Eine Untergrenze für die Varianz (oder Kovarianzmatrix) jedes unverzerrten Schätzers eines Parameters, ausgedrückt durch die Fisher-Information: für einen skalaren Parameter gilt Var(theta_hat) ≥ 1 / I(theta); in der multivariaten Form ist die Kovarianzmatrix durch die Inverse der Fisher-Informationsmatrix von unten beschränkt, unter Regularitätsbedingungen.

Prinzip

Abgeleitet aus der Cauchy–Schwarz-Ungleichung angewandt auf die Score-Funktion, quantifiziert die Informationsungleichung, wie die Krümmung der Log-Likelihood (Fisher-Information) die erreichbare Präzision unverzerrter Schätzer begrenzt.

Demonstration

Die Schätzung des Mittelwerts einer Normalverteilung mit bekannter Varianz: der Stichprobenmittelwert ist unverzerrt und erreicht Var = sigma^2 / n, was der von der Fisher-Information berechneten Cramér–Rao-Grenze entspricht und die Erreichbarkeit zeigt, wenn ein effizienter Schätzer existiert.

Fehlanwendung

Die Schranke für verzerrte Schätzer zu verwenden, für Parameter am Rand des Parameterraums oder wenn Regularitätsbedingungen (Differenzierbarkeit unter dem Integralzeichen, endliche Fisher-Information) verletzt sind; fehlerhafte Berechnung der Fisher-Information führt zu irreführenden Schranken.

Konsequenz

Gibt eine fundamentale Effizienzbenchmark: erreicht ein unverzerrter Schätzer die Schranke, heißt er effizient; die Schranke leitet den Vergleich von Schätzern und die asymptotische Theorie (z. B. erreicht MLE unter Regularität asymptotisch die Schranke).

Umkehrung

In Modellen, in denen die Schranke nicht erreichbar ist, oder wenn man Verzerrung zulässt, um den mittleren quadratischen Fehler zu verringern, ist die Cramér–Rao-Schranke weder erreichbar noch alleiniges Kriterium; in bayesschen Rahmen ersetzen posteriorer Risiko- oder Bayes-Risiko-Kriterien die frequentistische Schranke.

Abgrenzung

Gilt unter Regularitäts- und Differenzierbarkeitsbedingungen für parametrisierte Familien und für unverzerrte Schätzer; sie gilt nicht für alle Schätzer, kann in endlichen Stichproben locker sein und versagt in singulären Modellen oder bei unendlicher Fisher-Information.

Semantische Spannung

Steht im Wettbewerb mit anderen unteren Schranken (z. B. Bhattacharyya, Hammersley–Chapman–Robbins) und mit Schranken, die verzerrte Schätzer oder minimax-Kriterien zulassen; Spannung besteht zwischen parametrischer Optimalität und praktischer Erreichbarkeit.

Synthese

Die Cramér–Rao-Untergrenze nutzt die Fisher-Information, um eine theoretische Untergrenze für die Varianz unverzerrter Schätzer unter Regularität zu setzen; sie bietet einen Maßstab für Effizienz und asymptotische Optimalität, wobei jedoch Fälle existieren, in denen sie nicht erreichbar oder nicht angemessen ist.