@Ferdi ha già fornito una risposta chiara alla tua domanda, ma rendiamola un po 'più formale.
Lasciate essere il vostro campione di variabili casuali indipendenti e identicamente distribuite da distribuzione . Sei interessato a stimare la quantità sconosciuta ma fissa , usando lo stimatore in funzione di . Poiché è una funzione di variabili casuali, stimareX1,…,XnFθ gX1,…,Xng
θ^n=g(X1,…,Xn)
è anche una variabile casuale. Definiamo pregiudizio come
bias(θ^n)=Eθ(θ^n)−θ
lo stimatore è imparziale quando .Eθ(θ^n)=θ
Dicendolo in parole povere: abbiamo a che fare con variabili casuali , quindi a meno che non sia degenerato , se prendessimo campioni diversi, potremmo aspettarci di osservare dati diversi e stime così diverse. Tuttavia, potremmo aspettarci che su diversi campioni "in media" stimati sarebbe "giusto" se lo stimatore è imparziale. Quindi non sarebbe sempre giusto, ma "in media" sarebbe giusto. Semplicemente non può sempre essere "giusto" a causa della casualità associata ai dati.θ^n
Come altri hanno già notato, il fatto che la stima si "avvicini" alla quantità stimata man mano che il campione cresce, vale a dire che converge in probabilità
θ^n→Pθ
ha a che fare con la coerenza degli stimatori , non con imparzialità. La sola imparzialità non ci dice nulla sulla dimensione del campione e sulla sua relazione con le stime ottenute. Inoltre, gli stimatori imparziali non sono sempre disponibili e non sempre preferibili a quelli distorti. Ad esempio, dopo aver considerato il compromesso della variazione di bias potresti essere disposto a prendere in considerazione l'uso dello stimatore con una maggiore propensione, ma una varianza minore - quindi "in media" sarebbe più lontano dal valore reale, ma più spesso (varianza più piccola) le stime sarebbero essere più vicini al valore reale, quindi in caso di stimatore imparziale.