非參數檢驗條件沒有參數，因此就沒有分布，利用數據等級之間的差距，依次賦值之后再用參數方法測試。將連續型變量轉化為離散型變量，即順序變量。與參數檢驗相比，正態分布較弱（p值有可能不顯著，浪費信息，比如最大值不管是多大都設定為10，所以很好的抵消outlier影響），非正態分布用參數檢驗就是錯誤的，但是可以使用非參數檢驗。
Sign test：符號檢驗假定分布是二項分布，用中位數替代均值。
得到中位數，然后按照二項分布計算概率值，此時已經脫離原有數據。
注意：
符號秩檢驗（Wilcoxon signed rank test）針對兩個有依賴的樣本，使用條件是1.獨立樣本2.連續型變量。在相同rank的情況下均值作為最后的rank值：
Sign和rank比較下，Rank的賦值情況更多，比如1,2,3,4,5,6，而Sign 只有“+/-”，相當於“0,1”，所以rank更有power。
秩和檢驗（Wilcoxon rank sum test），針對兩組都是相互獨立的數據，數據長度也可能不一樣。
比如：
例如：
都在接受區域內，所以接受H0。
兩組以上的情況：
可重復的：
關於相關性檢驗：
非參數比參數相關系數更向1走。
Bootstrapping：將6個數再隨機取樣，比如取1000次，就自然成為一個1000個sample的分布，近似於正態分布，自然得到置信區間。
