Forskjellen mellom parametrisk og ikke-parametrisk statistikk er basert på kunnskap eller uvitenhet om sannsynlighetsfordelingen til variabelen som skal studeres.
Parametrisk statistikk bruker beregninger og prosedyrer forutsatt at du vet hvordan den tilfeldige variabelen som skal studeres er fordelt. Tvert imot, ikke-parametrisk statistikk bruker metoder for å finne ut hvordan et fenomen er fordelt og, senere, bruke parametriske statistikkteknikker.
Definisjonene av begge konseptene er illustrert nedenfor:
- Parametrisk statistikk: Refererer til en del av statistisk slutning som bruker statistikk og oppløsningskriterier basert på kjente distribusjoner.
- Ikke-parametrisk statistikk: Det er en gren av statistisk slutning hvis beregninger og prosedyrer er basert på ukjente fordelinger.
Parametrisk og ikke-parametrisk statistikk er komplementære
De bruker forskjellige metoder fordi målene deres er forskjellige. Imidlertid er de to komplementære grener. Vi vet ikke alltid med sikkerhet – faktisk gjør vi det sjelden – hvordan en tilfeldig variabel er fordelt. Dermed er det nødvendig å bruke teknikker for å finne ut hvilken type distribusjon den ligner mest på.
Når vi har funnet ut hvordan det er fordelt, kan vi utføre spesifikke beregninger og teknikker for denne typen distribusjon. Siden for eksempel middelverdien i en Poisson-fordeling ikke beregnes på samme måte som i en Normal.
Likevel er det viktig å merke seg at parametrisk statistikk er mye mer kjent og populær. Mange ganger, i stedet for å bruke ikke-parametrisk statistikk, antas det direkte at en variabel er fordelt på én måte. Det vil si at den tar utgangspunkt i en starthypotese som antas å være den riktige. Men når vi ønsker å utføre et arbeid strengt, hvis vi ikke er sikre, må vi bruke ikke-parametrisk statistikk.
Ellers, uansett hvor godt anvendte teknikkene for parametrisk statistikk er, vil resultatene være upresise.