设总体X的概率密度函数为f(x,theta)=}(3x^2)/(theta^3),&0le xletheta0,&其他其中theta>0是未知参数，X_(1),X_(2),...,X_(n)是来自总体X的简单随机样本，试求theta的最大似然估计量.

考查要点：本题主要考查最大似然估计的应用，需要掌握似然函数的构造、对数似然函数的求导以及参数估计的极值分析。

解题核心思路：

1. 构造似然函数：根据概率密度函数的形式，写出样本联合密度函数（似然函数），注意样本值必须满足$0 \leq X_i \leq \theta$。
2. 分析有效区域：由于密度函数非零的条件是$\theta \geq \max\{X_1, X_2, \dots, X_n\}$，即$\theta \geq X_{(n)}$，因此似然函数的有效区域为$\theta \geq X_{(n)}$。
3. 对数似然函数的单调性：通过对数似然函数的导数分析，发现其在有效区域内单调递减，从而确定$\theta$的最小可能取值$X_{(n)}$即为最大似然估计量。

破题关键点：

• 样本最大值的作用：$\theta$必须至少等于样本最大值$X_{(n)}$，否则似然函数为零。
• 导数符号的判断：对数似然函数的导数始终为负，说明函数在有效区域内单调递减，因此最小的$\theta$对应最大的似然值。

1. 构造似然函数

总体$X$的概率密度函数为：
$f(x, \theta) = \begin{cases}\frac{3x^2}{\theta^3}, & 0 \leq x \leq \theta, \\0, & \text{其他}.\end{cases}$
样本$X_1, X_2, \dots, X_n$的似然函数为：
$L(\theta) = \prod_{i=1}^n f(X_i, \theta) = \prod_{i=1}^n \left( \frac{3X_i^2}{\theta^3} \cdot \mathbb{I}_{\{0 \leq X_i \leq \theta\}} \right).$
其中，$\mathbb{I}_{\{0 \leq X_i \leq \theta\}}$为指示函数，当$X_i \leq \theta$时取1，否则取0。因此，所有样本均需满足$X_i \leq \theta$，即$\theta \geq X_{(n)} = \max\{X_1, X_2, \dots, X_n\}$。此时，似然函数可化简为：
$L(\theta) = \frac{3^n \prod_{i=1}^n X_i^2}{\theta^{3n}} \cdot \mathbb{I}_{\{X_{(n)} \leq \theta\}}.$

2. 对数似然函数

取对数似然函数：
$\ell(\theta) = \ln L(\theta) = n \ln 3 + 2 \sum_{i=1}^n \ln X_i - 3n \ln \theta, \quad \theta \geq X_{(n)}.$

3. 求导分析单调性

对$\theta$求导：
$\frac{d\ell(\theta)}{d\theta} = -\frac{3n}{\theta} < 0 \quad (\theta > 0).$
导数始终为负，说明$\ell(\theta)$在$\theta \geq X_{(n)}$的区间内单调递减。因此，当$\theta$取最小值$X_{(n)}$时，$\ell(\theta)$取得最大值。

4. 确定最大似然估计量

综上，$\theta$的最大似然估计量为样本最大值：
$\hat{\theta}_{\text{MLE}} = X_{(n)}.$