NẾU bạn biết chính xác phân phối cơ bản là gì, thì bạn không cần phải nghiên cứu nó. Đôi khi, trong khoa học tự nhiên, bạn biết chính xác sự phân phối.
NẾU bạn biết loại phân phối, thì bạn chỉ cần ước tính các tham số của nó và nghiên cứu nó theo nghĩa bạn muốn nói. Ví dụ, đôi khi bạn biết một tiên nghiệm rằng phân phối cơ bản là bình thường. Trong một số trường hợp, bạn thậm chí biết ý nghĩa của nó là gì. Vì vậy, đối với bình thường, điều duy nhất còn lại để tìm hiểu là độ lệch chuẩn. Bạn nhận được độ lệch chuẩn mẫu từ mẫu và voila, bạn có được phân phối để nghiên cứu.
NẾU bạn không biết phân phối là gì, nhưng nghĩ rằng đó là một trong số nhiều phân phối trong danh sách, thì bạn có thể thử điều chỉnh phân phối đó cho dữ liệu và chọn phân phối phù hợp nhất. THÌ bạn học phân phối đó.
Cuối cùng, bạn thường không biết loại phân phối mà bạn đang giao dịch. Và bạn không có lý do để tin rằng nó thuộc về một trong 20 bản phân phối mà R có thể phù hợp với dữ liệu của bạn. Bạn định làm gì? Ok, bạn nhìn vào độ lệch trung bình và tiêu chuẩn, tốt đẹp. Nhưng nếu nó rất sai lệch thì sao? Điều gì nếu kurtosis của nó là rất lớn? và như thế. Bạn thực sự cần phải biết tất cả những khoảnh khắc phân phối để biết , và nghiên cứu nó. Vì vậy, trong trường hợp này bootstrapping không tham số có ích. Bạn không giả định nhiều, và mẫu đơn giản từ nó, sau đó nghiên cứu các khoảnh khắc của nó và các thuộc tính khác.
Mặc dù bootstrapping không tham số không phải là một công cụ ma thuật, nó có vấn đề. Ví dụ, nó có thể được thiên vị. Tôi nghĩ bootstrapping tham số là không thiên vị