Esta questão aborda técnicas de reamostragem, que são fundamentais na estatística moderna para lidar com situações onde as suposições teóricas clássicas (como a normalidade) não são atendidas ou onde as fórmulas para erros padrão são muito complexas.

• A) INCORRETA: O Jackknife é focado principalmente na estimativa de viés e variância. Ele não fornece a distribuição amostral completa do estimador de forma tão rica quanto o Bootstrap, pois ele é baseado na exclusão sistemática de uma observação por vez.
• B) INCORRETA: Um erro conceitual comum. O Bootstrap reamostra os dados existentes para entender a variabilidade do estimador, mas ele não aumenta o tamanho da amostra real (n). Ele apenas simula a realização de novos experimentos a partir da amostra original.
• C) INCORRETA: O cálculo de pseudovalores é uma característica central do método Jackknife, e não do Bootstrap. Os pseudovalores são usados no Jackknife para calcular a contribuição de cada observação para a estimativa final.
• D) CORRETA: Uma das grandes utilidades do Bootstrap (e também do Jackknife) é a capacidade de estimar o viés de um estimador. Ao comparar a média das estimativas das reamostras com a estimativa da amostra original, podemos calcular e corrigir o viés da estimativa do parâmetro.
• E) INCORRETA: Tanto o Jackknife quanto o Bootstrap são métodos essencialmente não paramétricos, pois não exigem que se assuma uma distribuição de probabilidade específica (como a Normal) para os dados originais.

(Bootstrap) Ele permite "criar" um mundo onde você conhece a distribuição do seu estimador simplesmente sorteando os dados que você já tem. Isso é muito útil para calcular intervalos de confiança para estatísticas complexas, como a mediana ou a razão entre duas variáveis.