四、设正态总体Xsim N(mu,sigma^2)，mu已知，sigma^2未知，选取一个样本X_(1),X_(2),...,X_(n)，验证hat(sigma)^2=(1)/(n)sum_(i=1)^nX_(i)是sigma^2的无偏估计量，并计算其方差.

为了验证$\hat{\sigma}^2 = \frac{1}{n} \sum_{i=1}^n (X_i - \mu)^2$是$\sigma^2$的无偏估计量，并计算其方差，我们将按照以下步骤进行： ### 第1步：验证无偏性 一个估计量$\hat{\theta}$是参数$\theta$的无偏估计量，如果$E[\hat{\theta}] = \theta$。这里，我们需要证明$E[\hat{\sigma}^2] = \sigma^2$。 给定： \[ \hat{\sigma}^2 = \frac{1}{n} \sum_{i=1}^n (X_i - \mu)^2 \] 首先，我们找到$(X_i - \mu)^2$的期望值： \[ E[(X_i - \mu)^2] = \text{Var}(X_i) + [E(X_i) - \mu]^2 \] 由于 $X_i \sim N(\mu, \sigma^2)$，我们有 $E(X_i) = \mu$ 和 $\text{Var}(X_i) = \sigma^2$。因此： \[ E[(X_i - \mu)^2] = \sigma^2 + (\mu - \mu)^2 = \sigma^2 \] 现在，我们找到$\hat{\sigma}^2$的期望值： \[ E[\hat{\sigma}^2] = E\left[\frac{1}{n} \sum_{i=1}^n (X_i - \mu)^2\right] = \frac{1}{n} \sum_{i=1}^n E[(X_i - \mu)^2] = \frac{1}{n} \sum_{i=1}^n \sigma^2 = \frac{1}{n} \cdot n \sigma^2 = \sigma^2 \] 由于 $E[\hat{\sigma}^2] = \sigma^2$，$\hat{\sigma}^2$是$\sigma^2$的无偏估计量。 ### 第2步：计算方差 接下来，我们计算$\hat{\sigma}^2$的方差。我们从$(X_i - \mu)^2$的方差开始： \[ \text{Var}[(X_i - \mu)^2] = E[(X_i - \mu)^4] - [E[(X_i - \mu)^2]]^2 \] 对于正态分布 $X_i \sim N(\mu, \sigma^2)$，四阶中心矩 $E[(X_i - \mu)^4]$由下式给出： \[ E[(X_i - \mu)^4] = 3\sigma^4 \] 因此： \[ \text{Var}[(X_i - \mu)^2] = 3\sigma^4 - (\sigma^2)^2 = 3\sigma^4 - \sigma^4 = 2\sigma^4 \] 现在，我们找到$\hat{\sigma}^2$的方差： \[ \text{Var}[\hat{\sigma}^2] = \text{Var}\left[\frac{1}{n} \sum_{i=1}^n (X_i - \mu)^2\right] = \left(\frac{1}{n}\right)^2 \sum_{i=1}^n \text{Var}[(X_i - \mu)^2] = \left(\frac{1}{n}\right)^2 \cdot n \cdot 2\sigma^4 = \frac{2\sigma^4}{n} \] 因此，$\hat{\sigma}^2$的方差是： \[ \boxed{\frac{2\sigma^4}{n}} \]