3.设总体X的概率密度函数为-|||-(x)=dfrac (1)(2sigma )(e)^-dfrac (|x|{v)} , -infty lt xlt +infty ,-|||-其中σ为未知参数,X1,X2,···,Xn是来自X的简单随机样本,求σ的最大似然估计量.

步骤 1：写出似然函数
似然函数是基于样本数据，对未知参数进行估计的函数。对于给定的样本 $X_1, X_2, \ldots, X_n$，似然函数 $L(\sigma)$ 可以表示为所有样本点的概率密度函数的乘积，即
$$
L(\sigma) = \prod_{i=1}^{n} f(X_i) = \prod_{i=1}^{n} \frac{1}{2\sigma} e^{-\frac{|X_i|}{\sigma}}.
$$
步骤 2：对似然函数取对数
为了简化计算，我们对似然函数取对数，得到对数似然函数 $\ln L(\sigma)$，即
$$
\ln L(\sigma) = \ln \left( \prod_{i=1}^{n} \frac{1}{2\sigma} e^{-\frac{|X_i|}{\sigma}} \right) = \sum_{i=1}^{n} \ln \left( \frac{1}{2\sigma} e^{-\frac{|X_i|}{\sigma}} \right).
$$
步骤 3：简化对数似然函数
对数似然函数可以进一步简化为
$$
\ln L(\sigma) = \sum_{i=1}^{n} \left( \ln \frac{1}{2\sigma} + \ln e^{-\frac{|X_i|}{\sigma}} \right) = -n \ln (2\sigma) - \frac{1}{\sigma} \sum_{i=1}^{n} |X_i|.
$$
步骤 4：求导数并令导数为零
为了找到对数似然函数的最大值，我们需要对 $\ln L(\sigma)$ 关于 $\sigma$ 求导数，并令导数等于零，即
$$
\frac{d}{d\sigma} \ln L(\sigma) = -\frac{n}{\sigma} + \frac{1}{\sigma^2} \sum_{i=1}^{n} |X_i| = 0.
$$
步骤 5：求解导数方程
解上述导数方程，得到
$$
-\frac{n}{\sigma} + \frac{1}{\sigma^2} \sum_{i=1}^{n} |X_i| = 0 \Rightarrow \sigma = \frac{\sum_{i=1}^{n} |X_i|}{n}.
$$