Gli scienziati cercano di stabilire teorie o scoprire leggi che spiegano le osservazioni oi risultati degli esperimenti. Il primo passo è costruire un’ipotesi, o un tentativo di spiegazione, per un insieme di fatti, e poi metterlo alla prova. Di solito vengono utilizzati metodi statistici: un campione di dati viene esaminato per vedere se supporta la spiegazione proposta. Tipicamente, verrà costruita un’ipotesi nulla, che contraddice la spiegazione – questo è normalmente indicato con H0 – mentre la spiegazione stessa è chiamata l’ipotesi alternativa, indicata con HA. Inizialmente si presume che H0 sia vero e il compito del ricercatore è dimostrare che i dati non supportano questa conclusione.
Controllo di un’ipotesi
Di solito, H0 e HA sono due affermazioni che si escludono a vicenda: non possono essere entrambe vere. Dovrebbero anche essere esaustivi; cioè, dovrebbero coprire tutti i possibili esiti dell’indagine sperimentale. Si ottiene un campione di dati, rispetto al quale verrà verificata l’ipotesi nulla. Il campione deve essere di dimensioni sufficienti per consentire di trarre conclusioni valide e deve essere privo di qualsiasi distorsione che potrebbe influenzare il risultato.
I ricercatori devono quindi stabilire un valore, o uno o più insiemi di valori, che non supportino H0. Se i dati risultano essere in accordo con questi valori, l’ipotesi nulla sarà respinta e l’ipotesi alternativa può allora dirsi probabilmente vera. I dati del test possono spesso essere rappresentati come un grafico, con un picco al centro e una “coda” su entrambi i lati. In genere, la maggior parte dei valori per l’oggetto da testare si raggrupperà intorno al centro dell’intervallo, scendendo verso gli estremi basso e alto. Ad esempio, una serie di misurazioni dell’altezza di un ampio campione di persone mostrerà la maggioranza intorno alla metà dell’intervallo e numeri più piccoli verso le estremità molto corte e molto alte.
Esistono tre tipi di test che possono essere applicati a un insieme di dati. In un test della coda di destra, è stato determinato che i dati che superano un certo valore, noto come valore critico, non supportano l’ipotesi nulla; in un test della coda di sinistra, questi dati sono inferiori al valore critico; in un test a due code, i dati che non supportano H0 si trovano al di sopra e al di sotto di un certo valore o intervallo di valori. Non è possibile confutare completamente l’ipotesi nulla; invece, i ricercatori devono concordare un’interpretazione dei dati basata sulla probabilità che H0 venga rifiutato quando è effettivamente vero. Questa probabilità è nota come livello di significatività. Ad esempio, se una certa proporzione dei dati è al di sopra del valore critico in un test della coda di destra, ciò potrebbe indicare che c’è solo una probabilità dell’1% che H0 sia vero.
Esempio
Un’azienda farmaceutica potrebbe testare i risultati di un nuovo trattamento per ridurre il colesterolo. In questo caso, l’ipotesi nulla sarebbe che i livelli di colesterolo non si riducono dopo l’assunzione del farmaco, mentre l’ipotesi alternativa sarebbe che i livelli diminuissero. Si suppone che H0 sia vero e i ricercatori quindi raccolgono dati da analizzare nel tentativo di rifiutarli.
I dati potrebbero consistere in misurazioni del colesterolo in un campione di persone prima e dopo l’assunzione del farmaco, rispetto a un campione simile che non l’ha preso, nello stesso periodo. I ricercatori potrebbero quindi concordare su quanto una riduzione e in quale proporzione del campione che ha assunto il farmaco può essere considerata significativa. Queste informazioni possono essere utilizzate per impostare un valore critico, come una riduzione del 10% nell’80% di coloro che hanno assunto il farmaco. Se i dati scendono al di sopra di questi valori, l’ipotesi nulla viene rifiutata e l’ipotesi alternativa accettata.