Avant même le coup d'envoi du 11 juin, le tournoi avait déjà été joué des dizaines de milliers de fois. Pas sur un terrain, mais dans des serveurs. Des algorithmes ont simulé chaque match, chaque phase de groupe, chaque finale possible — et rendu leur verdict : l'Espagne. Mais voilà le paradoxe que personne ne mentionne vraiment : le modèle qui couronne la Roja lui donne aussi environ 84 % de chances de ne pas gagner.
Bienvenue dans la Coupe du Monde la plus mathématiquement complexe de l'histoire, avec 48 équipes pour la première fois. Plus d'équipes, c'est plus de matchs, plus de scénarios possibles, et — mécaniquement — des favoris avec des probabilités plus faibles. C'est précisément ce que souligne Chris Myson dans l'analyse publiée par Opta Analyst : « Dans un tableau de 48 équipes, il y a un éventail immense de résultats possibles, et aucune équipe ne va atteindre des pourcentages très élevés. »
25 000 finales avant l'heure
Le supercalculateur d'Opta — la division analytique de Stats Perform, référence mondiale en données sportives — a simulé l'intégralité du tournoi 25 000 fois avant le coup d'envoi du 11 juin. Pas 10 000 fois comme certains médias l'ont rapporté : 25 000 simulations complètes, match par match, du premier tour à la finale du 19 juillet. Le résultat de ces simulations, publié le 1er juin 2026 selon Opta Analyst, est clair : l'Espagne remporte le tournoi dans 16,1 % des scénarios, devant la France (13,0 %), l'Angleterre (11,2 %) et l'Argentine (10,4 %).
Ce que ces chiffres signifient concrètement : si vous jouiez la Coupe du Monde 2026 cent fois de suite dans un simulateur parfait, l'Espagne gagnerait environ seize fois. La France, treize. Et dans environ 36 % des cas, selon Opta, un pays deviendrait champion du monde pour la toute première fois de son histoire.
L'Espagne présente également une autre particularité statistique : elle est la seule équipe du tournoi à dépasser le seuil des 50 % de chances d'atteindre les quarts de finale, avec exactement 52,1 % selon Opta. Pour la finale, la probabilité tombe à 25,6 %. Autrement dit : même le grand favori a trois chances sur quatre de ne pas disputer la finale.
Le génie discret de Siméon-Denis Poisson
Pour comprendre comment un algorithme « simule » un match de football, il faut remonter à une idée mathématique vieille de deux siècles. Au XIXe siècle, le mathématicien français Siméon-Denis Poisson s'intéressait à la probabilité d'événements rares : combien de fois un événement improbable se produit-il dans un intervalle de temps donné ? Sa loi — la distribution de Poisson — répond à cette question avec une élégance remarquable.
Un but au football, c'est précisément ce type d'événement : rare, discret (on ne marque pas 2,7 buts), et relativement indépendant d'une minute à l'autre. Si une équipe marque en moyenne 1,8 but par match, la loi de Poisson permet de calculer la probabilité exacte qu'elle en marque 0, 1, 2, 3 ou davantage dans un match donné. Ce cadre mathématique a été appliqué pour la première fois au football par le statisticien M. J. Maher dans un article fondateur publié en 1982, qui montrait qu'« un modèle de Poisson indépendant donne une description raisonnablement précise des scores de football ».
L'idée centrale : chaque équipe a un paramètre d'intensité offensive (notons-le λ, « lambda ») qui dépend de sa force d'attaque et de la défense adverse. On tire un score pour l'équipe A selon sa loi de Poisson, un score pour l'équipe B selon la sienne — et on a un résultat simulé. Répétez l'opération pour chaque match du tournoi, puis recommencez 25 000 fois, et vous obtenez une distribution de probabilités sur tous les vainqueurs possibles.
Mais un match de football n'est pas une addition de deux dés indépendants. Quand une équipe mène 1-0, les deux équipes changent de tactique, ce qui modifie les intensités de buts. C'est pourquoi les modèles modernes — comme celui décrit par Dixon et Coles dans le Journal of the Royal Statistical Society — corrigent la Poisson naïve en pondérant davantage les matchs récents et en ajustant les probabilités des petits scores (0-0, 1-0, 0-1, 1-1), qui se comportent différemment de ce que prédit un modèle trop simple.
Monte Carlo au stade
Simuler un match, c'est bien. Simuler un tournoi entier, c'est une autre affaire. C'est là qu'entre en scène la méthode de Monte Carlo — un nom emprunté au casino monégasque, et qui en dit long sur l'état d'esprit. Le principe : répéter un processus aléatoire un très grand nombre de fois pour estimer la probabilité d'un résultat global. Pour une Coupe du Monde à 48 équipes, cela signifie simuler 104 matchs par tournoi, en propageant à chaque tour les incertitudes du tour précédent.
C'est exactement ce que décrivent Andreas Groll, Gunther Schauberger et Gerhard Tutz dans leur article de référence sur la prédiction des tournois de football : « La Coupe du Monde FIFA est simulée de manière répétée et des probabilités de victoire sont obtenues pour toutes les équipes. » Le modèle intègre une régression de Poisson régularisée — une technique qui évite de sur-ajuster les données en pénalisant les variables trop nombreuses — pour estimer les intensités de buts à partir de dizaines de covariables : classement FIFA, valeur marchande des effectifs, forme récente, âge moyen des joueurs.
L'équipe de l'Université d'Innsbruck, menée par Achim Zeileis, a conduit une simulation indépendante de 100 000 tournois complets, intégrant les effectifs finaux, les cotes de bookmakers et les valeurs de marché. Résultat convergent, mais légèrement différent : Espagne à 14,5 %, Angleterre et France à 12,4 % chacune. Comme le rappelle Andreas Groll, statisticien à TU Dortmund : « La probabilité que le grand favori remporte effectivement le tournoi ne dépasse généralement pas 20 % », selon le communiqué de l'Université d'Innsbruck.
Vous voyez le paradoxe ? Trois modèles indépendants — Opta, Innsbruck, et le modèle de l'Université de Liverpool qui donne l'Espagne à 26,1 % selon son communiqué de recherche — s'accordent sur le nom du favori, mais divergent sur son niveau de faveur. C'est une leçon de statistiques à elle seule : le consensus sur le classement ne garantit pas le consensus sur les chiffres.
Le joker Haaland et la limite des modèles
Il existe une faille connue dans tous ces modèles : ils raisonnent sur des moyennes d'équipes, alors que le football à élimination directe se joue souvent sur des performances individuelles hors-norme. Benjamin Holmes, chercheur au Centre for Sports Business de l'Université de Liverpool, l'explique clairement : son modèle simule désormais « les blessures, les suspensions et qui marque les buts », en intégrant même les conditions météorologiques et l'altitude des stades nord-américains.
C'est là qu'Erling Haaland entre dans l'équation. Un attaquant avec un taux de conversion statistiquement aberrant — ce que les data scientists appellent parfois un « super-athlète » — peut faire basculer les probabilités d'une équipe dans les matchs à élimination directe, où un seul but peut tout décider. La Norvège, pas particulièrement redoutable en phase de groupes selon les modèles, devient une variable perturbatrice dans les simulations de matchs secs.
Et puis il y a ce qu'aucun modèle ne peut capturer : un carton rouge à la première minute, une rafale de vent qui dévie un tir au poteau, un gardien qui sort le match de sa vie. La distribution de Poisson modélise l'intensité moyenne des buts — elle ne modélise pas le chaos.
C'est peut-être ça, la vraie leçon mathématique de cet exercice : un modèle probabiliste ne prédit pas l'avenir. Il cartographie l'incertitude. Et dans cette carte, l'Espagne occupe le sommet — mais le territoire qui lui échappe reste, de loin, le plus grand.
