’effondre, obligeant le statisticien \u00e0 abandonner le confort du calcul diff\u00e9rentiel standard au profit de l’analyse convexe, de la topologie des ensembles ferm\u00e9s et de la th\u00e9orie fine des statistiques d’ordre.<\/p>\n

Le cas paradigmatique illustrant cette rupture fondamentale est sans conteste l’estimation des bornes d’une distribution uniforme continue<\/a> sur un intervalle compact. Alors que la loi uniforme est conceptuellement la plus \u00e9l\u00e9mentaire de toutes les distributions continues en th\u00e9orie des probabilit\u00e9s, son traitement sous l’angle de la vraisemblance r\u00e9v\u00e8le une complexit\u00e9 math\u00e9matique et g\u00e9om\u00e9trique fascinante. Le support de la distribution d\u00e9pend explicitement des param\u00e8tres que l’on cherche \u00e0 estimer, ce qui constitue une violation frontale de la premi\u00e8re condition de r\u00e9gularit\u00e9 statistique. Par cons\u00e9quent, la fonction de log-vraisemblance ne peut \u00eatre maximis\u00e9e par la simple annulation de son gradient ; la d\u00e9riv\u00e9e par rapport aux param\u00e8tres demeure strictement non nulle sur tout l’int\u00e9rieur de l’espace admissible, repoussant l’optimum vers la fronti\u00e8re g\u00e9om\u00e9trique d\u00e9finie par les observations extr\u00eames de l’\u00e9chantillon.<\/p>\n

Ce trait\u00e9 exhaustif explore l’ensemble des ramifications th\u00e9oriques, g\u00e9om\u00e9triques, probabilistes et appliqu\u00e9es de l’estimation par le maximum de vraisemblance pour la loi uniforme continue. De la d\u00e9rivation analytique rigoureuse des estimateurs aux fronti\u00e8res du support \u00e0 l’\u00e9tude approfondie de leur super-efficacit\u00e9 asymptotique \u00e0 l’ordre n<\/em>, en passant par la correction de leur biais structurel via le th\u00e9or\u00e8me de Lehmann-Scheff\u00e9 et leurs applications cruciales en psychom\u00e9trie, en sciences cognitives et dans la r\u00e9solution du c\u00e9l\u00e8bre probl\u00e8me des chars allemands, cette monographie offre une r\u00e9f\u00e9rence exhaustive pour les chercheurs, statisticiens et mod\u00e9lisateurs confront\u00e9s \u00e0 des probl\u00e8mes d’inf\u00e9rence non r\u00e9guli\u00e8re.<\/p>\n

1. Introduction th\u00e9orique \u00e0 la distribution uniforme continue et ses fondements<\/h2>\n

1.1 D\u00e9finition axiomatique et fonction de densit\u00e9 de probabilit\u00e9<\/h3>\n

La formalisation axiomatique d’une variable al\u00e9atoire continue selon la th\u00e9orie des probabilit\u00e9s de Kolmogorov<\/a> n\u00e9cessite la d\u00e9finition d’un espace probabilis\u00e9 mesurable. Consid\u00e9rons un espace probabilis\u00e9 (Ω, F, P) et une variable al\u00e9atoire r\u00e9elle X d\u00e9finie sur cet espace. Nous disons que X suit une loi uniforme continue sur un intervalle compact de la droite r\u00e9elle, not\u00e9 [a, b] avec -∞ < a < b < +∞, ce que l’on note conventionnellement X ~ U(a, b), si sa mesure de probabilit\u00e9 est proportionnelle \u00e0 la mesure de Lebesgue sur cet intervalle et nulle en dehors.<\/p>\n

Sur le plan analytique, la fonction de densit\u00e9 de probabilit\u00e9, not\u00e9e f(x ; a, b), caract\u00e9rise la distribution locale de probabilit\u00e9. Elle s’exprime de mani\u00e8re rigoureuse \u00e0 l’aide de la fonction indicatrice du support compact sous la forme :<\/p>\n

f(x ; a, b) = [1 \/ (b – a)] × 1<\/strong>[a, b]<\/sub>(x)<\/p>\n

o\u00f9 1<\/strong>[a, b]<\/sub>(x) est l’op\u00e9rateur indicatrice valant 1 si l’argument x appartient \u00e0 l’intervalle ferm\u00e9 [a, b], et 0 dans le cas contraire. L’adjonction explicite de cette fonction indicatrice n’est pas une simple coquetterie de notation math\u00e9matique, mais une n\u00e9cessit\u00e9 absolue pour \u00e9viter des erreurs fondamentales lors de l’int\u00e9gration et de l’\u00e9valuation de la fonction de vraisemblance sur l’espace r\u00e9el complet. L’int\u00e9grale de cette densit\u00e9 sur l’ensemble de la droite r\u00e9elle est strictement \u00e9gale \u00e0 l’unit\u00e9, satisfaisant ainsi l’axiome fondamental de normalisation de toute mesure de probabilit\u00e9.<\/p>\n

\"Uniform
Uniform distribution example<\/figcaption><\/figure>\n

La fonction de r\u00e9partition cumulative associ\u00e9e, F(x ; a, b) = P(X ≤ x), s’obtient par l’int\u00e9gration d\u00e9finie de la fonction de densit\u00e9 de probabilit\u00e9 depuis la borne inf\u00e9rieure de son support \u00e9tendu. Pour tout x ∈ R<\/strong>, elle se formule par morceaux : elle est identiquement nulle pour toute valeur strictement inf\u00e9rieure \u00e0 a, cro\u00eet de mani\u00e8re strictement lin\u00e9aire selon l’expression (x – a) \/ (b – a) pour x compris entre a et b, et sature \u00e0 la valeur 1 pour toute valeur strictement sup\u00e9rieure \u00e0 b. Cette lin\u00e9arit\u00e9 absolue sur le support traduit la propri\u00e9t\u00e9 d’homog\u00e9n\u00e9it\u00e9 spatiale compl\u00e8te : la probabilit\u00e9 qu’une r\u00e9alisation de la variable X appartienne \u00e0 un sous-intervalle quelconque de [a, b] ne d\u00e9pend exclusivement que de la longueur de ce sous-intervalle et nullement de son positionnement spatial relatif au sein du support.<\/p>\n

1.2 Moments th\u00e9oriques et propri\u00e9t\u00e9s fondamentales<\/h3>\n

L’\u00e9valuation des moments th\u00e9oriques d’une variable al\u00e9atoire X distribu\u00e9e selon la loi U(a, b) s’effectue par int\u00e9gration directe contre la mesure de Lebesgue. L’esp\u00e9rance math\u00e9matique, premier moment ordinaire repr\u00e9sentant le centre de gravit\u00e9 de la masse de probabilit\u00e9, s’\u00e9tablit formellement comme suit :<\/p>\n

E(X) = ∫-∞<\/sub>+∞<\/sup> x f(x ; a, b) dx = ∫a<\/sub>b<\/sup> [x \/ (b – a)] dx = [x2<\/sup> \/ (2(b – a))]a<\/sub>b<\/sup> = (b2<\/sup> – a2<\/sup>) \/ (2(b – a)) = (a + b) \/ 2<\/p>\n

Cette esp\u00e9rance co\u00efncide rigoureusement avec le milieu arithm\u00e9tique des bornes de l’intervalle, refl\u00e9tant la parfaite sym\u00e9trie g\u00e9om\u00e9trique de la densit\u00e9 par rapport \u00e0 son axe central.<\/p>\n

Le calcul du second moment centr\u00e9, ou variance th\u00e9orique Var(X), permet de quantifier la dispersion intrins\u00e8que des r\u00e9alisations autour de leur barycentre th\u00e9orique. En mobilisant l’identit\u00e9 de K\u00f6nig-Huygens, Var(X) = E(X2<\/sup>) – [E(X)]2<\/sup>, nous \u00e9valuons d’abord le second moment ordinaire :<\/p>\n

E(X2<\/sup>) = ∫a<\/sub>b<\/sup> [x2<\/sup> \/ (b – a)] dx = [x3<\/sup> \/ (3(b – a))]a<\/sub>b<\/sup> = (b3<\/sup> – a3<\/sup>) \/ (3(b – a)) = (a2<\/sup> + ab + b2<\/sup>) \/ 3<\/p>\n

En soustrayant le carr\u00e9 de l’esp\u00e9rance math\u00e9matique, nous obtenons par factorisation alg\u00e9brique :<\/p>\n

Var(X) = (a2<\/sup> + ab + b2<\/sup>) \/ 3 – (a + b)2<\/sup> \/ 4 = (4a2<\/sup> + 4ab + 4b2<\/sup> – 3a2<\/sup> – 6ab – 3b2<\/sup>) \/ 12 = (b – a)2<\/sup> \/ 12<\/p>\n

Ce r\u00e9sultat remarquable met en lumi\u00e8re que la dispersion d\u00e9pend quadratiquement de l’amplitude totale du support, normalis\u00e9e par la constante universelle 12 propre aux formes g\u00e9om\u00e9triques rectangulaires continues.<\/p>\n

L’analyse des moments d’ordres sup\u00e9rieurs permet de parfaire la caract\u00e9risation structurelle de la distribution. En raison de la sym\u00e9trie centrale parfaite de la densit\u00e9 f(x) par rapport \u00e0 μ = (a + b) \/ 2, tous les moments centr\u00e9s impairs μ2k+1<\/sub> = E[(X – μ)2k+1<\/sup>] sont identiquement nuls pour tout entier naturel k. En particulier, le coefficient d’asym\u00e9trie (skewness) est strictement \u00e9gal \u00e0 z\u00e9ro. Pour les moments pairs, le quatri\u00e8me moment centr\u00e9 vaut μ4<\/sub> = (b – a)4<\/sup> \/ 80, ce qui conduit \u00e0 un coefficient d’aplatissement ou kurtosis standardis\u00e9 β2<\/sub> = μ4<\/sub> \/ (Var(X))2<\/sup> = [ (b – a)4<\/sup> \/ 80 ] \/ [ (b – a)4<\/sup> \/ 144 ] = 144 \/ 80 = 9 \/ 5 = 1,8. L’exc\u00e8s de kurtosis, mesur\u00e9 par γ2<\/sub> = β2<\/sub> – 3, s’\u00e9tablit donc \u00e0 -1,2. Cette valeur strictement n\u00e9gative traduit une distribution fortement platykurtique, caract\u00e9ris\u00e9e par une absence totale de queues lourdes et des flancs tronqu\u00e9s de mani\u00e8re abrupte.<\/p>\n

Sur le plan philosophique et \u00e9pist\u00e9mologique, la distribution uniforme incarne la traduction formelle du principe d’indiff\u00e9rence<\/em> \u00e9nonc\u00e9 par Pierre-Simon de Laplace. En vertu de ce principe, en pr\u00e9sence d’un ensemble continu d’\u00e9v\u00e9nements \u00e9l\u00e9mentaires born\u00e9s sans aucune information pr\u00e9alable permettant d’accorder une pr\u00e9f\u00e9rence heuristique \u00e0 un point plut\u00f4t qu’\u00e0 un autre, l’attribution d’une densit\u00e9 de probabilit\u00e9 constante repr\u00e9sente l’unique assignation rationnelle exempte de biais. Dans le cadre de la th\u00e9orie de l’information de Claude Shannon, la loi uniforme continue maximise l’entropie diff\u00e9rentielle parmi toutes les distributions continues restreintes \u00e0 un support compact donn\u00e9 [a, b], formalisant de facto l’\u00e9tat d’incertitude \u00e9pist\u00e9mique absolue sur cet intervalle.<\/p>\n

1.3 Importance de la loi uniforme en mod\u00e9lisation math\u00e9matique et cognitive<\/h3>\n

Bien que d’apparence simpliste, la distribution uniforme continue constitue un pilier de la mod\u00e9lisation math\u00e9matique appliqu\u00e9e, particuli\u00e8rement dans les contextes o\u00f9 des seuils physiques, physiologiques ou informationnels rigides contraignent la g\u00e9n\u00e9ration des donn\u00e9es. En psychophysique<\/a>, par exemple, la d\u00e9tection absolue de signaux sensoriels faibles (visuels, auditifs ou tactiles) est fr\u00e9quemment formul\u00e9e \u00e0 travers des mod\u00e8les de seuil continu o\u00f9 la sensibilit\u00e9 instantan\u00e9e d’un r\u00e9cepteur oscille de mani\u00e8re \u00e9quiprobable entre deux fronti\u00e8res critiques d\u00e9pendant de l’\u00e9tat r\u00e9fractaire des membranes synaptiques. La mod\u00e9lisation de ces seuils de d\u00e9tection requiert l’estimation pr\u00e9cise de ces fronti\u00e8res d’activation sous-jacentes \u00e0 partir d’\u00e9chantillons comportementaux discrets.<\/p>\n

De plus, en th\u00e9orie de la mesure et en statistique computationnelle, la loi uniforme joue un r\u00f4le de distribution de r\u00e9f\u00e9rence canonique en vertu du th\u00e9or\u00e8me de la transformation int\u00e9grale de probabilit\u00e9. Ce r\u00e9sultat fondamental stipule que si une variable al\u00e9atoire X admet une fonction de r\u00e9partition continue FX<\/sub>, alors la variable transform\u00e9e U = FX<\/sub>(X) suit rigoureusement une loi uniforme standard sur l’intervalle [0, 1]. Cette propri\u00e9t\u00e9 est le moteur algorithmique universel des g\u00e9n\u00e9rateurs de nombres pseudo-al\u00e9atoires et constitue le fondement math\u00e9matique des tests d’ad\u00e9quation (goodness-of-fit), \u00e0 l’image du test de Kolmogorov-Smirnov, o\u00f9 la distance supr\u00e9mum entre la fonction de r\u00e9partition empirique et la loi th\u00e9orique est directement \u00e9valu\u00e9e sur l’espace d’uniformit\u00e9 [0, 1].<\/p>\n

2. Le paradigme de l’estimation par le maximum de vraisemblance (EMV)<\/h2>\n

2.1 Philosophie g\u00e9n\u00e9rale de l’inf\u00e9rence par vraisemblance<\/h3>\n

L’inf\u00e9rence statistique moderne a \u00e9t\u00e9 profond\u00e9ment r\u00e9volutionn\u00e9e par les travaux fondateurs de Sir Ronald A. Fisher<\/a> au d\u00e9but des ann\u00e9es 1920, qui a syst\u00e9matis\u00e9 la m\u00e9thode du maximum de vraisemblance. La d\u00e9marche fisherienne repose sur une inversion conceptuelle \u00e9l\u00e9gante du conditionnement probabiliste conventionnel. Dans un cadre de probabilit\u00e9 directe, le param\u00e8tre populationnel θ appartenant \u00e0 un espace param\u00e9trique Θ est postul\u00e9 fixe et connu, et le probabiliste cherche \u00e0 d\u00e9terminer la loi de probabilit\u00e9 ou la fr\u00e9quence d’apparition des vecteurs de donn\u00e9es d’\u00e9chantillon observables X = (X1<\/sub>, …, Xn<\/sub>).<\/p>\n

\u00c0 l’inverse, dans le paradigme inf\u00e9rentiel inverse qui caract\u00e9rise la d\u00e9marche du statisticien confront\u00e9 \u00e0 des donn\u00e9es empiriques, l’\u00e9chantillon de donn\u00e9es x = (x1<\/sub>, …, xn<\/sub>) a d\u00e9j\u00e0 \u00e9t\u00e9 recueilli et se trouve fix\u00e9 de mani\u00e8re immuable, tandis que le param\u00e8tre θ demeure une entit\u00e9 inconnue et inaccessible que l’on souhaite identifier. Fisher a ainsi introduit la notion de fonction de vraisemblance, not\u00e9e L(θ ; x), d\u00e9finie analytiquement comme la densit\u00e9 de probabilit\u00e9 conjointe r\u00e9interpr\u00e9t\u00e9e en tant que fonction du seul param\u00e8tre θ sur Θ, conditionnellement au vecteur d’observations x :<\/p>\n

L(θ ; x) = fX<\/sub>(x ; θ)<\/p>\n

Il est imp\u00e9ratif de souligner la fronti\u00e8re \u00e9pist\u00e9mologique stricte qui s\u00e9pare la probabilit\u00e9 de la vraisemblance. La fonction de vraisemblance L(θ ; x) n’est absolument pas une densit\u00e9 de probabilit\u00e9 sur l’espace param\u00e9trique Θ : son int\u00e9grale sur Θ n’est en aucun cas contrainte d’\u00e9galer 1 et peut diverger sans enfreindre la coh\u00e9rence du cadre d’analyse. Le principe du maximum de vraisemblance postule que le meilleur estimateur ponctuel d’un param\u00e8tre θ inconnu correspond \u00e0 la valeur au sein de Θ qui attribue le degr\u00e9 de plausibilit\u00e9 ou la probabilit\u00e9 a posteriori relative la plus \u00e9lev\u00e9e \u00e0 la constellation exacte des donn\u00e9es qui ont \u00e9t\u00e9 empiriquement observ\u00e9es.<\/p>\n

2.2 Conditions classiques de r\u00e9gularit\u00e9 de Cram\u00e9r-Rao<\/h3>\n

L’immense popularit\u00e9 de l’estimateur du maximum de vraisemblance (EMV) dans la litt\u00e9rature th\u00e9orique et appliqu\u00e9e provient de ses propri\u00e9t\u00e9s optimales en grand \u00e9chantillon. N\u00e9anmoins, l’obtention des c\u00e9l\u00e8bres th\u00e9or\u00e8mes de consistance forte, d’efficacit\u00e9 asymptotique et de normalit\u00e9 asymptotique repose sur le respect scrupuleux d’un ensemble de conditions restrictives, commun\u00e9ment d\u00e9sign\u00e9es sous l’appellation de conditions de r\u00e9gularit\u00e9 de Cram\u00e9r-Rao ou conditions de r\u00e9gularit\u00e9 du mod\u00e8le statistique standard.<\/p>\n

Parmi ces conditions postulatoires formelles, les plus d\u00e9terminantes sont les suivantes :<\/p>\n