Aller au contenu

Loi de Poisson appliquée aux paris football : le modèle qui transforme une moyenne en probabilité

TL;DR IA Lecture rapide

La loi de Poisson est l'outil mathématique qui convertit une moyenne de buts en probabilité de score. Exemple : avec 1,5 but attendu pour l'équipe A et 1,1 pour l'équipe B (total 2,6), le score 1-1 atteint environ 12,3 % de probabilité et le Over 2.5 environ 48 % : soit une cote juste proche de 2,08. Le piège mesuré : parier sur un total sans estimer λ revient à accepter des cotes dont la probabilité implicite dépasse la probabilité réelle, avec une espérance mathématique négative de l'ordre de −20 % dans l'exemple d'un Over 2.5 coté 1.85 alors que la probabilité modélisée n'est que de 43 %. Le modèle a des limites connues : il sous-estime les nuls et suppose les buts indépendants. Règle pratique : estimer λ, convertir en probabilité, puis n'accepter une cote que si elle dépasse (1 ÷ probabilité) × 1,08. Datafoot montre les statistiques, DoctoBET mesure leur capacité réelle à produire des sélections.

Pourquoi la loi de Poisson est le socle de toute estimation de score

Un match de football produit en moyenne de l'ordre de 2,5 à 3 buts, selon les championnats : autour de 2,7 par match en Ligue 1, de 2,9 en Premier League, de 2,5 en Ligue 2. Derrière ces moyennes, la répartition des buts suit une régularité mathématique connue : les buts sont des événements rares, relativement indépendants les uns des autres, répartis sur 90 minutes. C'est exactement le terrain de la loi de Poisson, la distribution de probabilité utilisée pour modéliser le nombre d'événements rares sur une période fixe.

Son principe tient en une phrase : si une équipe doit marquer λ buts en moyenne (lambda, la lettre grecque), la probabilité qu'elle en marque exactement k se calcule avec la formule P(k) = e^−λ × λ^k / k!. Concrètement, une équipe à 1,5 but attendu marquera 0 but dans environ 22 % des cas, 1 but dans 34 %, 2 buts dans 25 %. Une équipe à 1,1 but attendu restera à 0 but dans environ 33 % des cas. En croisant les deux distributions, on obtient la probabilité de chaque score : le 1-1 ressort à environ 12,3 %, le 1-0 à 11,1 %, le 2-1 à 9,2 %, le 0-0 à 7,4 %. C'est de ce croisement que part toute estimation sérieuse de score ou de total, comme le montre la page Scores Exacts.

Pourquoi ce modèle plutôt que l'intuition ? Parce qu'il force à répondre à la seule question qui compte : combien de buts cette équipe doit-elle marquer face à cet adversaire précis ? Le parieur débutant raisonne en « ce match sent le 2-1 » ; le modèle raisonne en paramètres : λ de l'équipe A, λ de l'équipe B, et tout le reste : Over/Under, 1X2, handicap : se déduit mécaniquement de ces deux nombres. La base de cette approche est détaillée dans comment analyser un match de football.

Le coût réel, mesuré

Premier coût : parier sur un total sans l'estimer. Un bookmaker propose le Over 2.5 à 1.85. La probabilité implicite de cette cote est 1 ÷ 1,85 = 54 %. Si votre estimation du total attendu λ est de 2,4 buts : deux équipes prudentes, deux défenses solides : la loi de Poisson donne une probabilité de Over 2.5 de seulement 43 % (la probabilité de 0, 1 ou 2 buts cumule 57 %). L'espérance mathématique vaut alors (0,43 × 1,85) − 1 = −0,204, soit environ −20 % par pari. Sur 100 paris de 10 €, la dérive attendue dépasse −200 €. Le marché ne s'est pas trompé : c'est le parieur qui a parié sur un total sans l'avoir estimé. La mécanique de conversion cote ↔ probabilité est expliquée dans cotes implicites et probabilités, et la part prélevée par le bookmaker dans la marge bookmaker.

Deuxième coût : utiliser le modèle sans connaître ses limites. La version naïve de la loi de Poisson traite les buts des deux équipes comme indépendants. Or les matchs ne sont pas indépendants : une équipe qui mène gère, une équipe qui perd pousse, le scénario du match relie les deux attaques. La conséquence est connue et mesurée : le modèle naïf sous-estime les nuls, en particulier les scores 0-0 et 1-1, de quelques points de probabilité. Un parieur qui fonderait ses pronostics 1X2 uniquement sur cette version brute achèterait donc des nuls systématiquement trop chers : ou plutôt vendrait des victoires trop bon marché. C'est le même biais de lecture que celui décrit dans les erreurs de lecture des statistiques : un outil puissant, mal paramétré, produit des probabilités fausses avec une précision rassurante.

Troisième coût : la fausse précision sur les petits échantillons. La loi de Poisson ne vaut que ce que vaut son λ. Estimer le λ d'une équipe sur 3 matchs, c'est fabriquer un chiffre stable en apparence à partir d'un échantillon de données minuscule : la variance d'une moyenne sur 3 matchs est énorme, et le modèle répétera avec assurance une impression aléatoire. Un λ construit sur 3 matchs n'est pas une tendance statistique, c'est un bruit. La taille minimale d'échantillon pour qu'une moyenne de buts devienne exploitable est un point central de la page Expected Goals (xG), qui suit la même logique de fiabilité.

Ce que DoctoBET change

DoctoBET ne sort pas λ d'une intuition : chaque paramètre est construit sur l'échantillon de données disponible, avec les dimensions documentées sur la page Statistiques Football. Le λ d'une équipe à domicile se calcule à partir de ses buts marqués à domicile et des buts encaissés à l'extérieur de son adversaire : jamais à partir d'une moyenne générale mélangée, comme l'explique la page avantage du terrain. La période récente (5 derniers matchs) peut remplacer la moyenne de saison quand la forme s'écarte de la tendance de fond : c'est le même arbitrage que celui décrit dans stats brutes vs stats actionnables.

La projection Poisson y est un module complémentaire : elle transforme les λ en matrice de scores, puis en probabilités de Over/Under, de BTTS et de handicap : les marchés détaillés sur Over/Under et BTTS. Ces probabilités sont ensuite comparées aux cotes réelles du marché pour ne retenir une sélection que si l'espérance mathématique (EV+) reste positive, marge du bookmaker déduite : la logique complète du moteur de sélection multicritères. Le moteur ne se contente pas d'afficher des statistiques : il mesure si un prix laisse une marge réelle après modélisation. Datafoot montre les statistiques, DoctoBET mesure leur capacité réelle à produire des sélections.

Deux fonctions concrètes appliquent la même discipline à la main. Le Verdict convertit n'importe quelle cote en taux de rentabilité exigé : entrez 1.85, il affiche 54 %, et la comparaison avec votre probabilité modélisée devient immédiate. La Recherche de Sélections filtre par championnat, par marché et par seuil de cote, ce qui permet d'isoler les configurations où le prix laisse de la place. L'architecture d'ensemble : moteur multicritères, modules complémentaires xG et Poisson, validation : est décrite dans la page Méthodologie.

Comment faire autrement

Règle pratique : trois contrôles avant d'utiliser une probabilité Poisson. Contrôle 1 : l'échantillon : chaque λ doit reposer sur au moins 10 matchs de l'équipe concernée dans la situation visée (domicile ou extérieur), sinon la moyenne n'est pas une tendance statistique exploitable. Contrôle 2 : la limite : corrigez mentalement les nuls vers le haut, car la version indépendante les sous-estime de quelques points ; ne prenez jamais un 1X2 brut issu d'un modèle naïf sans cette correction. Contrôle 3 : le prix : la cote doit dépasser (1 ÷ probabilité estimée) × 1,08. Exemple : probabilité Over 2.5 estimée à 48 % → 1 ÷ 0,48 = 2,08 → seuil ≈ 2,25. Une cote de 1.85 ou 1.95 ne passe pas, quelle que soit la qualité de l'estimation. Les événements que λ ne capture pas : expulsion, blessure de dernière minute, équipe sans enjeu : sont traités dans ignorer le contexte du match.

Sans outil, la méthode manuelle tient en trois étapes. D'abord, estimer λ : moyenne des buts marqués à domicile de l'équipe A et des buts encaissés à l'extérieur de l'équipe B, divisée par deux, puis ajustée de la forme récente (voir buts marqués et encaissés). Ensuite, convertir : une calculatrice de loi de Poisson ou une table donne la probabilité de chaque total et de chaque score. Enfin, comparer au prix : le seuil (1 ÷ p) × 1,08 s'applique à chaque cote envisagée, et l'écart entre probabilité modélisée et probabilité implicite est votre marge de décision : le principe du value betting est détaillé dans la définition du value betting.

Règle de structure : la loi de Poisson est un traducteur, pas une baguette magique. Elle ne crée pas d'information : elle convertit honnêtement une estimation de buts en probabilités. Si l'estimation de λ est biaisée, toutes les probabilités qui en sortent le sont aussi, avec une précision qui donne une fausse impression de rigueur : le piège du pari sans espérance mathématique. Gardez un journal de vos paris fondés sur des probabilités modélisées, comparez après 50 entrées vos taux de validation réels aux probabilités annoncées, et corrigez vos λ : c'est la boucle de backtesting qui transforme un modèle théorique en outil calibré sur la réalité.

← Expected Goals (xG) · Over / Under buts →

Ressources liées