3.设总体X的概率密度函数为-|||-f(x)= {e)^-dfrac (x{theta )} xgt 0 0 .-|||-其中 theta gt 0 是未知参数,X1,X 2,···,Xn为X的一个样本.求参数θ的矩估计量和最大似-|||-然估计量.

考查要点：本题主要考查参数估计中的矩估计法和最大似然估计法的应用，针对指数分布模型。

解题核心思路：

1. 矩估计：利用总体矩与样本矩相等的原则，通过指数分布的期望公式直接求解。
2. 最大似然估计：通过构造似然函数，求导并解方程得到估计量。

破题关键点：

• 指数分布的期望：指数分布的期望为$\theta$，这是矩估计的直接依据。
• 似然函数的构造与求导：正确写出似然函数并取对数简化计算，通过求导找到极值点。

矩估计量

1. 总体矩计算：
   指数分布的期望为$\mu_1 = E(X) = \theta$。

2. 样本矩替换：
   用样本均值$\overline{X} = \frac{1}{n}\sum_{i=1}^{n} X_i$代替总体期望$\mu_1$，得矩估计量：
   $\hat{\theta}_{\text{矩}} = \overline{X}.$

最大似然估计量

1. 构造似然函数：
   样本的联合概率密度（似然函数）为：
   $L(\theta) = \prod_{i=1}^{n} \frac{1}{\theta} e^{-\frac{X_i}{\theta}} = \frac{1}{\theta^n} e^{-\frac{1}{\theta} \sum_{i=1}^{n} X_i}.$

2. 取对数并求导：
   对数似然函数为：
   $\ln L(\theta) = -n \ln \theta - \frac{1}{\theta} \sum_{i=1}^{n} X_i.$
   对$\theta$求导并令导数为零：
   $\frac{d \ln L}{d \theta} = -\frac{n}{\theta} + \frac{1}{\theta^2} \sum_{i=1}^{n} X_i = 0.$

3. 解方程：
   解得：
   $\hat{\theta}_{\text{ML}} = \frac{1}{n} \sum_{i=1}^{n} X_i = \overline{X}.$