统计学中，无偏估计（Unbiased Estimation）是指对于某个参数的估计量，如果其期望值等于该参数的真实值，则称这个估计量为无偏估计。换句话说，如果多次从同一总体中抽取样本，并使用某种方法来估计参数，那么这些估计值的平均值应该等于该参数的真实值。

设$\theta$是想要估计的参数，$\hat{\theta }$是基于样本数据得到的估计量。如果满足以下条件：

$$E(\hat{\theta })=\theta$$

则称$\hat{\theta }$为$\theta$的无偏估计。这里$E(\hat{\theta })$表示估计量$\hat{\theta }$的期望值。

一个经典的例子是样本均值作为总体均值的无偏估计。假设有一个总体，其均值为$\mu$，方差为${\sigma }^2$。如果从中随机抽取一个大小为$n$的样本，并计算样本均值$\bar{x}$，那么根据概率论的知识，知道样本均值$\bar{X}$的期望值等于总体均值$\mu$，即：

$$E(\bar{X})=\mu$$

这表明样本均值是总体均值的一个无偏估计。

并非所有常用的统计量都是无偏的。例如，当用样本方差$s^2$来估计总体方差${\sigma }^2$时，若不进行贝塞尔修正（Bessel’s correction），即除以$n$而不是$n-1$，则样本方差将是一个有偏估计。为了获得无偏估计，需要采用贝塞尔修正，即使用下面的公式来计算样本方差：

$$s^2=\frac{1}{n-1}\sum _{i=1}^n(X_i-\bar{X}{)}^2$$

这样计算出来的样本方差是总体方差的无偏估计。理解无偏性有助于选择合适的统计方法，从而确保的分析结果尽可能准确地反映真实情况。

机器学习中涉及的统计量普遍是选择一个方向，所以并不关注前面的系数，除以$n$或者$n-1$，或者没有系数，不影响最终计算的方向。另外，经常有偏比无偏有更好的性质，且在样本数充分大时，有偏则渐进无偏，所以在实际的应用中，经常会使用有偏估计。