Rozdíl mezi parametrickou a neparametrickou statistikou je založen na znalosti nebo neznalosti rozdělení pravděpodobnosti studované proměnné.
Parametrická statistika používá výpočty a postupy za předpokladu, že víte, jak je studovaná náhodná veličina distribuována. Naopak neparametrická statistika používá metody, které umožňují zjistit, jak je jev distribuován, a později používají techniky parametrické statistiky.
Definice obou pojmů jsou uvedeny níže:
- Parametrická statistika: Týká se části statistické inference, která používá statistiku a kritéria rozlišení na základě známých rozdělení.
- Neparametrická statistika: Jde o odvětví statistické inference, jejíž výpočty a postupy jsou založeny na neznámých rozděleních.
Parametrické a neparametrické statistiky se doplňují
Používají různé metody, protože jejich cíle jsou různé. Jsou to však dvě vzájemně se doplňující větve. Ne vždy s jistotou víme – ve skutečnosti to víme jen zřídka – jak je náhodná proměnná distribuována. Je tedy nutné pomocí technik zjistit, jakému typu distribuce se nejvíce podobá.
Jakmile zjistíme, jak je distribuován, můžeme provést specifické výpočty a techniky pro tento typ distribuce. Protože například střední hodnota v Poissonově rozdělení není vypočítána stejným způsobem jako v normálním.
I tak je ale důležité poznamenat, že parametrická statistika je mnohem známější a populárnější. Mnohokrát se místo použití neparametrické statistiky přímo předpokládá, že proměnná je distribuována jedním způsobem. To znamená, že vychází z výchozí hypotézy, která je považována za správnou. Když však chceme provést nějakou práci důsledně, pokud si nejsme jisti, musíme použít neparametrické statistiky.
Jinak, ať jsou techniky parametrické statistiky jakkoli dobře aplikované, budou výsledky nepřesné.