设 X_1, X_2, ldots, X_n 是取自总体 X 的一个样本，X 的密度函数为 } f(x) = (theta + 1)x^theta & 0 < x < 1 0 & (其他) ，其中 theta > 0 未知，求 theta 的矩估计和最大似然估计。

本题主要考查参数估计中的矩估计和最大似然估计方法。解题思路如下：

矩估计

矩估计的基本思想是用样本矩来估计总体矩。对于本题，我们需要先求出总体的一阶矩（即总体均值 $E(X)$），然后令其等于样本一阶矩（样本均值 $\bar{X}$），最后解出参数 $\theta$ 的估计值。

1. 计算总体均值 $E(X)$：
   根据期望的定义，对于连续型随机变量 $X$，其期望 $E(X)=\int_{-\infty}^{+\infty}xf(x)dx$。已知总体 $X$ 的密度函数为 $f(x)=\begin{cases}(\theta + 1)x^{\theta} & 0 < x < 1 \\ 0 & \text{其他} \end{cases}$，则：
   $\begin{align*}E(X)&=\int_{0}^{1}x\cdot(\theta + 1)x^{\theta}dx\\&=(\theta + 1)\int_{0}^{1}x^{\theta + 1}dx\\&=(\theta + 1)\cdot\frac{x^{\theta + 2}}{\theta + 2}\big|_{0}^{1}\\&=(\theta + 1)\cdot(\frac{1^{\theta + 2}}{\theta + 2}-\frac{0^{\theta + 2}}{\theta + 2})\\&=\frac{\theta + 1}{\theta + 2}\end{align*}$
2. 令总体均值等于样本均值并求解 $\theta$：
   样本均值 $\bar{X}=\frac{1}{n}\sum_{i = 1}^{n}X_i$，令 $E(X)=\bar{X}$，即 $\frac{\theta + 1}{\theta + 2}=\bar{X}$。
   交叉相乘可得：$\theta + 1 = \bar{X}(\theta + 2)$。
   展开得：$\theta + 1 = \bar{X}\theta + 2\bar{X}$。
   移项可得：$\theta - \bar{X}\theta = 2\bar{X} - 1$。
   提取公因式 $\theta$ 得：$\theta(1 - \bar{X}) = 2\bar{X} - 1$。
   解得：$\theta = \frac{2\bar{X} - 1}{1 - \bar{X}}$。

最大似然估计

最大似然估计的基本思想是在已知样本观测值的情况下，通过选择参数的值，使得样本出现的概率（似然函数）最大。具体步骤为：先写出似然函数，然后对似然函数取对数，再求对数似然函数关于参数的导数，并令导数为 0，最后解出参数的估计值。

1. 写出似然函数 $L(\theta)$：
   设 $x_1,x_2,\cdots,x_n$ 是样本 $X_1,X_2,\cdots,X_n$ 的一组观测值，似然函数 $L(\theta)=\prod_{i = 1}^{n}f(x_i)$。
   因为 $f(x_i)=\begin{cases}(\theta + 1)x_i^{\theta} & 0 < x_i < 1 \\ 0 & \text{其他} \end{cases}$，所以当 $0 < x_i < 1$（$i = 1,2,\cdots,n$）时，$L(\theta)=\prod_{i = 1}^{n}(\theta + 1)x_i^{\theta}=(\theta + 1)^n(\prod_{i = 1}^{n}x_i)^{\theta}$。
2. 对似然函数取对数：
   $\ln L(\theta)=\ln\left[(\theta + 1)^n(\prod_{i = 1}^{n}x_i)^{\theta}\right]$。
   根据对数的运算法则 $\ln(ab)=\ln a + \ln b$ 和 $\ln a^b = b\ln a$，可得：
   $\ln L(\theta)=n\ln(\theta + 1) + \theta\sum_{i = 1}^{n}\ln x_i$。
3. 求对数似然函数关于 $\theta$ 的导数并令其为 0：
   对 $\ln L(\theta)$ 求导：$\frac{d}{d\theta}\ln L(\theta)=\frac{n}{\theta + 1} + \sum_{i = 1}^{n}\ln x_i$。
   令 $\frac{d}{d\theta}\ln L(\theta)=0$，即 $\frac{n}{\theta + 1} + \sum_{i = 1}^{n}\ln x_i = 0$。
   移项可得：$\frac{n}{\theta + 1}=-\sum_{i = 1}^{n}\ln x_i$。
   交叉相乘可得：$n = -(\theta + 1)\sum_{i = 1}^{n}\ln x_i$。
   展开得：$n = -\theta\sum_{i = 1}^{n}\ln x_i - \sum_{i = 1}^{n}\ln x_i$。
   移项可得：$\theta\sum_{i = 1}^{n}\ln x_i = -n - \sum_{i = 1}^{n}\ln x_i$。
   解得：$\theta = -1 - \frac{n}{\sum_{i = 1}^{n}\ln x_i}=\frac{n}{-\sum_{i = 1}^{n}\ln x_i} - 1$。