Contenu
Les hypothèses à deux queues diffèrent de celles à une seule queue car il existe deux zones de rejet différentes dans les deux queues, généralement lorsque les nombres pertinents sont trop grands ou trop petits. Les scientifiques utilisent ces hypothèses pour les aider dans des tests plus complexes.
Les queues
Les queues sont les deux régions latérales d'une parabole qui s'étendent loin de l'élévation centrale de la courbe. Les lignes sont continues et ont le potentiel de s’étendre à l’infini, en fonction de la forme de la courbe. Les queues peuvent commencer à différents niveaux de la courbe, en fonction des différents niveaux de rigueur scientifique. Cependant, la plupart des expériences nécessitent au moins deux écarts types, ce qui correspond aux niveaux de 5 et 95% de la courbe.
Hypothèse nulle
L'hypothèse nulle est la position standard d'une expérience avec une hypothèse bilatérale. Une nouvelle théorie implique le rejet de l'hypothèse nulle. Par exemple, l'hypothèse nulle peut être que la gravité accélère les objets à une vitesse de 9,8 mètres par seconde au carré. Pour rejeter cette hypothèse, de nombreuses expériences doivent être réalisées. S'il existait des résultats plus significatifs supérieurs ou inférieurs au nombre suggéré pour l'hypothèse bilatérale, l'hypothèse nulle pourrait être rejetée et une nouvelle accélération pourrait être fournie.
Tests Z et T
Une hypothèse bilatérale peut être représentée par une courbe gaussienne standard ou une courbe plus chaotique avec un ensemble de données complet. Lorsque la courbe de Guassian est utilisée, un test T est utilisé pour déterminer si l'hypothèse nulle est rejetée. Lorsque l'ensemble de données complet est utilisé, un test Z est utilisé pour déterminer si l'hypothèse nulle est rejetée.Chaque test est associé à une table statistique corrélée à l'écart type des données.
Test à une queue
Un test unilatéral est également un puissant outil d’évaluation des hypothèses. Cependant, il est utilisé pour tester des données dans une seule direction, ce qui peut être utile et significatif dans de nombreux cas. Par exemple, lors du test d'un nouveau médicament, il est possible que l'intérêt ne soit de comparer que s'il est moins efficace que l'alternative actuelle du marché. En d’autres termes, pour l’approbation, il n’est pas nécessaire de vérifier si le médicament est nettement meilleur que l’alternative; mais seulement si c'est pire.