diff --git a/16_biais_variance_estimateur_slides.Rmd b/16_biais_variance_estimateur_slides.Rmd
new file mode 100644
index 0000000..cca9faa
--- /dev/null
+++ b/16_biais_variance_estimateur_slides.Rmd
@@ -0,0 +1,153 @@
+---
+title: "16 Biais et variance d'un estimateur"
+author: Pierre-Edouard Portier
+date: mars 2022
+output:
+  beamer_presentation:
+    incremental: false
+    includes:
+      in_header: preamble.tex
+---
+
+# Biais et variance de l'estimateur du paramètre d'un modèle
+
+>- Modèle : $P(\mathbf{x};\mu,\sigma)$
+>- Données observées générées (par hypothèse) par $P$ : $\mathbf{x_1}, \mathbf{x_2},\dots, \mathbf{x_n}$
+>- $\hat{\mu} = E[\mathbf{x}]$ ($E$ sur \emph{tous les jeux de données possibles})
+>- $\hat{\sigma}^2 = E[(\mathbf{x} - E[\mathbf{x}])(\mathbf{x} - E[\mathbf{x}])]$
+>- Etant données les observations, $\hat{\mu}_{est}$ et $\hat{\sigma}_{est}$ estiment $\hat{\mu}$ et $\hat{\sigma}$
+>- Estimateur non biaisé : $E[\hat{\mu}_{est}] = \hat{\mu}$ etc.
+>- Variance d'un estimateur : $Var(\hat{\mu}_{est}) = E[(\hat{\mu} - \hat{\mu}_{est})^2]$
+
+# Estimateurs par maximum de vraissemblance
+
+$$
+\begin{aligned}
+ & \hat{\mu}_{ML} = \argmax_{\mu} P(\mathbf{x}; \mu, \sigma^2) \\
+\Rightarrow \{& \text{A l'endroit d'un extremum, la dérivée première s'annule} \} \\
+ & \partial P(\mathbf{x}; \mu, \sigma^2) / \partial \mu = 0
+\end{aligned}
+$$
+
+# Exemple d'une loi normale
+
+>-
+$$
+\begin{aligned}
+x_i &\sim \mathcal{N}(\mu, \sigma^2) \\
+P(x_i ; \mu, \sigma) &= \frac{1}{\sqrt{2\pi\sigma^2}}exp\left( -\frac{1}{2\sigma^2}(x_i-\mu)^2\right)
+\end{aligned}
+$$
+
+>-
+$$
+\begin{aligned}
+ & P(X ; \mu, \sigma) \\
+= \{& \text{Hypothèse : les échantillons sont indépendants} \} \\
+ & \prod_i P(x_i ; \mu, \sigma) \\
+= \phantom{\{}& \\
+ & (2\pi\sigma^2)^{-n/2} exp\left[ -\frac{1}{2\sigma^2} \sum_i (x_i-\mu)^2 \right]
+\end{aligned}
+$$
+
+# Exemple d'une loi normale
+
+>- $\hat{\sigma}^2_{ML}$ (aussi noté $\hat{s}_{ML}$) pour $\hat{\mu}$ connu
+$$\hat{\sigma}^2_{ML} = 1/n \sum_i (x_i - \hat{\mu})^2$$
+
+>- Estimateur non biaisé (et de variance minimale) : $E\left[ \hat{\sigma}^2_{ML} \right] = \hat{\sigma}^2$
+
+# Exemple d'une loi normale
+
+>- Moyenne inconnue
+$$\hat{\mu}_{ML} = \frac{1}{n} \sum_i x_i$$
+
+>- Estimateur non biaisé de la moyenne : $E[\hat{\mu}_{ML}] = \hat{\mu}$
+
+>- Estimateur de la variance
+$$\hat{s}_{ML} = n^{-1} \sum_i x_i^2 \; - \left( n^{-1} \sum_i x_i \right)^2$$
+
+>- Estimateur biaisé (mais de variance minimale) de la variance
+$$E[\hat{s}_{ML}] = \frac{n-1}{n} \hat{s}$$
+
+>- Estimateur sans biais de la variance
+$$s' \; = \;  \left( \frac{n-1}{n} \right)^{-1} \hat{s}_{ML} \; = \; \frac{1}{n-1} \sum_i (x_i - \mu)^2$$
+
+# Analyse biais-variance pour la régression
+
+>- $y = f(\mathbf{x}) + \epsilon$ avec $\epsilon \sim \mathcal{N}(\mathbf{0}, \sigma^2)$
+>- Jeu de données $\left\{ (\mathbf{x_i}, y_i) \right\}$
+>- Modèle $h(\mathbf{x})$ (e.g. linéaire : $\boldsymbol\beta^T\mathbf{x} + \beta_0$)
+>- Le modèle minimise une erreur (e.g., $\sum_i \left( y_i - h(\mathbf{x_i})\right)^2$)
+>- Nouveau point $\mathbf{x}^*$ associé à $y^* = f(\mathbf{x}^*) + \epsilon$
+>- Quelle est $E\left[\left(y^* - h(\mathbf{x}^*)\right)^2\right]$ sur l'ensemble infini de tous les jeux de données ?
+
+# Analyse biais-variance pour la régression
+
+>-
+$$
+\begin{aligned}
+E\left[ \left( h(\mathbf{x}^*) - \overline{h(\mathbf{x}^*)} \right)^2 \right] &+ \left( \overline{h(\mathbf{x}^*)} - f(\mathbf{x}^*) \right)^2 &+ \sigma^2 \\
+\text{Variance} &+ \text{Biais}^2 &+ \text{Bruit}^2
+\end{aligned}
+$$
+
+>- Variance : variation de $h(\mathbf{x}^*)$ d'un jeu de données à l'autre
+>- Biais : erreur moyenne de $h(\mathbf{x}^*)$
+>- Bruit : variation de $y^*$ par rapport à $f(\mathbf{x}^*)$
+
+# Biais-variance et taille du jeu de données
+
+- Pankaj Mehta \emph{et al.}, 2019 : \url{https://arxiv.org/abs/1803.08823}
+
+```{r, out.width = "240px", echo=FALSE}
+knitr::include_graphics("images/screenshot_mehta_2019_number_points.png")
+```
+
+# Biais-variance et complexité
+
+- Pankaj Mehta \emph{et al.}, 2019 : \url{https://arxiv.org/abs/1803.08823}
+
+```{r, out.width = "240px", echo=FALSE}
+knitr::include_graphics("images/screenshot_mehta_2019_complexity.png")
+```
+
+# Dilemme biais-variance
+
+- Pankaj Mehta \emph{et al.}, 2019 : \url{https://arxiv.org/abs/1803.08823}
+
+```{r, out.width = "240px", echo=FALSE}
+knitr::include_graphics("images/screenshot_mehta_2019_tradeoff.png")
+```
+
+# Biais et variance des coefficients d'une régression ridge
+
+>- Hypothèse d'un modèle génératif linéaire : $y_i = \mathbf{x_i}^T\boldsymbol\beta + \epsilon_i \quad \text{et} \quad \epsilon_i \sim \mathcal{N}(0,\sigma^2)$
+>- Rappel :
+$$\hat{\boldsymbol\beta}_\lambda = \sum_{d_j>0} \mathbf{v_j} \frac{d_j}{d_j^2 + \lambda} \mathbf{u_j}^T\mathbf{y}$$
+>-
+$$E\left[ \hat{\boldsymbol \beta}_\lambda \right] = \sum_{d_j>0} \mathbf{v_j} \frac{d_j^2}{d_j^2 + \lambda} \mathbf{v_j}^T\boldsymbol\beta$$
+>- Si $\lambda=0$, $\hat{\boldsymbol\beta}$ est un estimateur sans biais ($\sum \mathbf{v_j}\mathbf{v_j}^T=\mathbf{I}_p$)
+>- $\hat{\boldsymbol\beta}_\lambda$ est biaisé vers $0$ et ce d'autant plus pour les directions de faible variance
+
+# Biais et variance des coefficients d'une régression ridge
+
+>-
+$$Var\left(\hat{\boldsymbol\beta}\right) = \sigma^2 \sum_{j=1}^{P} \frac{1}{d_j^2} \mathbf{v_j}\mathbf{v_j}^T$$
+>-
+$$\hat{\boldsymbol\beta} = \sum_{d_j>0} \mathbf{v_j}\frac{1}{d_j}\mathbf{u_j}^T\mathbf{y}$$
+>-
+$$\hat{\boldsymbol\beta}_\lambda = \sum_{d_j>0} \mathbf{v_j}\frac{d_j}{d_j^2+\lambda}\mathbf{u_j}^T\mathbf{y}$$
+>-
+$$\hat{\boldsymbol\beta}_\lambda = \mathbf{W} \hat{\boldsymbol\beta} \quad \text{avec } \mathbf{W} = diag\left(\frac{d_j^2}{d_j^2 + \lambda}\right)$$
+>-
+$$Var\left(\hat{\boldsymbol\beta}_\lambda\right) = \sigma^2 \sum_{d_j>0} \frac{d_j^2}{(d_j^2 + \lambda)^2} \mathbf{v_j}\mathbf{v_j}^T$$
+>- $Var\left(\hat{\boldsymbol\beta}_\lambda\right)$ diminue uniformément quand $\lambda$ augmente
+
+# Biais-variance régression ridge - Illustration
+
+- Trevor Hastie, 2020 : \url{https://arxiv.org/abs/2006.00371}
+
+```{r, out.width = "260px", echo=FALSE}
+knitr::include_graphics("images/screenshot_hastie_2020.png")
+```
\ No newline at end of file