Rahmenbedingungen

Gegeben sei das einparametrige statistische Modell ${\displaystyle ({\mathcal {X}},{\mathcal {A}},{\mathcal {(}}P_{\vartheta })_{\vartheta \in \Theta })}$ mit dominierendem Maß ${\displaystyle \mu }$. Wir bezeichnen mit ${\displaystyle f(x|\vartheta )}$ die Dichte von ${\displaystyle P_{\vartheta }}$ bezüglich ${\displaystyle \mu }$.

Über dem Parameterraum ${\displaystyle (\Theta ,{\mathcal {B}}(\Theta ))}$ gibt es zusätzlich ein Wahrscheinlichkeitsmaß ${\displaystyle \pi }$ mit einer Dichte ${\displaystyle \lambda (\vartheta )}$ bezüglich des Lebesgue-Maßes. Damit handelt es sich bei unserem Modell um ein bayessches statistisches Modell.

Es gelten weiterhin folgende Regularitätsbedingungen:

• ${\displaystyle \lambda (\vartheta )}$ und ${\displaystyle f(x|\cdot )}$ sind beide (${\displaystyle \mu }$-fast sicher) absolutstetige Funktionen.
• ${\displaystyle \Theta }$ ist ein abgeschlossenes Intervall in ${\displaystyle \mathbb {R} }$
• Die Funktion ${\displaystyle \lambda }$ konvergiert an den Rändern des Definitionsintervalls ${\displaystyle \Theta }$ gegen ${\displaystyle 0}$.

Formulierung

Sei ${\displaystyle T=T(X)}$ ein Schätzer für den Parameter ${\displaystyle \vartheta }$ und ${\displaystyle X}$ eine Zufallsvariable, die wie ${\displaystyle P_{\vartheta }}$ verteilt ist. Wir nehmen zudem an, dass ${\displaystyle \operatorname {E} _{\vartheta }[{\frac {\partial }{\partial \vartheta }}\ln f(X,\vartheta )]=0}$ gilt.

Sei des Weiteren

${\displaystyle I(\vartheta ):=\operatorname {E} _{\vartheta }[S_{\vartheta }^{2}]=\operatorname {E} _{\vartheta }[({\frac {\partial }{\partial \vartheta }}\ln f(X,\vartheta ))^{2}]}$

${\displaystyle I(\lambda ):=\operatorname {E} [({\frac {\partial }{\partial \vartheta }}\ln \lambda (\vartheta ))^{2}]}$

die Fisher-Information für ${\displaystyle \vartheta }$ beziehungsweise für einen Parameter in ${\displaystyle \lambda }$. Dabei ist ${\displaystyle \operatorname {E} _{\vartheta }}$ der (gewöhnliche) Erwartungswert bezüglich des Wahrscheinlichkeitsmaßes ${\displaystyle P_{\vartheta }}$ und ${\displaystyle \operatorname {E} }$ der Erwartungswert bezüglich des gemeinsamen Wahrscheinlichkeitsmaßes von ${\displaystyle X}$ und einer ${\displaystyle \pi }$-verteilten Zufallsvariable ${\displaystyle Y}$.

Die Ungleichung von van Trees besagt nun:

${\displaystyle \operatorname {E} [(T(X)-\vartheta )^{2}]\geq {\frac {1}{\operatorname {E} [I(\vartheta )]+I(\lambda )}}}$