クラメール・ラオの不等式の証明

公開日:

【2023年4月3週】 【B000】数理統計学 【B070】統計的推定

この記事をシェアする
  • B!
サムネイル画像

本稿では、クラメール・ラオの不等式を証明しています。

なお、閲覧にあたっては、以下の点にご注意ください。

  • スマートフォンやタブレット端末でご覧の際、数式が見切れている場合は、横にスクロールすることができます。

【定理】クラメール・ラオの不等式

【定理】
クラメール・ラオの不等式
Cramer-Rao’s Inequality

任意の確率分布 Pθ(θΘ) からの大きさ n の無作為標本を X={X1,X2,,Xn} その標本値を x={x1,x2,,xn} とする。

この分布の同時確率(密度)関数 f(x;θ) 正則条件①~③を満たすなら、 パラメータ θ の関数 g(θ) の不偏推定量 T(X)=θ^ の分散の下限は、 [θg(θ)]2In(θ)V[T(X)] となる。 特に、g(θ)=θ のとき、「フィッシャー情報量の n 倍の逆数以下の値」しか取り得ない、すなわち、 1nI1(θ)=1In(θ)V[T(X)] が成り立つ。 これをクラメール・ラオの不等式といい、左辺をクラメール・ラオの下限という。

証明

証明

まず、スコア関数と g(θ) の不偏推定量をそれぞれ、 S(θ)=θlogf(x:θ)T(X):E[T(X)]=g(θ) とする。

期待値の定義式より、 (1)E[T(X)]=T(x)f(x;θ)dx1dx2dxn=g(θ) また、スコア関数と不偏推定量の積の期待値を求めると、 E[T(X)S(θ)]=T(x)θf(x:θ)dx1dx2dxn=T(x)[1f(x:θ)θf(x:θ)]f(x;θ)dx1dx2dxn=T(x)θf(x:θ)dx1dx2dxn 正則条件 dkdθkf(x:θ)dx=dkdθkf(x:θ)dx より、 E[T(X)S(θ)]=θT(x)f(x:θ)dx1dx2dxn(1) より、 (2)E[T(X)S(θ)]=θg(θ) 共分散の公式 Cov(X,Y)=E(XY)E(X)E(Y) より、 Cov[T(X),S(θ)]=E[T(X)S(θ)]E[T(X)]E[S(θ)] スコア関数の性質 E[S(θ)]=0 より、 Cov[T(X),S(θ)]=E[T(X)S(θ)](2) より、 (3)Cov[T(X),S(θ)]=θg(θ) 共分散の定義式より、 Cov[T(X),S(θ)]=E[{T(X)g(θ)}{S(θ)E[S(θ)]}] スコア関数の性質 E[S(θ)]=0 より、 Cov[T(X),S(θ)]=E[{T(X)g(θ)}{S(θ)}] コーシー・シュワルツの不等式 {E(XY)}2E(X2)E(Y2) より、 [Cov{T(X),S(θ)}]2E[{T(X)g(θ)}2]E[{S(θ)}2] 分散の定義式 V[g(X)]=E[{g(X)E[g(X)]}2] より、 [Cov{T(X),S(θ)}]2V[T(X)]E[{S(θ)}2] フィッシャー情報量の定義式 E[{S(θ)}2]=In(θ) より、 [Cov{T(X),S(θ)}]2V[T(X)]In(θ)(3) より、 [θg(θ)]2V[T(X)]In(θ)[θg(θ)]2In(θ)V[T(X)] 等号はコーシー・シュワルツの不等式において等号が成り立つとき、すなわち、 T(X)g(θ)=K(θ)θlogf(x:θ) を満たす K(θ)0 が存在するときに成り立つ。

参考文献

  • 野田 一雄, 宮岡 悦良 著. 入門・演習数理統計. 共立出版, 1990, p.217-218
  • 久保川 達也 著, 新井 仁之, 小林 俊行, 斎藤 毅, 吉田 朋広 編. 現代数理統計学の基礎. 共立出版, 2017, p.131

関連記事

自己紹介

自分の写真

yama

大学時代に読書の面白さに気づいて以来、読書や勉強を通じて、興味をもったことや新しいことを学ぶことが生きる原動力。そんな人間が、その時々に学んだことを備忘録兼人生の軌跡として記録しているブログです。

このブログを検索

ブログ アーカイブ

QooQ