Diferencia entre métodos paramétricos y no paramétricos

Métodos paramétricos: la idea básica detrás del método paramétrico es que hay un conjunto de parámetros fijos que se utilizan para determinar un modelo de probabilidad que también se utiliza en el aprendizaje automático. Los métodos paramétricos son aquellos métodos para los cuales sabemos a priori que la población es normal, o si no, podemos aproximarnos fácilmente usando una distribución normal que es posible invocando el Teorema del Límite Central. Los parámetros para usar la distribución normal son los siguientes: 

• Significar
• Desviación Estándar

Eventualmente, la clasificación de un método como paramétrico depende completamente de las suposiciones que se hagan sobre una población. Hay muchos métodos paramétricos disponibles, algunos de ellos son:

• Intervalo de confianza utilizado para la media de la población junto con la desviación estándar conocida.
• El intervalo de confianza se utiliza para las medias de población junto con la desviación estándar desconocida.
• El intervalo de confianza para la varianza de la población.
• El intervalo de confianza para la diferencia de dos medias, con desviación estándar desconocida.

Métodos no paramétricos: La idea básica detrás del método paramétrico es que no es necesario hacer suposiciones de parámetros para la población dada o la población que estamos estudiando. De hecho, los métodos no dependen de la población. Aquí no hay un conjunto fijo de parámetros disponibles, y tampoco hay distribución (distribución normal, etc.) de ningún tipo disponible para su uso. Esta es también la razón por la que los métodos no paramétricos también se denominan métodos sin distribución. Hoy en día, los métodos no paramétricos están ganando popularidad y un impacto de influencia, algunas de las razones detrás de esta fama son:

• La razón principal es que no hay necesidad de ser educado al usar métodos paramétricos.
• La segunda razón importante es que no necesitamos hacer más y más suposiciones sobre la población dada (o tomada) en la que estamos trabajando.
• La mayoría de los métodos no paramétricos disponibles son muy fáciles de aplicar y comprender, es decir, la complejidad es muy baja.

Hay muchos métodos no paramétricos disponibles en la actualidad, pero algunos de ellos son los siguientes: 

• Prueba de correlación de Spearman
• Prueba de signos para medias poblacionales
• Prueba U para dos medias independientes

La diferencia entre los métodos paramétricos y no paramétricos es la siguiente:

Métodos paramétricos	Métodos no paramétricos
Parametric Methods utiliza un número fijo de parámetros para construir el modelo.	Los métodos no paramétricos utilizan el número flexible de parámetros para construir el modelo.
El análisis paramétrico consiste en probar las medias de los grupos.	Un análisis no paramétrico consiste en probar las medianas.
Es aplicable solo para variables.	Es aplicable tanto para Variable como para Atributo.
Siempre considera suposiciones sólidas sobre los datos.	Por lo general, hay menos suposiciones sobre los datos.
Los métodos paramétricos requieren menos datos que los métodos no paramétricos.	Los métodos no paramétricos requieren muchos más datos que los métodos paramétricos.
Métodos paramétricos que asumen una distribución normal.	No hay una distribución supuesta en los métodos no paramétricos.
Manejadores de datos paramétricos: datos de intervalos o datos de relación.	Pero los métodos no paramétricos manejan datos originales.
Aquí, cuando usamos métodos paramétricos, el resultado o las salidas generadas pueden verse fácilmente afectados por valores atípicos.	Cuando usamos métodos no paramétricos, los resultados atípicos no pueden afectar seriamente el resultado o las salidas generadas.
Los métodos paramétricos pueden funcionar bien en muchas situaciones, pero su rendimiento es máximo cuando la dispersión de cada grupo es diferente.	De manera similar, los métodos no paramétricos pueden funcionar bien en muchas situaciones, pero su rendimiento es máximo cuando la dispersión de cada grupo es la misma.
Los métodos paramétricos tienen más poder estadístico que los métodos no paramétricos.	Los métodos no paramétricos tienen menos poder estadístico que los métodos paramétricos.
En lo que respecta al cálculo, estos métodos son computacionalmente más rápidos que los métodos no paramétricos.	En lo que respecta al cálculo, estos métodos son computacionalmente más lentos que los métodos paramétricos.
Ejemplos: Regresión Logística, Modelo Naïve Bayes, etc.	Ejemplos: KNN, modelo de árbol de decisiones, etc.