
Une méthode scientifique consistant à proposer une explication provisoire et à l'évaluer par des expériences ou des observations.Le test d'hypothèse est une procédure formelle en statistique permettant de décider si une explication proposée concernant une population est étayée par des données d'échantillon. On commence par une hypothèse nulle (souvent « aucun effet » ou « aucune différence ») et une hypothèse alternative (ce que l'on soupçonne être vrai). L'objectif est d'évaluer la probabilité des données observées si l'hypothèse nulle était vraie, puis de rejeter ou de ne pas rejeter l'hypothèse nulle en fonction de cette probabilité.
Ce cadre a été développé par Ronald Fisher dans les années 1920, avec des contributions ultérieures de Jerzy Neyman et Egon Pearson qui ont formalisé les règles de décision et les taux d'erreur.
On calcule une statistique de test à partir des données, comme une valeur de t ou du chi-deux, et on la compare à une distribution attendue sous l'hypothèse nulle. La valeur p est la probabilité d'obtenir un résultat au moins aussi extrême que celui observé, en supposant que l'hypothèse nulle est vraie. Si la valeur p est inférieure à un seuil de signification prédéfini (généralement 0,05), on rejette l'hypothèse nulle, concluant que les données favorisent l'hypothèse alternative. La procédure équilibre deux types d'erreurs : les faux positifs (erreur de type I) et les faux négatifs (erreur de type II).
Il est utilisé dans toutes les sciences pour valider les résultats expérimentaux — des essais cliniques testant l'efficacité de médicaments aux recherches en physique des particules pour découvrir de nouvelles particules, où un seuil de 5 sigma correspond à une valeur p minuscule.
En physique des particules, le standard pour revendiquer une découverte est une valeur p d'environ 3×10⁻⁷, correspondant à un effet de 5 sigma, bien plus strict que le seuil habituel de 0,05 utilisé dans de nombreux autres domaines.









