设总体 X sim E(lambda)，(X_1, X_2, ... X_n)为来自总体 X 的简单随机样本，则下列结论不正确的是(）A. E(overline(X))= lambda;B. D(overline(X))= (1)/(nlambda^2);C. E(overline(X))= (1)/(lambda);D. X_i sim E(lambda).

步骤 1：回顾指数分布的性质
指数分布 $X \sim E(\lambda)$ 的概率密度函数为：\[ f(x) = \lambda e^{-\lambda x} \quad \text{对于} \quad x \geq 0. \] 指数分布的均值（期望值） $E(X)$ 和方差 $D(X)$ 分别为：\[ E(X) = \frac{1}{\lambda}, \] \[ D(X) = \frac{1}{\lambda^2}. \]

步骤 2：分析每个给定的结论
A. $E(\overline{X}) = \lambda$
这个结论是不正确的，因为指数分布的均值是 $E(X) = \frac{1}{\lambda}$，而不是 $\lambda$。样本均值 $\overline{X}$ 的期望值等于总体均值，即 $E(\overline{X}) = E(X) = \frac{1}{\lambda}$。
B. $D(\overline{X}) = \frac{1}{n\lambda^2}$
这个结论是正确的，因为样本均值 $\overline{X}$ 的方差是总体方差除以样本量，即 $D(\overline{X}) = \frac{D(X)}{n} = \frac{1}{n\lambda^2}$。
C. $E(\overline{X}) = \frac{1}{\lambda}$
这个结论是正确的，因为样本均值 $\overline{X}$ 的期望值等于总体均值，即 $E(\overline{X}) = E(X) = \frac{1}{\lambda}$。
D. $X_i \sim E(\lambda)$
这个结论是正确的，因为 $X_i$ 是来自总体 $X \sim E(\lambda)$ 的简单随机样本，所以每个 $X_i$ 也服从指数分布 $E(\lambda)$。

步骤 3：确定不正确的结论
根据上述分析，结论A是不正确的，因为指数分布的均值是 $E(X) = \frac{1}{\lambda}$，而不是 $\lambda$。因此，$E(\overline{X}) = \lambda$ 是不正确的。