Biased and Unbiased Estimates · Estimateurs biaisés et non biaisés
| English | Français |
|---|---|
| point estimate/pɔɪnt ˈestɪmət/ | estimation ponctuelle |
| unbiased/ʌnˈbaɪəst/ | sans biais |
Guessing the parameter
- A point estimate 点估计 is a single number from a sample used to estimate a parameter.
- $\bar{x}$ estimates $\mu$; $\hat{p}$ estimates $p$; $s$ estimates $\sigma$.
- It's our best single guess — but it's just one value from a varying statistic.
- The quality of an estimator depends on where it centers and how much it varies.
Estimer le paramètre
- Une estimation ponctuelle 点估计 is a single number from a sample used to estimate a parameter.
- $\bar{x}$ estime $\mu$ ; $\hat{p}$ estime $p$ ; $s$ estime $\sigma$.
- C'est notre meilleure estimation unique — mais c'est juste une valeur parmi d'autres statistiques variables.
- La qualité d'un estimateur dépend de son centrage et de sa variabilité.
What "unbiased" means
- An estimator is unbiased 无偏 if its sampling distribution is centered on the true parameter.
- "Centered on" means the mean of the estimator equals the parameter.
- On average, over many samples, an unbiased estimator hits the target.
- $\bar{x}$ and $\hat{p}$ are unbiased estimators of $\mu$ and $p$.
Ce que signifie "sans biais"
- Un estimateur est sans biais 无偏 if its sampling distribution is centered on the true parameter.
- "Centré sur" signifie que la moyenne de l'estimateur est égale au paramètre.
- En moyenne, sur de nombreux échantillons, un estimateur sans biais atteint la cible.
- $\bar{x}$ et $\hat{p}$ sont des estimateurs sans biais de $\mu$ et $p$.
Center = bias
- Bias is about the center of the sampling distribution, not any single estimate.
- If the estimator's mean sits off the parameter, it's biased — systematically too high or low.
- An unbiased estimator can still miss on any one sample (that's variability, not bias).
- Aim first for an estimator centered in the right place.
Centre = biais
- Le biais concerne le centre de la distribution d'échantillonnage, pas une estimation individuelle.
- Si la moyenne de l'estimateur est éloignée du paramètre, il est biaisé — systématiquement trop élevé ou trop bas.
- Un estimateur sans biais peut quand même se tromper sur un seul échantillon (c'est la variabilité, pas le biais).
- Visez d'abord un estimateur centré au bon endroit.
Variability shrinks with n
- The variability of an estimator (how much it bounces around) decreases as $n$ increases.
- Bigger samples → a narrower sampling distribution → more precise estimates.
- Bias and variability are separate goals: hit the center, and keep the spread small.
- The ideal estimator is unbiased with low variability.
La variabilité diminue avec n
- La variabilité d'un estimateur (à quel point il fluctue) diminue lorsque $n$ augmente.
- De plus grands échantillons → une distribution d'échantillonnage plus étroite → des estimations plus précises.
- Biais et variabilité sont des objectifs distincts : viser le centre, et garder la dispersion faible.
- L'estimateur idéal est sans biais avec faible variabilité.
Bias and variability are different things. Bias is about the center of the sampling distribution (is it on target?); variability is about its spread (how much do estimates bounce?). A larger sample size shrinks variability but does not fix bias — a biased method stays off-center at any $n$ (echoing Unit 3).
Biais et variabilité sont deux choses différentes. Le biais concerne le centre de la distribution d'échantillonnage (atteint-on la cible ?) ; la variabilité concerne sa dispersion (à quel point les estimations fluctuent ?). Une taille d'échantillon plus grande réduit la variabilité mais ne corrige pas le biais — une méthode biaisée reste décalée peu importe le $n$ (rappel de l'Unité 3).
Estimating a population mean $\mu = 100$.
- $\bar{x}$ is unbiased: the mean of its sampling distribution is exactly $100$.
- With $n = 25$ the estimates spread widely; with $n = 400$ they cluster tightly around $100$.
- Same center (unbiased), smaller variability — a better estimate.
Estimer une moyenne de population $\mu = 100$.
- $\bar{x}$ est sans biais : la moyenne de sa distribution d'échantillonnage est exactement $100$.
- Avec $n = 25$, les estimations sont largement dispersées ; avec $n = 400$, elles se regroupent étroitement autour de $100$.
- Même centre (sans biais), variabilité réduite — une meilleure estimation.
A point estimate is a single-number guess of a parameter (e.g. $\bar{x}$ for $\mu$). An estimator is unbiased when the center of its sampling distribution equals the parameter. Bias concerns that center; variability concerns the spread and shrinks as $n$ grows — but a larger sample never removes bias.
Une estimation ponctuelle est une estimation unique chiffrée d'un paramètre (par ex. $\bar{x}$ pour $\mu$). Un estimateur est sans biais lorsque le centre de sa distribution d'échantillonnage est égal au paramètre. Le biais concerne ce centre ; la variabilité concerne la dispersion et diminue lorsque $n$ croît — mais un échantillon plus grand ne supprime jamais le biais.
Center = bias, spread = variability · Centre = biais, dispersion = variabilité
Unbiased means centered on the parameter; larger n narrows the spread. · Non biaisé signifie centré sur le paramètre ; un n plus grand réduit la dispersion.
An estimator is unbiased when the center of its sampling distribution... · Un estimateur est sans biais lorsque le centre de sa distribution d'échantillonnage...
Unbiased = centered on the parameter. · Sans biais = centré sur le paramètre.
Increasing the sample size reduces an estimator's variability. · Augmenter la taille de l'échantillon réduit la variabilité d'un estimateur.
Bigger n → narrower sampling distribution. · Plus grand n → distribution d'échantillonnage plus étroite.
A larger sample size can fix the bias of a biased estimator. · Une taille d'échantillon plus grande peut corriger le biais d'un estimateur biaisé.
Size shrinks variability, not bias — a biased estimator stays off-center. · La taille réduit la variabilité, pas le biais — un estimateur biaisé reste décentré.
A single number from a sample used to estimate a parameter is a ___ estimate (one word). · Un nombre unique provenant d'un échantillon utilisé pour estimer un paramètre est une estimation ___ (un mot).
A point estimate is the best single-number guess. · Une estimation ponctuelle est la meilleure estimation unique en un nombre.
Bias is a property of the ___ of the sampling distribution. · Le biais est une propriété de la ___ de la distribution d'échantillonnage.
Bias = center off target; variability = spread. · Biais = centre hors cible ; variabilité = dispersion.