MathématiquesPreprintThéorie4 min de lecture

QUAND LA VAR DOIT-ELLE DÉJUGER L'ARBITRE ?

Le 26 juin 2026, lors de la dernière journée de la phase de groupes de la Coupe du monde, l’Iran affrontait l’Égypte à Seattle. Les auteurs étaient dans le stade. À la 93e minute, Shoja Khalilzadeh marque ce qui ressemble au but de la victoire, et l’équipe arbitrale sur le terrain le juge valable. Après de longues minutes, l’assistance vidéo à l’arbitrage (VAR) revient sur la décision : selon sa reconstruction 3D, une petite partie du pied du buteur se trouvait en position de hors-jeu. Le match se termine sur un nul. Selon The Athletic, l’Iran gardait 92 % de chances d’atteindre la phase à élimination directe ; les résultats du lendemain les ont ramenées à zéro.

La question des auteurs est simple : une toute petite marge de hors-jeu mesurée par la VAR doit-elle suffire à renverser la décision de l’arbitre ?

17 centimètres entre deux images

La précision à l’écran n’est pas la précision sur le terrain. Dans une vidéo à 30 images par seconde, un athlète qui court à 5 mètres par seconde avance d’environ 17 centimètres entre deux images. La moindre incertitude sur l’instant exact de la passe peut peser plus que les millimètres d’un modèle 3D.

Amir Ali Ahmadi, de l’université de Princeton, et Parsa et Radeen Alavi, de l’Algonquin Regional High School, ont transformé la dispute en modèle de probabilités. La vraie marge, θ, est la distance de l’attaquant au-delà de la ligne de hors-jeu : positive, il y a hors-jeu. L’arbitre la perçoit avec une erreur aléatoire de dispersion σ_H, mais ne dit que oui ou non. La VAR mesure un nombre, avec sa propre erreur aléatoire de dispersion σ_AI. Les deux erreurs sont supposées gaussiennes — réparties selon la courbe en cloche — et indépendantes.

La règle √(2/π)

Les auteurs cherchent ensuite la marge qui rend le plus probable ce qu’on a observé — un verdict de l’arbitre et un nombre de la VAR —, une méthode appelée maximum de vraisemblance. L’article démontre que cette meilleure estimation existe toujours et qu’elle est unique. Mieux : la décision finale ne demande aucun calcul, seulement une comparaison avec un seuil :

c = √(2/π) × σ_AI² / σ_H

Quand les deux sont en désaccord, la VAR ne renverse l’arbitre que si la marge qu’elle mesure dépasse c. En dessous, la décision de l’arbitre tient. Le nombre √(2/π), environ 0,80, vient de la courbe en cloche elle-même.

Prenez un arbitre dont l’erreur typique est de 10 cm et une VAR dont l’erreur typique est de 2 cm. Le seuil vaut 0,32 cm. Une marge contraire de 0,20 cm mesurée par la VAR laisse la décision de l’arbitre en place ; une marge de 0,50 cm la renverse. Placer l’attaquant au-delà de la ligne ne suffit pas : la VAR doit l’y placer de plus que le seuil.

Deux erreurs qui ne pèsent pas pareil

La formule cache une asymétrie. Le seuil croît avec le carré de l’erreur de la VAR, mais n’est qu’inversement proportionnel à celle de l’arbitre : doubler l’erreur de la VAR quadruple le seuil, doubler celle de l’arbitre le divise seulement par deux. Une VAR plus bruitée doit apporter une preuve plus forte ; un arbitre plus bruité se déjuge plus facilement. Les auteurs relient ces puissances différentes aux deux natures d’information : un nombre pour la VAR, un simple signe pour l’arbitre.

Combiner les deux paie aussi. Avec des erreurs égales de 2 cm et une vraie marge de 2 cm, l’arbitre seul ou la VAR seule se trompent 15,87 % du temps ; la règle combinée, 9,70 %.

Le modèle traite aussi les biais. Un arbitre enclin à signaler le hors-jeu, de 5 cm en moyenne, reçoit deux seuils différents : 0,20 cm pour renverser un hors-jeu sifflé, 0,46 cm pour renverser un but accordé. Et si la VAR a elle-même un biais connu de 1 cm, l’ignorer peut inverser le verdict.

Pour appliquer la règle, il faut les quatre paramètres d’erreur. L’article montre comment les estimer à partir d’actions d’étalonnage dont la vraie marge est connue : une simple moyenne et une dispersion pour la VAR, un ajustement « probit » — une méthode statistique classique qui retrouve un biais et une dispersion à partir de réponses oui-non — pour les oui et les non de l’arbitre.

Au-delà du terrain

On retrouve la même structure partout où un humain rend un verdict et une machine mesure la même grandeur : un médecin qui juge une lésion bénigne ou maligne face au score de malignité d’une IA, une équipe de maintenance qui valide une pièce d’avion face à un score de gravité des défauts, un gérant de fonds face au rendement attendu d’un modèle. Les auteurs proposent de mesurer l’effet réel de la règle là où l’étalonnage est facile : finance, imagerie médicale, marchés de prédiction.

L’article est écrit comme un support d’enseignement, pour des étudiants de licence et des élèves de lycée avancés qui connaissent les bases des probabilités et du calcul différentiel. Ses paramètres sont illustratifs : aucun arbitre ni système de VAR réel n’a été étalonné. Le dernier mot revient aux remerciements, où les auteurs disent avoir utilisé ChatGPT pour les figures, la relecture et des vérifications, « en suivant leur règle √(2/π) pour s’assurer que l’IA ne renversait pas leur jugement humain ».