似然分析属于经典方法，即认为参数是给定的（但真实值未知），而样本是随机的。最大似然估计就是估计一组参数，这组参数使你现在拥有的样本出现的联合概率密度最大化。说白了就是每个样本的出现都有一个概率，你现在有了一组样本，那么我们就认为在众多样本中你现在的这个出现的概率最大。那么接下来的问题就是参数（需要估计）是什么值时这组样本出现的概率最大呢，然后就有了似然函数，似然函数表示样本中的某个元素xi出现的概率，那么整个样本{xi}出现的概率就是这些元素出现概率的联合分布。使之最大化，即所谓最大似然估计。

实际发生的事就是概率最大的事，最大似然就是指发生概率最大

啥跟啥啊，跟bootstrap和中心极限定理有什么关系

初学者，自己学得也不是很清楚，说一下我的感觉，希望有大佬可以赐教。
我的理解是给了一组数据，这些数据可能来自不同的模型，然后构造似然函数的目的就是为了找这些数据最可能来自于哪一个模型，怎么找呢？就通过可能性的大小去找，越大就说明越可能来自那个模型。于是需要它的概率密度函数，似然函数也是在概率密度函数的基础上建立起来的，然后关键点是要让概率最大，也就是让似然函数最大，就需要找个参数让这个函数值最大，所以对似然函数求一阶导为零去找那个参数。