A estatística paramétrica usa cálculos e procedimentos supondo que você saiba como a variável aleatória a ser estudada está distribuída. Pelo contrário, a estatística não paramétrica usa métodos para descobrir como um fenômeno está distribuído para depois usar 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 baseados em distribuições conhecidas.
• Estatística não paramétrica: Este é um ramo da inferência estatística cujos cálculos e procedimentos são baseados em distribuições desconhecidas.

Eles usam métodos diferentes porque seus objetivos são diferentes. No entanto, estes são dois ramos complementares. Nem sempre sabemos com certeza – na verdade, raramente sabemos – como uma variável aleatória é distribuída. Assim, é necessário utilizar técnicas para descobrir com que tipo de distribuição ela mais se assemelha.

Uma vez que tenhamos descoberto como se distribui, poderemos realizar cálculos e técnicas específicas para este tipo de distribuição. Uma vez 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 indicar 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 inicial que se acredita ser a correta. No entanto, quando queremos realizar um trabalho com rigor, se não tivermos certeza, devemos usar estatísticas não paramétricas.

Caso contrário, por mais bem aplicadas que sejam as técnicas de estatística paramétrica, os resultados serão imprecisos.