无偏估计是一种统计学概念，用于估计总体参数。一个统计量被认为是无偏的，如果它的期望值等于被估计的总体参数。具体来说，如果一个估计量 （ hat{theta} ） 的期望值 （ E（hat{theta}） ） 等于真实的总体参数 （ theta ），则 （ hat{theta} ） 是 （ theta ） 的无偏估计。

样本均值（ bar{x} ） 是总体均值 （ mu ） 的无偏估计，计算公式为 （ bar{x} = frac{1}{n} sum_{i=1}^{n} x_i ），其中 （ x_i ） 是样本观测值，（ n ） 是样本大小。

样本方差（ s^2 ） 是总体方差 （ sigma^2 ） 的无偏估计，计算公式为 （ s^2 = frac{1}{n-1} sum_{i=1}^{n} （x_i - bar{x}）^2 ），其中 （ x_i ） 是样本观测值，（ n ） 是样本大小。

泊松分布的参数估计，如果 （ xi sim P（lambda） ），则 （ lambda ） 的无偏估计可以是任何满足 （ E（hat{lambda}） = lambda ） 的估计量 （ hat{lambda} ）。

要计算一个估计量的无偏性，你需要计算该估计量的期望值，并检查它是否等于被估计的参数。如果等于，则该估计量是无偏的。

需要注意的是，无偏性并不意味着估计量总是准确的，它只意味着在多次重复抽样的情况下，估计量的平均值会趋近于真实的总体参数。此外，有时为了得到更准确的估计，我们可能会使用有偏但方差较小的估计量，这称为有效估计。