# I am the Watcher. I am your guide through this vast new twtiverse.
#
# Usage:
# https://watcher.sour.is/api/plain/users View list of users and latest twt date.
# https://watcher.sour.is/api/plain/twt View all twts.
# https://watcher.sour.is/api/plain/mentions?uri=:uri View all mentions for uri.
# https://watcher.sour.is/api/plain/conv/:hash View all twts for a conversation subject.
#
# Options:
# uri Filter to show a specific users twts.
# offset Start index for quey.
# limit Count of items to return (going back in time).
#
# twt range = 1 1
# self = https://watcher.sour.is/conv/dekrotq
参数估计：最大似然估计 (Maximum Likelihood Method - MLM) Ⅱ**
上一篇讲最大似然估计的文章有一些读者反映看不太懂，也有读者提出了很多很好的问题。上一篇文章跟大家大概讲了一下最大似然估计的用法，这一篇会更加具体地带例题解释，并且解答大家的疑惑。
似然函数(Likelihood Function)的公式：
这里质量函数的似然函数很好理解，不过为什么密度函数的似然函数也只需要相乘呢？
我们首先要理解，使用参数估计的前提是我们已经有了数据。收集到了数据，建立了统计模型之后，根据我们已有的数据来估计这个模型的参数是什么。那应该如何估计参数呢？最大似然估计就假设将我们手中的数据可能性最大化，设一阶导数为零，来获取参数估计。
随机变量分为离散和连续两种，可在实际数据收集的过程中连续的数据都会在某个小数位被四舍五入，因此我的得到数据点x的概率为
