Plus/moins de 2,5 buts : comment la probabilité est calculée

Samedi après-midi. Deux équipes du milieu de tableau s'apprêtent à entrer sur le terrain, et une page de stats affiche Plus de 2,5 buts : 51 %. D'où sort ce chiffre ? Une intuition ? Une moyenne des derniers scores ? En réalité, il découle d'une chaîne de calculs assez simple. Une fois qu'on la comprend, toutes les probabilités de buts deviennent plus faciles à lire, et à remettre en question.

Ce guide suit cette chaîne pas à pas : ce que signifie la ligne de 2,5, comment les buts attendus alimentent le modèle, comment la loi de Poisson les transforme en probabilités, et où la méthode atteint ses limites.

Ce que signifie vraiment plus/moins de 2,5 buts

Ce marché porte sur le nombre total de buts marqués par les deux équipes pendant le temps réglementaire (arrêts de jeu compris, prolongations et tirs au but exclus). Le demi-but de la ligne évite toute égalité :

• Moins de 2,5 buts : le match se termine avec 0, 1 ou 2 buts.
• Plus de 2,5 buts : le match se termine avec 3 buts ou plus.

Les deux issues sont complémentaires. Si la probabilité de moins de 2,5 est de 49 %, celle de plus de 2,5 est de 51 %. Tout le problème se résume donc à une question : quelle est la probabilité de 0, 1 et 2 buts au total ? On additionne ces trois valeurs pour obtenir le « moins de », et le reste correspond au « plus de ».

À titre de repère, les grands championnats européens tournent en général autour de 2,5 à 3 buts par match, selon la compétition et la saison. C'est pourquoi 2,5 est la ligne de référence : elle se situe près du milieu de la distribution, et les deux issues sont souvent proches de l'équilibre.

Étape 1 : estimer les buts attendus de chaque équipe

Le premier ingrédient, c'est le nombre de buts que chaque équipe devrait marquer dans ce match précis. Les modèles le construisent à partir de plusieurs éléments :

• Force offensive : le nombre de buts, ou mieux, de buts attendus (xG) créés par l'équipe par rapport à la moyenne du championnat.
• Force défensive : le nombre de buts ou de xG concédés par rapport à cette même moyenne.
• Avantage du terrain : à domicile, on marque plus et on encaisse moins en moyenne.
• Niveau de buts du championnat : un championnat à 2,4 buts par match ne part pas de la même base qu'un autre à 3,0.

En combinant ces données, on obtient deux valeurs, par exemple 1,60 but attendu pour l'équipe à domicile et 1,10 pour l'équipe à l'extérieur. Ce sont des moyennes de ce qui peut arriver, pas des pronostics de score exact. Une équipe à 1,60 marquera 0, 1, 2 buts ou plus selon les jours, et le modèle doit décrire cette dispersion.

Pourquoi les xG plutôt que les buts bruts ?

Les buts sont rares et très aléatoires. Une équipe peut gagner 3-0 grâce à quelques ballons déviés, ou perdre 0-1 malgré de nombreuses occasions franches. Le xG mesure la qualité des occasions : c'est un signal plus stable de la vraie force d'une équipe que le score. En l'utilisant avec les buts réels, on obtient en général une estimation plus fiable du nombre de buts qu'une équipe devrait marquer.

Étape 2 : passer des moyennes à une distribution de buts

Savoir qu'une équipe marque 1,60 but en moyenne ne suffit pas. Il faut la probabilité d'avoir exactement 0, 1, 2 buts, etc. L'outil classique est la loi de Poisson, qui décrit la fréquence d'un événement rare et indépendant sur une durée donnée. Les buts correspondent assez bien à cette description.

La probabilité d'obtenir exactement k buts, pour une moyenne m, s'écrit :

P(k) = e^(-m) × m^k / k!

Inutile de la calculer à la main, mais sa forme est instructive. Avec une moyenne proche de 1,6, les issues les plus probables sont 1 but, puis 2, puis 0, avec une longue queue fine pour 4, 5 buts et plus.

Il existe un raccourci pratique pour les totaux. Si les buts à domicile et à l'extérieur suivent chacun une loi de Poisson et sont considérés comme indépendants, le total de buts suit lui aussi une loi de Poisson, dont la moyenne est la somme des deux moyennes. Ici, 1,60 plus 1,10 donne une moyenne totale de 2,70.

Exemple chiffré : un match à 2,70 buts attendus au total

Les chiffres ci-dessous sont un exemple illustratif, pas une prévision pour un match réel. On prend une moyenne totale de 2,70 (1,60 à domicile plus 1,10 à l'extérieur).

Moins de 2,5, c'est 6,7 % + 18,1 % + 24,5 % = 49,4 %. Plus de 2,5 correspond au reste, soit 50,6 %. On obtient le même résultat en calculant chaque score possible (0-0, 1-0, 0-1, 2-0, 1-1, 0-2) pour chaque équipe séparément, puis en additionnant. Le raccourci fait simplement gagner du temps.

Remarquez que, même avec 2,70 buts attendus, ce qui paraît beaucoup, la probabilité de « plus de 2,5 » dépasse à peine 50 %. C'est la leçon centrale : une moyenne supérieure à 2,5 ne rend pas le « plus de 2,5 » probable, seulement un peu plus probable que son contraire. Les petits scores comme 1-0 ou 1-1 restent très fréquents.

Ce qui fait bouger le chiffre

De petites variations des données d'entrée modifient sensiblement le résultat. Voici ce qui compte le plus :

• Les compositions et absences : un attaquant absent réduit les buts attendus de son équipe, un défenseur central absent augmente ceux de l'adversaire.
• Le style de jeu : deux équipes joueuses et pressantes produisent en général plus de tirs que deux équipes prudentes.
• Le contexte : coupe, derby, équipe qui n'a besoin que d'un nul, tout cela peut changer l'ouverture du match.
• La météo et la pelouse : forte pluie ou vent peuvent réduire la qualité du jeu et des occasions.
• La taille de l'échantillon : en début de saison, les estimations s'appuient beaucoup sur la saison passée et sont moins fiables.

Pour mesurer cette sensibilité : dans notre exemple, une moyenne totale de 2,40 donne environ 43 % de « plus de 2,5 », contre environ 58 % pour une moyenne de 3,00. Un écart de seulement 0,3 but attendu déplace la probabilité de 7 à 8 points.

Les limites du modèle de Poisson

Le modèle est une simplification utile. Il faut savoir ce qu'il néglige :

• L'indépendance : dans la réalité, les buts ne sont pas totalement indépendants. Une équipe qui mène 2-0 peut reculer, alors que celle qui est menée se découvre.
• Les petits scores : le modèle de base estime mal la fréquence des 0-0 et 1-1, c'est pourquoi beaucoup de modèles ajoutent une correction.
• Des données incertaines : le résultat vaut ce que valent les buts attendus de départ. Une mauvaise entrée donne un chiffre précis en apparence, mais faux.
• Cartons rouges et blessures : les événements en cours de match peuvent tout changer et ne figurent pas dans un chiffre d'avant-match.

Voilà pourquoi une probabilité n'est jamais un verdict. Une probabilité de 60 % pour « plus de 2,5 » signifie encore que le match finit « moins de 2,5 » environ quatre fois sur dix.

Comment lire et utiliser ces probabilités

Une bonne habitude consiste à voir ce chiffre comme une mesure de vraisemblance, pas comme une promesse. Quelques pistes :

• Comparez la probabilité avec votre propre lecture du match (infos d'équipe, tactique) et demandez-vous ce que le modèle peut ignorer.
• Transformez une probabilité en cote équitable en divisant 1 par la probabilité. Une chance de 50,6 % correspond à une cote équitable d'environ 1,98.
• Regardez plusieurs matchs, pas un seul. Une probabilité décrit des fréquences à long terme, et un match isolé ne prouve presque rien.

Sur notre site, AI Football Predictor publie ces chiffres, dont les probabilités de match et les xG, pour chaque rencontre : vous voyez ainsi les données derrière le chiffre de plus/moins de buts, et pas seulement le résultat final.

Si vous utilisez un jour des statistiques dans le cadre de paris, rappelez-vous qu'aucun modèle ne garantit un résultat, que les jeux d'argent sont réservés aux adultes et comportent des risques financiers et personnels réels. Si le jeu cesse d'être un plaisir, rapprochez-vous d'un organisme d'aide de votre pays.