Les techniques d’inférence statistique, primordiales dans les tests d’hypothèses, se différencient en deux grandes catégories : les statistiques paramétriques et non paramétriques.

Les statistiques paramétriques, comme leur nom l'indique, reposent sur l’hypothèse que les données suivent une distribution spécifique, généralement une distribution normale. Cette hypothèse permet de tester et d'estimer des hypothèses de manière fiable. Les méthodes paramétriques, comme le test t de Student ou le test d'ajustement, sont fréquemment utilisées en biostatistique en raison de leur robustesse. Par exemple, la comparaison des taux moyens de glycémie entre des patients recevant différents traitements devient statistiquement fiable grâce aux méthodes statistiques paramétriques.

En revanche, les statistiques non paramétriques ne font aucune hypothèse sur la distribution sous-jacente des données. Elles entrent en jeu lorsque les données ne répondent pas aux conditions préalables des tests paramétriques ou lors du traitement de données ordinales ou catégorielles. Ces méthodes offrent plusieurs avantages, notamment la robustesse aux valeurs aberrantes et l'absence d'hypothèses de distribution spécifiques. Cependant, elles sont généralement moins puissantes que les tests paramétriques lorsque toutes les hypothèses paramétriques sont remplies.

Les méthodes statistiques non paramétriques sont utilisées dans diverses applications biostatistiques. Le test de Wilcoxon, qui compare les durées médianes de survie entre deux groupes d'animaux de laboratoire, en est un exemple. Le test de Kruskal-Wallis, une alternative non paramétrique à l'ANOVA, permet également de comparer les médianes de plusieurs groupes.

Les statistiques paramétriques et non paramétriques ont une importance et des applications uniques en biostatistique, leur utilisation étant déterminée par la nature des données et les hypothèses statistiques qui peuvent être formulées.