Un modèle de Poisson estime, pour chaque équipe, un nombre moyen de buts attendu, puis en tire une distribution de probabilités sur tous les scores possibles, pas un score unique. Il suppose que les buts tombent indépendamment les uns des autres, à un rythme constant. Le football ne respecte ces deux hypothèses qu'à peu près. Les xG (buts attendus) alimentent ce type de modèle en entrée, ils n'en sortent pas. La distribution obtenue reste une estimation à comparer à une cote, qui contient elle-même une marge et l'avis du marché.
La réponse courte
Un modèle de Poisson estime un nombre moyen de buts par équipe, puis en déduit une probabilité pour chaque score possible. Les xG l'alimentent souvent en amont, comme donnée d'entrée. Ce qui sort, c'est une distribution : jamais un score unique, jamais un pronostic.
Retiens aussi que les hypothèses du modèle sont des approximations (buts indépendants, rythme constant). Et qu'une distribution ne se compare à une cote qu'après conversion de la cote en probabilité, marge comprise.
« Un modèle statistique donne le score exact du match. »
Un modèle Poisson/xG donne une probabilité à chaque score possible. Au football, même le score le plus probable d'une distribution réaliste dépasse rarement 15 à 20 % de probabilité. Tous les autres scores envisageables se partagent le reste.
Qu'est-ce qu'un modèle de Poisson appliqué au football ?
Un modèle de Poisson donne à chaque équipe un nombre moyen de buts attendu. Il calcule ensuite la probabilité de marquer 0, 1, 2, 3 buts ou plus à partir de cette seule moyenne. En combinant les deux distributions, une par équipe, on obtient une probabilité pour chaque score exact (1-0, 2-1, 0-0). En les additionnant, on obtient une probabilité pour chaque issue du marché 1N2 ou Over/Under.
L'idée remonte à Maher (1982). Il a été l'un des premiers à modéliser chaque équipe par une force d'attaque et de défense dans un modèle de Poisson, et à tester cette approche sur des données réelles de championnat. Son verdict était déjà nuancé : un Poisson indépendant décrit assez bien la distribution des scores observés, avec des écarts systématiques qu'on peut identifier, pas du simple bruit.
Le modèle est simple à décrire, et c'est ce qui explique sa longévité. Deux moyennes de buts suffisent pour couvrir toutes les issues d'un match. Cette simplicité a un prix, puisqu'elle repose sur des hypothèses qu'il vaut mieux connaître avant de lire un résultat.
Quelles hypothèses la loi de Poisson pose-t-elle ?
Deux hypothèses portent tout le modèle. Les buts sont indépendants entre eux, et le rythme de marque reste constant pendant tout le match. Aucune n'est strictement vraie au football. Reste à savoir de combien elles s'en écartent, et ce que cet écart change.
| Hypothèse du modèle | Ce qu'elle suppose | Ce que montrent les données |
|---|---|---|
| Indépendance des buts | Le nombre de buts d'une équipe ne dépend pas de celui de l'autre | Corrélation faible mais mesurée entre les deux, proche de 0,2 selon Maher (1982) |
| Rythme constant | La probabilité de marquer est la même à la 5e et à la 85e minute | Le rythme varie avec le score en cours (une équipe menée attaque davantage, une équipe qui mène peut lever le pied) |
| Force fixe par équipe | La force offensive et défensive ne change pas pendant le match | Cartons rouges, blessures et changements tactiques modifient la force réelle en cours de match |
| Scores indépendants du contexte | Chaque match est traité isolément | Calendrier, enjeu et fatigue influencent le rythme réel, que la seule moyenne de buts ne capte pas |
La corrélation mesurée par Maher entre les buts des deux équipes n'est pas nulle, mais elle reste faible : de l'ordre de 0,2. Dixon et Coles (1997) ont cherché à corriger cet écart quinze ans plus tard. Ils ont ajouté un paramètre de dépendance qui ajuste la probabilité des scores serrés (0-0, 1-0, 0-1, 1-1), les plus mal représentés par un Poisson strictement indépendant. Leur travail a un second apport, plus rarement cité. Ils ont testé le modèle corrigé contre des cotes de bookmakers. Objectif : voir s'il repérait des écarts de prix exploitables sur le marché anglais du milieu des années 1990.
Ce 0,2 paraît petit dans le tableau. C'est pourtant lui que Dixon et Coles ont voulu corriger. Une petite entorse à une hypothèse suffit à déformer les scores les plus courants.
Une hypothèse est un choix de simplification, fait pour que le calcul reste possible. Un fait, c'est ce que les données montrent une fois le modèle confronté à elles. Avec un modèle Poisson/xG, demande-toi laquelle de ses hypothèses s'écarte le plus de la réalité sur le match que tu regardes.
Le xG, donnée d'entrée du modèle
Les buts attendus (xG) mesurent la qualité des occasions créées, d'après leur position, leur construction et le contexte de l'action. Utilisés en entrée, ils donnent une moyenne de buts plus stable qu'une simple moyenne de buts marqués, qui bouge au gré de la réussite devant le but d'un match à l'autre.
Le xG a donc une place bien définie dans la chaîne. Il nourrit le paramètre d'entrée d'un modèle de Poisson, et ne sort jamais du modèle comme résultat. Une équipe peut afficher un xG élevé sur plusieurs matchs d'affilée sans que le modèle annonce une victoire certaine. Le xG informe une moyenne, il ne supprime aucune des hypothèses du modèle qui l'utilise ensuite.
Le guide dédié à l'IA appliquée au football détaille l'angle complet : xG, forme, indicateurs de jeu, et pourquoi le football se laisse si mal modéliser.
xG, données de forme et modèles appliqués au football →
Confronter la distribution au marché
Une distribution issue d'un modèle et une cote de bookmaker répondent à deux questions différentes. Les confondre, c'est comparer un calcul à un prix. La cote contient une estimation, mais aussi une marge et l'exposition liée aux mises déjà reçues. Aucun modèle de Poisson ne gère ces deux éléments.
Pour comparer sur une base commune, convertis la cote en probabilité implicite, puis place la probabilité du modèle sur la même issue. Si l'estimation du modèle dépasse celle qu'exige la cote, l'écart revient à une cote juste différente du prix affiché. C'est un signal à questionner, jamais une certitude : l'écart peut aussi bien révéler une faiblesse du modèle qu'une inefficience du marché.
Dixon et Coles posaient cette question en 1997. Un modèle mieux spécifié repère-t-il des écarts de prix qui tiennent face au marché réel ? Leur réponse était positive sur leur échantillon d'origine, mais elle ne se généralise pas d'office. Un marché de paris sportifs s'ajuste, et un écart visible une saison peut se refermer la suivante quand d'autres acteurs l'exploitent.
Le marché Over/Under porte directement sur un total de buts. C'est là qu'une distribution de Poisson rencontre le plus naturellement un prix.
Le marché à totaux, et comment il se règle →
Ce qu'un modèle Poisson/xG permet, et ce qu'il ne permet pas
Ce qu'il permet de faire : combiner deux moyennes de buts en une distribution complète sur tous les scores possibles, et situer chaque issue du marché sur cette distribution.
Ce qu'il permet d'estimer : une probabilité par score ou par issue. Sa marge d'erreur dépend de la validité des hypothèses d'indépendance et de rythme constant sur le match observé.
Ce qu'il ne permet jamais de conclure : le score du match, ni même l'issue la plus probable comme un résultat acquis. La revue de Bunker et Susnjak, déjà citée par le guide IA football du site, rappelle une chose. Le football reste l'un des sports les plus difficiles à modéliser, à cause du faible nombre de buts.
Juger la qualité d'un modèle sur un seul match n'a donc aucun sens statistique. Il faut un historique, et la quantité de données qui le rend lisible dépend de paramètres qu'on peut identifier. Si je ne devais retenir qu'un point de cette page, ce serait celui-là.
De quoi dépend la quantité de données nécessaire →
Jeu responsable : un modèle ne supprime pas le risque. Les paris sportifs comportent un risque de perte financière et présentent, selon l'Autorité nationale des jeux, le risque de jeu problématique le plus important au plan individuel parmi les activités régulées. Fixe-toi un budget, ne cherche pas à récupérer tes pertes et utilise les outils de limitation ou d'auto-exclusion disponibles. Besoin d'en parler ? Joueurs Info Service répond au 09 74 75 13 13, 7 jours sur 7. En savoir plus sur le jeu responsable.
Comment OddScore se situe face à ces modèles
OddScore ne construit pas de modèle de score à partir des statistiques d'équipe. La plateforme collecte les cotes de plusieurs bookmakers, les convertit en probabilités implicites, retire la marge et suit leur évolution. Au football, elle ajuste aussi une loi de Poisson sur le marché Over/Under pour afficher les buts attendus côté bookmakers : c'est une lecture du marché, pas un modèle propre.
Un modèle Poisson/xG et une lecture de marché répondent à deux questions voisines. L'un estime une distribution à partir de moyennes de buts. L'autre lit ce que plusieurs opérateurs pensent ensemble d'une issue, prix par prix. Ils peuvent s'éclairer l'un l'autre, aucun ne remplace l'autre, et ni l'un ni l'autre n'est un pronostic. Sur OddScore, la lecture IA résume ce que dit le marché avant le match. Ce n'est pas un pari à suivre, et il n'y a aucun conseil de mise.
Le guide qui relie cotes et pronostics explique le rôle d'une cote dans une analyse plus large : une donnée parmi d'autres, jamais une réponse.
Intégrer une cote à une analyse, sans la recopier →
Passer à la pratique
Appliquez ce guide sur des cotes réelles.
Voir une lecture de marché
Un vrai match avec ses cotes, ses mouvements et son signal 0-100.
Ouvrir la démoCalculateur de marge
Mesurez la marge d'un bookmaker sur n'importe quel marché.
Calculer la margeCreuser le marché
Les mouvements de cotes ne sont qu'une partie de l'histoire. Voici les prochains sujets à lire.
Pronostics sportifs : analyser avant de parier
Le guide complet du cluster : données, cotes, fiabilité, biais et rôle de l'IA.
Lire le guidePronostic football et intelligence artificielle
xG, données de forme et modèles appliqués au football.
Voir l'application footProbabilité implicite : la convertir depuis une cote
La formule pour passer d'une cote à sa probabilité implicite.
Convertir une coteFair odds : de la probabilité estimée à la cote
Passer d'une probabilité de modèle à une cote juste.
Calculer une cote justeOver/Under : le marché à totaux
Le marché sur lequel une distribution de buts se compare le plus directement à un prix.
Voir le marchéLes limites des pronostics IA
Données incomplètes, boîte noire, confiance excessive dans un chiffre précis.
Voir les limitesCombien de paris pour juger une performance ?
De quoi dépend la quantité de données nécessaire.
Voir la méthodeQuestions fréquentes
Qu'est-ce qu'un modèle de Poisson appliqué au football ?
C'est un modèle statistique qui estime un nombre moyen de buts pour chaque équipe, puis calcule la probabilité de chaque score à partir de cette moyenne. Il sort une distribution de scores, pas un score unique.
Le xG et la loi de Poisson, c'est la même chose ?
Non. Les xG mesurent la qualité des occasions créées pendant un match déjà joué ou en cours. La loi de Poisson est un modèle de probabilités qui peut prendre une moyenne de buts (issue des xG ou non) comme paramètre d'entrée, avant un match.
Pourquoi le football ne suit-il pas exactement une loi de Poisson ?
Ses deux hypothèses de base ne sont qu'approximatives : l'indépendance des buts et un rythme constant sur 90 minutes. Les buts d'un même match sont légèrement corrélés, et le rythme change selon le score en cours.
Un modèle Poisson/xG peut-il prédire un score exact ?
Non. Il donne une probabilité à chaque score possible, et même le plus probable reste minoritaire dans la distribution. Un modèle qui annoncerait un score unique ne serait plus un modèle de probabilités.
Comment comparer un modèle statistique à une cote de bookmaker ?
Tu convertis la cote en probabilité implicite, puis tu la compares à celle du modèle sur la même issue. S'il y a un écart, doute d'abord du modèle avant de douter du marché.
Les bookmakers utilisent-ils ce genre de modèle ?
Des variantes du modèle de Poisson font partie des outils historiques de la tarification sportive, avec d'autres méthodes. Elles n'expliquent pas à elles seules un prix affiché, qui contient aussi la marge et l'exposition de l'opérateur.
OddScore donne-t-il des pronostics ?
Non. OddScore compare les cotes de plusieurs bookmakers, en retire la marge et suit leur évolution. La lecture IA résume ce que dit le marché : ce n'est pas un pari à suivre, et il n'y a aucun conseil de mise.
Sources & méthodologie
Cette page s'appuie sur les deux travaux fondateurs de la modélisation des scores de football par la loi de Poisson, sur la revue académique consacrée à la prédiction des résultats en sport collectif (déjà citée par le guide IA football du site), et sur les ressources de l'Autorité nationale des jeux et de Joueurs Info Service.
- Reprendre les hypothèses du modèle de Poisson indépendant telles que Maher les a formalisées en 1982, sans les simplifier.
- Présenter la correction de corrélation de Dixon et Coles (1997) comme la réponse académique à la limite d'indépendance.
- Traiter le xG comme une donnée d'entrée parmi d'autres, jamais comme une sortie du modèle ou un résultat en soi.
- Séparer la distribution de probabilités d'un modèle et la cote du marché, qui intègre une marge et une exposition commerciale.
- Maher, M. J. (1982). Modelling association football scores. Statistica Neerlandica, 36(3), 109-118.
- Dixon, M. J. & Coles, S. G. (1997). Modelling Association Football Scores and Inefficiencies in the Football Betting Market. Journal of the Royal Statistical Society: Series C, 46(2), 265-280.
- ANJ, Les paris sportifs
- Joueurs Info Service