Comment un modèle de Poisson prédit les scores au football

C'est samedi après-midi, deux équipes du milieu de tableau s'apprêtent à entrer sur le terrain. Un ami lance avec aplomb : "2-1 pour les locaux." Un autre prédit un triste 0-0. Qui a raison ? Personne ne peut le savoir, mais un outil mathématique simple permet de dire quelle est la probabilité réelle de chaque score. Cet outil, c'est le modèle de Poisson, et il est à la base d'une grande partie des prévisions de football.

L'idée de base : les buts sont des événements rares

Le football est un sport où l'on marque peu. Dans les grands championnats, la moyenne tourne autour de 2,5 à 3 buts par match, et la plupart des rencontres se terminent avec quelques buts seulement. Ils arrivent aussi à des moments assez imprévisibles, et un but n'en entraîne pas forcément un autre.

Les statisticiens disposent d'un outil classique pour compter des événements rares et dispersés : la loi de Poisson. On l'a d'abord utilisée pour des phénomènes comme le nombre d'appels reçus par un standard en une heure. Les buts de football ressemblent à ce type de phénomène, d'où son usage depuis longtemps dans le sport.

Ce que dit concrètement la loi de Poisson

Elle n'a besoin que d'une donnée : le nombre moyen de buts attendus, souvent noté lambda. À partir de ce chiffre, elle donne la probabilité de voir exactement 0, 1, 2, 3 buts ou plus.

Quelques propriétés utiles :

• Si une équipe doit marquer environ 1 but, les issues les plus probables sont 0 ou 1 but, et 2 buts ou plus sont bien moins fréquents.
• Si elle doit en marquer environ 2, ce sont 1 et 2 buts qui deviennent les plus probables.
• La distribution est toujours asymétrique : les gros scores sont peu probables mais possibles, et zéro n'est jamais impossible.

Le modèle considère ensuite les deux équipes comme indépendantes. Il calcule une distribution pour l'équipe à domicile, une autre pour l'équipe à l'extérieur, puis multiplie les probabilités pour obtenir celle de chaque score exact.

Étape 1 : estimer les buts attendus de chaque équipe

Tout dépend des deux lambdas. Une méthode courante s'appuie sur la force offensive et la force défensive :

• Force offensive : les buts marqués par match d'une équipe divisés par la moyenne du championnat.
• Force défensive : les buts encaissés par match divisés par la moyenne du championnat. Une valeur inférieure à 1 indique une défense meilleure que la moyenne.
• Avantage du terrain : les équipes à domicile marquent en moyenne davantage, donc le modèle utilise des moyennes distinctes pour les buts à domicile et à l'extérieur.

Les buts attendus de l'équipe à domicile valent alors : moyenne du championnat à domicile x attaque de l'équipe locale x défense de l'équipe visiteuse. Pour le visiteur, on applique la même logique en sens inverse. Les versions plus avancées remplacent les buts réels par les buts attendus (xG), qui mesurent la qualité des occasions et sont moins sensibles au hasard, et donnent plus de poids aux matchs récents.

Un exemple chiffré

Les valeurs ci-dessous sont un exemple pédagogique, pas des données réelles. Imaginons un championnat où les équipes marquent en moyenne 1,45 but à domicile et 1,15 à l'extérieur.

• Attaque locale 1,15 et défense visiteuse 0,95 : 1,45 x 1,15 x 0,95 donne environ 1,6 but attendu pour les locaux.
• Attaque visiteuse 0,95 et défense locale 1,00 : 1,15 x 0,95 x 1,00 donne environ 1,1 but attendu pour les visiteurs.

En appliquant la formule de Poisson avec 1,6 et 1,1, on obtient ces probabilités approximatives pour le nombre de buts de chaque équipe :

Pour obtenir un score, on multiplie une case de chaque colonne. Par exemple, un match nul 1-1 vaut 32,3 % x 36,6 %, soit environ 11,8 %. Une victoire 2-1 des locaux vaut 25,8 % x 36,6 %, soit environ 9,5 %. Un 0-0 vaut 20,2 % x 33,3 %, soit environ 6,7 %.

Remarquez un point essentiel : même le score le plus probable ici (1-1) n'atteint qu'environ une chance sur neuf. Aucun score exact n'est jamais très probable, ce qui explique pourquoi deviner le score d'un match est si difficile.

Des scores aux résultats et aux marchés de buts

La vraie force du modèle apparaît quand on additionne plusieurs scores. En sommant les bonnes cases de la grille complète, on obtient :

• Victoire à domicile : tous les scores où les locaux marquent davantage. Dans cet exemple, environ 49 %.
• Match nul : tous les scores à égalité. Environ 25 %.
• Victoire à l'extérieur : tous les scores où les visiteurs marquent davantage. Environ 26 %.
• Plus de 2,5 buts : le total attendu est de 2,7, ce qui donne environ 51 % de chances d'avoir trois buts ou plus.
• Les deux équipes marquent : (1 - 20,2 %) x (1 - 33,3 %), soit environ 53 %.

Un simple couple de buts attendus produit donc toute une famille de probabilités. C'est ainsi qu'un modèle peut annoncer 49 % de chances de victoire sans prétendre savoir ce qui va se passer. AI Football Predictor publie ce type de chiffres, dont les probabilités du match et les xG, pour chaque rencontre qu'il couvre.

Les limites du modèle de Poisson

Le modèle est élégant, mais il simplifie la réalité. Voici ses principales faiblesses :

• Hypothèse d'indépendance : dans les faits, les buts des deux équipes ne sont pas totalement indépendants. Une équipe qui mène peut se replier, et une équipe menée peut se jeter à l'attaque.
• Scores faibles : le Poisson de base se trompe souvent sur la fréquence des 0-0, 1-0, 0-1 et 1-1. Des ajustements comme celui de Dixon-Coles corrigent ce défaut.
• Dispersion des buts : le football réel présente parfois plus de variations que prévu, avec davantage de matchs très fermés ou très ouverts.
• Contexte changeant : blessures, cartons rouges, rotations, calendrier chargé ou changement d'entraîneur ne sont pas capturés par de simples moyennes.
• Petits échantillons : en début de saison, les notes d'attaque et de défense reposent sur peu de matchs et peuvent induire en erreur.

Les bons modèles atténuent ces problèmes en combinant plusieurs saisons, en pondérant la forme récente, en tenant compte du niveau des adversaires et en utilisant les xG plutôt que les seuls buts.

Comment lire ces chiffres avec bon sens

Une probabilité n'est pas une promesse. Une équipe créditée de 49 % de chances de victoire ne gagnera pas plus d'une fois sur deux, et cela n'a rien d'incohérent avec un modèle juste. Pour juger un modèle équitablement, il faut beaucoup de matchs : parmi toutes les rencontres notées à 25 % de nul, environ un quart doit se terminer sur un partage des points.

Servez-vous de ces résultats pour comprendre un match, pas pour le prédire avec certitude. Regardez l'écart entre les deux buts attendus, voyez si le total annonce une rencontre ouverte ou fermée, et considérez des probabilités proches comme un duel réellement indécis. Si vous êtes tenté de relier une statistique aux paris, rappelez-vous que les statistiques ne sont pas des garanties, que le jeu d'argent est réservé aux adultes et qu'il comporte de vrais risques financiers et personnels.

À retenir

• Le modèle de Poisson transforme un nombre de buts attendus en probabilités pour 0, 1, 2 buts ou plus.
• En multipliant les distributions des deux équipes, on obtient la probabilité de chaque score exact.
• En additionnant les scores, on obtient les probabilités de victoire, de nul et de défaite ainsi que les totaux de buts.
• Le modèle est une base utile et transparente, mais il a des limites connues et fonctionne mieux avec des données de qualité comme les xG.