Forskellen mellem parametrisk og ikke-parametrisk statistik er baseret på viden eller uvidenhed om sandsynlighedsfordelingen af variablen, der skal undersøges.
Parametrisk statistik bruger beregninger og procedurer, forudsat at du ved, hvordan den tilfældige variabel, der skal undersøges, fordeles. Tværtimod bruger ikke-parametrisk statistik metoder til at finde ud af, hvordan et fænomen fordeles, og senere bruge parametriske statistikteknikker.
Definitionerne af begge begreber er illustreret nedenfor:
- Parametrisk statistik: Det refererer til en del af statistisk slutning, der bruger statistik og opløsningskriterier baseret på kendte distributioner.
- Ikke-parametriske statistikker: Det er en gren af statistisk slutning, hvis beregninger og procedurer er baseret på ukendte fordelinger.
Parametriske og ikke-parametriske statistikker er komplementære
De bruger forskellige metoder, fordi deres mål er forskellige. De er dog to supplerende grene. Vi ved ikke altid med sikkerhed - faktisk gør vi sjældent - hvordan en tilfældig variabel fordeles. Således er det nødvendigt at bruge teknikker til at finde ud af, hvilken type distribution det ligner mest.
Når vi først har fundet ud af, hvordan den fordeles, kan vi udføre specifikke beregninger og teknikker til denne type distribution. Da f.eks. Middelværdien i en Poisson-fordeling ikke beregnes på samme måde som i en normal.
Alligevel er det vigtigt at bemærke, at parametrisk statistik er meget mere kendt og populær. Mange gange antages det i stedet for at bruge ikke-parametrisk statistik, at en variabel fordeles på én måde. Det vil sige, det starter fra en starthypotese, der menes at være den rigtige. Men når du vil udføre et job strengt, hvis du ikke er sikker, skal du bruge ikke-parametriske statistikker.
I modsat fald, hvor vel anvendt teknikkerne til parametrisk statistik måtte være, vil resultaterne være upræcise.
Beskrivende statistik