题目
2.设总体X的密度函数为f(x)={}(alpha+1)x^alpha,0<1,alpha>-10,其它为相应的样本值，求alpha的矩估计和最大似然估计。
2.设总体X的密度函数为$f(x)=\left\{\begin{matrix}(\alpha+1)x^{\alpha},0<1,\alpha>-1\\0,其它\end{matrix}\right.$其中$\alpha$未知，$X_{1},X_{2},\cdots,X_{n}$为总体X的一个样本，$x_{1},x_{2},\cdots,x_{n}$为相应的样本值，求$\alpha$的矩估计和最大似然估计。
题目解答
答案
为了找到参数$\alpha$的矩估计和最大似然估计，我们将分两部分进行：矩估计和最大似然估计。
### 矩估计
矩估计是基于总体矩与样本矩相等的原理。对于这个密度函数，总体的期望值（第一矩）由下式给出：
\[
E(X) = \int_0^1 x f(x) \, dx = \int_0^1 x (\alpha+1)x^\alpha \, dx = \int_0^1 (\alpha+1)x^{\alpha+1} \, dx = (\alpha+1) \left[ \frac{x^{\alpha+2}}{\alpha+2} \right]_0^1 = \frac{\alpha+1}{\alpha+2}.
\]
样本均值$\bar{X}$是总体期望值的估计，因此我们将$E(X)$设为$\bar{X}$：
\[
\frac{\alpha+1}{\alpha+2} = \bar{X}.
\]
解$\alpha$，我们得到：
\[
\alpha + 1 = \bar{X}(\alpha + 2) \implies \alpha + 1 = \bar{X}\alpha + 2\bar{X} \implies \alpha - \bar{X}\alpha = 2\bar{X} - 1 \implies \alpha(1 - \bar{X}) = 2\bar{X} - 1 \implies \alpha = \frac{2\bar{X} - 1}{1 - \bar{X}}.
\]
因此，$\alpha$的矩估计为：
\[
\hat{\alpha}_M = \frac{2\bar{X} - 1}{1 - \bar{X}}.
\]
### 最大似然估计
最大似然估计是通过最大化似然函数来找到的。似然函数$L(\alpha)$是密度函数在样本值处的乘积：
\[
L(\alpha) = \prod_{i=1}^n f(x_i) = \prod_{i=1}^n (\alpha+1)x_i^\alpha = (\alpha+1)^n \prod_{i=1}^n x_i^\alpha.
\]
为了使最大化更容易，我们取似然函数的自然对数：
\[
\ell(\alpha) = \ln L(\alpha) = n \ln (\alpha+1) + \alpha \sum_{i=1}^n \ln x_i.
\]
我们通过求$\ell(\alpha)$关于$\alpha$的导数并设其为零来找到临界点：
\[
\frac{d\ell(\alpha)}{d\alpha} = \frac{n}{\alpha+1} + \sum_{i=1}^n \ln x_i = 0.
\]
解$\alpha$，我们得到：
\[
\frac{n}{\alpha+1} = -\sum_{i=1}^n \ln x_i \implies \alpha+1 = -\frac{n}{\sum_{i=1}^n \ln x_i} \implies \alpha = -1 - \frac{n}{\sum_{i=1}^n \ln x_i}.
\]
由于$\sum_{i=1}^n \ln x_i < 0$（因为$0 < x_i < 1$且$\ln x_i < 0$），$\alpha > -1$。因此，$\alpha$的最大似然估计为：
\[
\hat{\alpha}_L = -1 - \frac{n}{\sum_{i=1}^n \ln x_i}.
\]
### 最终答案
$\alpha$的矩估计为：
\[
\boxed{\frac{2\bar{X} - 1}{1 - \bar{X}}}.
\]
$\alpha$的最大似然估计为：
\[
\boxed{-1 - \frac{n}{\sum_{i=1}^n \ln x_i}}.
\]
解析
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
矩估计的核心思想是用样本矩来估计总体矩。对于本题，我们先计算总体的一阶矩（即期望值 $E(X)$），然后令其等于样本一阶矩（样本均值 $\bar{X}$），进而求解出参数 $\alpha$ 的估计值。
- 计算总体期望值 $E(X)$：
根据期望的定义，对于连续型随机变量 $X$，其期望值 $E(X)=\int_{-\infty}^{+\infty}xf(x)dx$。已知总体 $X$ 的密度函数为 $f(x)=\begin{cases}(\alpha + 1)x^{\alpha},&0\lt x\lt1,\alpha\gt - 1\\0,&\text{其它}\end{cases}$，则：
$\begin{align*}E(X)&=\int_{0}^{1}x\cdot(\alpha + 1)x^{\alpha}dx\\&=(\alpha + 1)\int_{0}^{1}x^{\alpha + 1}dx\\&=(\alpha + 1)\left[\frac{x^{\alpha + 2}}{\alpha + 2}\right]_0^1\\&=(\alpha + 1)\cdot\frac{1^{\alpha + 2}}{\alpha + 2}-(\alpha + 1)\cdot\frac{0^{\alpha + 2}}{\alpha + 2}\\&=\frac{\alpha + 1}{\alpha + 2}\end{align*}$ - 令总体期望值等于样本均值：
样本均值 $\bar{X}=\frac{1}{n}\sum_{i = 1}^{n}X_i$，令 $E(X)=\bar{X}$，即 $\frac{\alpha + 1}{\alpha + 2}=\bar{X}$。 - 求解 $\alpha$：
$\begin{align*}\alpha + 1&=\bar{X}(\alpha + 2)\\\alpha + 1&=\bar{X}\alpha + 2\bar{X}\\\alpha-\bar{X}\alpha&=2\bar{X}-1\\\alpha(1 - \bar{X})&=2\bar{X}-1\\\alpha&=\frac{2\bar{X}-1}{1 - \bar{X}}\end{align*}$
所以，$\alpha$ 的矩估计为 $\hat{\alpha}_M=\frac{2\bar{X}-1}{1 - \bar{X}}$。
最大似然估计
最大似然估计的基本思想是找到一个参数值，使得样本出现的概率最大。具体步骤是先写出似然函数 $L(\alpha)$，然后对其取对数得到对数似然函数 $\ell(\alpha)$，最后通过求对数似然函数的导数并令其为零，解出参数 $\alpha$ 的估计值。
- 写出似然函数 $L(\alpha)$：
已知样本 $X_1,X_2,\cdots,X_n$ 的样本值为 $x_1,x_2,\cdots,x_n$，似然函数 $L(\alpha)$ 是密度函数在样本值处的乘积，即：
$L(\alpha)=\prod_{i = 1}^{n}f(x_i)=\prod_{i = 1}^{n}(\alpha + 1)x_i^{\alpha}=(\alpha + 1)^n\prod_{i = 1}^{n}x_i^{\alpha}$ - 取对数得到对数似然函数 $\ell(\alpha)$：
$\ell(\alpha)=\ln L(\alpha)=n\ln(\alpha + 1)+\alpha\sum_{i = 1}^{n}\ln x_i$ - 求对数似然函数的导数并令其为零：
对 $\ell(\alpha)$ 关于 $\alpha$ 求导：
$\frac{d\ell(\alpha)}{d\alpha}=\frac{n}{\alpha + 1}+\sum_{i = 1}^{n}\ln x_i$
令 $\frac{d\ell(\alpha)}{d\alpha}=0$，即 $\frac{n}{\alpha + 1}+\sum_{i = 1}^{n}\ln x_i = 0$。 - 求解 $\alpha$：
$\begin{align*}\frac{n}{\alpha + 1}&=-\sum_{i = 1}^{n}\ln x_i\\\alpha + 1&=-\frac{n}{\sum_{i = 1}^{n}\ln x_i}\\\alpha&=-1-\frac{n}{\sum_{i = 1}^{n}\ln x_i}\end{align*}$
因为 $0\lt x_i\lt1$，所以 $\ln x_i\lt0$，则 $\sum_{i = 1}^{n}\ln x_i\lt0$，满足 $\alpha\gt - 1$。所以，$\alpha$ 的最大似然估计为 $\hat{\alpha}_L=-1-\frac{n}{\sum_{i = 1}^{n}\ln x_i}$。