Mesurer l’incertitude quand on dispose de peu de matchs

Définir une observation et un événement binaire

Choisissez un résultat qui vaut oui ou non pour chaque observation, par exemple un match terminé sans but encaissé dans un périmètre défini. Fixez ensuite la population dont vous voulez parler. Dix rencontres sélectionnées parce qu'elles sont célèbres ne constituent pas un échantillon représentatif de toutes les rencontres d'un club. Les adversaires et les effectifs évoluent ; une hypothèse de probabilité identique doit donc être discutée. Le calcul mathématique d'un intervalle ne répare pas automatiquement une sélection biaisée ou des définitions qui changent.

Afficher ensemble numérateur, dénominateur et proportion

Avec k événements sur n observations, la proportion observée est p = k / n. Publiez les trois nombres. Un taux de 100 % après une seule observation ne démontre pas une certitude, et zéro événement ne prouve pas une impossibilité. Une approximation symétrique fondée seulement sur l'écart-type peut devenir trompeuse près des bornes. L'intervalle de Wilson est une option pour une proportion binomiale ; il ne dispense pas de vérifier l'indépendance et la cohérence de la population étudiée.

Calculer l’intervalle de Wilson dans un exemple fictif

Pour un niveau de confiance de 95 %, prenons z ≈ 1,959964. Le centre vaut (p + z² / (2n)) / (1 + z² / n). La demi-largeur vaut z × racine(p(1 − p) / n + z² / (4n²)) / (1 + z² / n). Avec k = 4 et n = 10, les bornes obtenues sont environ 16,82 % et 68,73 %. Le tableau compare ce scénario avec quarante événements sur cent. Les deux proportions observées sont identiques, mais leurs intervalles diffèrent nettement.

Interpréter le niveau de confiance correctement

Dans l'interprétation fréquentiste, une procédure à 95 % vise une couverture d'environ 95 % sur des répétitions de l'échantillonnage sous les hypothèses du modèle. Après observation, on ne dit pas que le paramètre fixe change aléatoirement dans l'intervalle. Cet intervalle n'est pas non plus la plage certaine d'un prochain résultat individuel, qui reste binaire. Une présentation accessible peut dire que les données restent compatibles avec une large gamme de proportions dans le cadre du modèle, en conservant les hypothèses visibles.

Traiter dépendance et changements de contexte

Des matchs d'une même équipe partagent joueurs, entraîneur et périodes de forme. Ils peuvent donc fournir moins d'information indépendante que ne le suggère leur simple nombre. Rééchantillonner chaque ligne séparément n'efface pas cette dépendance. Une analyse par blocs temporels ou par groupes peut être plus pertinente, à condition de définir le mécanisme et de disposer d'assez de blocs. Un changement durable d'effectif pose une autre question : même un intervalle étroit sur l'ancien contexte peut mal décrire le contexte futur.

Éviter la sélection des séries les plus spectaculaires

Si vous examinez beaucoup de clubs, de périodes et d'indicateurs, certaines séries extrêmes apparaîtront simplement par variabilité. Sélectionner uniquement celles-ci puis présenter un intervalle ordinaire comme une découverte confirmée sous-estime le travail de sélection. Annoncez la comparaison à l'avance ou réservez de nouvelles données pour la vérifier. Distinguez une exploration qui suggère une hypothèse et une évaluation indépendante. Pour comparer deux proportions, le chevauchement visuel de leurs intervalles n'est pas à lui seul un test approprié de leur différence.

Liste de contrôle pratique

Reproduisez les deux exemples avec la même valeur de z et la même méthode d'arrondi. Vérifiez ensuite les cas limites zéro événement et tous les événements observés. Les bornes doivent rester dans l'intervalle de zéro à un. Ce contrôle teste la formule, mais ne valide pas la sélection des matchs : cette seconde question exige une description des règles d'inclusion et de la population visée.

1. Définir précisément l’événement et la population visée.
2. Afficher k, n et le taux, sans masquer les petits dénominateurs.
3. Préciser méthode, niveau de confiance et hypothèses.
4. Examiner dépendances, changements de contexte et sélection de séries.
5. Éviter de présenter l’intervalle comme la probabilité du prochain match.

Une seconde lecture doit retrouver les mêmes valeurs à partir des mêmes entrées, sans connaître votre conclusion. Conservez aussi les lignes rejetées et leur motif. Elles expliquent pourquoi le nombre de matchs effectivement analysés peut être inférieur au nombre annoncé dans le calendrier.

Séparer erreur de calcul et incertitude de l’étude

La feuille de calcul doit conserver k et n comme entiers, le niveau choisi et les bornes avant arrondi. Pour quatre sur dix, le centre de Wilson n'est pas exactement le taux brut de quarante pour cent ; la formule ajuste le centre et la largeur ensemble. Recentrer ensuite l'intervalle sur le pourcentage observé fabriquerait une autre méthode. Pour quarante sur cent, la largeur diminue, mais les données ne deviennent pas automatiquement représentatives d'une rencontre future avec un effectif ou un adversaire différent.

Distinguez enfin trois sources d'incertitude : variation d'échantillonnage, erreur de mesure des événements et inadéquation du modèle au contexte. L'intervalle calculé traite la première dans ses hypothèses ; il n'englobe pas nécessairement les deux autres. Un score administratif mal classé peut modifier k, tandis qu'un corpus incomplet modifie n et sa représentativité. Présenter séparément ces limites donne une information plus honnête qu'élargir arbitrairement les bornes. Toute méthode alternative doit être nommée et comparée sur la même définition de l'événement.

Sources et vérification

• Confidence intervals for a binomial proportion — NIST/SEMATECH — 2026-10-23
• Metrics and scoring — scikit-learn — 2026-10-23