离散型最大似然估计值的计算步骤如下：
写出似然函数：假设总体X为离散型，似然函数为L(θ)=∏ni=1p(xi;θ)，其中θ为待估计的参数，p(xi;θ)为总体X取值为xi时的概率。
对似然函数两边取对数：有l n L(θ)=∏ni=1l np(xi;θ)。
对dlnL(θ)求导数并令之为0：有dlnL(θ)dθ=0，此方程为对数似然方程。解对数似然方程所得，即为未知参数的最大似然估计值。
"离散下降"通常指的是在离散优化或机器学习中的一种优化方法，用于最小化某个目标函数的数值。具体来说，离散下降是指在离散的参数空间中，通过迭代调整参数值以使目标函数值逐步减小的过程。
这个过程类似于连续优化中的梯度下降，但由于参数空间是离散的，所以不能像梯度下降那样直接使用梯度信息，而通常使用一些启发式的方法进行搜索和更新。
离散对数之所以被命名为“离散”，是因为它与连续对数（如自然对数和对数）在定义和性质上有很大的不同。离散对数并不是在连续区间上定义的，而是定义在离散的整数集上。具体来说，离散对数是以非零整数为底数的对数，通常用于解决与离散数据或整数有关的问题。
离散对数在计算机科学和密码学中有广泛应用。例如，在公钥密码学中，一些重要的算法（如Diffie-Hellman密钥交换和RSA算法）就利用了离散对数的性质。这些算法的安全性依赖于离散对数问题的难度，因此离散对数在密码学中具有重要地位。
相比之下，连续对数是连续函数上的对数，通常用于解决与连续数据或实数有关的问题。连续对数可以表示为实数轴上的区间，其定义域是连续的。在数学和物理学中，连续对数经常用于处理与指数、幂和对数函数相关的各种问题。
总之，“离散”一词用来描述离散对数，以强调其与连续对数的区别，并突出其在处理离散数据和整数问题方面的应用。