Die statistischen Inferenztechniken, die bei Hypothesentests von größter Bedeutung sind, lassen sich in zwei große Kategorien unterteilen: parametrische und nichtparametrische Statistik.

Parametrische Statistiken gehen, wie der Name schon sagt, davon aus, dass Daten einer bestimmten Verteilung folgen, häufig einer Normalverteilung. Diese Annahme ermöglicht robuste Hypothesentests und Schätzungen. Parametrische Methoden wie der Student-t-Test oder der Anpassungsgüte werden aufgrund ihrer Robustheit häufig in der Biostatistik eingesetzt. Beispielsweise wird der Vergleich des mittleren Blutzuckerspiegels von Patienten, die unterschiedliche Behandlungen erhalten, durch parametrische statistische Methoden statistisch zuverlässig.

Nichtparametrische Statistiken hingegen treffen keine Annahmen über die zugrunde liegende Verteilung der Daten. Sie kommen zum Einsatz, wenn die Daten die Voraussetzungen parametrischer Tests nicht erfüllen oder wenn ordinale oder kategorische Daten verarbeitet werden. Diese Methoden bieten mehrere Vorteile, darunter die Robustheit gegenüber Ausreißern und das Fehlen spezifischer Verteilungsannahmen. Sie sind jedoch im Allgemeinen weniger leistungsfähig als parametrische Tests, wenn alle parametrischen Annahmen erfüllt sind.

Nichtparametrische statistische Methoden werden in verschiedenen biostatistischen Anwendungen eingesetzt. Ein Beispiel hierfür ist der Wilcoxon-Rangsummentest, der die mittlere Überlebenszeit zweier Gruppen von Labortieren vergleicht. Ein weiteres Beispiel ist der Kruskal-Wallis-Test, eine nichtparametrische Alternative zur ANOVA zum Vergleichen der Mediane mehrerer Gruppen.

Parametrische und nichtparametrische Statistiken haben in der Biostatistik eine einzigartige Bedeutung und Anwendung, wobei ihre Verwendung von der Art der Daten und den statistischen Annahmen abhängt, die getroffen werden können.