最大似然估计是一种用于估计概率分布参数的方法，它基于观测到的数据来找到最可能的参数值。下面通过几个具体的例题来详细解释最大似然估计的过程。
例1：抛硬币问题
问题描述：
假设有一个硬币，正面和反面出现的概率不同。我们抛了80次硬币，得到49次正面（H）和31次反面（T）。现在，我们想知道这三个硬币中哪一个最有可能被用来抛出这些结果。
解答：
建立似然函数
设三个硬币抛出正面的概率分别为 \（ p_1, p_2, p_3 \）。
似然函数 \（ L（p_1, p_2, p_3 | x） \） 表示在参数为 \（ p_1, p_2, p_3 \） 的情况下，观测到数据 \（ x = （49, 31） \） 的概率。
根据二项分布的概率质量函数，似然函数为：
\[ L（p_1, p_2, p_3 | x） = \binom{80}{49} p_1^{49} （1-p_1）^{31} \binom{80}{31} p_2^{31} （1-p_2）^{49} \binom{80}{49} p_3^{49} （1-p_3）^{31} \]
求最大似然估计
对似然函数取对数，得到对数似然函数：
\[ \ln L（p_1, p_2, p_3 | x） = \ln \left（ \binom{80}{49} p_1^{49} （1-p_1）^{31} \binom{80}{31} p_2^{31} （1-p_2）^{49} \binom{80}{49} p_3^{49} （1-p_3）^{31} \right） \]
对 \（ p_1, p_2, p_3 \） 分别求偏导数，并令其为0，得到方程组：
\[ \frac{\partial \ln L}{\partial p_1} = 0, \quad \frac{\partial \ln L}{\partial p_2} = 0, \quad \frac{\partial \ln L}{\partial p_3} = 0 \]
解这个方程组，可以得到 \（ p_1, p_2, p_3 \） 的最大似然估计值。
例2：产品需求量估计
问题描述：
某公司销售的一种产品每天的需求量服从正态分布 \（ N（\mu, \sigma^2） \），现有销售数据为：20, 23, 18, 17, 22, 25, 21, 19。求 \（ \mu \） 和 \（ \sigma \） 的最大似然估计值。
解答：
建立似然函数
需求量服从正态分布 \（ N（\mu, \sigma^2） \），则样本的极大似然函数为：
\[ L（\mu, \sigma | x） = \prod_{i=1}^{8} \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{（x_i - \mu）^2}{2\sigma^2}} \]
化简似然函数
取对数，得到对数似然函数：
\[ \ln L（\mu, \sigma | x） = \sum_{i=1}^{8} \ln \left（ \frac{1}{\sqrt{2\pi\sigma^2}} \right） - \frac{1}{2\sigma^2} \sum_{i=1}^{8} （x_i - \mu）^2 \]
求导并令导数为0
对 \（ \mu \） 和 \（ \sigma \） 分别求偏导数，得到方程组：
\[ \frac{\partial \ln L}{\partial \mu} = 0, \quad \frac{\partial \ln L}{\partial \sigma} = 0 \]
解这个方程组，可以得到 \（ \mu \） 和 \（ \sigma \） 的最大似然估计值。
例3：二项分布参数估计
问题描述：
设总体 \（ X \sim B（1, p） \