Statistikoje yra keletas temų padalijimų. Vienas greitai atsimenantis suskirstymas yra aprašomojo ir įtaigi statistika. Yra ir kitų būdų, kaip atskirti statistikos discipliną. Vienas iš šių būdų yra klasifikuoti statistinius metodus kaip parametrinius arba neparametrinius.
Metodai klasifikuojami pagal tai, ką mes žinome apie tiriamą populiaciją. Parametriniai metodai paprastai yra pirmieji metodai, nagrinėjami įvadiniame statistikos kurse. Pagrindinė idėja yra ta, kad yra fiksuotų parametrų rinkinys, kuris nustato tikimybės modelį.
Parametriniai metodai dažnai yra tie, kuriems žinome, kad populiacija yra maždaug normali, arba galime apytiksliai apskaičiuoti naudodami normalųjį paskirstymą, kai iškviečiame centrinė ribinė teorema. Normaliam pasiskirstymui yra du parametrai: vidutinis ir standartinis nuokrypis.
Priešingai nei parametriniai metodai, apibrėžsime neparametrinius metodus. Tai yra statistiniai metodai, dėl kurių mes neturime daryti jokios prielaidos parametrų populiacijai, kurią tiriame. Iš tikrųjų metodai neturi jokios priklausomybės nuo dominančios populiacijos. Parametrų rinkinys nebėra fiksuotas, taip pat nėra ir mūsų naudojamas paskirstymas. Dėl šios priežasties neparametriniai metodai taip pat vadinami metodais be paskirstymo.
Neparametrinių metodų populiarumas ir įtaka didėja dėl daugelio priežasčių. Pagrindinė priežastis ta, kad mes nesuvaržomi tiek, kiek tada, kai naudojame parametrinį metodą. Mums nereikia daryti tiek daug prielaidų apie populiaciją, su kuria mes dirbame, nei to, ką turime padaryti parametriniu metodu. Daugelį šių neparametrinių metodų lengva pritaikyti ir suprasti.
Statistiką galima naudoti keliais būdais, norint surasti patikimumo intervalą apie vidurkį. Parametrinis metodas apimtų klaidos ribos apskaičiavimą pagal formulę, o populiacijos vidurkio vertinimą imties vidurkiu. Neparametrinis pasitikėjimo vidurkio apskaičiavimo metodas apimtų „bootstrapping“ naudojimą.
Kodėl tokio tipo problemoms mums reikia ir parametrinių, ir neparametrinių metodų? Daugeliu atvejų parametriniai metodai yra efektyvesni nei atitinkami neparametriniai metodai. Nors šis efektyvumo skirtumas paprastai nėra toks didelis klausimas, yra atvejų, kai mums reikia apsvarstyti, kuris metodas yra efektyvesnis.