Le Canadien a éliminé Vegas le 24 juin et passe en finale de la Coupe Stanley. Comme amateur de données, ce parcours rappelle une distinction de base : une probabilité décrit une distribution de résultats, pas le résultat déjà écrit du prochain match.

Un modèle de buts attendus, ou expected goals, commence avec une table de tirs. Chaque ligne contient l’emplacement, l’angle, le type de tir, la situation de jeu et les autres informations captées. Un modèle statistique estime la probabilité que ce tir devienne un but selon les tirs historiques comparables.

événement de tir → coordonnées/contexte → variables → modèle
                  → probabilité de but p → somme par équipe

Une régression logistique simplifiée pourrait utiliser une formule comme :

logit(p) = b0
         + b1 × distance
         + b2 × angle
         + b3 × rebond
         + b4 × avantageNumerique

p = 1 / (1 + exp(-logit(p)))

Si une équipe obtient cinq occasions évaluées à 0,05, 0,10, 0,12, 0,20 et 0,35, leur somme donne 0,82 but attendu. Ça ne signifie pas qu’elle doit marquer 0,82 but dans ce match. Chaque tir produit zéro ou un but; la somme devient utile sur un ensemble et pour comparer la qualité moyenne des occasions.

Le modèle dépend de la capture. Une coordonnée notée quelques pieds trop loin change la distance et l’angle. La circulation devant le gardien, une passe transversale, la fatigue ou la position exacte du gardien ne sont pas représentées de la même façon dans toutes les sources. Deux fournisseurs peuvent donc produire deux valeurs raisonnables pour le même match.

Vérifier autre chose que la moyenne

Je regarderais au moins quatre propriétés :

1. calibration : parmi les tirs évalués à 10 %, environ un sur dix devient-il un but?
2. discrimination : les occasions les mieux notées marquent-elles plus souvent que les faibles?
3. stabilité : la performance tient-elle pour d’autres saisons, arénas et équipes?
4. couverture : quelles variables importantes manquent ou sont mesurées différemment?

Une moyenne globale peut cacher une mauvaise calibration des tirs en désavantage numérique ou des rebonds. Je découpe par contexte et garde une période future complète comme test. Utiliser dans le modèle une information connue seulement après le tir — par exemple une correction issue du résultat — créerait une fuite de données et un modèle impossible à utiliser en direct.

La probabilité d’une série ajoute d’autres hypothèses. On peut simuler chaque match à partir d’une force estimée et compter combien de fois une équipe gagne quatre matchs. Mais les rencontres ne sont pas parfaitement indépendantes : blessures, gardien, fatigue et ajustements changent le contexte. Une équipe annoncée à 30 % gagne encore trois séries sur dix dans le monde décrit par le modèle. Lorsque ce résultat arrive, le modèle n’est pas automatiquement faux.

Le petit échantillon rend les séries excitantes et difficiles à résumer. Un gardien peut surperformer pendant quatre matchs; quelques poteaux déplacent le résultat sans changer la qualité du processus de façon durable. J’utiliserais les statistiques pour poser de meilleures questions : l’équipe concède-t-elle des tirs plus dangereux, contrôle-t-elle les retours, son avantage numérique crée-t-il de meilleurs angles?

Une panne de données doit rester visible. Si le suivi manque une période ou change de convention, le tableau de bord marque la couverture plutôt que compléter silencieusement avec des zéros. Les corrections gardent une version afin qu’une analyse puisse être reproduite.

La finale commence lundi. Je vais regarder les probabilités comme des hypothèses calibrées et les matchs comme les réalisations particulières de ces hypothèses. La pratique utile est d’afficher l’incertitude, la source et la calibration avec le chiffre; un pourcentage sans ces trois éléments ressemble trop facilement à un verdict.