在R语言中进行极大似然估计的参数估计，可以使用函数“mle()”或“optim()”。其中，“mle()”适用于已知概率分布的情形，而“optim()”通常用于未知概率分布的情形。下面给出一个简单的例子：
假设需要估计一个二项分布的参数p和n，可以使用“mle()”函数：
library(stats4)
# 构建二项分布的对数似然函数
log_likelihood_b <- function(p, n, data) {
x <- data$x
y <- data$y
sum(y*log(dbinom(x, size=n, prob=p)) + (n-y)*log(1-dbinom(x, size=n, prob=p)))
}
# 模拟数据
set.seed(123)
x <- 1:10
y <- rbinom(10, size=5, prob=0.3)
data <- data.frame(x=x, y=y)
# 极大似然估计
fit <- mle(log_likelihood_b, start=list(p=0.3, n=5), data=data)
summary(fit)
其中，“log_likelihood_b()”函数是二项分布的对数似然函数。模拟数据时，生成了10个样本，每个样本的x值为1-10之间的整数，y值为n=5，p=0.3时的二项分布随机生成的结果。参数估计时，start参数表示起始值，data参数表示数据。最后，可以使用“summary()”函数查看结果的置信区间、假设检验等信息。
希望对你有所帮助！