Le test χ2

Le test χ2 est un critère qui peut servir pour décider si une hypothèse est vraie ou fausse,
c’est-à-dire si elle est confirmée par les données expérimentales. Ce qu’on cherche est donc
une mesure du soutien que les données expérimentales donnent à une théorie.

Exemple
Deux observateurs font des mesures dans une zone où on pense avoir une contamination
radioactive, chacun avec un compteur Geiger. Ils font une série de 10 mesures qui consistent à
compter les chocs du compteur dans 10 secondes. Voilà leurs résultats :

1er obs. 81 80 81 80 80 82 81 82 81 80
eme
2 obs. 144 130 136 148 156 140 160 158 139 146

Les moyennes sont : M1 = 80.8 et M2 = 145.7 . Quel résultat est digne de foi ?
Les compteurs Geiger ont une petite fenêtre, seulement les particules qui entrent dans la
fenêtre font déclencher le détecteur. Comme le nombre des particules présentes est très grand
et la probabilité que une certaine particule atteigne la fenêtre est très petite, il faut s’attendre
une statistique de Poisson. Si une distribution de Poisson a la moyenne égale µ, on sait que son
“erreur standard” est µ . On calcule les erreurs standards des deux séries (racine carrée de
l’écart quadratique moyen) et on les compare avec ceux théoriques :

σ (calculé) σ (théorique)
er
1 obs. 0.8 9.0
eme
2 obs. 10.0 12.1

On observe que la deuxième série de mesures a un accord meilleur, donc elle est plus digne de
foi que la première, en contradiction avec ce qu’on pense à première vue.
Le fait est que les mesures doivent suivre la statistique de Poisson et donc le problème est le
contrôle de cette hypothèse : les mesures sont compatibles avec cette statistique ? ( Réponse :
la première série non, la deuxième oui.)
Qu’est-ce qu’on peut dire de la première série ? Rien, à part que le compteur montre la
disposition à donner toujours les mêmes résultats ( selon toute probabilité il est cassé ).

Le calcul du χ2
Si on a une série de données expérimentales et les correspondantes valeurs théoriques, on
cherche une quantité qui exprime l’accord entre l’expérience et la théorie.
Envisageons une variable x qui suit la fonction de distribution F(x) ( donc F(x)dx est la
probabilité de trouver la variable avec une valeur entre x et x+dx ).
On dit que le résultat x1 d’une mesure est pire d’un résultat x2 si F(x1)<F(x2). Soit x0 un
certain résultat : la probabilité d’obtenir un pire résultat est
B(x0 ) = ∫ F (x )dx (1)
où l’intégral s’étendre aux x qui ont F (x) < F (x0 ) .
 ∞

Si F(x) est une distribution de Gauss (fig. 1) on peut écrire B(x0 ) = 2 ∫ F(x)dx
x0

Que signifie B(x0) ? Il est la probabilité de trouver un résultat pire que x0 lorsqu’on fait une
autre mesure, c’est-à-dire un résultat plus loin que x0 de la moyenne. Donc si B(x0) est grand (il
peut être 1 au maximum) ça signifie que l’accord entre le résultat de la mesure et la valeur
théorique ( la moyenne est la valeur théorique de la variable ) est bon, car si on répète la
mesure, on trouvera presque toujours des valeurs pires que x0 .
Envisageons maintenant deux mesures de deux quantités indépendantes x0’ et x0 ”, chacune
avec sa propre fonction de distribution. Une autre paire de mesures x’ et x” sera pire si
F (x ')F(x") < F (x0 ')F (x0 ") (2)
Supposons que les fonctions de distribution soient des fonctions de Gauss
(x − xm )2
1 −
(rappel : G(x) = e 2σ 2
), on obtient :
2π
B(x0 ' , x0 ") = ∫ G(x ')G(x")dx ' dx" (3)
où l’intégral s’étendre aux x qui satisfont à (2), qui dans ce cas devient:

G(x ')G(x") < G(x0 ')G(x0 ")

(x '− xm ') (x"− xm ")
a
2

+
2

>
(x0 '− xm ) (x0 "− xm ")
2

+ = χ 2 (4)
σ' 2
σ" 2
σ' 2
σ" 2

L’extension au cas avec n mesures est simple: la probabilité d’obtenir une ntuple de n résultats
( ) (
x ' , x",..., x n pire que une ntuple donnée x0 ' , x0 ",..., x0 n est: )
( ) ( )
B x0 ' , x0 " ,..., x0n = ∫ G(x ')G(x")... G x n dx ' dx"... dx n (5)
où l’intégral s’étendre aux x qui satisfont à
(x '− xm ')2 + (x"− xm ")2 +...+ (x n − xmn )
2

> χ2 (6)
σ' 2
σ" 2
σ n2

où on a défini
(x0 '− xm ) (x0 "− xm ") (x0n − xmn )
2 2 2

χ 2
= + +...+ . (7)
σ '2 σ "2 σ n2
La méthode à suivre est donc la suivante: si on a une série de données expérimentales
( )
x0 ' , x0 ",..., x0
n
et la correspondante série de valeurs théoriques n
xm ' , xm ",..., xm , ( )
premièrement on calcule χ selon la formule (7). Cette quantité est liée à la différence entre
2

les valeurs expérimentales et théoriques, donc elle donne déjà un renseignement: si χ2 est petit
on peut dire qualitativement que l’accord est bon. Le pas suivant est le calcul de l’intégral de la
formule (5), qui donne la probabilité que dans une autre série de mesures on trouvera des
résultats qui sont plus loins de la théorie. Le calcul de l’intégral n’est pas aisé, c’est pour ça
qu’on dispose de tableaux spéciaux qui, pour une certaine valeur de χ2 et de n, donnent
( n
)
directement la valeur B x0 ' , x0 " ,..., x0 . Le tableau I est, par exemple, celui qui se rapporte à
la fonction de distribution de Gauss. Notez que dans le tableau il y a ν à la place de n, la raison
de ça sera éclairée dans l’exemple suivant.

Exemple:
Dans le tableau qui suit il y a le nombre des grammes d’un certain sel qui se dissolvent dans
100 g d’eau à différentes températures.

Température[§C] 0 10 20 30 40 50 60 70 80 90 100
Sel dissous [g] 54.2 59.5 65.2 70.6 75.5 80.2 85.5 90.0 95.0 99.2 104.0

Avec la méthode des moindres carrés nous pouvons déterminer les coefficients de la droite qui
s’adapte mieux :
S = 0.50 ⋅ T + 55.08 (8)
Cette droite est la meilleure parmi toutes les droites qui existent, donc admettons que la
fonction (8) soit la loi théorique et servons-nous du test χ2 pour décider si elle est appuyée par
l’expérience. Si le résultat du test est négatif, ça signifie que la (8) est bien la meilleure droite
possible, mais la relation entre S et T n’est pas linéaire.
Supposons que chaque valeur de S a une erreur de 0.5g, ça signifie par exemple que pour
chaque température on a mesuré S plusieurs fois et 0.5g est l’erreur sur la moyenne. On a donc
n
( )
une série de valeurs de S ( qui corresponde à x0 ' , x0 ",..., x0 ): chaque valeur se trouve sur une
fonction de Gauss avec erreur standard de 0.5g et la moyenne égale à la valeur théorique
calculée avec la (8). On calcule χ2 et on trouve:
(x ( ) − x ( ) ) (x ( exp )
− xi(theo ) )
2 2
i i
11 11
χ =∑ =∑
0 m i
2
= 12.80
i =1 σ i2 i =1 σ i2
On doit maintenant évaluer l’intégral (5), qui dépend de la valeur de χ2 et de n ( n=11 dans
notre exemple). En réalité l’intégral ne dépend pas du nombre total des données, mais du
nombre des données indépendantes: dans ce cas n-2 car les paramètres de la courbe théorique
qui ont été déterminés avec les données expérimentales sont 2. La règle générale est la
suivante: si la courbe théorique dépend de l paramètres qui ont été fixés par les données
expérimentales, l’intégral (5) dépend de ν = n-l ; ν est nommé ‘nombre de degrés de liberté’.
Pour χ2 =12.80 et ν = 11-2 = 9 le tableau I donne la valeur de 0.17, on peut donc considérer
la théorie comme assez bien appuyée.
( n
)
Pour interpréter la valeur de B x0 ' , x0 " ,..., x0 on utilise souvent ( mais ce n’est pas une règle )
le critère suivant: si B est comprise entre 0.05 et 0.95 la théorie décrit bien les données
expérimentales, si B est plus petites que 0.05 ou plus grand que 0.95, la théorie doit être
rejetée.
Il est important de souligner qu’on rejette l’hypothèse soit si B est trop petite, soit si elle est
trop grande; on pourrait dire que dans ce dernier cas “l’accord est trop bon pour qu’il soit
vrai”. Pour éclairer, supposons d’avoir obtenu un certain modèle théorique ( par exemple les
coefficients de la droite avec leurs erreurs) en partant d’une série de données expérimentales et
avec le calcul du χ2 on trouve B=0.99, Ca signifie que dans 99 mesures sur 100 du même
phénomène nous allons obtenir des résultats qui sont plus loins de notre modèle que les
données que nous avons analysées. Pourquoi donc se fier à un modèle qui explique seulement
ces données particulières et que dans la plupart des cas n’est pas confirmé ?
Le χ2 et la méthode des moindres carrés.
Quelle relation il y a-t-il entre les deux ? La méthode des moindres carrés dit que pour trouver
la meilleure droite on doit minimiser la quantité
( yi − axi − b)
2

E=∑
i σ i2
ou, plus en général, si on cherche les meilleurs paramètres pour une fonction f(x),
( y − f (x ))
2

E=∑
i i

i σ i2
Ca est exactement l’expression du χ2 que nous avons vu ( eq.(7) ), valable pour une
distribution de Gauss. C’est-à-dire que les paramètres qu’on trouve avec la méthode des
moindres carrés sont ceux qui minimisent le χ2 aussi. Le test du χ2 a en plus le calcul de la
probabilité B, qui donne l’information sur la confiance qu’il faut donner à la fonction ainsi
trouvée.

Le χ2 d’une fonction de distribution.

Souvent on a le problème de trouver le soutien que une série de mesures donne à une fonction
de distribution, par exemple “Est ce que ces données sont distribuées selon une fonction de
Gauss avec tel σ et telle moyenne ?”. Ce problème n’est qu’un cas particulier de ce qu’on a
discuté jusqu’ici.
Envisageons une fonction de Gauss G(x ;σ , xm ) et divisons l’axe des x en petits intervalles. La
probabilité que le résultat d’une mesure tombe dans l’intervalle (xi −1 , xi ) est donnée par:
G(x ;σ , xm )dx
xi
Pi = ∫
x i −1

Donc, si on a effectué n mesures, on attend que nPi tombent dans cet intervalle. On sait en
effet que les comptages observés dans cet intervalle sont nPi avec une erreur nPi (les
comptages suivent la loi de Poisson). Si dans chaque intervalle il y a un nombre assez grand de
comptages, la fonction de distribution est à peu près une fonction de Gauss. On peut donc
appliquer la formule (7): pour chaque intervalle on a les comptages observés ni , les comptages
attendus nPi et l’erreur standard nPi

(x ( ) − x ( ) )
2
(ni − nPi )2
i i
n n
χ =∑ =∑
2 m

σ 2i
( )
2
i i nPi
Il faut se rappeler toujours que, pour utiliser cette formule, la distribution des comptages dans
chaque intervalle doit pouvoir être considérée une fonction de Gauss, donc il faut choisir la
largeur des intervalles de façon que dans chacun il y a au moins une dizaine de comptages.