在很多情况下,排序集抽样(Rankedset sapling,简称RSS)是一种相对于简单随机抽样(Simple ranked sampling,简称SRS)更加有效的数据收集方式,包含信息量也比SRS多,因此从上世纪开始,RSS这种抽样方式在统计推断方面应用广泛.但是RSS也有它自身的缺点,比如出现排序错误的可能性较大,为了降低排序错误率,emphAl-saleh提出了修正的RSS,即:动态极端排序集抽样(Moving extreme ranκked set sampling,简称MERSS),并在这个抽样方式下研究指数分布的参数λ的极大似然估计(Maximum likelihood estimation,简称MLE)的性质,并给定了 λ的修正极大似然估计的无偏估计的形式.于2007年Al saleh又研究MERSS下二维正态分布的参数估计问题.基于上述的研究,本文讨论Morgenstern型二维指数分布在MERSS这种抽样方式下的研究变量Y的参数λ的估计问题.在之前的研究中,有Chacko研究过Morgenstern型二维指数分布在RSS下的参数估计问题.本文主要研究内容是在MERSS下,Morgenstern型二维指数分布在辅助变量X的参数θ已知的情形下关于研究变量Y的参数λ的估计问题.第一部分介绍前人的研究成果,并详细介绍RSS及MRSS的抽样方法、第二部分为准备工作,主要介绍Morgernstern型二维指数分布的密度函数、研究变量Y在辅助变量X已知时的分布密度函数,给出排序相依变量的均值及方差,并证明研究变量Y的均值为其参数λ的无偏估计.第三部分主要探究参数θ已知的情况下参数λ的MLE估计及其性质,通过研究参数λ的Fisher信息量说明其极大似然估计效果较好,并证明参数λ的修正MLE是无偏估计.