Loi de Poisson au football : estimer les scores pas à pas

La loi de Poisson football est une méthode statistique qui transforme des moyennes de buts attendus en probabilités de scores. Elle permet ensuite d’estimer des résultats comme le 1N2 ou le total de buts. L’exemple ci-dessous utilise des moyennes entièrement fictives : il montre un calcul, pas une prévision sur une rencontre réelle.

Le principe de la loi de Poisson appliquée aux buts

La loi de Poisson décrit la probabilité qu’un événement se produise un certain nombre de fois pendant une période donnée. Pour un match, l’événement étudié est le but, et la période est le temps réglementaire retenu par le modèle.

La formule est : P(k) = e⁻λ × λᵏ / k!. Ici, k est le nombre de buts recherché, λ (lambda) la moyenne de buts attendue, e une constante mathématique et k! le produit des entiers de 1 à k. Pour zéro but, 0! vaut 1.

Par exemple, si une équipe a une moyenne attendue de 1,45 but, la formule donne séparément la probabilité qu’elle marque zéro, un, deux buts, et ainsi de suite. On calcule la même chose pour l’adversaire. Pour obtenir la probabilité d’un score précis, on multiplie les deux probabilités, en supposant que les nombres de buts des équipes sont indépendants.

Ce modèle ne désigne donc pas un score certain. Il répartit une probabilité entre plusieurs résultats possibles. Pour replacer ses hypothèses dans une analyse plus large, vous pouvez consulter notre guide pour analyser un match de football.

Définir les moyennes attendues des deux équipes

Les moyennes attendues, une pour chaque équipe, sont les paramètres centraux du calcul. Dans un modèle simple, elles peuvent être estimées à partir des buts marqués et encaissés lors de matches précédents. Une analyse plus élaborée peut tenir compte du lieu du match, de la force des adversaires ou de la qualité des occasions.

Les expected goals, ou xG, sont une estimation de la qualité des occasions de but. Ils peuvent fournir une information complémentaire, mais ne sont pas automatiquement équivalents aux buts futurs. Leur intérêt et leurs limites sont expliqués dans le guide sur les expected goals pour les parieurs.

Pour garder l’exemple lisible, prenons deux valeurs inventées :

• équipe qui reçoit : λ = 1,45 but attendu ;
• équipe visiteuse : λ = 1,05 but attendu.

Ces nombres ne décrivent aucune équipe ni rencontre réelle. Ils ne proviennent pas d’une base de résultats et ne doivent pas être interprétés comme une estimation actuelle. Ils servent uniquement à illustrer les opérations.

Calculer les probabilités des scores

Commençons par les probabilités de marquer zéro ou un but. Pour l’équipe qui reçoit, avec λ = 1,45, la probabilité de zéro but est d’environ 23,5 %. Celle de marquer un but est d’environ 34,0 %. Pour l’équipe visiteuse, avec λ = 1,05, ces probabilités sont respectivement d’environ 35,0 % et 36,7 %.

Pour estimer le score de 1-1, on multiplie la probabilité que l’équipe qui reçoit marque un but par celle que l’équipe visiteuse marque un but : 34,0 % × 36,7 % ≈ 12,5 %. Avec les mêmes paramètres, le score de 2-1 s’obtient en multipliant environ 24,7 % par 36,7 %, soit 9,1 %.

Le tableau présente les scores de zéro à trois buts pour chaque équipe. Les lignes correspondent aux buts de l’équipe qui reçoit, les colonnes à ceux de l’équipe visiteuse.

Ces valeurs sont arrondies. Le tableau ne montre pas les scores comportant au moins quatre buts pour l’une des équipes. Il ne représente donc pas toute la probabilité du modèle, qui comprend aussi ces résultats.

Additionner les scores pour obtenir le 1N2 et le total de buts

Le 1N2 regroupe les résultats en trois catégories : victoire de l’équipe qui reçoit, match nul ou victoire de l’équipe visiteuse. Pour obtenir chaque probabilité, on additionne les probabilités de tous les scores correspondants. Ainsi, la probabilité d’une victoire à domicile rassemble les scores où l’équipe qui reçoit marque davantage que son adversaire, comme 1-0, 2-0 ou 3-2.

Avec les paramètres fictifs de l’exemple, le modèle donne approximativement :

Les chiffres sont arrondis, ce qui peut faire varier légèrement leur somme. La méthode de calcul des probabilités d’un pari 1N2 est détaillée dans le guide sur le pari 1N2.

Pour le total de buts, la somme de deux variables de Poisson indépendantes suit aussi une loi de Poisson, dont la moyenne est la somme des deux paramètres : 1,45 + 1,05 = 2,50. Le modèle estime alors la probabilité d’un total inférieur ou égal à deux buts à environ 54,4 %, et celle d’au moins trois buts à environ 45,6 %. Cela correspond à une estimation théorique pour un marché plus ou moins de 2,5 buts, dont les règles sont présentées dans notre guide sur le plus ou moins de buts.

Relier une probabilité à une cote sans confondre estimation et certitude

On peut transformer une probabilité en cote théorique en calculant son inverse. Si le modèle estime une probabilité de 46,3 %, le calcul est 1 ÷ 0,463, soit une cote théorique proche de 2,16. Cette valeur, parfois appelée cote juste, ne tient pas compte de la marge d’un opérateur et dépend entièrement de la qualité des paramètres choisis.

Une cote affichée n’est pas une preuve que le modèle a raison ou tort. Pour comparer une cote à une estimation, il faut aussi comprendre la conversion entre cote et probabilité, ainsi que l’effet de la marge. Le guide sur la probabilité implicite et la cote juste détaille cette différence. Aucun calcul ne garantit qu’un pari sera rentable, ni qu’un résultat se produira.

Les limites du modèle de Poisson au football

La simplicité de la loi est utile pour apprendre à raisonner en probabilités, mais plusieurs hypothèses peuvent être éloignées de la réalité d’un match :

• Les buts sont supposés indépendants. Or, le déroulement du match peut changer après un but : une équipe peut défendre davantage ou prendre plus de risques.
• Le paramètre est considéré comme stable. Une expulsion, une blessure ou une modification tactique peut modifier les chances de marquer pendant la rencontre.
• Les buts sont modélisés à partir d’une moyenne. Deux équipes ayant la même moyenne peuvent avoir des profils très différents, par exemple une équipe régulière et une autre plus irrégulière.
• Les données utilisées influencent fortement le résultat. Une période courte, des adversaires de niveaux différents ou des changements d’effectif peuvent rendre une moyenne historique peu représentative.
• Les scores ne sont pas tous aussi bien décrits par un modèle simple. Les liens entre les buts des deux équipes et les situations de jeu peuvent conduire à des probabilités différentes de celles calculées sous l’hypothèse d’indépendance.

Des variantes statistiques tentent de corriger certaines limites, mais elles nécessitent davantage de données et d’hypothèses. Même un modèle plus complexe reste une représentation imparfaite du football. Une estimation ne remplace ni l’incertitude du match ni une analyse prudente des informations disponibles.

Une méthode simple pour utiliser le modèle avec prudence

Pour examiner un match sans transformer le calcul en certitude, gardez une démarche transparente :

1. Définissez les deux moyennes attendues et expliquez les données qui les justifient.
2. Calculez les probabilités de buts de chaque équipe avec la formule de Poisson.
3. Multipliez les probabilités des équipes pour obtenir celles des scores, en indiquant l’hypothèse d’indépendance.
4. Additionnez les scores concernés pour estimer le 1N2 ou le total de buts.
5. Comparez les résultats à d’autres informations, tout en tenant compte des limites et de l’incertitude.

La loi de Poisson est donc un outil de modélisation, pas une méthode pour connaître le score à l’avance. Ses résultats sont aussi fiables que les hypothèses et les données qui les alimentent, et ils restent des estimations parmi d’autres.