A diferença entre estatísticas paramétricas e não paramétricas baseia-se no conhecimento ou desconhecimento da distribuição de probabilidade da variável a estudar.
A estatística paramétrica usa cálculos e procedimentos assumindo que você sabe como a variável aleatória a ser estudada é distribuída. Ao contrário, a estatística não paramétrica utiliza métodos para saber como um fenômeno se distribui e, posteriormente, utiliza técnicas de estatística paramétrica.
As definições de ambos os conceitos são ilustradas abaixo:
- Estatísticas paramétricas: Refere-se a uma parte da inferência estatística que usa estatísticas e critérios de resolução com base em distribuições conhecidas.
- Estatística não paramétrica: É um ramo da inferência estatística cujos cálculos e procedimentos são baseados em distribuições desconhecidas.
Estatísticas paramétricas e não paramétricas são complementares
Eles usam métodos diferentes porque seus objetivos são diferentes. No entanto, são dois ramos complementares. Nem sempre sabemos com certeza – na verdade, raramente sabemos – como uma variável aleatória é distribuída. Assim, é necessário o uso de técnicas para descobrir com que tipo de distribuição ela mais se assemelha.
Uma vez que descobrimos como ela está distribuída, podemos realizar cálculos e técnicas específicas para este tipo de distribuição. Visto que, por exemplo, o valor médio em uma distribuição de Poisson não é calculado da mesma forma que em uma distribuição normal.
Mesmo assim, é importante notar que a estatística paramétrica é muito mais conhecida e popular. Muitas vezes, em vez de usar estatísticas não paramétricas, assume-se diretamente que uma variável é distribuída de uma maneira. Ou seja, parte de uma hipótese de partida que se acredita ser a correta. Porém, quando queremos realizar um trabalho com rigor, se não temos certeza, devemos usar estatísticas não paramétricas.
Caso contrário, por mais bem aplicadas que sejam as técnicas de estatística paramétrica, os resultados serão imprecisos.