Skillnaden mellan parametrisk och icke-parametrisk statistik baseras på kunskap eller okunskap om sannolikhetsfördelningen för den variabel som ska studeras.
Parametrisk statistik använder beräkningar och procedurer förutsatt att du vet hur den slumpmässiga variabeln som ska studeras är fördelad. Tvärtom, icke-parametrisk statistik använder metoder för att veta hur ett fenomen är fördelat, och senare använder parametriska statistiktekniker.
Definitionerna av båda begreppen illustreras nedan:
- Parametrisk statistik: Avser en del av statistisk slutledning som använder statistik och upplösningskriterier baserade på kända fördelningar.
- Icke-parametrisk statistik: Det är en gren av statistisk slutledning vars beräkningar och procedurer är baserade på okända distributioner.
Parametrisk och icke-parametrisk statistik är komplementära
De använder olika metoder eftersom deras mål är olika. De är dock två kompletterande grenar. Vi vet inte alltid med säkerhet – i själva verket gör vi det sällan – hur en slumpvariabel är fördelad. Därför är det nödvändigt att använda tekniker för att ta reda på vilken typ av distribution den liknar mest.
När vi har tagit reda på hur det är fördelat kan vi utföra specifika beräkningar och tekniker för denna typ av distribution. Eftersom till exempel medelvärdet i en Poisson-fördelning inte beräknas på samma sätt som i en Normal.
Trots det är det viktigt att notera att parametrisk statistik är mycket mer välkänd och populär. Många gånger, istället för att använda icke-parametrisk statistik, antas det direkt att en variabel är fördelad på ett sätt. Det vill säga att den utgår från en starthypotes som tros vara den korrekta. Men när vi vill utföra ett arbete rigoröst, om vi inte är säkra, måste vi använda icke-parametrisk statistik.
Annars, hur väl tillämpade teknikerna för parametrisk statistik är, kommer resultaten att bli oprecisa.