极大似然估计方法（Maximum Likelihood Estimate，MLE）也称为最大概似估计或最大似然估计，是求估计的另一种方法，最大概似是1821年首先由德国数学家高斯（C. F. Gauss）提出，但是这个方法通常被归功于英国的统计学家罗纳德·费希尔（R. A. Fisher）

极大似然估计方法是求估计的另一种方法,1821年首先由德国数学家C. F. Gauss（高斯）提出，但是这个方法通常被归功于英国的统计学家R. A. Fisher（罗纳德·费希尔），他在1922年的论文On the mathematical foundations of theoretical statistics, reprinted in Contributions to Mathematical Statistics (by R. A. Fisher), 1950, J. Wiley & Sons, New York 中再次提出了这个思想，并且首先探讨了这种方法的一些性质.极大似然估计这一名称也是费希尔给的。这是一种仍然得到广泛应用的方法。

它是建立在极大似然原理的基础上的一个统计方法，极大似然原理的直观想法是，一个随机试验如有若干个可能的结果A，B，C，... ，若在一次试验中，结果A出现了，那么可以认为实验条件对A的出现有利，也即出现的概率P(A)较大。极大似然原理的直观想法我们用下面例子说明。设甲箱中有99个白球，1个黑球；乙箱中有1个白球．99个黑球。现随机取出一箱，再从抽取的一箱中随机取出一球，结果是黑球，这一黑球从乙箱抽取的概率比从甲箱抽取的概率大得多，这时我们自然更多地相信这个黑球是取自乙箱的。一般说来，事件A发生的概率与某一未知参数 有关， 取值不同，则事件A发生的概率 也不同，当我们在一次试验中事件A发生了，则认为此时的 值应是t的一切可能取值中使 达到最大的那一个，极大似然估计法就是要选取这样的t值作为参数t的估计值，使所选取的样本在被选的总体中出现的可能性为最大。

极大似然估计，只是一种概率论在统计学的应用，它是参数估计的方法之一。说的是已知某个随机样本满足某种概率分布，但是其中具体的参数不清楚，参数估计就是通过若干次试验，观察其结果，利用结果推出参数的大概值。极大似然估计是建立在这样的思想上：已知某个参数能使这个样本出现的概率最大，我们当然不会再去选择其他小概率的样本，所以干脆就把这个参数作为估计的真实值。

当然极大似然估计只是一种粗略的数学期望，要知道它的误差大小还要做区间估计。

1.求极大似然函数估计值的一般步骤：

（1） 写出似然函数；

（2） 对似然函数取对数，并整理；

（3） 求导数 ；

（4） 解似然方程 。

2.利用高等数学中求多元函数的极值的方法，有以下极大似然估计法的具体做法：

(1)根据总体的分布，建立似然函数 ;

(2) 当 L 关于 可微时，（由微积分求极值的原理）可由方程组

:

定出，称以上方程组为似然方程.

因为 L 与 有相同的极大值点，所以也可由方程组

定出 ，称以上方程组为对数似然方程； 就是所求参数 的极大似然估计量。

当总体是离散型的，将上面的概率密度函数，换成它的分布律.

1.若总体X为离散型，其概率分布列为

其中 为为未知参数。设 是取自总体的样本容量为n的样本，则 的联合分布律为 。又设 的一组观测值为 ，易知样本 取到观测值 的概率为

这一概率随 的取值而变化，它是 的函数，称 为样本的似然函数。

2.若总体X为连续型，其概率密度函数为 ，其中 为未知参数。设 是取自总体的样本容量为n的简单样本，则 的联合概率密度函数为 。又设 的一组观测值为 ，则随机点 落在点 的邻边（边长分别为 的n维立方体）内的概率近似地为 。

考虑函数

同样， 称为样本的似然函数。

极大似然估计法原理就是固定样本观测值 ，挑选参数 使

这样得到的 与样本值有关， 称为参数 的极大似然估计值，其相应的统计量 称为 的极大似然估计量。极大似然估计简记为MLE或 。

问题是如何把参数 的极大似然估计 求出。更多场合是利用 是 的增函数，故与 在同一点处达到最大值，于是对似然函数取对数，利用微分学知识转化为求解对数似然方程

解此方程并对解做进一步的判断。但由最值原理，如果最值存在，此方程组求得的驻点即为所求的最值点，就可以很到参数的极大似然估计。极大似然估计法一般属于这种情况，所以可以直接按上述步骤求极大似然估计。