@Ferdi đã cung cấp câu trả lời rõ ràng cho câu hỏi của bạn, nhưng hãy làm cho nó chính thức hơn một chút.
Hãy được mẫu của bạn của các biến ngẫu nhiên độc lập và phân phối giống nhau từ phân phối . Bạn quan tâm đến việc ước tính số lượng không xác định nhưng cố định , sử dụng công cụ ước tính là một hàm của . Vì là hàm của các biến ngẫu nhiên, hãy ước tínhX1,…,XnFθ gX1,…,Xng
θ^n=g(X1,…,Xn)
cũng là một biến ngẫu nhiên. Chúng tôi định nghĩa thiên vị là
bias(θ^n)=Eθ(θ^n)−θ
công cụ ước tính không thiên vị khi .Eθ(θ^n)=θ
Nói bằng tiếng Anh đơn giản: chúng ta đang xử lý các biến ngẫu nhiên , vì vậy trừ khi nó suy biến , nếu chúng ta lấy các mẫu khác nhau, chúng ta có thể mong đợi quan sát các dữ liệu khác nhau và các ước tính khác nhau. Tuy nhiên, chúng tôi có thể hy vọng rằng trên các mẫu khác nhau "trung bình" ước tính sẽ "đúng" nếu công cụ ước tính không thiên vị. Vì vậy, nó sẽ không luôn luôn đúng, nhưng "trung bình" nó sẽ đúng. Nó đơn giản là không thể luôn luôn "đúng" vì tính ngẫu nhiên liên quan đến dữ liệu.θ^n
Như những người khác đã lưu ý, thực tế là ước tính của bạn "gần" hơn với số lượng ước tính khi mẫu của bạn tăng lên, tức là có khả năng hội tụ
θ^n→Pθ
phải làm với tính nhất quán của người ước tính , không thiên vị. Không thiên vị một mình không cho chúng ta biết bất cứ điều gì về kích thước mẫu và mối quan hệ của nó với các ước tính thu được. Hơn nữa, các công cụ ước tính không thiên vị không phải lúc nào cũng có sẵn và không phải lúc nào cũng thích hơn các công cụ ước tính . Ví dụ: sau khi xem xét sự đánh đổi sai lệch thiên vị, bạn có thể sẵn sàng xem xét sử dụng công cụ ước tính với độ lệch lớn hơn, nhưng phương sai nhỏ hơn - vì vậy "trung bình" nó sẽ xa hơn giá trị thực, nhưng thường hơn (phương sai nhỏ hơn) các ước tính sẽ được gần hơn với giá trị thực, sau đó trong trường hợp ước lượng không thiên vị.