正态分布的最大似然估计量可以通过以下步骤计算：
1. 假设样本数据集为 X = {x1, x2, ..., xn}，其中 xi 是独立同分布的观测值。
2. 假设正态分布的概率密度函数为： f(x; μ, σ) = (1 / (√(2 * π) * σ)) * exp(-((x-μ)^2 / (2 * σ^2))) 其中，μ是均值，σ是标准差。
3. 假设每个观测值都是独立同分布的，因此样本的似然函数为： L(μ, σ; X) = ∏[i=1, n] f(xi; μ, σ) = (1 / ((2 * π * σ^2)^(n/2))) * exp(-∑(i=1, n) ((xi-μ)^2 / (2 * σ^2)))4. 为了方便计算，通常采用似然对数函数： logL(μ, σ; X) = log(L(μ, σ; X)) = -n/2 * log(2 * π) - n/2 * log(σ^2) - ∑(i=1, n) ((xi-μ)^2 / (2 * σ^2))5. 为了找到最大似然估计量，要最大化似然对数函数。因此，需要对 logL(μ, σ; X) 进行求导，并令导数为0，解出 μ 和 σ 的值。
6. 解出的 μ 和 σ 就是正态分布的最大似然估计量。需要注意的是，由于求导和解方程是数值上的困难，通常会使用数值优化算法，如牛顿法或梯度下降法来求解最大似然估计量。
