Entre la statistique et la cote, il y a un monde

DU CHIFFRE À LA COTEObservations

52 % contre 48 %.

Quatre points d'écart dans une élection. Rien qui ressemble à un raz-de-marée, et pourtant voilà qu'un modèle accorde 84 % de chances de victoire au candidat arrivé en tête. Ce qui correspondrait à une cote théorique proche de 1,19.

Comment passe-t-on de quatre petits points d'avance à une probabilité aussi élevée ? Et pourquoi cette même avance ne donnerait-elle pas une cote de 1,50 ou de 1,05 ?

L'exemple est fictif, mais la question concerne aussi le sport. Un taux de réussite au tennis, une moyenne de buts attendus ou six points d'avance estimés au basket ne se convertissent pas directement en chances de victoire. Entre la statistique de départ et la cote finale, il existe toute une chaîne de calculs et d'hypothèses. Et autant d'occasions de se tromper.

Le chemin que nous allons suivre

Étape · Observations

Un million de données ne fait pas un bon échantillon

Lorsqu'un modèle annonce 65 % de chances de victoire, nous ne voyons généralement que ce chiffre final, pas les données qui l'ont produit. Pourtant, tout commence par des observations dont il faut connaître l'origine. Un historique de matchs, un fichier de tirs ou un sondage peut contenir beaucoup de lignes sans pour autant représenter correctement la situation à prévoir.

Imaginez deux instituts qui interrogent chacun 10 000 personnes. Le premier s'efforce de représenter l'ensemble du corps électoral ; le second recueille uniquement les réponses des visiteurs volontaires d'un site dont le public est très particulier. Même effectif, et pourquoi pas même résultat affiché, mais pas nécessairement la même qualité d'information.

Le deuxième institut pourrait passer de 10 000 à 100 000 réponses sans réparer son défaut de départ. Il connaîtrait avec une précision croissante les préférences des visiteurs de son site, ce qui n'est pas tout à fait la même chose que connaître les préférences de l'ensemble des électeurs. Cette difficulté est étudiée notamment par le statisticien Xiao-Li Meng dans ses travaux sur les paradoxes des grands jeux de données.

Dans le sport, les problèmes sont souvent plus discrets. Un fournisseur a-t-il changé la définition d'une « grosse occasion » ? Les données mélangent-elles des adversaires de niveaux très différents ? Certaines actions ne sont-elles enregistrées que dans les championnats les mieux couverts ? Avant de multiplier les statistiques, il serait bon de vérifier ce que les colonnes veulent dire. Même les tableurs fabriqués avec amour ne corrigent pas spontanément un mauvais échantillon.

Étape · Estimation

55 % sur 20 points, ou sur 20 000 ?

Passons à une statistique sportive parfaitement identifiable. Pour deux joueurs de tennis, on observe le pourcentage de points gagnés derrière leur deuxième balle. Le premier a remporté 11 points sur 20 lors d'un match ; le second, 11 000 sur 20 000 au cours de sa carrière.

Joueur AJoueur B
Points gagnés1111 000
Points joués2020 000
Réussite observée55 %55 %

Les deux affichent 55 %, mais ces observations ne nous renseignent pas de la même manière sur leur niveau. Quelques échanges gagnés ou perdus différemment auraient suffi à modifier fortement le pourcentage du premier joueur, alors qu'ils auraient eu un effet minuscule sur celui du second.

On est donc tenté de choisir sans hésiter le 55 % calculé sur 20 000 points. Mais ces points peuvent s'étaler sur dix ans, plusieurs surfaces et des adversaires très différents. Imaginons que le joueur ait récemment amélioré son service et qu'il gagne 58 % des points sur ses 200 dernières deuxièmes balles. Les 20 000 points racontent peut-être sa carrière avec beaucoup de précision, tandis que les 200 derniers décrivent mieux son niveau actuel.

Bien sûr, 200 points peuvent aussi correspondre à une série chanceuse. Il faut donc arbitrer entre quantité, fraîcheur et comparabilité des observations, par exemple en donnant davantage de poids aux rencontres récentes ou en tenant compte de la surface et du niveau des adversaires. On peut également éviter de prendre au pied de la lettre un pourcentage calculé sur trop peu de points, en le rapprochant de la moyenne observée chez des joueurs comparables. Cette technique porte le nom de shrinkage, ou rétrécissement statistique. Même difficulté pour une équipe dont l'entraîneur, le système de jeu ou la moitié de l'effectif ont changé en deux saisons. Une excellente moyenne historique n'est pas forcément la meilleure estimation pour dimanche prochain.

Étape · Incertitude

55 %, oui. Mais avec quelle précision ?

Mettons provisoirement de côté les changements de niveau. Supposons que les tentatives de nos deux joueurs soient comparables et que leur probabilité de gagner un point soit stable. Même dans ce monde simplifié, nous n'avons pas la même précision sur leur taux de réussite.

Joueur AJoueur B
Réussite observée55 %55 %
Nombre de points2020 000
Fourchette indicative à 95 %34 à 74 %54,3 à 55,7 %

Voici comment lire la dernière ligne. Avec seulement 20 points, les données sont trop maigres pour déterminer si le joueur gagne habituellement un peu plus d'un point sur trois, un point sur deux ou près de trois points sur quatre. Tous ces niveaux restent compatibles avec son petit échantillon. Avec 20 000 points comparables, l'estimation est beaucoup plus resserrée autour de 55 %.

Ces fourchettes ne sont évidemment pas des prédictions pour le match suivant. Elles indiquent plutôt à quel point nos observations permettent de cerner un taux de réussite supposé stable. Dès que le joueur change de niveau ou que ses adversaires ne sont plus comparables, il faut un modèle plus riche. L'effectif seul ne raconte pas tout.

∑Comment lire et calculer ces fourchettes ?

Pour une proportion observée p sur n essais supposés indépendants et de probabilité de réussite constante, l'erreur standard vaut approximativement :

SE ≈ √[p(1 − p) / n]

Avec 55 % de réussite, on obtient une erreur standard de 11,1 points de pourcentage sur 20 essais, contre 0,35 point sur 20 000 essais. Il s'agit de la variation statistique de l'estimation, pas de la variation future des performances.

Les fourchettes du tableau sont des intervalles de Wilson à 95 %, arrondis. On obtient environ 34,2 % à 74,2 % pour 11 succès sur 20, contre 54,3 % à 55,7 % pour 11 000 sur 20 000. La formule d'erreur standard ci-dessus aide à comprendre pourquoi la précision change avec la taille de l'échantillon ; elle ne donne pas directement ces bornes, calculées avec la méthode de Wilson, plus adaptée aux petits échantillons. Et un vrai point de tennis n'est pas un tirage parfaitement indépendant des autres : adversaire, fatigue et circonstances du match peuvent faire varier la probabilité de réussite. Ces calculs servent donc à isoler l'effet de la taille d'échantillon, pas à construire tels quels une prédiction de tennis.

À ce stade, nous avons donc deux précautions différentes. Il faut d'abord recueillir des observations adaptées au phénomène, puis reconnaître ce qu'elles permettent, ou non, d'estimer. Mais même avec un échantillon impeccable et une estimation très précise, il reste un risque plus subtil : utiliser la bonne statistique pour répondre à la mauvaise question.

Étape · Modèle

Une bonne statistique peut répondre à la mauvaise question

Prenons une équipe qui gagne 64 % de ses matchs à domicile. Ce chiffre peut être exact au dernier décimal près ; il ne représente pas pour autant automatiquement sa probabilité de battre le leader du championnat le week-end prochain. Aucun parieur expérimenté n'irait aussi vite. Le même raccourci peut pourtant passer presque inaperçu quand la statistique porte un nom plus sophistiqué.

C'est notamment le cas des expected goals, ou xG. Dans les modèles de football, chaque tir reçoit une valeur correspondant à sa probabilité estimée d'être transformé en but, à partir de situations comparables. Un tir évalué à 0,20 xG représente ainsi une occasion convertie environ une fois sur cinq dans les conditions modélisées. On additionne ensuite les valeurs des tirs pour obtenir le total de buts attendus.

Imaginons deux attaquants à 0,55 xG par match sur leurs quatre dernières rencontres.

GRAPHIQUEMême moyenne, occasions réparties différemment
Attaquant A
0.10
M1
0.20
M2
0.10
M3
1.80
M4
Moyenne : 0,55 xG / match
Attaquant B
0.50
M1
0.60
M2
0.50
M3
0.60
M4
Moyenne : 0,55 xG / match
Quatre matchs fictifs. Chaque barre porte sa valeur exacte de xG ; les deux attaquants affichent la même moyenne de 0,55 xG par rencontre.

La moyenne est identique, mais le premier doit presque tout à une seule rencontre. Le deuxième a obtenu des occasions plus régulièrement sur cette courte période. Cela ne suffit pas à prédire lequel sera le plus dangereux demain, mais cela montre pourquoi la moyenne seule manque d'informations. Le gros match du joueur A était-il exceptionnel ? Le niveau de l'adversaire était-il différent ? Son rôle tactique a-t-il changé ?

Il y a plus important encore. Même si nous savions que le prochain match d'un attaquant produira en moyenne 0,55 xG, nous ne connaîtrions pas automatiquement sa probabilité de marquer au moins une fois. Un seul tir de 0,55 xG et onze tirs de 0,05 xG produisent la même somme de 0,55 xG, mais, dans un modèle où les tirs sont indépendants, pas la même chance de marquer au moins un but : 55 % dans le premier cas, environ 43 % dans le second.

La statistique mesure une espérance de buts ; la question du parieur concerne un événement bien précis, « marquer ou non ». Entre les deux, il manque un modèle décrivant les résultats possibles. Notre moyenne, même exacte, ne fait pas le travail toute seule.

Étape · Distribution

Six points d’avance, mais combien de résultats possibles ?

Passons au basket. Avant un match, notre modèle prévoit que l'équipe A terminera avec six points d'avance sur B en moyenne. Ce +6 nous renseigne sur l'écart attendu ; il ne suffit toujours pas à connaître la probabilité que A gagne.

Dans certains matchs, l'équipe A gagnera plus largement. Dans d'autres, elle gagnera de justesse ou s'inclinera. La vraie question est de savoir comment ces résultats se répartissent autour de la moyenne de +6. Si les scores finaux varient beaucoup, une défaite reste assez plausible. S'ils restent habituellement proches de la prévision, l'avance est plus difficile à renverser.

Pour le rendre visible, voici deux modèles qui prévoient exactement le même écart moyen de six points, mais une dispersion différente des scores finaux. Les deux valeurs choisies restent proches des ordres de grandeur habituellement étudiés en basket, sans prétendre décrire deux modèles NBA réellement mesurés.

GRAPHIQUEUne avance de +6 points, deux dispersions possibles
Écarts gagnants : A marque plus de points que B Écarts perdants : A marque moins de points que B
Modèle A · Écarts plus dispersés65,5 % de victoires
0 : seuil de victoire-30-150+6+15+30Écart final de points (A − B)
Modèle B · Écarts moins dispersés70,7 % de victoires
0 : seuil de victoire-30-150+6+15+30Écart final de points (A − B)
Deux distributions illustratives, centrées sur le même écart de +6 points. La surface verte indique les scénarios où A gagne, la surface ocre ceux où A perd.

Les courbes ne donnent pas une cote par magie. Elles représentent un ensemble de résultats possibles ; ce sont les surfaces de chaque côté de zéro qui nous intéressent. On peut maintenant compter la part des scénarios gagnants.

Étape · Probabilité

Compter les victoires, puis vérifier le modèle

Sur le graphique, le seuil de victoire est zéro. Tout ce qui se trouve à sa droite correspond à un match gagné par A. Le modèle A envisage une plus grande variété d'écarts de score, et donc davantage de possibilités de défaite. Le modèle B concentre un peu plus de résultats du côté des victoires, sans pour autant transformer l'avance de six points en certitude.

Modèle AModèle B
Avance moyenne attendue+6 points+6 points
Dispersion des écarts (écart-type)15 points11 points
Part des scénarios gagnants65,5 %70,7 %

Il ne faut pas lire ces 65,5 % ou 70,7 % comme le pourcentage de points que marquera A, ni comme notre degré de confiance dans la qualité des données. Il s'agit de la proportion des résultats possibles donnant la victoire à A d'après chaque modèle. L'écart provient uniquement de leurs hypothèses sur la dispersion des scores.

Un dernier point mérite d'être souligné. Même si notre modèle connaissait avec une grande précision l'avance moyenne de +6 points, cela ne signifierait pas que les rencontres se termineraient toutes autour de +6. La précision de l'estimation moyenne et la dispersion des scores sont deux choses différentes. C'est bien la seconde, à laquelle s'ajoutent les incertitudes du modèle, qu'il faut décrire pour calculer une probabilité de victoire.

∑Du résultat possible à la probabilité

Notons D la différence de score finale (points de A moins points de B). L'équipe A gagne si D est positif.

P(A gagne) = P(D > 0)

Dans l'illustration, nous supposons que D suit une loi normale, de moyenne μ = +6 points et d'écart-type σ :

P(A gagne) = Φ(μ / σ)

Avec σ = 15, on obtient Φ(0,4) ≈ 65,5 %. Avec σ = 11, on obtient Φ(6 / 11) ≈ 70,7 %. Φ est la fonction de répartition de la loi normale ; elle fournit ici la proportion de résultats au-dessus du seuil. Ces dispersions servent à comparer deux hypothèses plausibles, et ne correspondent pas à des modèles NBA calibrés sur des données réelles.

Une probabilité doit aussi tenir ses promesses

Une fois ces probabilités calculées, comment vérifier qu'un modèle ne surestime pas systématiquement ses favoris ? C'est le problème de la calibration, qui peut se comprendre sans formule.

Imaginons que nous retrouvions, dans l'historique du modèle, 100 matchs où une équipe avait reçu environ 85 % de chances de gagner. Il ne prétendait pas savoir à l'avance lesquels de ces matchs se termineraient par une surprise. Pour chaque rencontre, il annonçait seulement une victoire très probable, avec une petite possibilité de défaite.

Si ce type d'estimation est juste, on s'attend à retrouver, sur le long terme, environ 85 victoires pour 100 matchs annoncés à 85 %. Imaginons que les favoris n'en gagnent que 78 sur notre première série de 100. Cela invite à vérifier si le modèle est un peu trop optimiste, mais 100 matchs ne suffisent pas encore à trancher définitivement. Le hasard peut créer de tels écarts, même avec de bonnes prévisions.

En revanche, si le même décalage apparaît sur plusieurs centaines ou milliers de rencontres comparables, le doute devient plus sérieux. Le modèle ne se trompe pas nécessairement de favori, mais semble accorder trop de chances à ceux qu'il désigne. C'est le problème de la calibration. Pour les cotes, ce n'est pas anodin : 85 % renvoie à une cote théorique de 1,18, tandis qu'une probabilité de 78 % correspond à environ 1,28. Les 78 % observés sur une seule série ne constituent toutefois pas, à eux seuls, une nouvelle probabilité certaine.

Dans une étude de 2024 consacrée au machine learning appliqué aux paris NBA, Conor Walsh et Alok Joshi ont justement montré, dans leur protocole, l'intérêt de sélectionner les modèles sur la qualité de leurs probabilités plutôt que seulement sur leur taux de vainqueurs correctement identifiés. Cela ne transforme pas la calibration en garantie de rentabilité ; cela rappelle que prévoir des probabilités n'est pas la même chose que cocher des gagnants.

Le backtest qui connaissait déjà les réponses

Encore faut-il tester son modèle honnêtement. Si l'on essaie 200 combinaisons de filtres sur dix saisons et qu'on ne conserve que celle qui aurait le mieux fonctionné, une partie de la performance peut relever du hasard. C'est le piège des tests multiples et du surajustement (overfitting) : à force d'optimiser sur l'historique, le modèle apprend aussi ses coïncidences.

Il faut donc l'évaluer sur des rencontres réellement nouvelles pour lui, en respectant les informations disponibles au moment du pari. Autre piège, le biais d'anticipation (look-ahead bias) : laisser par mégarde entrer dans un backtest une composition officielle annoncée après l'heure à laquelle on prétendait miser. Sinon, on se retrouve avec un étudiant qui révise son examen avec les réponses sous les yeux, puis se félicite d'obtenir une excellente note au même examen. Tant mieux pour lui ; reste à voir ce qu'il donnera au suivant.

Étape · Cote

La dernière division, et tout ce qui vient après

Nous avons enfin une probabilité de victoire. La dernière opération est presque décevante de simplicité : pour obtenir une cote décimale théorique sans marge, on divise 1 par la probabilité exprimée entre 0 et 1.

Modèle AModèle B
Probabilité de victoire65,5 %70,7 %
Cote théorique sans marge1,531,41

La division est facile. Mais les deux modèles n'arrivent pas exactement au même prix alors qu'ils sont d'accord sur l'avance attendue de six points. Dans cet exemple aux dispersions réalistes en ordre de grandeur, l'écart est moins spectaculaire que dans une comparaison artificielle ; le principe reste le même. Toute la difficulté se trouvait en amont, dans la manière de décrire les résultats possibles, et auparavant encore dans le choix des données et des hypothèses.

On peut maintenant comprendre notre exemple de départ. Le candidat estimé à 52 % n'avait pas automatiquement 84 % de chances de gagner. Ce calcul supposait une estimation centrale de 52 % et une incertitude de deux points sur sa part finale des voix. Contrairement au basket, cette dispersion décrit surtout ce qu'on ignore encore avant le résultat, à cause des sondages, de la participation ou de biais éventuels. Elle ne représente pas le hasard d'un match joué possession après possession. Dans les deux cas, on doit pourtant disposer d'une distribution crédible du résultat final avant de calculer la probabilité de dépasser le seuil de victoire.

∑La dernière division

Pour une cote décimale sans marge, si p est une probabilité comprise entre 0 et 1 :

Cote théorique = 1 / p

65,5 % donne environ 1 / 0,655 = 1,53 ; 70,7 % donne environ 1 / 0,707 = 1,41. Il s'agit de cotes théoriques. Les prix réellement proposés par les bookmakers incorporent aussi d'autres éléments, dont leur marge.

Et si l'on partait directement des cotes ?

De nombreux joueurs connaissent une autre manière de procéder. Plutôt que de reconstruire toute la probabilité depuis les statistiques sportives, ils commencent par les prix des bookmakers ou des exchanges. Ils choisissent des références de marché, tiennent compte des marges et recherchent des écarts entre cotations. Cette approche ne consiste pas nécessairement à prédire le match ; elle cherche plutôt à exploiter l'information déjà présente dans les prix.

La cote devient alors une donnée à part entière. Mais une cote de marché ne se résume pas à la sortie d'un modèle statistique secret. Elle peut intégrer les informations et les mises des intervenants, les ajustements des opérateurs, la liquidité ou les mouvements d'autres marchés. C'est aussi l'un des ressorts des marchés prédictifs comme Polymarket, où les prix peuvent résumer des anticipations dispersées entre de nombreux participants.

Encore faut-il comparer des prix réellement comparables. Deux cotes qui semblent porter sur la même rencontre peuvent obéir à des règles différentes, par exemple selon que les prolongations sont incluses ou non. Le moment du relevé compte également : une cote restée inchangée après l'annonce d'une composition n'a pas la même signification qu'un prix actualisé quelques secondes auparavant.

La qualité de la référence elle-même mérite examen. Un marché peu liquide, où les mises acceptées sont faibles, ne livre pas nécessairement un signal aussi solide qu'un marché abondamment échangé. Et si la marge est mal retirée, l'écart de value affiché peut provenir du calcul plutôt que d'une véritable différence d'appréciation. Rien de tout cela n'invalide ces approches, mais un écart entre deux prix ne constitue pas, à lui seul, la preuve qu'un opérateur s'est trompé.

Cette prudence est également documentée. Erik Štrumbelj a notamment montré que les probabilités déduites des cotes n'ont pas toutes la même qualité prédictive, selon les sources et les méthodes de retrait de marge. Les travaux de Justin Wolfers et Eric Zitzewitz rappellent que l'interprétation d'un prix de marché comme une probabilité dépend, elle aussi, de certaines conditions.

Le joueur travaillant à partir des statistiques doit s'interroger sur la qualité de ses données. Celui qui part des cotations doit examiner celle des marchés qu'il choisit comme référence. Le problème n'a pas disparu, il s'est simplement déplacé, des données sportives vers les prix auxquels on accorde sa confiance.

Qu'il provienne d'un modèle personnel ou d'un marché, un prix repose toujours sur une longue série d'hypothèses. Il ne s'agit pas de se méfier de tous les chiffres, simplement de comprendre ce qu'ils permettent d'affirmer, et ce qu'on risque de leur faire dire à tort.

Car entre une statistique et une cote, le plus difficile n'est finalement pas la dernière division. C'est tout ce qu'il a fallu supposer avant de pouvoir la faire.

Les articles techniques sont ouverts aux remarques et aux précisions : n’hésitez pas à nous en faire part en commentaire, ou à nous contacter directement si vous repérez une correction à apporter ou souhaitez qu’on approfondisse un point en particulier.

Sources et lectures

Les données chiffrées des exemples sportifs et électoraux sont fictives et servent uniquement à expliquer les mécanismes statistiques.

  1. Xiao-Li Meng (2018), Statistical Paradises and Paradoxes in Big Data (I) : grands échantillons et biais de sélection.
  2. Wayne Winston (2018), Why is Standard Deviation of NBA scores about point spread 12 points : ordre de grandeur de la dispersion des marges NBA autour du point spread.
  3. Opta Analyst, What Is Expected Goals (xG)? : principes des expected goals.
  4. Gneiting, Balabdaoui et Raftery (2007), Probabilistic Forecasts, Calibration and Sharpness : évaluation des probabilités.
  5. Walsh et Joshi (2024), Machine learning for sports betting: Should model selection be based on accuracy or calibration? : modèles de paris NBA.
  6. Erik Štrumbelj (2014), On determining probability forecasts from betting odds : probabilités extraites des cotes.
  7. Justin Wolfers et Eric Zitzewitz (2006), Interpreting Prediction Market Prices as Probabilities : marchés prédictifs.

N'hésitez pas à laisser votre commentaire !

Ce site utilise Akismet pour réduire les indésirables. Découvrez comment les données de vos commentaires sont traitées.