##  [Inégalité de Van Trees](/fr/node/71832) 

 Définition

Une borne inférieure bayésienne qui limite l'erreur quadratique moyenne (risque de Bayes) de tout estimateur d'un paramètre sous une loi a priori donnée. Sous des conditions usuelles de régularité et d'intégrabilité sur la vraisemblance et la prior, la covariance d'erreur moyenne attendue est minorée par l'inverse de la somme de l'information de Fisher de la vraisemblance (moyennée sur la prior) et de l'information de Fisher fournie par la prior.

 

 

 

 

 

 





## Principe

Principe

L'erreur quadratique moyenne minimale réalisable (moyennée sur les données et la prior) ne peut être inférieure à une borne déterminée par l'information conjointe issue des données (information de Fisher moyenne) et de la prior ; l'augmentation de l'une ou l'autre réduit la borne.

 

 

 

 

 





## Démonstration

Démonstration

Scénario illustratif → Un paramètre scalaire θ a une prior p(θ) à information de Fisher finie et des observations X avec vraisemblance p(X|θ) différentiable et intégrable. Reconnaissance → Le concepteur calcule l'information de Fisher attendue E_{p(θ)}[I(θ)] et l'information J_prior de la prior. Action → Appliquer l'inégalité de Van Trees pour obtenir une borne inférieure sur E[(θ̂(X)−θ)^2]. Conséquence → Aucun estimateur, biaisé ou non, ne peut atteindre une erreur quadratique moyenne de Bayes plus petite que cette borne dans les conditions données.

 

 

 

 

## Mauvaise application

Mauvaise application

Considérer la borne comme une égalité atteignable dans tous les cas ou l'appliquer lorsque les conditions de régularité échouent (par exemple support dépendant du paramètre, vraisemblance non différentiable, prior impropre) — l'erreur consiste à supposer que l'inégalité fournit une égalité réalisable ou qu'elle est valide sans vérifier les conditions.

 

 

 

 

 





## Conséquence

Conséquence

Fournit un objectif principe pour la conception d'estimateurs et le choix d'expériences : améliorer l'information du modèle ou de la prior (dans les conditions de validité) diminue la borne inférieure sur la MSE bayésienne ; il sépare aussi ce qui est impossible indépendamment des moyens algorithmiques.

 

 

 

 

## Inversion

Inversion

Si les conditions de régularité ne sont pas satisfaites (par exemple support dépendant du paramètre, prior impropre ou dérivées inexistantes), l'inégalité de Van Trees peut ne pas s'appliquer ; dans ces problèmes non réguliers il faut recourir à d'autres bornes ou calculer directement le risque de Bayes.

 

 

 

 

 





## Limite

Limite

Dans le domaine : problèmes d'estimation paramétrique avec priors propres et vraisemblances vérifiant différentiabilité, intégrabilité et conditions aux bords. Cas limite : priors à queue lourde où l'information a priori est finie ou tend vers l'infini, nécessitant une vérification. Hors du domaine : problèmes non paramétriques sans paramétrisation finie, priors impropres, ou modèles à support dépendant du paramètre.

 

 

 

 

 





## Tension sémantique

Tension sémantique

Tension entre bornes fréquentistes (borne de Cramér–Rao classique pour estimateurs non biaisés) et bornes bayésiennes : Van Trees incorpore l'information a priori mais dépend du choix de la prior, alors que les bornes fréquentistes évitent la prior mais diffèrent en applicabilité.

 

 

 

 

 





## Synthèse

Synthèse

Van Trees exprime formellement comment information des données et information a priori limitent conjointement la précision moyenne atteignable : c'est une affirmation sur le risque de Bayes inévitable sous régularité du modèle, et non une recette constructive d'estimateur.