最小方差无偏估计
统计学上，最小方差无偏估计（minimum-variance unbiased estimator，简写为MVUE）是一个对于所有无偏估计中，拥有最小方差的无偏估计。若无论真实参数值θ是多少，最小方差无偏估计（MVUE）都比其他不偏估计有更小或至多相等的方差，则称此估计为一致最小方差无偏估计（uniformly minimum-variance unbiased estimator，简写为UMVUE）。
原理介绍
若 为参数函数的一个无偏估计，且对于参数函数 的任一无偏估计恒有下列关系则称为参数函数 的一致最小方差无偏估计（UMVUE）。
若参数函数 存在无偏估计，则可证明出一致最小方差无偏估计存在且只有一个。
一般地，设 是参数函数的无偏估计且统计量 T是分布族的完备充分统计量，则
是参数函数的一致最小方差无偏估计（UMVUE）。
评估器选择
不需要存在有效的估计量，但如果确实如此，并且如果它是无偏的，那么它就是MVUE。由于估计量δ的均方误差（MSE）是MVUE使无偏估计中的MSE最小化。在某些情况下，偏差估计量的MSE较低，因为它们的方差小于任何无偏估计量。
例子
考虑将数据作为单个观察，来自R上具有密度的绝对连续分布
我们希望找到UMVU的估算器首先，我们了解到密度可以写成这是一个指数族，具有足够的统计量 。实际上这是一个满秩指数族，因此T足够完整。因此，在这里，我们使用Lehmann-Scheffé定理得到MVUE
显然 是无偏并且 足够完整，因此UMVU估算器是
这个例子说明了完整的充分统计量的无偏函数将是UMVU，正如Lehmann-Scheffé定理所述。
其它例子
对于具有未知均值和方差的正态分布，样本均值和（无偏）样本方差是总体均值和总体方差的MVUE。
然而，样本标准偏差对于总体标准偏差不是无偏的。
此外，对于其他分布，样本均值和样本方差通常不是MVUE - 对于具有未知上限和下限的均匀分布，中间范围是总体均值的MVUE。
如果在具有未知上限N的集合上从离散均匀分布中选择k个样本（没有替换），则N的MVUE是其中m是样本最大值。这是样本最大值的缩放和移位（如此无偏）变换，这是一个足够和完整的统计量。