ELO et Poisson : comment on modélise un match de football

D'où sort une probabilité comme « 62 % de victoire locale, 23 % de match nul, 15 % de visiteuse » ? Pas de l'intuition d'un analyste, mais de modèles mathématiques qui convertissent la force des équipes en nombres de buts, et ces buts en probabilités de résultat. Deux des pièces les plus classiques et robustes de ce mécanisme sont le système ELO et la distribution de Poisson.

Comprendre comment ces deux outils s'emboîtent te donne une radiographie de la façon dont pense un modèle de football, et de la raison pour laquelle il voit parfois de la valeur là où le supporter ne voit qu'un gros favori évident. Allons étape par étape, sans mathématiques inutiles.

Étape 1 : ELO, quelle force a chaque équipe

L'ELO est un système de notation qui mesure la force relative des équipes. Il est né aux échecs et s'est adapté au football avec un énorme succès. L'idée est simple :

• Chaque équipe a un nombre (son rating ELO).
• Plus il est élevé, plus elle est forte.
• Après chaque match, le gagnant vole des points au perdant.
• Ce qu'il vole dépend de la surprise : battre un rival très supérieur rapporte beaucoup ; battre un rival très inférieur, presque rien.

Ainsi le système s'autocorrige journée après journée : si une équipe s'améliore, elle monte ; si elle décline, elle baisse. L'écart d'ELO entre deux rivaux se traduit directement en une probabilité de victoire. Si l'équipe locale a 1900 et la visiteuse 1700, ces 200 points d'avantage donnent une probabilité concrète que l'équipe locale gagne.

L'ELO n'a pas besoin de connaître les noms ni les histoires : seulement les résultats. La renommée lui est égale, il mesure qui bat qui et de combien.

L'ELO est excellent pour une chose : estimer qui est meilleur et de combien. Mais à lui seul, il ne te donne pas de buts et ne sépare pas bien le match nul. Pour ça entre la deuxième pièce.

Étape 2 : Poisson, de la force aux buts

La distribution de Poisson est un outil statistique pour modéliser des événements rares qui se produisent à un rythme moyen connu. Et les buts s'y emboîtent parfaitement : ils sont peu nombreux et chaque équipe a une moyenne de buts marqués et encaissés.

Si tu sais qu'une équipe marque en moyenne 1,6 but dans ce match (son « lambda »), la loi de Poisson te dit la probabilité qu'elle marque exactement 0, 1, 2, 3... buts :

D'où sort ce 1,6 ? De la combinaison de la force offensive de l'équipe avec la force défensive du rival, ajustées par la moyenne de la ligue et par l'avantage de jouer à domicile. C'est ici que les modèles modernes injectent le xG pour estimer ces forces avec moins de bruit que les buts bruts.

Étape 3 : combiner les deux pour sortir le 1X2

Ici opère la magie. Tu calcules une moyenne de buts attendue pour chaque équipe (disons locale 1,6 et visiteuse 1,1). Tu appliques Poisson à chacune et tu obtiens la probabilité de chaque score exact :

• P(locale marque 2) × P(visiteuse marque 1) = probabilité d'un 2-1.
• P(locale marque 0) × P(visiteuse marque 0) = probabilité d'un 0-0.
• ...et ainsi de suite avec toute la grille des scores possibles.

Ensuite tu additionnes les cases selon le résultat :

• Tous les scores où l'équipe locale marque plus → probabilité de victoire locale (1).
• Tous les scores à égalité → probabilité de match nul (X).
• Tous ceux où la visiteuse marque plus → probabilité de victoire visiteuse (2).

Et pour l'over/under, tu additionnes les cases selon le total de buts : tous les scores qui totalisent 3 buts ou plus → probabilité d'Over 2.5. De la même grille de Poisson sortent presque tous les marchés.

Exemple conceptuel rapide

Locale avec une moyenne de 1,6 et visiteuse avec une moyenne de 1,1. Après avoir monté la grille de Poisson et additionné les cases, tu pourrais obtenir quelque chose comme :

• Victoire locale : 52 %
• Match nul : 26 %
• Victoire visiteuse : 22 %
• Over 2.5 buts : 48 %

Ce sont des probabilités, pas des cotes. L'étape finale est de comparer ces probabilités avec la probabilité implicite qu'offre le bookmaker. Si le modèle donne 52 % à l'équipe locale (cote juste ~1,92) et que le bookmaker paie 2,20, il y a là un value bet : la cote paie plus que la probabilité réelle estimée.

Pourquoi ELO + Poisson fonctionnent si bien ensemble

Chaque pièce comble le trou de l'autre :

• L'ELO est génial pour mesurer la force relative, mais il ne génère pas de buts et ne distingue pas bien le match nul.
• Poisson convertit des moyennes de buts en probabilités de score, mais il a besoin que quelqu'un lui dise la force de chaque équipe.

Ensemble, ils forment un système complet : ELO (ou des métriques de force alimentées par le xG) apporte le « qui est meilleur », Poisson apporte le « comment se répartissent les buts ». C'est transparent, robuste et facile à auditer, c'est pour ça que ça reste un pilier de la modélisation sportive malgré son âge.

Les limites (nous le disons clairement)

Aucun modèle n'est une vérité révélée. ELO+Poisson a des hypothèses qu'il convient de connaître :

• La loi de Poisson suppose l'indépendance entre les buts de chaque équipe, ce qui n'est pas tout à fait vrai (une équipe qui perd attaque plus). Il existe des ajustements pour cela, comme la correction de Dixon-Coles.
• Il ne « voit » pas le contexte : blessures de dernière minute, rotations, motivation, météo. Il faut les ajouter à part.
• Il dépend de bons inputs. Si l'estimation de la force est mauvaise, les probabilités seront mauvaises. Déchet en entrée, déchet en sortie.

Chez EDGE, nous utilisons ELO-Poisson comme l'une des colonnes de nos modèles, aux côtés du xG et de techniques comme XGBoost, tant pour les clubs que pour les sélections de la Coupe du Monde 2026. L'astuce n'est pas d'avoir le modèle le plus compliqué, mais d'estimer la probabilité réelle avec honnêteté et de bien la comparer au marché. Quand la cote paie plus que cette probabilité, il y a une valeur attendue positive ; quand ce n'est pas le cas, nous le disons et il n'y a pas de pari.

En résumé

• L'ELO mesure la force relative des équipes et s'autocorrige à chaque résultat.
• Poisson convertit une moyenne de buts attendue en probabilité de chaque score.
• Combinés, ils génèrent des probabilités de 1X2 et d'over/under en additionnant des cases de scores.
• La dernière étape est de comparer ces probabilités à la cote pour détecter la valeur.
• Ils ont des limites : indépendance des buts, cécité au contexte et dépendance à de bons inputs.

Derrière chaque pourcentage il y a des mathématiques, pas de la magie. Et les connaître t'aide à savoir quand te fier à un modèle et quand ne pas le faire.

EDGE est un outil d'analyse, pas un bookmaker. Parier comporte des risques. +18. Joue avec responsabilité.