Las técnicas de inferencia estadística, fundamentales en las pruebas de hipótesis, se diferencian en dos grandes categorías: estadísticas paramétricas y no paramétricas.

La estadística paramétrica, como sugiere su nombre, presupone que los datos siguen una distribución específica, a menudo una distribución normal. Esta presuposición permite realizar pruebas y estimaciones de hipótesis robustas. Los métodos paramétricos, como la prueba t de Student o la prueba de bondad de ajuste, se emplean con frecuencia en bioestadística debido a su solidez. Por ejemplo, comparar los niveles medios de azúcar en sangre entre pacientes que reciben diferentes tratamientos se vuelve estadísticamente confiable utilizando métodos estadísticos paramétricos.

Por otra parte, las estadísticas no paramétricas no hacen suposiciones sobre la distribución subyacente de los datos. Entran en juego cuando los datos no cumplen los requisitos previos de las pruebas paramétricas o cuando se manejan datos ordinales o categóricos. Estos métodos ofrecen varias ventajas, incluida la solidez ante valores atípicos y la ausencia de suposiciones distributivas específicas. Sin embargo, generalmente son menos potentes que las pruebas paramétricas cuando se cumplen todas las suposiciones paramétricas.

Los métodos estadísticos no paramétricos se utilizan en diversas aplicaciones bioestadísticas. Un ejemplo es la prueba de suma de rangos de Wilcoxon, que compara los tiempos de supervivencia medios entre dos grupos de animales de laboratorio. Otro es la prueba de Kruskal-Wallis, una alternativa no paramétrica al ANOVA para comparar las medianas de varios grupos.

Las estadísticas paramétricas y no paramétricas tienen un significado y aplicaciones únicos en bioestadística, y su uso está determinado por la naturaleza de los datos y las suposiciones estadísticas que se puedan realizar.