Un modèle de Poisson estime, pour chaque équipe, un nombre moyen de buts attendu, puis en déduit une distribution de probabilités sur tous les scores possibles — pas un score unique. Il suppose que les buts surviennent indépendamment les uns des autres à un rythme constant, deux hypothèses que le football ne respecte qu'approximativement. Les xG (buts attendus) servent de donnée d'entrée à ce type de modèle, pas de résultat. La distribution obtenue reste une estimation à confronter à une cote, qui elle-même intègre une marge et l'opinion du marché.
L'essentiel en quelques secondes
Un modèle de Poisson estime un nombre moyen de buts par équipe, puis en déduit une probabilité pour chaque score possible. Les xG alimentent souvent ce type de modèle en amont, comme donnée d'entrée. Le résultat est une distribution — jamais un score unique, jamais un pronostic.
Trois idées suffisent pour tenir toute la page :
- le modèle suppose, il ne constate pas — indépendance des buts et rythme constant sont des approximations, pas des lois du football ;
- le xG entre dans le modèle, il n'en sort pas — c'est une mesure de la qualité des occasions, pas une prédiction ;
- une distribution n'est pas une cote — comparer les deux suppose de d'abord convertir 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. Sur un match de football, même le score le plus probable d'une distribution réaliste dépasse rarement 15 à 20 % de probabilité : la grande majorité des scores envisageables se partage le reste.
Qu'est-ce qu'un modèle de Poisson appliqué au football ?
Un modèle de Poisson attribue à chaque équipe un nombre moyen de buts attendu sur un match, puis calcule la probabilité de marquer 0, 1, 2, 3 buts ou plus à partir de cette seule moyenne. Combiner les deux distributions, une par équipe, donne une probabilité pour chaque score exact — 1-0, 2-1, 0-0 — et, en les additionnant, une probabilité pour chaque issue du marché 1N2 ou Over/Under.
Le principe remonte à Maher (1982), premier à formaliser cette approche pour le football et à en tester la validité statistique sur des données réelles de championnat. Sa conclusion tenait déjà les deux faces du sujet : un modèle de Poisson indépendant décrit raisonnablement bien la distribution des scores observés, avec des écarts systématiques identifiables plutôt qu'un simple bruit.
Le modèle reste simple à décrire, ce qui explique sa longévité : deux moyennes de buts suffisent à produire une distribution complète sur toutes les issues d'un match. Sa simplicité est aussi sa limite — elle repose sur des hypothèses qu'il faut connaître avant de lire un résultat produit par ce type de modèle.
Quelles hypothèses la loi de Poisson pose-t-elle ?
Deux hypothèses portent tout le modèle : l'indépendance des buts entre eux, et un rythme de marque constant sur toute la durée du match. Aucune des deux n'est strictement vraie au football — la question est de 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/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, non capturés par la seule moyenne de buts |
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. C'est justement l'écart que Dixon et Coles (1997) ont cherché à corriger quinze ans plus tard, en ajoutant 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 que le premier : ils l'ont directement testé contre des cotes de bookmakers, pour vérifier si le modèle corrigé identifiait des écarts de prix exploitables sur le marché anglais du milieu des années 1990.
Hypothèse et fait ne sont pas la même chose. Une hypothèse de modèle est un choix de simplification, assumé pour rendre le calcul possible. Un fait est ce que les données montrent une fois le modèle confronté à elles. Un bon usage d'un modèle Poisson/xG commence par savoir laquelle de ses hypothèses porte le plus d'écart sur le match observé.
Le xG, donnée d'entrée du modèle
Les buts attendus (xG) mesurent la qualité des occasions créées, à partir de leur position, de leur configuration et du contexte de l'action. Utilisés comme donnée d'entrée, ils permettent de construire une moyenne de buts plus stable qu'une simple moyenne de buts marqués, sensible aux variations de finition d'un match à l'autre.
Cette utilisation situe précisément le xG dans la chaîne : il alimente le paramètre d'entrée d'un modèle de Poisson, il n'en est jamais la sortie. Une équipe peut afficher un xG élevé sur plusieurs matchs consécutifs sans que le modèle qui l'utilise ne produise une victoire certaine — le xG informe une moyenne, il ne supprime aucune des hypothèses attachées au modèle qui l'exploite ensuite.
L'angle football complet — xG, forme, indicateurs de jeu, et pourquoi le football résiste particulièrement à la modélisation — est traité en détail par le guide dédié à l'intelligence artificielle appliquée au football.
xG, données de forme et modèles appliqués au football →
Confronter la distribution au marché
Une distribution de probabilités issue d'un modèle et une cote de bookmaker répondent à deux logiques différentes, et les confondre revient à comparer un calcul à un prix. La cote intègre une estimation, mais aussi une marge et l'exposition liée aux mises déjà reçues — deux éléments qu'aucun modèle de Poisson ne modélise.
Pour comparer les deux sur une base commune, il faut convertir la cote en probabilité implicite, puis situer la probabilité produite par le modèle sur la même issue. Si l'estimation du modèle dépasse celle qu'exige la cote, l'écart peut se lire comme une cote juste différente du prix affiché — un signal à interroger, jamais une certitude, puisque l'écart peut tout aussi bien révéler une faiblesse du modèle qu'une inefficience du marché.
C'est précisément la question que posaient Dixon et Coles en 1997 : un modèle mieux spécifié identifie-t-il des écarts de prix qui survivent à l'épreuve du marché réel ? Leur réponse, positive sur leur échantillon d'origine, ne se généralise pas automatiquement — un marché de paris sportifs s'ajuste, et un écart identifiable une saison peut se refermer la suivante à mesure que d'autres acteurs l'exploitent.
Le marché Over/Under, qui porte directement sur un total de buts, est celui où une distribution de Poisson se confronte le plus naturellement à 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
Trois niveaux à ne jamais confondre.
- 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, avec une marge d'erreur qui dépend directement 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 que le football reste l'un des sports les plus difficiles à modéliser du fait de son faible nombre de buts.
Une conséquence pratique de cette dernière limite : juger la qualité d'un modèle sur un seul match n'a pas de sens statistique. Il faut un historique, et la quantité de données nécessaire pour qu'il devienne interprétable dépend de paramètres identifiables.
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 de jeu régulées. Une distribution de probabilités produite par un modèle ne rend aucun pari sans risque. Fixe un budget, ne cherche pas à récupérer tes pertes et utilise les outils de limitation ou d'auto-exclusion disponibles. En savoir plus sur le jeu responsable.
Comment OddScore se situe face à ces modèles
OddScore ne construit pas de modèle de score et ne publie aucune distribution de probabilités. La plateforme collecte les cotes de plusieurs bookmakers, les convertit en probabilités implicites, retire la marge intégrée à chaque prix et suit leur évolution jusqu'au coup d'envoi.
Ce que cela signifie concrètement : un modèle Poisson/xG et une lecture de marché répondent à deux questions voisines mais distinctes — l'un estime une distribution à partir de moyennes de buts, l'autre lit ce que plusieurs opérateurs pensent collectivement d'une issue, prix par prix. Les deux peuvent s'éclairer mutuellement ; aucun des deux ne remplace l'autre, et ni l'un ni l'autre ne constitue un pronostic.
Le rôle que joue une cote dans une analyse plus large — comme donnée parmi d'autres, jamais comme réponse — est traité en détail par le guide qui relie cotes et pronostics.
Intégrer une cote à une analyse, sans la recopier →
Creuser 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 que ce type de distribution sert le plus directement à évaluer.
Voir le marchéLes limites des pronostics IA
Données incomplètes, boîte noire, sur-confiance 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 possible à partir de cette moyenne. Il produit une distribution de scores, pas un score unique.
Le xG et la loi de Poisson, est-ce 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 probabiliste qui peut utiliser une moyenne de buts (dérivée ou non des xG) comme paramètre d'entrée, avant un match.
Pourquoi le football ne suit-il pas exactement une loi de Poisson ?
Parce que ses deux hypothèses centrales — indépendance des buts et rythme constant sur 90 minutes — ne sont qu'approximatives. Les buts d'un même match sont légèrement corrélés, et le rythme de jeu change selon le score en cours.
Un modèle Poisson/xG peut-il prédire un score exact ?
Non. Il attribue une probabilité à chaque score possible, et même le score le plus probable reste minoritaire dans la distribution. Un modèle qui produirait un score unique cesserait d'être un modèle probabiliste.
Comment comparer un modèle statistique à une cote de bookmaker ?
En convertissant la cote en probabilité implicite, puis en comparant cette probabilité à celle que produit le modèle sur la même issue. L'écart, s'il existe, doit d'abord faire douter du modèle avant de faire douter du marché.
Les modèles de ce type sont-ils utilisés par les bookmakers ?
Des variantes du modèle de Poisson font partie des outils historiques de la tarification sportive, aux côtés d'autres méthodes. Elles n'expliquent pas seules un prix affiché, qui intègre aussi la marge et l'exposition de l'opérateur.
OddScore fournit-il des pronostics ?
Non. OddScore compare les cotes de plusieurs bookmakers, en retire la marge et suit leur évolution. La plateforme ne publie aucune sélection de paris et ne fournit 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 de résultats en sport collectif déjà citée par le guide IA football du site, et sur le cadre réglementaire français publié par l'Autorité nationale des jeux.
- Reprendre les hypothèses du modèle de Poisson indépendant telles que formalisées par Maher (1982), sans les simplifier.
- Présenter la correction de corrélation introduite par Dixon et Coles (1997) comme la réponse académique à la limite d'indépendance, pas comme un détail technique secondaire.
- Traiter le xG comme une donnée d'entrée parmi d'autres, jamais comme une sortie du modèle ou un résultat en soi.
- Distinguer explicitement une distribution de probabilités produite par un modèle et une cote de 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