SI sabe exactamente cuál es la distribución subyacente, entonces no necesita estudiarla. A veces, en ciencias naturales sabes exactamente la distribución.
SI conoce el tipo de distribución, solo necesita estimar sus parámetros y estudiarlos en el sentido que usted quiso decir. Por ejemplo, en algún momento sabes a priori que la distribución subyacente es normal. En algunos casos, incluso sabes lo que significa. Entonces, para lo normal, lo único que queda por descubrir es la desviación estándar. Obtiene la desviación estándar de la muestra y, voila, obtiene la distribución para estudiar.
SI no sabe cuál es la distribución, pero piensa que es una de las varias en la lista, entonces podría intentar ajustar esa distribución a los datos y elegir la que mejor se ajuste. ENTONCES estudias esa distribución.
FINALMENTE, a menudo no conoce el tipo de distribución con la que está tratando. Y no tiene una razón para creer que pertenece a una de las 20 distribuciones en las que R puede ajustar sus datos. ¿Qué vas a hacer? Ok, nos fijamos en las desviaciones medias y estándar, bien. Pero, ¿y si está muy sesgado? ¿Qué pasa si su curtosis es muy grande? y así. Realmente necesita saber todos los momentos de distribución para saber y estudiarlo. Entonces, en este caso, el bootstrapping no paramétrico es útil. No asumes mucho, y solo muestras de él, luego estudias sus momentos y otras propiedades.
Aunque el bootstrapping no paramétrico no es una herramienta mágica, tiene problemas. Por ejemplo, puede estar sesgado. Creo que el bootstrapping paramétrico es imparcial