2 设X_(1),X_(2),...,X_(n)是来自f(x;theta)=theta x^theta-1,0<1,theta>0的样本，试给出theta的一个充分统计量.
题目解答
答案
这是一道关于数理统计中求充分统计量的题目。我们可以通过因子分解定理（Fisher-Neyman Factorization Theorem）来进行推理和解答。
推理过程如下：
第一步：写出样本的联合概率密度函数（似然函数）
已知 $X_1, X_2, \cdots, X_n$ 是来自总体 $X$ 的一个样本，总体的概率密度函数为：
$f(x; \theta) = \theta x^{\theta-1}, \quad 0 < x < 1, \quad \theta > 0$
因为样本 $X_1, X_2, \cdots, X_n$ 是独立同分布的，所以它们的联合概率密度函数 $L(\mathbf{x}; \theta)$ 是各个样本点概率密度函数的乘积：
$L(x_1, x_2, \cdots, x_n; \theta) = \prod_{i=1}^{n} f(x_i; \theta)$
将 $f(x; \theta)$ 代入上式：
$L(x_1, x_2, \cdots, x_n; \theta) = \prod_{i=1}^{n} (\theta x_i^{\theta-1})$
$= \theta^n \left( \prod_{i=1}^{n} x_i \right)^{\theta-1}$
同时，样本的取值范围必须满足 $0 < x_i < 1$ 对于所有的 $i = 1, 2, \cdots, n$。
第二步：应用因子分解定理
因子分解定理指出，如果联合概率密度函数可以写成如下形式：
$L(\mathbf{x}; \theta) = g(T(\mathbf{x}); \theta) \cdot h(\mathbf{x})$
其中 $g$ 依赖于样本仅通过统计量 $T(\mathbf{x})$ 和参数 $\theta$，而 $h$ 不依赖于参数 $\theta$，那么 $T(\mathbf{x})$ 就是 $\theta$ 的一个充分统计量。
观察我们得到的联合密度函数：
$L(x_1, x_2, \cdots, x_n; \theta) = \theta^n \left( \prod_{i=1}^{n} x_i \right)^{\theta-1}$
我们可以将其分解为两部分：
- 一部分包含参数 $\theta$ 并且依赖于样本的乘积 $\prod_{i=1}^{n} x_i$。
- 另一部分是常数 $1$（在满足 $0 < x_i < 1$ 的区域内）。
令统计量 $T = \prod_{i=1}^{n} X_i$。
我们可以定义：
$g(t; \theta) = \theta^n t^{\theta-1}$
$h(x_1, x_2, \cdots, x_n) = 1$
（在 $0 < x_i < 1$ 的区域内，否则为 0）
显然，联合密度函数可以表示为 $L = g(T; \theta) \cdot h(\mathbf{x})$ 的形式。
第三步：得出结论
根据因子分解定理，统计量 $T = \prod_{i=1}^{n} X_i$ 是 $\theta$ 的一个充分统计量。
此外，充分统计量的任何一一变换也是充分统计量。例如，对数变换：
$\ln T = \ln \left( \prod_{i=1}^{n} X_i \right) = \sum_{i=1}^{n} \ln X_i$
因此，$\sum_{i=1}^{n} \ln X_i$ 也是 $\theta$ 的一个充分统计量。
最终解答：
$\theta$ 的一个充分统计量为 $T = \prod_{i=1}^{n} X_i$ （或者等价地，$T = \sum_{i=1}^{n} \ln X_i$）。