Loi du chi carré explication : comprendre à quoi ça sert ?

« Est-ce que le genre influence le choix de la filière ? »
C’est la question qu’une de mes étudiantes m’a posée un mardi matin.

Elle avait collecté des données sur 200 étudiants de son université,  leur genre et leur filière choisie (sciences, lettres, économie). Elle voulait savoir si les deux variables étaient liées, ou si la répartition était due au hasard.

« Betty, j’ai les chiffres, mais comment je sais si la différence est réelle ou si c’est juste de la chance ? »

C’est la bonne question. et c’est exactement à ça que sert la loi du chi carré.
Loi du chi carré explication : ce qu’elle permet de faire
La loi du chi carré ou khi-2 ,notée χ², est un outil statistique qui permet de répondre à une question fondamentale :

Est-ce que la différence que j’observe dans mes données est réelle, ou est-elle due au hasard ?

Plus précisément, le test du chi carré d’indépendance permet de tester si deux variables catégorielles sont liées entre elles, ou si elles sont indépendantes.

Dans notre exemple :
• Variable 1 : le genre (homme / femme)
• Variable 2 : la filière choisie (sciences / lettres / économie)

La question devient : est-ce que la filière choisie dépend du genre ? Ou est-ce que la répartition qu’on observe pourrait très bien être due au hasard ?
La logique derrière le test, sans formule
Pour comprendre le chi carré, il faut comprendre une idée centrale : comparer ce qu’on observe à ce qu’on attendrait si les deux variables étaient totalement indépendantes.

Voici comment ça fonctionne en trois étapes :

Étape 1: On observe
On compte combien d’étudiants de chaque genre ont choisi chaque filière. C’est le tableau des effectifs observés.

Par exemple :
• 60 femmes en sciences, 40 hommes en sciences
• 50 femmes en lettres, 20 hommes en lettres
• 20 femmes en économie, 10 hommes en économie

Étape 2:  On calcule ce qu’on attendrait
Si le genre n’avait aucune influence sur le choix de filière, comment la répartition devrait-elle ressembler ? On calcule les effectifs théoriques qui correspondent à  ce qu’on observerait si les deux variables étaient parfaitement indépendantes.

Étape 3:  On compare
On mesure l’écart entre ce qu’on observe et ce qu’on attendrait.

Si cet écart est grand, il est peu probable qu’il soit dû au hasard.

Si cet écart est petit, la différence pourrait très bien être aléatoire.

C’est cet écart, mesuré et standardisé, qui donne la statistique chi carré.
Le lien avec la loi normale et la loi t de Student
Si tu as lu les articles sur la loi normale et la loi t de Student, tu commences à voir un fil rouge.

• La loi normale modélise la distribution d’une variable continue (taille, poids, notes).
• La loi t de Student s’utilise quand l’échantillon est petit et l’écart-type inconnu pour comparer des moyennes.
• La loi du chi carré s’utilise pour des variables catégorielles pour tester des liens entre des catégories.

Ces trois lois répondent à des questions différentes, mais partagent la même logique : comparer ce qu’on observe à ce qu’on attendrait sous certaines hypothèses, et quantifier la probabilité que l’écart soit dû au hasard.

C’est le cœur des tests d’hypothèse en statistiques.
Deux utilisations principales du chi carré:

1. Le test d’indépendance
C’est l’exemple de notre étudiante. On teste si deux variables catégorielles sont liées.

Autres exemples concrets :
• Est-ce que la satisfaction client dépend de la région géographique ?
• Est-ce que le taux de réussite à un examen dépend de la méthode de révision utilisée ?
• Est-ce qu’une campagne marketing a eu un effet différent selon le segment de clientèle ?

2. Le test d’adéquation (goodness of fit)
On teste si une distribution observée correspond à une distribution théorique attendue.

Exemple concret :

tu lances un dé 60 fois.

Tu obtiens 12 fois le chiffre 1, 8 fois le 2, 14 fois le 3, etc.

Est-ce que ce dé est équilibré, ou est-il truqué ?

Le test du chi carré d’adéquation te permet de répondre.
Ce que le résultat te dit, et ce qu’il ne te dit pas
Le test du chi carré produit une p-value (une probabilité).

Cette p-value répond à la question : si les deux variables étaient vraiment indépendantes, quelle est la probabilité d’observer un écart aussi grand que celui qu’on a mesuré ?

• Si la p-value est inférieure à 0,05 (α = 5%) : l’écart est statistiquement significatif. On rejette l’hypothèse d’indépendance.
• Si la p-value est supérieure à 0,05 : l’écart pourrait être dû au hasard.

Ce que le chi carré ne te dit pas :
Il te dit s’il y a un lien, mais  pas à quel point ce lien est fort, ni dans quel sens il va. Pour ça, tu as besoin d’autres outils (comme le coefficient de contingence ou le V de Cramér).

Significatif statistiquement ne veut pas dire important pratiquement.

Retour à notre étudiante
Après avoir appliqué le test du chi carré à ses données, elle a obtenu une p-value de 0,03.

Inférieure à 0,05,  donc statistiquement significatif.

La conclusion : dans son échantillon de 200 étudiants, il y a bien un lien statistiquement significatif entre le genre et le choix de filière. La différence observée est trop grande pour être attribuée au hasard avec 95% de confiance.

Est-ce que ça prouve une causalité ? Non. Le chi carré mesure une association, pas une cause. Mais c’est déjà une information précieuse, et c’est exactement ce que les stats permettent de faire : transformer des données brutes en conclusions solides.

Ce que tu retiens de cet article
Le chi carré, c’est l’outil qu’on utilise quand on veut savoir si deux variables catégorielles sont liées,  ou si la différence qu’on observe pourrait être due au hasard.

Il s’appuie sur une logique simple : comparer ce qu’on observe à ce qu’on attendrait si les variables étaient indépendantes.

Et comme la loi normale et la loi t de Student, il ne donne pas des certitudes, il donne des probabilités. C’est ça, la force des statistiques : quantifier l’incertitude plutôt que l’ignorer.

Pour aller plus loin
Tu n’as pas encore lu les articles sur la loi normale et la loi t de Student ? Ce sont les deux fondations de cet article, je te recommande de les lire dans l’ordre.

→ Loi normale : enfin une explication qui a du sens.

→ Loi t de Student : pourquoi la loi normale ne suffit plus ?