Skillnad mellan parametrisk och icke-parametrisk statistik

Skillnaden mellan parametrisk och icke-parametrisk statistik baseras på kunskapen eller okunnigheten om sannolikhetsfördelningen för variabeln som ska studeras.

Parametrisk statistik använder beräkningar och procedurer förutsatt att du vet hur den slumpmässiga variabeln som ska studeras fördelas. Tvärtom använder icke-parametrisk statistik metoder för att ta reda på hur ett fenomen distribueras och senare använda parametrisk statistik.

Definitionerna av båda begreppen illustreras nedan:

• Parametrisk statistik: Det hänvisar till en del av statistisk slutsats som använder statistik och upplösningskriterier baserat på kända distributioner.
• Icke-parametrisk statistik: Det är en gren av statistisk slutsats vars beräkningar och procedurer baseras på okända fördelningar.

Parametrisk och icke-parametrisk statistik kompletterar varandra

De använder olika metoder eftersom deras mål är olika. De är dock två kompletterande grenar. Vi vet inte alltid med säkerhet - faktiskt sällan gör vi det - hur en slumpmässig variabel fördelas. Således är det nödvändigt att använda tekniker för att ta reda på vilken typ av distribution den mest liknar.

När vi har fått reda på hur den fördelas 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.

Ändå är det viktigt att notera att parametrisk statistik är mycket mer känd och populär. Många gånger, istället för att använda icke-parametrisk statistik, antas det direkt att en variabel distribueras på ett sätt. Det vill säga, det börjar från en starthypotes som tros vara den korrekta. Men när du vill göra ett jobb noggrant, om du inte är säker, måste du använda icke-parametrisk statistik.

Annars, hur väl tillämpad teknikerna för parametrisk statistik kan vara, blir resultaten oprecisa.