Atšķirība starp parametrisko un neparametrisko statistiku ir balstīta uz zināšanām vai nezināšanu par pētāmā mainīgā varbūtības sadalījumu.
Parametriskā statistika izmanto aprēķinus un procedūras, pieņemot, ka zināt, kā tiek sadalīts pētāmais nejaušais mainīgais. Gluži pretēji, neparametriskā statistika izmanto metodes, lai uzzinātu, kā parādība tiek izplatīta, un vēlāk izmanto parametriskās statistikas metodes.
Abu jēdzienu definīcijas ir parādītas zemāk:
- Parametriskā statistika: attiecas uz statistikas secinājumu daļu, kas izmanto statistiku un izšķirtspējas kritērijus, pamatojoties uz zināmiem sadalījumiem.
- Neparametriskā statistika: tā ir statistikas secinājumu nozare, kuras aprēķini un procedūras ir balstītas uz nezināmiem sadalījumiem.
Parametriskā un neparametriskā statistika papildina viens otru
Viņi izmanto dažādas metodes, jo viņu mērķi ir atšķirīgi. Tomēr tās ir divas viena otru papildinošas nozares. Mēs ne vienmēr droši zinām — patiesībā mēs to zinām reti —, kā tiek sadalīts nejaušais mainīgais. Tādējādi ir jāizmanto paņēmieni, lai noskaidrotu, kādam izplatīšanas veidam tas visvairāk līdzinās.
Kad esam noskaidrojuši, kā tas tiek izplatīts, varam veikt konkrētus aprēķinus un paņēmienus šāda veida izplatīšanai. Tā kā, piemēram, vidējā vērtība Puasona sadalījumā netiek aprēķināta tāpat kā parastajā sadalījumā.
Tomēr ir svarīgi atzīmēt, ka parametriskā statistika ir daudz pazīstamāka un populārāka. Daudzas reizes tā vietā, lai izmantotu neparametrisku statistiku, tiek tieši pieņemts, ka mainīgais tiek izplatīts vienā veidā. Tas ir, tas sākas no sākuma hipotēzes, kas tiek uzskatīta par pareizo. Tomēr, ja mēs vēlamies darbu veikt stingri, ja neesam pārliecināti, mums ir jāizmanto neparametriska statistika.
Pretējā gadījumā, lai cik labi tiktu izmantotas parametriskās statistikas metodes, rezultāti būs neprecīzi.