Słownik metodologiczny · Ludzie statystyki

C. R. Rao (1920–2023) – kim był i co wniósł do statystyki

C. R. Rao, statystyk z Indyjskiego Instytutu Statystycznego i uczeń Fishera, w 1945 r. wyznaczył granicę dokładności estymacji i pokazał, jak poprawiać estymatory. Przedstawiamy jego biografię naukową, oś czasu i przykład w R: trzy estymatory jednego prawdopodobieństwa na tle granicy Craméra–Rao.

W skrócie: C. R. Rao (1920–2023) – indyjsko-amerykański statystyk, związany przez dziesięciolecia z Indyjskim Instytutem Statystycznym, doktorant Ronalda Fishera w Cambridge. W pracy z 1945 r. wyznaczył dolną granicę wariancji estymatora (granica Craméra–Rao) i zapoczątkował geometrię informacji; jego nazwisko noszą też twierdzenie Rao–Blackwella i test score (test Rao).

Kim był C. R. Rao?

Calyampudi Radhakrishna Rao (1920–2023) urodził się 10 września 1920 r. w Hadagali, w dzisiejszym indyjskim stanie Karnataka. W 1940 r. uzyskał dyplom magistra matematyki na Andhra University, a w 1943 r. – magistra statystyki na Uniwersytecie Kalkuckim (DeGroot, 1987). Od 1 stycznia 1941 r. szkolił się w Indyjskim Instytucie Statystycznym (ISI), do którego przyjął go Prasanta Chandra Mahalanobis (Bera, 2003). W 1944 r. został tam statystykiem, a w 1949 r. – profesorem (DeGroot, 1987).

Doktorat obronił w 1948 r. w Cambridge, z pracą o problemach klasyfikacji biologicznej (DeGroot, 1987). Promotorem był Ronald Fisher, który postawił warunek: Rao miał niemal codziennie pracować w jego laboratorium genetycznym (DasGupta, 2024). Po powrocie kierował szkołą badawczo-dydaktyczną ISI (od 1964 r.), a w 1972 r. został sekretarzem i dyrektorem Instytutu (DeGroot, 1987). W 1979 r. przeniósł się na University of Pittsburgh (DeGroot, 1987), później do Penn State, gdzie pracował do emerytury w 2001 r., a następnie był związany z University at Buffalo. Zmarł 22 sierpnia 2023 r. w Buffalo w wieku 102 lat (DasGupta, 2024).

Najważniejsze pomysły

  • Granica Craméra–Rao. W pracy z 1945 r. w biuletynie Kalkuckiego Towarzystwa Matematycznego Rao zapytał, jaka dokładność estymacji parametrów jest w ogóle osiągalna, i wyprowadził dolną granicę wariancji estymatora (Nielsen, 2013). Dziś zapisujemy ją jako Var(T) ≥ 1/[n·I(θ)], gdzie I(θ) to informacja Fishera. Tę samą granicę podał w książce z 1946 r. Harald Cramér. Jak ją wykorzystać do porównania średniej i mediany, pokazuje hasło efektywność estymatora.
  • Twierdzenie Rao–Blackwella. Daje przepis na poprawienie estymatora nieobciążonego: wystarczy uśrednić go przy ustalonej statystyce dostatecznej. Rao i David Blackwell doszli do tego niezależnie (DasGupta, 2024).
  • Geometria informacji. W tej samej pracy z 1945 r. Rao potraktował rodzinę rozkładów jak przestrzeń z odległością wyznaczoną przez informację Fishera – stąd „odległość Rao” i cała dziedzina zwana geometrią informacji (Nielsen, 2013).
  • Test punktowy (score). W 1948 r. opisał testy hipotez o kilku parametrach w dużych próbach (Rao, 1948). Dziś to test score, czyli test mnożnika Lagrange’a, trzeci obok testu Walda i testu ilorazu wiarygodności.
  • Inne pola. Tablice ortogonalne w planowaniu eksperymentów, książka Linear Statistical Inference and Its Applications (1973) i budowa studiów statystycznych w Indiach (DasGupta, 2024).

Ciekawostka

Granica Craméra–Rao zaczęła się podobno od pytania studenta. DasGupta (2024) przytacza przekazywaną w środowisku anegdotę: podczas zajęć w ISI student V. M. Dandekar zapytał, jak mała może być wariancja estymatora nieobciążonego przy danej liczebności próby. Rao miał rozwiązać problem w ciągu nocy – a Cramér pracował nad tym samym pytaniem niezależnie.

Uznanie przyszło też bardzo późno: w 2023 r., jako 102-latek, Rao otrzymał International Prize in Statistics. W tym samym roku zmarł (DasGupta, 2024).

Przykład: trzy estymatory jednego prawdopodobieństwa

Hasło efektywność estymatora porównuje średnią i medianę. Tu pokazujemy oba pomysły Rao z 1945 r. na innym zadaniu: z próby n liczebności z rozkładu Poissona (λ = 1) szacujemy prawdopodobieństwo zera, θ = P(X = 0) = exp(−1) = 0.3679 – np. odsetek dni bez zdarzenia. Porównujemy: T1 – odsetek zer w próbie; T2 – jego poprawkę Rao–Blackwella, czyli ((n − 1)/n)S, gdzie S to suma obserwacji; T3 – estymator największej wiarygodności exp(−średnia). Granica Craméra–Rao dla nieobciążonych estymatorów θ wynosi λ·exp(−2λ)/n. Dane są symulowane (set.seed(1945), 100 000 prób dla każdego n; set.seed(1948) dla rysunku).

Przy n = 10 granica wynosi 0.01353. Odsetek zer ma wariancję 0.02325 (symulacja: 0.02335), estymator Rao–Blackwella 0.01423 (symulacja: 0.01430), a estymator największej wiarygodności – błąd średniokwadratowy 0.01452, bo jest obciążony (średnia 0.3859 zamiast 0.3679). Efektywność odsetka zer wobec granicy wynosi 0.582 niezależnie od n: liczy tylko, czy obserwacja jest zerem, i gubi resztę informacji. Poprawka Rao–Blackwella podnosi ją do 0.951, a przy rosnącym n zbliża się do granicy: 0.903 przy n = 5 i 0.995 przy n = 100. Nawet najlepszy estymator nieobciążony nie musi więc osiągać granicy w małej próbie.

Na rysunku

Pozioma oś czasu od 1910 do 2030 z dziewięcioma zdarzeniami: 1920 urodzony w Hadagali (Indie); 1941 szkolenie w Indyjskim Instytucie Statystycznym; 1945 praca o informacji i dokładności estymacji; 1948 doktorat w Cambridge i test punktowy (score); 1949 profesor ISI; 1972 dyrektor ISI; 1979 University of Pittsburgh; 2002 National Medal of Science; 2023 International Prize in Statistics i śmierć. Rodzaj zdarzenia oznaczają kształt i kolor znacznika: koło – życie, kwadrat – nauka, trójkąt – praca, odwrócony trójkąt – publikacja, romb – nagroda
Rysunek 1. Oś czasu: C. R. Rao, 1920–2023. Lata według DeGroota (1987), Bery (2003), Nielsena (2013), Rao (1948) i DasGupty (2024). Rysunek: R, pakiet ggplot2.

Co widać. Najważniejsze prace – granica dokładności (1945) i test punktowy (1948) – powstały na samym początku kariery, jeszcze przed profesurą w ISI. Potem przez dziesięciolecia kierował Instytutem, a od 1979 r. pracował na uczelniach amerykańskich.

Na co uważać. Oś zawiera tylko daty z cytowanych źródeł. Rok 1941 to początek szkolenia w ISI (Bera, 2003), a etat statystyka Rao otrzymał w 1944 r. (DeGroot, 1987).

Podpis do pracy:

Rysunek 1. Najważniejsze daty z życia i pracy C. R. Rao, 1920–2023. Uwaga. Kształt znacznika oznacza rodzaj zdarzenia (życie, nauka, praca, publikacja, nagroda).
Dwa panele. A: poziome wykresy pudełkowe 5000 oszacowań prawdopodobieństwa zera w rozkładzie Poissona z próby 10 obserwacji dla trzech estymatorów: odsetek zer (pomarańczowy, najszersze pudełko), estymator Rao–Blackwella (zielony, węższy) i exp(−średnia) (różowy, podobnie wąski, ze średnią przesuniętą w prawo od pionowej niebieskiej linii prawdziwej wartości 0.368). B: n razy błąd średniokwadratowy dla liczebności od 5 do 100 na osi logarytmicznej: odsetek zer (kółka) leży płasko około 0.23, estymator Rao–Blackwella (kwadraty) i exp(−średnia) (trójkąty) opadają od około 0.15 do przerywanej linii granicy Craméra–Rao 0.135
Rysunek 2. Trzy estymatory P(X = 0) w rozkładzie Poissona: rozkład oszacowań przy n = 10 (A) i n × błąd średniokwadratowy na tle granicy Craméra–Rao (B). Obliczenia i rysunek: R, pakiety ggplot2 i patchwork (dane symulowane, set.seed(1945) i set.seed(1948)).

Co widać. Na panelu A wszystkie trzy pudełka obejmują prawdziwą wartość, ale odsetek zer rozrzuca się najbardziej (odchylenie standardowe 0.1539 wobec 0.1198 i 0.1194). Panel B pokazuje sens granicy: pomnożony przez n błąd odsetka zer stoi w miejscu wysoko nad nią, a estymator Rao–Blackwella i estymator największej wiarygodności schodzą do niej wraz ze wzrostem próby.

Na co uważać. Granica dotyczy estymatorów nieobciążonych; estymator obciążony (T3) może mieć nawet mniejszą wariancję, dlatego porównujemy błąd średniokwadratowy. Linie na panelu B to wartości dokładne dla T1 i T2, punkty – wyniki symulacji z niewielkim błędem losowym.

Podpis do pracy:

Rysunek 2. Rozkład oszacowań prawdopodobieństwa P(X = 0) w rozkładzie Poissona (λ = 1) z próby 10 obserwacji dla trzech estymatorów (A) oraz iloczyn liczebności próby i błędu średniokwadratowego estymatorów dla n od 5 do 100 (B). Uwaga. Dane symulowane. T1 – odsetek zer w próbie, T2 – estymator Rao–Blackwella, T3 – estymator największej wiarygodności exp(−średnia). W panelu A pionowa linia – prawdziwa wartość exp(−1), romby – średnie; w panelu B punkty – symulacja (100 000 prób), linie ciągłe – wartości dokładne, linia przerywana – granica Craméra–Rao. Oś pozioma w panelu B w skali logarytmicznej.

Gdzie spotkasz Rao w swojej pracy

Spory, mity i trudne strony

  • Czyja jest granica? Rao opublikował ją w 1945 r., Cramér – w książce z 1946 r., a w pracach po francusku podali ją też Maurice Fréchet (jeden parametr) i Georges Darmois (wiele parametrów); stąd nazwa „granica Craméra–Rao–Frécheta–Darmoisa” (Nielsen, 2013).
  • Rao–Blackwell. Twierdzenie nosi dwa nazwiska, bo Rao i Blackwell doszli do niego niezależnie (DasGupta, 2024).
  • Jeden test, trzy nazwy. W statystyce mówi się o teście score albo teście Rao, w ekonometrii – o teście mnożnika Lagrange’a. To ta sama idea, opisana przez Rao w 1948 r.
Przykład reprodukowalny

Rao w R

Kod rysuje oś czasu, a potem symuluje próby z rozkładu Poissona i porównuje trzy estymatory prawdopodobieństwa zera: odsetek zer, jego poprawkę Rao–Blackwella i estymator największej wiarygodności. Liczy średnią, obciążenie i błąd średniokwadratowy, wartości dokładne wariancji oraz granicę Craméra–Rao. Rysunki na stronie powstały z tych samych obiektów p_os i p_metoda z krojem i tłem serwisu; dane, geometrie i skale są identyczne.

średnią, obciążenie i błąd średniokwadratowy trzech estymatorów dla n od 5 do 100, wariancje dokładne, granicę Craméra–Rao, efektywność T1 i T2 oraz odchylenia standardowe przy n = 10.

Dane wejściowe: Oś czasu i symulacja estymatorów P(X = 0) w rozkładzie Poissona

Co odczytać: dane symulowane: rozkład Poissona z λ = 1, 100 000 prób dla każdego n (set.seed(1945)) i 5000 prób po 10 obserwacji do rysunku (set.seed(1948)); daty osi czasu z cytowanych źródeł.

Kod R rysunków 1 i 2
# C. R. Rao: oś czasu, granica Craméra–Rao i poprawa Rao–Blackwella (symulacja)
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
oi <- c(niebieski = "#0072B2", pomaranczowy = "#E69F00", cynober = "#D55E00", zielony = "#009E73",
        fiolet = "#CC79A7", szary = "grey45")  # Okabe–Ito
motyw <- theme_minimal(base_size = 13) + theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"))

# 1. Oś czasu (lata według DeGroota 1987, Bery 2003, Rao 1945 i 1948 oraz DasGupty 2024)
zdarzenia <- data.frame(
  rok = c(1920, 1941, 1945, 1948, 1949, 1972, 1979, 2002, 2023),
  opis = c("urodzony w Hadagali\n(Indie)", "szkolenie w Indyjskim\nInstytucie Statystycznym",
           "praca o informacji\ni dokładności estymacji", "doktorat w Cambridge;\ntest punktowy (score)",
           "profesor ISI", "dyrektor ISI", "University of Pittsburgh", "National Medal\nof Science",
           "International Prize\nin Statistics; zmarł"),
  rodzaj = c("życie", "nauka", "publikacja", "publikacja", "praca", "praca", "praca", "nagroda", "nagroda"))
zdarzenia$y <- c(1.2, -1, 2.1, 0.9, -2, 1.2, -1, 1.2, -1)   # wysokość etykiet, żeby się nie nakładały
p_os <- ggplot(zdarzenia, aes(rok, 0)) +
  geom_hline(yintercept = 0, colour = "grey60") +
  geom_segment(aes(xend = rok, yend = y * 0.8), colour = "grey70") +
  geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.5) +
  geom_label(aes(y = y, label = paste0(rok, "\n", opis)), size = 3.1, lineheight = 0.9, linewidth = 0.2) +
  scale_shape_manual(values = c("życie" = 21, "nauka" = 22, "praca" = 24, "publikacja" = 25, "nagroda" = 23), name = NULL) +
  scale_fill_manual(values = c("życie" = oi[["szary"]], "nauka" = oi[["zielony"]], "praca" = oi[["niebieski"]],
                               "publikacja" = oi[["cynober"]], "nagroda" = oi[["pomaranczowy"]]), name = NULL) +
  scale_x_continuous(breaks = seq(1920, 2020, 10), limits = c(1910, 2033)) + scale_y_continuous(limits = c(-2.5, 2.6)) +
  labs(title = "C. R. Rao (1920–2023)", x = NULL, y = NULL) +
  motyw + theme(axis.text.y = element_blank(), panel.grid.major.y = element_blank(), legend.position = "bottom")

# 2. Szacujemy theta = P(X = 0) = exp(-lambda) z próby n obserwacji z rozkładu Poissona.
#    T1 – odsetek zer w próbie (nieobciążony, ale korzysta tylko z informacji „zero / nie zero”),
#    T2 – poprawka Rao–Blackwella: E(T1 | S), S = suma obserwacji (statystyka dostateczna) -> ((n - 1) / n)^S,
#    T3 – estymator największej wiarygodności exp(-średnia) (lekko obciążony).
#    Granica Craméra–Rao dla nieobciążonych estymatorów exp(-lambda): lambda * exp(-2 * lambda) / n.
lambda <- 1
theta <- exp(-lambda)
estymatory <- function(x) {             # x: macierz, każdy wiersz to jedna próba
  n <- ncol(x); S <- rowSums(x)
  cbind(T1 = rowMeans(x == 0), T2 = ((n - 1) / n)^S, T3 = exp(-S / n))
}
symuluj <- function(n, R = 100000) {
  w <- estymatory(matrix(rpois(n * R, lambda), nrow = R))
  data.frame(n = n, estymator = colnames(w),
             srednia = colMeans(w), obciazenie = colMeans(w) - theta, mse = colMeans((w - theta)^2))
}
set.seed(1945)
liczebnosci <- c(5, 10, 20, 50, 100)
wyniki <- do.call(rbind, lapply(liczebnosci, symuluj))
rownames(wyniki) <- NULL
# Wartości dokładne: wariancja T1 i T2 oraz granica Craméra–Rao
wyniki$teoria <- with(wyniki, ifelse(estymator == "T1", theta * (1 - theta) / n,
                              ifelse(estymator == "T2", exp(-2 * lambda) * (exp(lambda / n) - 1), NA)))
wyniki$granica_CR <- lambda * exp(-2 * lambda) / wyniki$n
c(theta = theta)
print(transform(wyniki, srednia = round(srednia, 4), obciazenie = round(obciazenie, 4), mse = signif(mse, 4),
                teoria = signif(teoria, 4), granica_CR = signif(granica_CR, 4)))
# Efektywność (granica / wariancja) z wartości dokładnych: T1 i T2
n <- liczebnosci
efektywnosc <- rbind(T1 = (lambda * exp(-2 * lambda) / n) / (theta * (1 - theta) / n),
                     T2 = (lambda * exp(-2 * lambda) / n) / (exp(-2 * lambda) * (exp(lambda / n) - 1)))
colnames(efektywnosc) <- paste0("n=", n)
round(efektywnosc, 3)

# Rysunek 2A: rozkład trzech estymatorów przy n = 10 (osobna symulacja, 5000 prób)
set.seed(1948)
proby <- estymatory(matrix(rpois(10 * 5000, lambda), nrow = 5000))
dlugie <- data.frame(estymator = factor(rep(c("T1: odsetek zer", "T2: Rao–Blackwell", "T3: exp(−średnia)"), each = nrow(proby)),
                                        levels = c("T3: exp(−średnia)", "T2: Rao–Blackwell", "T1: odsetek zer")),
                     wartosc = c(proby[, "T1"], proby[, "T2"], proby[, "T3"]))
round(tapply(dlugie$wartosc, dlugie$estymator, sd), 4)
pA <- ggplot(dlugie, aes(wartosc, estymator)) +
  geom_vline(xintercept = theta, colour = oi[["niebieski"]], linewidth = 0.9) +
  geom_boxplot(aes(fill = estymator), width = 0.5, outlier.size = 0.6, outlier.alpha = 0.4, show.legend = FALSE) +
  stat_summary(fun = mean, geom = "point", shape = 23, size = 3, fill = "white") +
  annotate("text", x = theta + 0.02, y = 3.45, label = sprintf("θ = exp(−1) = %.3f", theta), hjust = 0, size = 3.4, colour = oi[["niebieski"]]) +
  scale_fill_manual(values = c(oi[["fiolet"]], oi[["zielony"]], oi[["pomaranczowy"]])) +
  labs(title = "A. Trzy estymatory P(X = 0), n = 10", x = "Oszacowanie (romb – średnia z 5000 prób)", y = NULL) +
  motyw
# Rysunek 2B: n × MSE z symulacji (punkty), wartości dokładne dla T1 i T2 (linie) i granica Craméra–Rao (linia przerywana)
wyniki$nazwa <- factor(wyniki$estymator, levels = c("T1", "T2", "T3"),
                       labels = c("T1: odsetek zer", "T2: Rao–Blackwell", "T3: exp(−średnia)"))
pB <- ggplot(wyniki, aes(n, n * mse, colour = nazwa, shape = nazwa)) +
  geom_line(data = subset(wyniki, !is.na(teoria)), aes(y = n * teoria), linewidth = 0.8) +
  geom_hline(yintercept = lambda * exp(-2 * lambda), colour = "grey20", linetype = "dashed") +
  annotate("text", x = 5, y = lambda * exp(-2 * lambda) - 0.012, label = "granica Craméra–Rao", hjust = 0, size = 3.3, colour = "grey20") +
  geom_point(size = 3, fill = "white", stroke = 1.1) +
  scale_x_log10(breaks = liczebnosci) +
  scale_colour_manual(values = c(oi[["pomaranczowy"]], oi[["zielony"]], oi[["fiolet"]]), name = NULL) +
  scale_shape_manual(values = c(21, 22, 24), name = NULL) +
  guides(colour = guide_legend(nrow = 2), shape = guide_legend(nrow = 2)) +
  labs(title = "B. n × błąd średniokwadratowy", x = "Liczebność próby n (skala log)", y = "n × MSE") +
  motyw + theme(legend.position = "bottom")
p_metoda <- pA + pB + plot_layout(widths = c(1, 1))
p_os
p_metoda
Wynik w R
    theta 
0.3678794 
     n estymator srednia obciazenie      mse   teoria granica_CR
1    5        T1  0.3677    -0.0002 0.046710 0.046510   0.027070
2    5        T2  0.3679     0.0000 0.029920 0.029960   0.027070
3    5        T3  0.4040     0.0362 0.030420       NA   0.027070
4   10        T1  0.3677    -0.0002 0.023350 0.023250   0.013530
5   10        T2  0.3677    -0.0002 0.014300 0.014230   0.013530
6   10        T3  0.3859     0.0180 0.014520       NA   0.013530
7   20        T1  0.3683     0.0004 0.011590 0.011630   0.006767
8   20        T2  0.3681     0.0003 0.006988 0.006939   0.006767
9   20        T3  0.3773     0.0094 0.007063       NA   0.006767
10  50        T1  0.3677    -0.0002 0.004669 0.004651   0.002707
11  50        T2  0.3678     0.0000 0.002734 0.002734   0.002707
12  50        T3  0.3715     0.0036 0.002746       NA   0.002707
13 100        T1  0.3676    -0.0003 0.002315 0.002325   0.001353
14 100        T2  0.3677    -0.0002 0.001356 0.001360   0.001353
15 100        T3  0.3695     0.0016 0.001358       NA   0.001353
     n=5  n=10  n=20  n=50 n=100
T1 0.582 0.582 0.582 0.582 0.582
T2 0.903 0.951 0.975 0.990 0.995
T3: exp(−średnia) T2: Rao–Blackwell   T1: odsetek zer 
           0.1194            0.1198            0.1539 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (losowanie – funkcja rpois() z pakietu stats; rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze pytania

Kim był C. R. Rao?

Indyjsko-amerykańskim statystykiem (1920–2023). Kształcił się w Indyjskim Instytucie Statystycznym i w Cambridge pod kierunkiem Ronalda Fishera, potem kierował ISI, a od 1979 r. pracował w USA. Zmarł w wieku 102 lat, w roku, w którym otrzymał International Prize in Statistics.

Co mówi granica Craméra–Rao?

Że wariancja estymatora nieobciążonego nie może być mniejsza niż 1/[n·I(θ)], gdzie I(θ) to informacja Fishera z jednej obserwacji. Rao opublikował ją w 1945 r., Cramér niezależnie w 1946 r.; niezależnie podali ją też Fréchet i Darmois.

Na czym polega twierdzenie Rao–Blackwella?

Jeśli estymator nieobciążony uśrednić przy ustalonej statystyce dostatecznej, powstaje estymator również nieobciążony i nie gorszy, a zwykle lepszy. Rao i David Blackwell doszli do tego niezależnie.

Dlaczego test score nazywa się też testem Rao?

Bo opisał go C. R. Rao w 1948 r. Test sprawdza hipotezę na podstawie modelu ograniczonego, mierząc nachylenie logarytmu wiarygodności; w ekonometrii nazywa się go testem mnożnika Lagrange’a.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Bera, A. K. (2003). The ET interview: Professor C.R. Rao. Econometric Theory, 19(2), 331–400. https://doi.org/10.1017/s0266466603192067
  2. DasGupta, A. (2024). C.R. Rao: Paramount statistical scientist (1920 to 2023). Proceedings of the National Academy of Sciences, 121(9), Article e2321318121. https://doi.org/10.1073/pnas.2321318121 ● Otwarty dostęp
  3. DeGroot, M. H. (1987). A conversation with C. R. Rao. Statistical Science, 2(1), 53–67. https://doi.org/10.1214/ss/1177013438 ● Otwarty dostęp
  4. Nielsen, F. (2013). Cramér-Rao lower bound and information geometry. In R. Bhatia, C. S. Rajan, & A. I. Singh, Connected at infinity II: A selection of mathematics by Indians (pp. 18–37). Hindustan Book Agency. https://doi.org/10.1007/978-93-86279-56-9_2 ● Otwarty dostęp: pełny tekst
  5. Rao, C. R. (1948). Large sample tests of statistical hypotheses concerning several parameters with applications to problems of estimation. Mathematical Proceedings of the Cambridge Philosophical Society, 44(1), 50–57. https://doi.org/10.1017/s0305004100023987

Cytowania BibTeX

@article{bera2003et, author={Bera, Anil K.}, title={{The ET interview: Professor C.R. Rao}}, journal={Econometric Theory}, year={2003}, volume={19}, number={2}, pages={331--400}, doi={10.1017/s0266466603192067}}
@article{dasgupta2024c, author={DasGupta, Anirban}, title={{C.R. Rao: Paramount statistical scientist (1920 to 2023)}}, journal={Proceedings of the National Academy of Sciences}, year={2024}, volume={121}, number={9}, eid={e2321318121}, doi={10.1073/pnas.2321318121}}
@article{degroot1987conversation, author={DeGroot, Morris H.}, title={{A conversation with C. R. Rao}}, journal={Statistical Science}, year={1987}, volume={2}, number={1}, pages={53--67}, doi={10.1214/ss/1177013438}}
@incollection{nielsen2013cramer, author={Nielsen, Frank}, title={{Cramér-Rao lower bound and information geometry}}, booktitle={Connected at infinity II: A selection of mathematics by Indians}, year={2013}, pages={18--37}, publisher={Hindustan Book Agency}, doi={10.1007/978-93-86279-56-9_2}}
@article{rao1948large, author={Rao, C. Radhakrishna}, title={{Large sample tests of statistical hypotheses concerning several parameters with applications to problems of estimation}}, journal={Mathematical Proceedings of the Cambridge Philosophical Society}, year={1948}, volume={44}, number={1}, pages={50--57}, doi={10.1017/s0305004100023987}}
R