Un metodo statistico parametrico impone alcune condizioni sulla distribuzione della popolazione dalla quale è stato tratto il campione usato nella ricerca, i cui dati sperimentali siano espressi almeno con una scala ad intervalli. Esso si basa sulla stima di due parametri della popolazione, la media e la deviazione standard (o la varianza).
    Solo se è valido il presupposto che i campioni sono tratti da una popolazione normalmente distribuita è possibile utilizzare i metodi statistici parametrici (varie versioni del test t di Student (Test t di Student per campioni indipendenti con varianze omogenee; Test t di Student per campioni indipendenti con varianze non omogenee; Test t di Student per dati appaiati) e dell'analisi della varianza (Analisi della varianza ad un criterio di classificazione; Analisi della varianza a due criteri di classificazione; Analisi della varianza per prove ripetute). Una volta che abbiamo sviluppato l'analisi della varianza ed abbiamo appurato che esistono delle differenze fra le medie, dobbiamo continuare l'indagine per sapere quale o quali gruppi differiscono dagli altri. Abbiamo a disposizione diversi metodi per affrontare il problema, fra questi: il test t di Bonferroni per confronti multipli nell'analisi della varianza ad un criterio di classificazione; il test di Student-Neuman-Keuls per confronti multipli nell'analisi della varianza ad un criterio di classificazione; il test t di Bonferroni per confronti multipli nell'analisi della varianza per prove ripetute; il test di Student-Neuman-Keuls per confronti multipli nell'analisi della varianza per prove ripetute. In questi casi i metodi parametrici sono i test più potenti in assoluto.
    Se invece le popolazioni statistiche, dalle quali abbiamo tratto i nostri campioni, non sono distribuite normalmente e di conseguenza la media e la deviazione standard non sono più sufficienti per fornire una completa descrizione della popolazione, i metodi parametrici diventano poco attendibili e si devono usare i test statistici non parametrici, definiti anche come metodi liberi da distribuzione, si basano su modelli matematici che non richiedono condizioni relative alla forma della distribuzione della popolazione da cui è tratto il campione. I test non parametrici, non essendo basati sui parametri della popolazione di origine, in questi casi sono pił potenti e forniscono risultati pił attendibili. In questi casi è possibile (e necessario) utilizzare, al posto dei valori delle osservazioni, i ranghi, cioè il numero d'ordine delle osservazioni stesse nella verifica dell'ipotesi nulla. Infatti molti test non parametrici possono essere applicati a dati forniti su scala ordinale (test di Wilcoxon per campioni indipendenti, test di Wilcoxon per dati appaiati, test di Kruskal-Wallis, test di Friedman), mentre altri sono adatti per i risultati espressi su scala nominale (test del per tabelle di contingenza , test di McNemar , test Q di Cochrane ).
    Bisogna comunque stare attenti perché utilizzare un metodo non parametrico quando in realtà è lecito usare il metodo parametrico può portare a delle conclusioni errate, infatti si sta usando un metodo meno potente (95-96% della potenza del metodo parametrico). Invece i metodi non parametrici sono non solo più attendibili, ma anche più potenti dei metodi parametrici se applicati a dati tratti da una popolazione non normalmente distribuita.