极大似然估计（Maximum Likelihood Estimation, MLE）是一种在统计学中估计模型参数的方法。它的基本思想是找到一组参数值，使得在这组参数下，观测到的数据出现的概率（即似然函数）最大。下面我们通过几个具体的例题来详细说明极大似然估计的应用。
例1：均匀分布的参数估计
假设我们有一个均匀分布的随机变量 \（X\），其取值范围为 \（[a, b]\），我们想要估计其中的参数 \（a\） 和 \（b\）。我们从这个分布中独立地抽取了 \（n\） 个样本，记为 \（x_1, x_2, \ldots, x_n\）。
写出似然函数
\[
L（a, b） = \prod_{i=1}^{n} f（x_i | a, b） = \prod_{i=1}^{n} \frac{1}{b - a} = \left（\frac{1}{b - a}\right）^n
\]
取对数
\[
\ln L（a, b） = n \ln \left（\frac{1}{b - a}\right） = -n \ln （b - a）
\]
求导并令其等于0
\[
\frac{\partial}{\partial a} \ln L（a, b） = -\frac{n}{b - a} = 0 \quad \Rightarrow \quad b - a = 0 \quad \Rightarrow \quad b = a
\]
求解参数
由于 \（b = a\），极大似然估计为选择使得样本的范围最小的参数值，即 \（a\） 的估计值为最小样本值 \（x_{（1）}\），\（b\） 的估计值为最大样本值 \（x_{（n）}\）。
例2：正态分布的参数估计
假设某市的男性身高服从正态分布，标准差为 \（4\） cm。现在我们随机抽取 \（100\） 个男性，并测量他们的身高。我们想要通过这个样本估计这个市男性的平均身高 \（μ\）。
写出似然函数
\[
f（x | μ, σ） = \frac{1}{\sqrt{2\pi}σ} e^{-\frac{（x - μ）^2}{2σ^2}}
\]
样本的似然函数为：
\[
L（μ） = \prod_{i=1}^{100} f（x_i | μ, 4） = \prod_{i=1}^{100} \frac{1}{\sqrt{2\pi \cdot 4}} e^{-\frac{（x_i - μ）^2}{2 \cdot 4^2}}
\]
取对数
\[
\ln L（μ） = \sum_{i=1}^{100} \ln \left（\frac{1}{\sqrt{2\pi \cdot 4}}\right） + \sum_{i=1}^{100} \left（-\frac{（x_i - μ）^2}{2 \cdot 4^2}\right）
\]
\[
\ln L（μ） = -50 \ln \left（\frac{1}{\sqrt{2\pi \cdot 4}}\right） - \frac{1}{8} \sum_{i=1}^{100} （x_i - μ）^2
\]
求导并令其等于0
\[
\frac{\partial}{\partial μ} \ln L（μ） = \frac{1}{4} \sum_{i=1}^{100} 2（x_i - μ） = \frac{1}{2} \sum_{i=1}^{100} （x_i - μ） = 0
\]
\[
\sum_{i=1}^{100} x_i - 100μ = 0 \quad \Rightarrow \quad μ = \frac{1}{100} \sum_{i=1}^{100} x_i
\]
求解参数
极大似然估计为样本的平均值 \（μ = \frac{1}{100} \sum_{i=1}^{100} x_i\）。
例3：指数分布的参数估计
假设某种电子元件的寿命 \（X\） 服从双参数指数分布，其