Calculateur de Poisson

Transformez les buts attendus en probabilités de score exact et de résultat de match en utilisant la loi de Poisson.

Un calculateur de Poisson transforme les buts attendus en probabilités de score et en cotes de résultat de match, vous offrant une base statistique pour comparer avec le marché des bookmakers.

Qu’est-ce que la loi de Poisson ?

La loi de Poisson est un modèle statistique qui décrit la fréquence à laquelle un événement rare et indépendant se produit dans une période donnée — ce qui en fait un outil parfait pour modéliser le nombre de buts au football. Si vous connaissez les buts attendus d’une équipe pour un match, la loi de Poisson vous indique la probabilité qu’elle marque exactement 0, 1, 2, 3 buts ou plus. La forme mathématique est élégante : pour un taux de buts attendus donné, il existe une formule qui donne la probabilité de n’importe quel nombre exact de buts. Au football, cela signifie que si vous pouvez estimer les buts attendus de chaque équipe en fonction de leur forme ou de leur qualité, la loi de Poisson convertit cette estimation en une distribution de probabilité complète des scores. Un match où l’équipe à domicile devrait marquer 1.60 buts et l’équipe à l’extérieur 1.10 peut générer des probabilités pour chaque score, de 0-0 à 5-5 et au-delà. Ces probabilités de score peuvent ensuite être agrégées : additionnez tous les scores où l’équipe à domicile gagne, et vous obtenez la probabilité de victoire à domicile ; ajoutez les matchs nuls, ajoutez les victoires à l’extérieur, et vous avez un ensemble complet de chances de résultat de match. La beauté du modèle est qu’il ne nécessite que deux entrées — un chiffre de buts attendus par équipe — tout en produisant une distribution de probabilité complète sur des dizaines de résultats possibles.

Comment fonctionne le calculateur de Poisson

Pour utiliser un calculateur de Poisson, vous commencez par une estimation des buts attendus pour chaque équipe. Cela peut provenir d’un modèle statistique, de la forme récente (buts par match sur les cinq ou dix derniers matchs), ou de données de buts attendus dédiées publiées par des sites d’analyse. Entrez ces deux chiffres dans la formule de Poisson, et le calculateur l’applique à chaque équipe indépendamment. Pour les 1.60 buts attendus de l’équipe à domicile, la formule donne une probabilité pour 0, 1, 2, 3 buts et plus. Pour les 1.10 buts attendus de l’équipe à l’extérieur, elle fait de même. Le calculateur multiplie ensuite les probabilités ensemble pour obtenir chaque score : la chance d’un 1-0 est la probabilité de l’équipe à domicile de marquer 1 but multipliée par la probabilité de l’équipe à l’extérieur de marquer 0 but. Une fois que chaque score a une probabilité, le calculateur les additionne en résultats de match : tous les scores où les buts à domicile dépassent les buts à l’extérieur, tous les scores où les buts sont égaux, et tous les scores où les buts à l’extérieur dépassent les buts à domicile. Le résultat est un ensemble de trois probabilités — victoire domicile, nul, victoire extérieur — qui totalisent un. À partir de ces probabilités de résultat, le calculateur dérive des cotes théoriques. Si l’équipe à domicile a une probabilité implicite de 49.0%, les cotes mathématiquement justes sont juste au-dessus de 2.00. Ces cotes théoriques sont ensuite comparées à celles du bookmaker pour révéler si vous avez un avantage.

Ce que le calculateur vous montre

Saisissez les buts attendus pour l’équipe à domicile et l’équipe à l’extérieur, et le calculateur renvoie une analyse détaillée. Les probabilités de buts montrent la chance que chaque équipe marque 0, 1, 2, 3 buts ou plus ; ce sont les éléments constitutifs de tout le calcul. Les probabilités de score listent les scores exacts les plus probables — 1-0, 1-1, 2-1, etc. — avec leurs chances individuelles. Les probabilités de résultat de match additionnent les scores en pourcentages de victoire à domicile, de match nul et de victoire à l’extérieur, répondant à la question centrale : quel résultat le modèle favorise-t-il et de combien ? Les cotes théoriques convertissent ces probabilités en prix décimaux, les cotes mathématiquement correctes pour chaque résultat s’il n’y avait pas de marge de bookmaker. Ces cotes théoriques sont votre référence : si un bookmaker propose des cotes plus élevées pour un résultat que le modèle évalue fortement, vous avez trouvé une valeur potentielle. Le calculateur vous permet également de dériver des probabilités pour d’autres marchés — paris sur le score exact et les deux équipes marquent — en agrégeant les probabilités de score de différentes manières.

Exemple concret

Prenons un match où l’équipe à domicile est évaluée à 1.60 buts attendus et l’équipe à l’extérieur à 1.10. Pour l’équipe à domicile, la loi de Poisson donne des probabilités pour chaque nombre de buts : 20.2% pour 0 but, 32.3% pour 1 but, 25.8% pour 2 buts, 13.8% pour 3 buts, et ainsi de suite. Pour l’équipe à l’extérieur avec 1.10 buts attendus : 33.3% pour 0 but, 36.6% pour 1 but, 20.1% pour 2 buts, 7.4% pour 3 buts. Multipliez-les maintenant pour construire les scores. La probabilité de 1-0 est de 32.3% (domicile marque 1) multipliée par 33.3% (extérieur marque 0), ce qui donne environ 10.8%. La probabilité de 1-1 est de 32.3% multipliée par 36.6%, soit environ 11.8%. En continuant ainsi pour tous les scores et en agrégeant : l’équipe à domicile a 49.0% de chances de gagner, le match nul a 24.9% de chances, et l’équipe à l’extérieur 26.2% de chances. Les cotes théoriques sont donc d’environ 2.04 pour le domicile, 4.02 pour le nul et 3.82 pour l’extérieur. Comparez ces cotes théoriques à ce que le bookmaker propose réellement, et vous pouvez identifier quels résultats offrent de la valeur. Si les cotes du bookmaker sont plus élevées que les cotes théoriques du modèle, vous avez trouvé une valeur potentielle ; si elles sont plus basses, ce n’est pas le cas. Cette comparaison est la discipline fondamentale de l’utilisation de Poisson dans les paris.

Probabilité des scores les plus probables

La loi de Poisson produit des probabilités pour chaque score, mais quelques-uns se distinguent comme étant beaucoup plus probables que d’autres. Le tableau ci-dessous montre les scores les plus courants lorsque l’équipe à domicile attend 1.60 buts et l’équipe à l’extérieur 1.10 buts.

Notez que 1-1 est le score le plus probable à 11.8%, même s’il semble être un match nul équilibré. Cela arrive parce que les buts attendus plus faibles de l’équipe à l’extérieur (1.10) rendent un match nul 1-1 plus probable qu’une victoire à domicile — un seul but à l’extérieur est relativement probable compte tenu de leur taux d’attaque plus faible, et l’équipe à domicile avec 1.60 buts attendus ne marquera pas 1 but dans un tiers des cas. Les résultats à faible score comme 0-0 sont plus rares (6.7%) car les deux équipes ont des taux de buts attendus positifs ; il faut de la malchance pour que les deux ne marquent pas.

Probabilités de résultat de match issues du modèle

Une fois que chaque score a une probabilité, les additionner en résultats de match vous donne la meilleure estimation du modèle sur l’issue de la rencontre. Le modèle ne favorise pas tous les résultats de la même manière.

L’équipe à domicile a 49.0% de chances de gagner, avec des cotes théoriques de 2.04. L’équipe à l’extérieur a 26.2%, reflétant l’écart dans les buts attendus (1.60 contre 1.10). Le match nul est à 24.9%, plus bas que ce que l’on pourrait attendre ; la loi de Poisson sous-estime en fait légèrement les matchs nuls dans le football réel, donc si vous utilisez cela comme base, vous devriez l’ajuster mentalement à la hausse. Les cotes théoriques vous donnent un étalon : si le bookmaker propose des cotes plus élevées que celles-ci, il implique une probabilité plus faible de ce résultat, ce qui signifie une valeur potentielle plus élevée pour vous si vous croyez au modèle.

Limites du modèle de Poisson

La loi de Poisson est une base statistique solide, mais le football ne suit pas parfaitement ses hypothèses. Le modèle suppose que les buts arrivent indépendamment et à un rythme régulier tout au long du match. En réalité, les équipes qui protègent un avantage jouent plus bas, réduisant leurs buts attendus ; un carton rouge fausse tout en éliminant un joueur ; et les effets de momentum signifient qu’après qu’une équipe a marqué, le taux de but de l’autre équipe change souvent. Le modèle sous-estime également légèrement la fréquence à laquelle des scores comme 0-0 et 1-1 se produisent dans les matchs réels. Il suppose en outre aucune corrélation entre les buts des deux équipes — c’est-à-dire que les buts de l’équipe à domicile sont indépendants de ceux de l’équipe à l’extérieur — alors qu’en fait ils sont liés par l’intensité du jeu et la clémence de l’arbitre. Traitez le résultat de Poisson comme un point de départ et une base de comparaison par rapport au marché, et non comme un prix de pari fini prêt à être utilisé sans réflexion. Les parieurs avertis l’utilisent comme modèle de départ, puis appliquent des ajustements d’experts pour des facteurs tels que les blessures, les changements de forme récents et les détails spécifiques au match que le modèle ne peut pas capturer.

Quand le modèle de Poisson est-il pertinent ?

La loi de Poisson fonctionne mieux comme une vérification rapide de la cohérence des prix du marché et comme un moyen de générer des références de cotes théoriques. Si vous avez confiance en vos estimations de buts attendus — que ce soit à partir de votre propre analyse ou de données publiées — alors les passer par Poisson vous donne une distribution de probabilité à comparer avec ce que le bookmaker propose. Vous pouvez repérer quand le marché est en décalage avec le modèle, ce qui suggère une valeur potentielle. Le modèle fonctionne également bien pour construire une stratégie de pari sur le score exact : classez tous les scores par probabilité et pariez sur ceux qui sont sous-évalués sur le marché. En termes de gestion de capital, les stratégies basées sur Poisson ont tendance à offrir une meilleure valeur à long terme que de choisir à l’intuition, mais elles exigent de la discipline : vous avez besoin d’estimations précises des buts attendus et vous devez vous en tenir aux recommandations du modèle même lorsqu’elles contredisent votre premier instinct.

Erreurs courantes

De nombreux parieurs saisissent la moyenne de buts marqués par match sur la saison, pensant que parce qu’une équipe a marqué 1.60 buts par match en moyenne, ils devraient utiliser 1.60 comme buts attendus pour ce match. Mais les buts attendus doivent refléter ce match spécifique — la défense de l’adversaire, le contexte de la rencontre, les blessures — et non une moyenne de saison brute. D’autres ignorent que le modèle de Poisson sous-estime systématiquement les matchs nuls et les matchs à faible score, donc un 0-0 ou un 1-1 se produira plus souvent en réalité que ce que le modèle prédit. Un oubli fréquent est de ne pas ajuster les buts attendus pour l’avantage du terrain ; l’équipe à domicile attend généralement plus de buts en raison de l’avantage de jouer sur son terrain. Enfin, de nombreux parieurs traitent les cotes théoriques produites par le modèle comme des prix sur lesquels ils peuvent parier sans vérifier la marge. Comparez toujours les cotes théoriques du modèle avec les cotes réelles du bookmaker pour vérifier que vous avez vraiment un avantage.

Résultat de Poisson par rapport au marché d’un bookmaker

La comparaison entre le résultat du modèle et les cotes réelles du marché est le cœur des paris rentables basés sur Poisson. Le calculateur montre les deux côtés.

Prenez ces cotes théoriques et regardez les prix réels du marché chez votre bookmaker. Si le bookmaker propose des cotes plus élevées que les cotes théoriques du modèle pour un résultat, vous avez peut-être trouvé de la valeur. S’il propose des cotes plus basses, vous n’avez pas d’avantage sur ce résultat. En vérifiant les trois résultats par rapport aux prix réels du marché, vous pouvez identifier quels paris offrent la meilleure valeur sur n’importe quel match. La puissance de Poisson est qu’elle rend cette comparaison systématique et reproductible.