Hypothèse nulle : définition et exemples

Artículo revisado y aprobado por nuestro equipo editorial, siguiendo los criterios de redacción y edición de YuBrain.


L’hypothèse nulle indique qu’il n’y a pas de relation entre deux paramètres de population, c’est-à-dire entre une variable indépendante et une variable dépendante. Si le résultat de l’expérience montrait une relation entre les deux paramètres, le résultat pourrait être dû à une erreur expérimentale ou d’échantillonnage. En revanche, si l’hypothèse nulle est fausse, il existe une relation dans le phénomène mesuré.

Utilisations de l’hypothèse nulle

L’hypothèse nulle est utile car elle permet de conclure s’il existe ou non une relation entre deux phénomènes mesurés. L’hypothèse nulle peut indiquer à l’utilisateur si les résultats obtenus sont dus au hasard ou à la manipulation d’un phénomène. Le test d’une hypothèse permet de rejeter ou d’accepter ladite hypothèse dans un certain niveau de confiance.

Deux approches peuvent être utilisées pour la déduction statistique d’une hypothèse nulle : le test de signification de Ronald Fisher et le test d’hypothèse de Jerzy Neyman et Egon Pearson . L’approche du test de signification de Fisher indique qu’une hypothèse nulle est rejetée si les données mesurées sont significativement improbables. Autrement dit, l’hypothèse nulle est rejetée si elle est fausse. Lorsque l’hypothèse nulle est fausse, non seulement elle est rejetée, mais une hypothèse alternative lui est substituée.

Si le résultat observé est cohérent avec la position tenue par l’hypothèse nulle, l’hypothèse est acceptée. D’autre part, le test d’hypothèse de Neyman et Pearson est comparé à une hypothèse alternative pour tirer une conclusion sur les données observées. Les deux hypothèses sont différenciées en fonction des échantillons observés.

Comment fonctionne l’hypothèse nulle

Une hypothèse nulle est une théorie basée sur des preuves insuffisantes, et qui nécessite des tests supplémentaires pour prouver si les données observées sont vraies ou fausses. Par exemple, une déclaration d’hypothèse nulle pourrait être « le taux de croissance des plantes n’est pas affecté par la lumière du soleil ». Il peut être vérifié en mesurant la croissance des plantes en présence de lumière solaire et en la comparant à la croissance des plantes en l’absence de lumière solaire.

Le rejet de l’hypothèse nulle ouvre la voie à de nouvelles expériences pour vérifier l’existence d’une relation entre les deux variables. Le rejet d’une hypothèse nulle ne signifie pas nécessairement que l’expérience n’a pas fonctionné, mais ouvre plutôt la porte à de nouvelles expériences.

Pour différencier l’hypothèse nulle des autres formes d’hypothèses, l’hypothèse nulle est notée H0, tandis que l’hypothèse alternative est notée HA ou H1. Les tests de signification sont utilisés pour déterminer la véracité d’une hypothèse nulle et pour établir si les données observées sont dues ou non au hasard ou à la manipulation desdites données.

Par exemple, les chercheurs testent l’hypothèse en examinant un échantillon aléatoire de plantes cultivées avec ou sans soleil. Si le résultat montre un changement statistiquement significatif par rapport aux données observées, l’hypothèse nulle est rejetée.

Exemple d’hypothèse nulle

On suppose que le rendement annuel des obligations de la société No Profit Limited est de 7,5 %. Pour tester si l’hypothèse est vraie ou fausse, nous supposons que l’hypothèse nulle est « le rendement annuel moyen des obligations Null Profit Limited n’est pas de 7,5 % ». Pour tester l’hypothèse, nous acceptons d’abord l’hypothèse nulle.

Toute information contraire à l’hypothèse nulle énoncée est considérée comme l’hypothèse alternative aux fins du test d’hypothèse. Dans ce cas, l’hypothèse alternative est « le rendement annuel moyen de Profit Null Limited est de 7,5 % ».

Nous échantillonnons les rendements obligataires annuels des cinq dernières années pour calculer la moyenne de l’échantillon des cinq années précédentes. Le résultat est ensuite comparé au rendement annuel moyen présumé de 7,5 % pour tester l’hypothèse nulle.

Il s’avère que, de manière surprenante, le rendement annuel moyen pour la période de cinq ans est de 7,5 % ; étant ainsi, l’hypothèse nulle est rejetée. L’hypothèse alternative est donc acceptée.

Qu’est-ce qu’une hypothèse alternative ?

Une hypothèse alternative est le contraire d’une hypothèse nulle. Une hypothèse alternative et une hypothèse nulle s’excluent mutuellement, ce qui signifie qu’une seule des deux hypothèses peut être vraie.

Il existe une signification statistique entre les deux variables. Autrement dit, si les échantillons utilisés pour tester l’hypothèse nulle donnent des résultats faux, cela signifie que l’hypothèse alternative est vraie et qu’il existe une signification statistique entre les deux variables.

Objectif du test d’hypothèse

Le test d’hypothèse est un processus statistique qui consiste à tester une hypothèse sur un phénomène ou un paramètre de population. C’est une partie essentielle de la méthode scientifique, qui est une approche systématique pour évaluer les théories par des observations et déterminer la probabilité qu’une affirmation soit vraie ou fausse.

Une bonne théorie permet de faire des prédictions précises. Pour un analyste qui fait des prédictions, le test d’hypothèse est un moyen rigoureux de soutenir la prédiction avec une analyse statistique. Les tests d’hypothèse identifient également des preuves statistiques suffisantes pour étayer une hypothèse donnée sur le paramètre de population.

Sources

  • Bookdown. (sd). La théorie des tests d’hypothèse de Neyman-Pearson .
  • En ligneGiron, J. (1998). RA Fisher : Sa contribution à la science statistique.
  • En ligneLeenen, I. (2012). Le test de l’ hypothèse nulle et ses alternatives . Département d’évaluation pédagogique, Faculté de médecine, Université nationale autonome du Mexique.
  • En ligneRodriguez, E. (2005). Statistique et psychologie : analyse historique de l’inférence statistique.
  • https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-statistics/supporting-topics/basics/null-and-alternative-hypotheses/
-Publicité-

mm
Carolina Posada Osorio (BEd)
(Licenciada en Educación. Licenciada en Comunicación e Informática educativa) -COLABORADORA. Redactora y divulgadora.

Artículos relacionados