KNOWECON WIKI

ARTICLE

Harald Cramér

Harald Cramér Harald Cramér（哈拉尔德·克拉梅尔，1893年9月25日—1985年10月5日）是瑞典数学家、统计学家和精算学家，20世纪概率论与数理统计学的奠基性人物之一。Cramér在概率论的严格公理化、统计推断理论、大偏差理论以及风险理论等多个领域做出了开创性贡献。他的名字与统计学的若干基本定理和方法联系在一起，包括Cramér

浏览 0 更新 2025-10-26

Harald Cramér

Harald Cramér（哈拉尔德·克拉梅尔，1893年9月25日—1985年10月5日）是瑞典数学家、统计学家和精算学家，20世纪概率论与数理统计学的奠基性人物之一。Cramér在概率论的严格公理化、统计推断理论、大偏差理论以及风险理论等多个领域做出了开创性贡献。他的名字与统计学的若干基本定理和方法联系在一起，包括Cramér-Rao下界、Cramér's V、Cramér-Wold定理以及Cramér-Lundberg模型。

生平与学术生涯

Cramér出生于瑞典斯德哥尔摩，1912年进入斯德哥尔摩大学学习数学和化学，师从著名数学家Torsten Carleman。1917年获得博士学位，博士论文研究素数分布与Dirichlet级数的联系，属于解析数论领域。1929年，Cramér接替Carleman出任斯德哥尔摩大学精算数学与数理统计讲席教授，此后的近三十年里，他将瑞典建设成为数理统计学研究的国际重镇。

Cramér的学术风格深受法国数学家Paul Lévy和苏联数学家Kolmogorov的影响。1933年Kolmogorov以测度论公理化概率论之后，Cramér立即意识到这一框架的革命性意义，并以此为基础重新构建了统计推断理论的数学根基。他的学术生涯横跨学术界和政界——二战期间曾任瑞典教育部长（1945—1947），战后返回学术研究，1950年至1958年出任斯德哥尔摩大学校长。1958年退休后移居英国，继续在剑桥大学和伦敦大学活跃地从事研究，直至生命终点。

《概率论的数学方法》与统计学的严格化

Cramér于1946年出版的专著Mathematical Methods of Statistics（《统计学的数学方法》）是20世纪最具影响力的统计学教材之一。该书首次以测度论和概率论的严格公理体系为基础，系统阐述了估计理论、假设检验、置信区间以及回归分析的核心数学结构。在Fisher、Neyman和Pearson等人建立了统计推断的基本概念之后，Cramér承担了将这些概念数学严格化的任务。

该书的第27章给出了统计推断理论中最为人熟知的成果之一——Cramér-Rao下界（Cramér-Rao Lower Bound, CRLB）。该定理（同时被印度统计学家C. R. Rao独立发现）指出：在正则条件下，任何无偏估计量的方差不小于Fisher信息量的倒数。具体而言，设样本的联合密度为 f(x;θ)f(\mathbf{x}; \theta)，参数 θ\theta 的一维情形下，任何无偏估计量 T(X)T(\mathbf{X}) 的方差满足

Var⁡(T)≥1I(θ)=1E[(∂log⁡f∂θ)2]\operatorname{Var}(T) \geq \frac{1}{\mathcal{I}(\theta)} = \frac{1}{\mathbb{E}\left[\left(\frac{\partial \log f}{\partial \theta}\right)^2\right]}

其中 I(θ)\mathcal{I}(\theta) 为Fisher信息量。这一不等式为估计量的有效性提供了一个绝对的理论基准：达到CRLB的估计量称为有效估计量，是最优无偏估计。Cramér-Rao下界统一了估计理论的评价标准，是最大似然估计的大样本最优性（渐近有效）的理论基石。

Cramér-Wold定理与分布收敛

Cramér-Wold定理（与Herman Wold合作，1936年）是多元概率论中一个深刻而优雅的刻画结果。该定理断言：随机向量序列 Xn\mathbf{X}_n 依分布收敛于 X\mathbf{X} 的充要条件是，对任意非随机向量 a\mathbf{a}，一维投影 a′Xn\mathbf{a}'\mathbf{X}_n 依分布收敛于 a′X\mathbf{a}'\mathbf{X}。用符号表示：

Xn→dX  ⟺  ∀a∈Rk, a′Xn→da′X\mathbf{X}_n \xrightarrow{d} \mathbf{X} \iff \forall \mathbf{a} \in \mathbb{R}^k, \ \mathbf{a}'\mathbf{X}_n \xrightarrow{d} \mathbf{a}'\mathbf{X}

该定理将多维分布收敛问题化归为无穷多个一维分布收敛问题，在数学上等价于特征函数刻画分布的Cramér-Levy连续性定理的多维推广。Cramér-Wold定理在计量经济学和多元统计中有广泛应用，尤其是证明OLS估计量、工具变量估计量等多元统计量的渐近正态性时，通常只需证明任意线性组合的渐近正态性即可。

Cramér-Von Mises检验与拟合优度

Cramér与奥地利数学家Richard von Mises合作发展了Cramér-Von Mises检验，这是拟合优度检验家族中的重要成员。该检验基于经验分布函数 Fn(x)F_n(x) 与假设的理论分布 F(x)F(x) 之间的二次型距离：

ωn2=n∫−∞∞[Fn(x)−F(x)]2 dF(x)\omega_n^2 = n \int_{-\infty}^{\infty} [F_n(x) - F(x)]^2 \, dF(x)

与Kolmogorov-Smirnov检验（使用上确界距离）不同，Cramér-Von Mises检验使用L2L^2型泛函，对偏离均匀分布的中间区域更为敏感。该检验后来被Anderson和Darling推广为Anderson-Darling检验（在积分中加入加权函数），构成现代非参数统计中检验分布假设的基础工具。

Cramér's V与列联表分析

在分类数据分析中，Cramér's V是基于卡方检验统计量的关联度量，用于衡量两个分类变量之间的关联强度。设 χ2\chi^2 为独立性检验的卡方统计量，nn 为样本量，kk 为较小的行列数，则：

V=χ2n(k−1)V = \sqrt{\frac{\chi^2}{n(k-1)}}

Cramér's V 取值在0到1之间，0表示完全独立，1表示完全关联。相对于phi系数，Cramér's V的优点在于适用于任意维度的列联表（r×cr \times c），不受表格尺寸影响。该指标在社会科学、市场研究和医学统计中被广泛用于度量名义变量间的效应大小。

Cramér-Lundberg模型与破产理论

Cramér在精算科学领域同样影响深远。他与瑞典精算师Filip Lundberg合作建立的Cramér-Lundberg模型（又称集体风险模型）是现代破产理论的数学基础。该模型将保险公司的盈余过程建模为一个带有随机跳跃的复合泊松过程：

U(t)=u+ct−∑i=1N(t)XiU(t) = u + ct - \sum_{i=1}^{N(t)} X_i

其中 uu 为初始资本，cc 为保费收入率，N(t)N(t) 为服从泊松过程的索赔次数，XiX_i 为独立同分布的索赔额。核心关注量为破产概率 ψ(u)=P(U(t)<0 对某个 t>0)\psi(u) = \mathbb{P}(U(t) < 0 \text{ 对某个 } t > 0)。

Cramér通过引入调整系数（Lundberg指数）RR，证明了破产概率的指数型上界——著名的Cramér-Lundberg不等式：

ψ(u)≤e−Ru\psi(u) \leq e^{-Ru}

这一结果为保险公司设计偿付能力标准和再保险策略提供了严谨的数学依据，至今仍是精算风险理论的核心。

Cramér的大偏差贡献

Cramér定理（1938年）是大偏差理论（Large Deviations Theory）的创始性成果之一。该定理考虑独立同分布随机变量的样本均值偏离其数学期望的概率的渐近行为。设 X1,X2,…X_1, X_2, \ldots 为独立同分布随机变量，具有矩母函数有限性条件，Cramér证明了样本均值 Xˉn\bar{X}_n 偏离期望值 μ\mu 的概率以指数速率衰减：

lim⁡n→∞1nlog⁡P(Xˉn≥x)=−Λ∗(x),x>μ\lim_{n \to \infty} \frac{1}{n} \log \mathbb{P}(\bar{X}_n \geq x) = -\Lambda^*(x), \quad x > \mu

其中 Λ∗\Lambda^* 为对数矩母函数 Λ(λ)=log⁡E[eλX]\Lambda(\lambda) = \log \mathbb{E}[e^{\lambda X}] 的Fenchel-Legendre变换。Cramér定理揭示了大偏差概率的精确指数衰减率，成为统计力学、信息论和金融风险管理的数学基础。该定理后被Donsker和Varadhan等人推广到更一般的空间，形成现代大偏差理论的完整框架。

Cramér分解定理与正态分布

另一个以Cramér命名的优雅结果是Cramér分解定理（1936年）：若两个独立随机变量之和服从正态分布，则这两个随机变量各自也服从正态分布。即：

X⊥Y, X+Y∼N(⋅,⋅)  ⟹  X∼N(⋅,⋅), Y∼N(⋅,⋅)X \perp Y, \ X+Y \sim \mathcal{N}(\cdot, \cdot) \implies X \sim \mathcal{N}(\cdot, \cdot), \ Y \sim \mathcal{N}(\cdot, \cdot)

该定理由法国数学家Paul Lévy独立发现类似结果（Lévy-Cramér定理），深刻揭示了正态分布的一种稳定性特征——在独立加法分解下，正态分布是不可拆分的（除平凡情形外）。该定理是刻画正态分布特征的经典结果，对理解正态分布的独特地位有重要意义。

遗产与影响

Cramér的工作几乎触及概率论与统计学的每一个核心分支。他于1946年出版的Mathematical Methods of Statistics培养了一整代统计学家，将统计学从实用方法提升为一门严谨的数学学科。他培养了多位杰出学生，包括Herman Wold（计量经济学中的Wold分解定理）、Ulf Grenander（统计图像分析先驱）等。Cramér获得的荣誉包括英国皇家统计学会Guy金质奖章（1972年）和美国统计协会Wilks纪念奖等。

今天，从计量经济学中工具变量估计的效率界限、精算科学中偿付能力的风险度量，到机器学习中分布收敛的理论证明工具，Cramér的名字以及Cramér-Rao下界、Cramér-Wold定理等成果仍然是最常被引用和使用的数学工具之一。他横跨纯粹数学、应用统计学、公共政策和学术管理的传奇生涯，深刻体现了20世纪数理统计学从零散方法走向统一数学学科的历程。