Modèles de prévision
Loi de Poisson au football : de la moyenne de buts aux cotes
La loi de Poisson donne la probabilité qu'une équipe marque 0, 1, 2 buts ou plus quand on connaît son nombre de buts attendus λ : P(k) = e^(−λ) × λ^k / k!. Les buts attendus viennent de la moyenne du championnat, de la force d'attaque de l'équipe et de la force de défense de l'adversaire. Les probabilités de buts des deux équipes forment une matrice des scores, d'où viennent le 1X2, le plus/moins de buts, les deux équipes marquent et le score exact.
Sommaire
Notions clés
- Loi de Poisson
- La loi du nombre d'événements rares et indépendants sur une durée donnée, comme les buts d'une équipe dans un match.
- Buts attendus (λ, lambda)
- Le nombre moyen de buts qu'un modèle attend d'une équipe dans ce match. Ce n'est pas la même chose que les xG fondés sur les tirs, même si les xG peuvent servir à estimer λ.
- Force d'attaque et de défense
- Combien de buts une équipe marque ou encaisse par rapport à la moyenne du championnat. Une attaque de 1,20 veut dire 20 % de buts de plus qu'une équipe moyenne.
- Matrice des scores
- Un tableau avec les probabilités de tous les scores (0-0, 1-0, 0-1…), obtenu en multipliant les probabilités de buts de l'équipe à domicile et de l'équipe à l'extérieur.
La formule de la loi de Poisson
Si une équipe marque en moyenne λ buts, la probabilité qu'elle en marque exactement k est :
P(k) = e^(−λ) × λ^k / k!e est le nombre d'Euler (2,718…), et k! est le produit 1 × 2 × … × k (0! = 1). La seule entrée est λ, donc tout le travail consiste à bien estimer λ.
Comment calculer les buts attendus ?
La méthode simple la plus connue utilise les moyennes du championnat et la force des équipes :
λ domicile = moyenne de buts à domicile du championnat × attaque domicile × défense extérieur
λ extérieur = moyenne de buts à l'extérieur du championnat × attaque extérieur × défense domicileDans le championnat, les équipes à domicile marquent en moyenne 1,50 but et les équipes à l'extérieur 1,20.
- L'équipe à domicile marque 1,80 chez elle (attaque 1,80 / 1,50 = 1,20) et encaisse 0,90 (défense 0,90 / 1,20 = 0,75).
- L'équipe à l'extérieur marque 1,20 en déplacement (attaque 1,00) et encaisse 1,65 (défense 1,65 / 1,50 = 1,10).
λ domicile = 1,50 × 1,20 × 1,10 = 1,98
λ extérieur = 1,20 × 1,00 × 0,75 = 0,90
La matrice des scores
Les buts des deux équipes sont calculés séparément, et la probabilité d'un score est le produit des deux probabilités. Pour 1-0, cela donne P(domicile 1) × P(extérieur 0) = 27,34 % × 40,66 % = 11,11 %.
| Domicile / Extérieur | 0 | 1 | 2 | 3 | 4 |
|---|---|---|---|---|---|
| 0 | 5,61 % | 5,05 % | 2,27 % | 0,68 % | 0,15 % |
| 1 | 11,11 % | 10,00 % | 4,50 % | 1,35 % | 0,30 % |
| 2 | 11,00 % | 9,90 % | 4,46 % | 1,34 % | 0,30 % |
| 3 | 7,26 % | 6,54 % | 2,94 % | 0,88 % | 0,20 % |
| 4 | 3,59 % | 3,24 % | 1,46 % | 0,44 % | 0,10 % |
Les scores les plus probables sont 1-0 (11,11 %), 2-0 (11,00 %), 1-1 (10,00 %) et 2-1 (9,90 %). Même le score le plus probable n'arrive qu'environ une fois sur neuf, donc la cote juste du score exact 1-0 est de 9,00.
De la matrice aux marchés : 1X2, plus/moins et les deux équipes marquent
Un marché est la somme des cases qui le composent. Pour le total de buts, une seule loi de Poisson avec λ = 1,98 + 0,90 = 2,88 suffit.
| Marché | Probabilité | Cote juste |
|---|---|---|
| 1 (victoire à domicile) | 62,56 % | 1,60 |
| X (match nul) | 21,06 % | 4,75 |
| 2 (victoire à l'extérieur) | 16,38 % | 6,11 |
| Plus de 1,5 but | 78,22 % | 1,28 |
| Plus de 2,5 buts | 54,94 % | 1,82 |
| Moins de 2,5 buts | 45,06 % | 2,22 |
| Plus de 3,5 buts | 32,59 % | 3,07 |
| Les deux marquent : oui | 51,15 % | 1,96 |
| Les deux marquent : non | 48,85 % | 2,05 |
| Domicile plus de 1,5 but | 58,86 % | 1,70 |
Les deux marquent : oui vaut (1 − e^(−1,98)) × (1 − e^(−0,90)) = 51,15 %, car chaque équipe doit marquer au moins une fois. La cote juste est 1 / probabilité, comme dans le guide sur la probabilité implicite. Le bookmaker ajoute sa marge à ces cotes.
Pourquoi le modèle de Poisson se trompe-t-il sur 0-0 et 1-1 ?
Le modèle suppose que les buts des deux équipes sont indépendants. Dans les données réelles, 0-0 et 1-1 arrivent un peu plus souvent, et 1-0 et 0-1 un peu moins, que ne le dit un modèle de Poisson pur. En 1997, Dixon et Coles ont proposé une correction pour ces quatre scores seulement, avec un paramètre ρ estimé à partir des données.
Avec ρ = −0,10 et le même λ (1,98 et 0,90) :
| Score | Poisson | Facteur de correction | Après correction |
|---|---|---|---|
| 0-0 | 5,61 % | 1,1782 | 6,61 % |
| 0-1 | 5,05 % | 0,8020 | 4,05 % |
| 1-0 | 11,11 % | 0,9100 | 10,11 % |
| 1-1 | 10,00 % | 1,1000 | 11,00 % |
La correction ne fait que déplacer de la probabilité entre ces quatre scores, donc la matrice entière fait toujours 100 % au total.
StatsAI utilise un modèle de Poisson pour les buts par mi-temps, indépendant pour l'équipe à domicile et l'équipe à l'extérieur, et en tire des marchés combinés. Les estimations d'entrée pour le 1X2, les 2,5 buts et les deux équipes marquent viennent d'un modèle statistique externe, et chaque prévision est mesurée après le match sur la page performances du modèle IA. Plus sur l'ensemble du processus : Comment fonctionnent les prévisions de football par IA.
Limites
- Le modèle suppose que les buts des deux équipes sont indépendants et que λ reste le même tout le match. Un carton rouge, un but rapide ou un changement tactique cassent cette hypothèse.
- λ est une estimation tirée des matchs passés. Un petit échantillon, un nouvel entraîneur ou des blessures donnent un λ faux et, avec lui, des probabilités fausses.
- L'exemple utilise des moyennes de championnat et d'équipes inventées. Les modèles réels les estiment sur des milliers de matchs et donnent souvent plus de poids aux matchs récents.
- Les cotes justes d'un modèle ne sont pas une promesse de résultat. Une issue à 62,56 % ne se produit pas dans plus d'un tiers des cas.
Guides liés
Sources
- Maher, M. J. (1982). Modelling association football scores. Statistica Neerlandica, 36(3), 109–118.
- Dixon, M. J., Coles, S. G. (1997). Modelling association football scores and inefficiencies in the football betting market. Applied Statistics, 46(2), 265–280.