Techniki wnioskowania statystycznego, mające kluczowe znaczenie w testowaniu hipotez, dzielą się na dwie szerokie kategorie: statystykę parametryczną i statystykę nieparametryczną.

Statystyka parametryczna, jak sama nazwa wskazuje, zakłada, że ​​dane podlegają określonemu rozkładowi, często rozkładowi normalnemu. To założenie umożliwia solidne testowanie hipotez i szacowanie. Metody parametryczne, takie jak t-test studenta lub test dopasowania, są często stosowane w biostatystyce ze względu na ich solidność. Na przykład porównanie średnich poziomów cukru we krwi u pacjentów otrzymujących różne metody leczenia staje się statystycznie wiarygodne przy użyciu metod statystyki parametrycznej.

Z drugiej strony statystyki nieparametryczne nie przyjmują żadnych założeń dotyczących podstawowego rozkładu danych. Wchodzą do gry, gdy dane nie spełniają warunków wstępnych testów parametrycznych lub podczas przetwarzania danych porządkowych lub kategorycznych. Metody te oferują kilka zalet, w tym odporność na wartości odstające i brak określonych założeń dotyczących rozkładu. Są jednak na ogół mniej skuteczne niż testy parametryczne, gdy spełnione są wszystkie założenia parametryczne.

Nieparametryczne metody statystyczne znajdują zastosowanie w różnych zastosowaniach biostatystycznych. Jednym z przykładów jest test sumy rang Wilcoxona, który porównuje medianę czasu przeżycia między dwiema grupami zwierząt laboratoryjnych. Innym jest test Kruskala-Wallisa, nieparametryczna alternatywa dla ANOVA do porównywania median wielu grup.

Statystyki parametryczne i nieparametryczne mają wyjątkowe znaczenie i zastosowania w biostatystyce, przy czym ich użycie zależy od charakteru danych i założeń statystycznych, jakie można przyjąć.