设 总体 X sim U(0, theta)，X_1, X_2, ..., X_n 是来自总体 X 的样本，则下列结论不正确的是(） A. hat(theta) = 2overline(X) 是 theta 的矩估计量；B. hat(theta) = 2overline(X) 是 theta 的无偏估计量；C. hat(theta) = 2sqrt(3)S 是 theta 的矩估计量；D. hat(theta) = 2sqrt(3)S 不是 theta 的矩估计量。

为了解决这个问题，我们需要理解均匀分布的性质以及矩估计量和无偏估计量的概念。让我们一步步来分析。 ### 第一步：理解均匀分布 总体 $X$ 服从均匀分布 $U(0, \theta)$。对于均匀分布 $U(0, \theta)$，均值 $\mu$ 和方差 $\sigma^2$ 分别由以下公式给出： \[ \mu = \frac{\theta}{2} \] \[ \sigma^2 = \frac{\theta^2}{12} \] ### 第二步：矩估计量 矩估计量是通过将总体矩与样本矩相等来获得的。对于均匀分布 $U(0, \theta)$，第一矩（均值）是 $\frac{\theta}{2}$。样本均值 $\bar{X}$ 是总体均值的估计量，因此我们设： \[ \bar{X} = \frac{\theta}{2} \implies \hat{\theta} = 2\bar{X} \] 因此，$\hat{\theta} = 2\bar{X}$ 是 $\theta$ 的矩估计量。 ### 第三步：无偏估计量 估计量 $\hat{\theta}$ 是无偏的，如果它的期望值等于参数 $\theta$。对于 $\hat{\theta} = 2\bar{X}$，我们有： \[ E(\hat{\theta}) = E(2\bar{X}) = 2E(\bar{X}) = 2 \cdot \frac{\theta}{2} = \theta \] 因此，$\hat{\theta} = 2\bar{X}$ 是 $\theta$ 的无偏估计量。 ### 第四步：使用方差的矩估计量 对于均匀分布 $U(0, \theta)$，第二中心矩（方差）是 $\frac{\theta^2}{12}$。样本方差 $S^2$ 是总体方差的估计量，因此我们设： \[ S^2 = \frac{\theta^2}{12} \implies \hat{\theta}^2 = 12S^2 \implies \hat{\theta} = \sqrt{12}S = 2\sqrt{3}S \] 因此，$\hat{\theta} = 2\sqrt{3}S$ 是 $\theta$ 的矩估计量。 ### 第五步：结论 从上述分析中，我们可以看到： - A：$\hat{\theta} = 2\bar{X}$ 是 $\theta$ 的矩估计量，这是正确的。 - B：$\hat{\theta} = 2\bar{X}$ 是 $\theta$ 的无偏估计量，这是正确的。 - C：$\hat{\theta} = 2\sqrt{3}S$ 是 $\theta$ 的矩估计量，这是正确的。 - D：$\hat{\theta} = 2\sqrt{3}S$ 不是 $\theta$ 的矩估计量，这是不正确的。 因此，不正确的结论是： \[ \boxed{D} \]