Un modello di Poisson stima, per ogni squadra, un numero medio di gol atteso, e ne deduce una distribuzione di probabilità su tutti i risultati possibili — non un risultato unico. Suppone che i gol avvengano in modo indipendente l'uno dall'altro a un ritmo costante, due ipotesi che il calcio rispetta solo in modo approssimativo. Gli xG (gol attesi) alimentano questo tipo di modello come dato di ingresso, mai come risultato. La distribuzione ottenuta resta una stima da confrontare con una quota, che a sua volta incorpora un margine e l'opinione del mercato.
L'essenziale in pochi secondi
Un modello di Poisson stima un numero medio di gol per squadra, poi ne deduce una probabilità per ogni risultato possibile. Gli xG alimentano spesso questo tipo di modello a monte, come dato di ingresso. Il risultato è una distribuzione — mai un risultato unico, mai un pronostico.
Tre idee bastano per tenere tutta la pagina:
- il modello suppone, non constata — indipendenza dei gol e ritmo costante sono approssimazioni, non leggi del calcio;
- gli xG entrano nel modello, non ne escono — misurano la qualità delle occasioni, non una previsione;
- una distribuzione non è una quota — confrontarle richiede prima di convertire la quota in probabilità, margine incluso.
«Un modello statistico dà il risultato esatto della partita.»
Un modello Poisson/xG assegna una probabilità a ogni risultato possibile. In una partita di calcio, anche il risultato più probabile di una distribuzione realistica supera raramente il 15-20% di probabilità: la grande maggioranza dei risultati concepibili si divide il resto.
Che cos'è un modello di Poisson applicato al calcio?
Un modello di Poisson assegna a ogni squadra un numero medio di gol atteso per una partita, poi calcola la probabilità di segnare 0, 1, 2, 3 o più gol a partire da quella sola media. Combinando le due distribuzioni, una per squadra, si ottiene una probabilità per ogni risultato esatto — 1-0, 2-1, 0-0 — e, sommandole, una probabilità per ogni esito del mercato 1X2 o Over/Under.
Il principio risale a Maher (1982), il primo a formalizzare questo approccio per il calcio e a testarne la validità statistica su dati reali di campionato. La sua conclusione conteneva già entrambe le facce della questione: un modello di Poisson indipendente descrive ragionevolmente bene la distribuzione osservata dei risultati, con scarti sistematici identificabili piuttosto che semplice rumore.
Il modello resta semplice da descrivere, il che ne spiega la longevità: due medie di gol bastano a produrre una distribuzione completa su tutti gli esiti di una partita. La sua semplicità è anche il suo limite — si basa su ipotesi che vale la pena conoscere prima di leggere un risultato prodotto da questo tipo di modello.
Quali ipotesi pone la distribuzione di Poisson?
Due ipotesi sostengono tutto il modello: l'indipendenza dei gol tra loro, e un ritmo di segnatura costante su tutta la partita. Nessuna delle due è rigorosamente vera nel calcio — la domanda è quanto se ne discostano, e cosa cambia questo scarto.
| Ipotesi del modello | Cosa suppone | Cosa mostrano i dati |
|---|---|---|
| Indipendenza dei gol | Il numero di gol di una squadra non dipende da quello dell'altra | Correlazione debole ma misurata tra i due — vicina a 0,2 secondo Maher (1982) |
| Ritmo costante | La probabilità di segnare è la stessa al 5° e all'85° minuto | Il ritmo varia in base al risultato in corso (una squadra in svantaggio attacca di più, una in vantaggio può alzare il piede) |
| Forza fissa per squadra | La forza offensiva/difensiva non cambia durante la partita | Espulsioni, infortuni e cambi tattici modificano la forza reale nel corso della partita |
| Risultati indipendenti dal contesto | Ogni partita è trattata isolatamente | Calendario, posta in gioco e stanchezza influenzano il ritmo reale, non catturati dalla sola media di gol |
La correlazione misurata da Maher tra i gol delle due squadre non è nulla, ma resta debole — dell'ordine di 0,2. È esattamente questo scarto che Dixon e Coles (1997) hanno cercato di correggere quindici anni dopo, aggiungendo un parametro di dipendenza che aggiusta la probabilità dei risultati stretti (0-0, 1-0, 0-1, 1-1), quelli peggio rappresentati da un Poisson rigorosamente indipendente. Il loro lavoro ha un secondo contributo, citato meno spesso del primo: lo hanno testato direttamente contro le quote dei bookmaker, per verificare se il modello corretto identificasse scarti di prezzo sfruttabili sul mercato inglese della metà degli anni '90.
Un'ipotesi e un fatto non sono la stessa cosa. Un'ipotesi di modello è una scelta di semplificazione, assunta per rendere possibile il calcolo. Un fatto è ciò che mostrano i dati una volta che il modello viene confrontato con essi. Usare bene un modello Poisson/xG comincia dal sapere quale delle sue ipotesi porta più scarto sulla partita osservata.
Gli xG, dato di ingresso del modello
Gli Expected Goals (xG) misurano la qualità delle occasioni create, a partire dalla loro posizione, dalla loro configurazione e dal contesto dell'azione. Usati come dato di ingresso, permettono di costruire una media di gol più stabile di una semplice media di gol segnati, sensibile alle variazioni di finalizzazione da una partita all'altra.
Questo utilizzo colloca con precisione gli xG nella catena: alimentano il parametro di ingresso di un modello di Poisson, non ne sono mai l'output. Una squadra può mostrare xG elevati per diverse partite consecutive senza che il modello che li usa produca una vittoria certa — gli xG informano una media, non eliminano nessuna delle ipotesi legate al modello che li sfrutta in seguito.
L'angolo completo sul calcio — xG, forma, indicatori di gioco, e perché il calcio resiste particolarmente alla modellazione — è trattato in dettaglio dalla guida dedicata all'intelligenza artificiale applicata al calcio.
xG, dati di forma e modelli applicati al calcio →
Confrontare la distribuzione con il mercato
Una distribuzione di probabilità prodotta da un modello e una quota di un bookmaker rispondono a due logiche diverse, e confonderle equivale a confrontare un calcolo con un prezzo. La quota incorpora una stima, ma anche un margine e l'esposizione legata alle puntate già ricevute — due elementi che nessun modello di Poisson modella.
Per confrontare le due cose su una base comune, occorre convertire la quota in probabilità implicita, poi collocare la probabilità del modello sullo stesso esito. Se la stima del modello supera quanto richiesto dalla quota, lo scarto può leggersi come una quota giusta diversa dal prezzo esposto — un segnale da interrogare, mai una certezza, poiché lo scarto può rivelare tanto una debolezza del modello quanto un'inefficienza del mercato.
È esattamente la domanda che si ponevano Dixon e Coles nel 1997: un modello meglio specificato identifica scarti di prezzo che sopravvivono alla prova del mercato reale? La loro risposta, positiva sul campione originale, non si generalizza automaticamente — un mercato di scommesse si adatta, e uno scarto identificabile in una stagione può chiudersi nella successiva man mano che altri attori lo sfruttano.
Il mercato Over/Under, che riguarda direttamente un totale di gol, è quello in cui una distribuzione di Poisson si confronta più naturalmente con un prezzo.
Il mercato dei totali, e come si liquida →
Cosa permette un modello Poisson/xG — e cosa non permette
Tre livelli da non confondere mai.
- Cosa permette di fare — combinare due medie di gol in una distribuzione completa su tutti i risultati possibili, e collocare ogni esito di mercato su questa distribuzione.
- Cosa permette di stimare — una probabilità per risultato o per esito, con un margine di errore che dipende direttamente da quanto tengono le ipotesi di indipendenza e ritmo costante sulla partita osservata.
- Cosa non permette mai di concludere — il risultato della partita, nemmeno l'esito più probabile come dato acquisito. La rassegna di Bunker e Susnjak, già citata dalla guida IA calcio del sito, ricorda che il calcio resta uno degli sport più difficili da modellare proprio per il suo basso numero di gol.
Una conseguenza pratica di quest'ultimo limite: giudicare la qualità di un modello su una sola partita non ha senso statistico. Serve uno storico, e la quantità di dati necessaria perché diventi interpretabile dipende da parametri identificabili.
Da cosa dipende la quantità di dati necessaria →
Gioco responsabile — un modello non elimina il rischio. Le scommesse sportive comportano un rischio di perdita finanziaria e presentano, secondo l'Autorité nationale des jeux (il regolatore francese del gioco), il rischio individuale più elevato di gioco problematico tra le attività di gioco regolamentate. Una distribuzione di probabilità prodotta da un modello non rende nessuna scommessa priva di rischio. Fissa un budget, non cercare di recuperare le perdite e usa gli strumenti di limitazione o autoesclusione disponibili. Scopri di più sul gioco responsabile.
Come si colloca OddScore rispetto a questi modelli
OddScore non costruisce alcun modello di risultato e non pubblica alcuna distribuzione di probabilità. La piattaforma raccoglie le quote di più bookmaker, le converte in probabilità implicite, toglie il margine incorporato in ogni prezzo e ne segue l'evoluzione fino al fischio d'inizio.
Cosa significa in pratica: un modello Poisson/xG e una lettura di mercato rispondono a domande vicine ma distinte — l'uno stima una distribuzione a partire da medie di gol, l'altro legge cosa pensano collettivamente più operatori su un esito, prezzo per prezzo. Entrambi possono illuminarsi a vicenda; nessuno dei due sostituisce l'altro, e nessuno dei due costituisce un pronostico.
Il ruolo che una quota gioca all'interno di un'analisi più ampia — come un dato tra altri, mai come una risposta — è trattato in dettaglio dalla guida che collega quote e pronostici.
Integrare una quota in un'analisi, senza copiarla →
Esplora il mercato
I movimenti delle quote sono solo una parte della storia. Ecco i prossimi argomenti da leggere.
Pronostici sportivi: come analizzare prima di scommettere
La guida completa del cluster: dati, quote, affidabilità, bias e ruolo dell'IA.
Leggi la guidaPronostico calcio e intelligenza artificiale
xG, dati di forma e modelli applicati al calcio.
Vedi l'applicazione al calcioProbabilità implicita: convertirla da una quota
La formula per passare da una quota alla sua probabilità implicita.
Converti una quotaFair odds: dalla probabilità stimata alla quota
Passare da una probabilità di modello a una quota giusta.
Calcola una quota giustaOver/Under: il mercato dei totali
Il mercato che questo tipo di distribuzione serve più direttamente a valutare.
Vedi il mercatoI limiti dei pronostici IA
Dati incompleti, scatola nera, eccessiva fiducia in una cifra precisa.
Vedi i limitiQuante scommesse prima di giudicare una performance?
Da cosa dipende la quantità di dati necessaria.
Vedi il metodoDomande frequenti
Che cos'è un modello di Poisson applicato al calcio?
È un modello statistico che stima un numero medio di gol per ogni squadra, poi calcola la probabilità di segnare 0, 1, 2, 3 o più gol a partire da quella sola media. Produce una distribuzione di risultati, non un risultato unico.
Gli xG e la distribuzione di Poisson sono la stessa cosa?
No. Gli xG misurano la qualità delle occasioni create durante una partita già giocata o in corso. La distribuzione di Poisson è un modello probabilistico che può usare una media di gol (derivata o meno dagli xG) come parametro di ingresso, prima di una partita.
Perché il calcio non segue esattamente una distribuzione di Poisson?
Perché le sue due ipotesi centrali — indipendenza dei gol e ritmo costante su 90 minuti — sono solo approssimative. I gol di una stessa partita sono leggermente correlati, e il ritmo di gioco cambia in base al risultato in corso.
Un modello Poisson/xG può prevedere un risultato esatto?
No. Assegna una probabilità a ogni risultato possibile, e anche il risultato più probabile resta minoritario all'interno della distribuzione. Un modello che producesse un risultato unico smetterebbe di essere un modello probabilistico.
Come si confronta un modello statistico con una quota di un bookmaker?
Convertendo la quota in probabilità implicita, poi confrontando questa probabilità con quella che il modello produce sullo stesso esito. Lo scarto, se esiste, deve prima far dubitare del modello prima di far dubitare del mercato.
I bookmaker usano questo tipo di modello?
Varianti del modello di Poisson fanno parte degli strumenti storici della tariffazione sportiva, insieme ad altri metodi. Non spiegano da sole un prezzo esposto, che incorpora anche il margine e l'esposizione dell'operatore.
OddScore fornisce pronostici?
No. OddScore confronta le quote di più bookmaker, ne toglie il margine e ne segue l'evoluzione. La piattaforma non pubblica alcuna selezione di scommesse e non fornisce alcun consiglio di puntata.
Fonti & metodologia
Questa pagina si basa sui due lavori fondativi della modellazione dei risultati calcistici tramite la distribuzione di Poisson, sulla rassegna accademica dedicata alla previsione dei risultati negli sport di squadra già citata dalla guida IA calcio del sito, e sul quadro normativo francese pubblicato dall'Autorité nationale des jeux.
- Riprendere le ipotesi del modello di Poisson indipendente come formalizzate da Maher (1982), senza semplificarle.
- Presentare la correzione di correlazione introdotta da Dixon e Coles (1997) come la risposta accademica al limite di indipendenza, non come un dettaglio tecnico secondario.
- Trattare gli xG come un dato di ingresso tra altri, mai come un output del modello o un risultato in sé.
- Distinguere esplicitamente una distribuzione di probabilità prodotta da un modello da una quota di mercato, che incorpora un margine e un'esposizione commerciale.