8.(1)设X1,X2,···,Nn是来自概率密度为-|||-(x;theta )= ) theta (x)^theta -1, 0lt xlt 1 0, 的最大似然估计值.

考查要点：本题主要考查最大似然估计（MLE）的应用，涉及参数估计的求解步骤，以及如何将估计结果代入目标函数。

解题核心思路：

1. 写出似然函数：根据给定的概率密度函数，构造样本的联合概率密度（似然函数）。
2. 求对数似然函数：对似然函数取对数，简化求导过程。
3. 求导并解方程：对参数θ求导，令导数为零，解出θ的MLE。
4. 代入目标函数：将θ的MLE代入U的表达式，得到U的MLE。

破题关键点：

• 正确处理对数似然函数的导数，注意样本观测值的范围（0 < x < 1）导致的符号问题。
• 验证θ的MLE是否合理，确保θ的估计值在参数空间内（θ > 0）。

步骤1：写出似然函数

样本的联合概率密度（似然函数）为：
$L(\theta) = \prod_{i=1}^{n} f(x_i; \theta) = \prod_{i=1}^{n} \theta x_i^{\theta - 1} = \theta^n \prod_{i=1}^{n} x_i^{\theta - 1}.$

步骤2：求对数似然函数

对似然函数取对数：
$\ln L(\theta) = n \ln \theta + (\theta - 1) \sum_{i=1}^{n} \ln x_i.$

步骤3：求导并解方程

对θ求导并令导数为零：
$\frac{d}{d\theta} \ln L(\theta) = \frac{n}{\theta} + \sum_{i=1}^{n} \ln x_i = 0.$
解得：
$\hat{\theta} = -\frac{n}{\sum_{i=1}^{n} \ln x_i}.$

步骤4：代入目标函数

将$\hat{\theta}$代入$U = e^{-1/\theta}$，得：
$\hat{U} = e^{-1/\hat{\theta}} = e^{-1/\left(-\frac{n}{\sum_{i=1}^{n} \ln x_i}\right)} = e^{\frac{\sum_{i=1}^{n} \ln x_i}{n}}.$