先抛砖引玉，如有不对之处敬请斧正，感谢。
  个人对这个问题是这样理解的，对于取自某一总体的样本数据而言，其本身所携带的是样本随机抽样所造成的误差，此处可以理解为抽样误差，对于某些特定的数据，诸如股指收益率（一般选取对数收益率）其不具备克隆的条件，因而就无法实现重复抽样，只能依托于蒙特卡洛模拟等方法，前提是获取样本数据的基本统计特征，诸如位移参数、尺度参数、形状参数等等，然后随机模拟，这其中存在一个方向性设定偏误的问题，因而其功效往往并不是很高，当然也在用，主要是为了解决一些现有技术尚且无法实现的技术问题。
   另外一种，可以认为是基于经验分布（或者概率密度）来比对分析的方法，其思路是比较已知某分布数据的分布特征（概率密度）与检测样本数据之间的拟合优度问题，类似于在正态性检验中使用的ks检验一样，详情可查看R中关于ks.test()命令的解释和相关讲解(按照问题，查找程序和方法理论，这种方式对于问题的理解较为便捷)，但是实际上对于ks检验问题，往往功效很低，有没有考虑过为什么？

关于KS检验的理论可自行查找，此处分享一个比较简单、直观的讲解：https://www.cnblogs.com/arkenstone/p/5496761.html；此外，在使用R进行程序计算的时候，可以在命令ks.test(x,y,...)中假定x是已有样本数据，y是另外一个样本或者是“punif”等，若为punif,则检验统计量的数值通常并不完全同于1，也就是说在原假设成立的条件下，p值不是非常非常的显著，但也还说得过去；若假定y是通过x已有的数据特征，诸如尺度参数、形状参数、位移参数等都一致的情形下随机生成的，此时通常结果比较显著。不妨试一下哈，祝好。这个问题就到此结束。