Binnen de statistiek is de nulhypothese de stelling dat een statistisch significant effect niet op zal treden.
Bij het verzamelen van data voor een onderzoek vergelijk je altijd (minstens) twee sets data met elkaar. Bijvoorbeeld; als je muizen op hun eetgedrag onderzoekt, heb je aan de ene kant het aantal muizenkorrels dat per dag door mannetjesmuizen gegeten wordt en aan de andere kant dat aantal door vrouwen. De nulhypothese is dat deze sets niet statistisch van elkaar zullen verschillen en mannetjes en vrouwtjes evenveel eten. Het doel van het meeste onderzoek is om de nulhypothese te ontkrachten: je hoopt als onderzoeker verschil (en dus een effect) te ontdekken. In bovenstaand voorbeeld zou het gaan om een effect van geslacht. De hypothese die juist wel een effect voorspelt, wordt de alternatieve hypothese genoemd (in dit geval bijvoorbeeld dat mannetjesmuizen meer eten dan vrouwtjes).
Maar vanaf wanneer is een verschil tussen twee datasets groot genoeg dat we er zeker van kunnen zijn dat dit niet op toeval berust? Dus: vanaf wanneer is er sprake van een significant verschil? Dit wordt aan de hand van de P-waarde bepaald, die (op een complexe wijze) wordt berekend vanuit o.a. de gemiddelden, spreiding en grootte van de dataset. Een gebruikelijke afspraak binnen de wetenschap is dat als de P-waarde onder de 0.05 ligt, de nulhypothese verworpen wordt: er is een effect. Dit betekent dat de kans kleiner dan 5% is dat het gevonden verschil tussen de datasets op toeval berust. Hoe kleiner deze kans, hoe aannemelijker de alternatieve hypothese is.
