StatsAI.bet

Modèles de prévision

Comment fonctionnent les prévisions de football par IA

Niveau débutant4 min de lecturePublié le 21 nov. 2026

Une prévision de football par IA est une probabilité d'issue qu'un modèle statistique calcule à partir des données des matchs passés : buts, résultats et force des équipes. Un modèle de Poisson transforme les buts attendus de chaque équipe en probabilités de score, d'où viennent le 1X2, le plus/moins de buts et les deux équipes marquent. Un classement Elo suit la force des équipes sur tous les matchs joués, et la calibration vérifie que les pourcentages collent à la réalité.

Sommaire
  1. Notions clés
  2. Des statistiques aux probabilités
  3. Le modèle de buts de Poisson
  4. Le classement Elo : la force d'une équipe en un nombre
  5. Ce qu'un modèle ne voit pas
  6. Limites
  7. Guides liés
  8. Sources

Notions clés

Prévision IA
La probabilité d'une issue de match calculée par un modèle, par exemple 49 % pour la victoire à domicile. Ce n'est pas une affirmation que l'issue va se produire.
Buts attendus (λ)
Le nombre moyen de buts qu'un modèle attend d'une équipe dans ce match, par exemple 1,6. Il dépend en général de l'attaque de l'équipe, de la défense adverse et de l'avantage du terrain.
Loi de Poisson
La loi du nombre d'événements rares et indépendants sur une durée fixe. Elle décrit bien les buts d'une équipe dans un match.
Classement Elo
Un nombre qui mesure la force d'une équipe. Il monte après un résultat meilleur que prévu et baisse après un résultat moins bon.

Des statistiques aux probabilités

  1. Données : résultats, buts, domicile et extérieur, championnat et date de milliers de matchs.
  2. Modèle : transforme les données en buts attendus ou en classement pour chaque équipe.
  3. Probabilités : le modèle donne toutes les issues du match, du 1X2 au score exact.
  4. Calibration : les pourcentages sont comparés à ce qui s'est réellement produit et corrigés.
  5. Mesure : après le match, chaque prévision est évaluée (score de Brier, log loss) et comparée aux cotes.

Le modèle de buts de Poisson

Si une équipe marque en moyenne λ buts, la probabilité qu'elle en marque exactement k est :

FormuleP(k) = e^(−λ) × λ^k / k!
Exemple mathématique

L'équipe à domicile a 1,6 but attendu et l'équipe à l'extérieur 1,1. Les buts des deux équipes sont traités comme indépendants.

ButsDomicile (λ = 1,6)Extérieur (λ = 1,1)
020,19 %33,29 %
132,30 %36,62 %
225,84 %20,14 %
313,78 %7,38 %
45,51 %2,03 %

La probabilité d'un score est le produit des deux colonnes. Un nul 1-1 a 32,30 % × 36,62 % = 11,83 % et c'est le score le plus probable. En additionnant tous les scores :

IssueProbabilitéCote juste
1 (victoire à domicile)48,96 %2,04
X (match nul)24,89 %4,02
2 (victoire à l'extérieur)26,15 %3,82
Plus de 2,5 buts50,64 %1,97
Les deux équipes marquent53,24 %1,88

Pour le total de buts, une loi de Poisson de 1,6 + 1,1 = 2,7 suffit, donc plus de 2,5 buts vaut 1 − e^(−2,7) × (1 + 2,7 + 2,7²/2) = 50,64 %. Les deux équipes marquent vaut (1 − e^(−1,6)) × (1 − e^(−1,1)) = 53,24 %. La cote juste est 1 / probabilité, comme dans le guide sur la probabilité implicite.

La méthode complète, de l'estimation des buts attendus à la matrice des scores et à la correction pour 0-0 et 1-1, est dans le guide loi de Poisson au football.

Le classement Elo : la force d'une équipe en un nombre

FormuleE = 1 / (1 + 10^(−(Rd + 60 − Re) / 400))

E est le résultat attendu de l'équipe à domicile (victoire 1, nul 0,5, défaite 0), Rd et Re sont les classements de l'équipe à domicile et de l'équipe à l'extérieur, et 60 points représentent l'avantage du terrain.

Exemple mathématique

L'équipe à domicile a un classement de 1600 et l'équipe à l'extérieur 1550. Avec l'avantage du terrain, l'écart est de 110 points, donc E = 65,32 %.

Après le match, le classement change de K × (résultat réel − attendu), avec K = 20 et un bonus pour une victoire nette (×1,5 pour deux buts d'écart) :

RésultatVariation à domicileNouveau classement à domicileNouveau classement à l'extérieur
1-0+6,941606,941543,06
2-0+10,401610,401539,60
1-1−3,061596,941553,06
0-1−13,061586,941563,06

L'Elo seul ne distingue pas un nul d'une demi-victoire, donc pour le 1X2 on ajoute une probabilité de nul plus haute quand les équipes sont proches.

Comment le classement évolue sur plusieurs matchs et comment on en tire le 1X2 est expliqué dans le guide classement Elo au football.

Ce qu'un modèle ne voit pas

  • Les nouvelles d'avant-match : blessures, suspensions et une composition annoncée une heure avant le coup d'envoi, à moins qu'elles ne soient dans les données.
  • La motivation : matchs de coupe, derbys, fin de saison et rotation de l'effectif.
  • Les changements dans l'équipe, comme un nouvel entraîneur ou un buteur vendu, tant qu'ils n'apparaissent pas dans les résultats.

C'est pourquoi une prévision IA est toujours comparée aux cotes, qui intègrent souvent déjà ces informations (voir IA contre bookmaker).

Performances réelles de StatsAI

Ce qu'utilise StatsAI :

  • Un modèle d'entrée : probabilités du 1X2, plus/moins de 2,5 buts, les deux équipes marquent et mi-temps/fin d'un modèle statistique externe que StatsAI importe chaque jour.
  • Son propre Elo des clubs : départ à 1500, K = 20, +60 points à domicile et une variation plus grande pour une victoire plus nette.
  • Un modèle de Poisson pour les buts par mi-temps, indépendant pour l'équipe à domicile et l'équipe à l'extérieur, et des combinaisons de pronostics qui en découlent.
  • Une calibration par type de pronostic (voir Calibration des probabilités) et un mélange avec les cotes sans marge dans le générateur de tickets.
  • Une mesure quotidienne de chaque prévision sur la page performances du modèle IA.

Limites

  • Le modèle de Poisson suppose que les buts des deux équipes sont indépendants. En réalité, 0-0 et 1-1 arrivent un peu plus souvent qu'il ne le dit.
  • L'Elo dépend du nombre de matchs dans les données, donc une équipe avec peu de matchs a un classement peu fiable.
  • Les exemples utilisent des valeurs inventées (1,6 et 1,1 but, classements 1600 et 1550). Les modèles réels les estiment à partir des données.
  • Une prévision IA est une probabilité, pas une promesse. Même une prévision à 80 % se trompe une fois sur cinq.