什么是无偏性？如何判断一个估计量是无偏的？

无偏性是统计学中评价估计量优良性的一个重要标准。在统计学里，我们常常需要用样本数据来估计总体的参数，比如用样本均值来估计总体均值，用样本方差来估计总体方差等。而估计量就是用于估计总体参数的统计量。无偏性指的是估计量抽样分布的期望值等于被估计的总体参数。简单来说，如果我们反复抽取不同的样本，使用某个估计量去估计总体参数，那么这个估计量的所有可能取值的平均值应该等于总体参数的真实值。

判断一个估计量是否无偏，需要依据无偏性的定义进行严格的数学推导。具体步骤如下：首先，要明确总体参数，也就是我们想要估计的那个真实值。例如，我们要估计总体均值μ。然后，确定用于估计该总体参数的估计量。假设我们用样本均值X̅来估计总体均值μ。接下来，根据概率统计的知识，求出该估计量的期望值E(估计量)。对于样本均值X̅，设样本为X₁,X₂,…,Xₙ，且它们相互独立同分布，都服从总体的分布。根据期望的性质，E(X̅)=E((X₁ X₂ … Xₙ)/n)=(E(X₁) E(X₂) … E(Xₙ))/n。由于样本中的每个变量都来自同一总体，所以E(X₁)=E(X₂)=…=E(Xₙ)=μ，那么E(X̅)=(nμ)/n = μ。这就表明样本均值X̅的期望值等于总体均值μ，所以样本均值X̅是总体均值μ的无偏估计量。

再比如，对于总体方差σ²，我们常用样本方差S²=(1/(n - 1))∑(Xᵢ - X̅)²（i从1到n）来估计。通过一系列复杂的数学推导，包括利用期望的性质、方差的定义以及样本与总体的关系等知识，可以证明E(S²)=σ²，这就说明样本方差S²是总体方差σ²的无偏估计量。而如果使用另一个统计量(1/n)∑(Xᵢ - X̅)²（i从1到n）来估计总体方差，经过计算其期望值并不等于总体方差σ²