Et si l’on pouvait calculer, avant le coup d’envoi, la probabilité exacte d’un 2-1, d’un match nul ou d’une victoire à domicile — uniquement à partir du nombre de buts que chaque équipe marque en moyenne ? C’est exactement ce que permet la loi de Poisson, l’outil mathématique qui se cache derrière la plupart des modèles de cotes football.
Popularisée dans le pari sportif dès les années 1990, la loi de Poisson transforme une simple moyenne de buts en une matrice complète de scores exacts, dont on déduit ensuite les probabilités 1N2 et des cotes « justes ». Dans cet article, nous déroulons la méthode pas à pas, formule à l’appui et calculs détaillés, jusqu’à la seule question qui compte pour un parieur : cette cote recelé-t-elle de la value ?
📊 Pourquoi la loi de Poisson colle si bien au football
La loi de Poisson décrit le nombre de fois qu’un événement rare se produit sur un intervalle donné, quand ces événements sont indépendants et surviennent à un rythme moyen connu. Files d’attente, appels reçus par un standard, désintégrations radioactives… et buts inscrits pendant un match de football.
Le parallèle est frappant : sur 90 minutes, les buts sont peu nombreux (2 à 3 en moyenne par rencontre), répartis de façon assez aléatoire dans le temps, et l’on connaît le rythme moyen d’une équipe (ses buts marqués par match). C’est tout ce dont la loi a besoin pour attribuer une probabilité à chaque nombre de buts possible : 0, 1, 2, 3…
🔑 La formule, expliquée pas à pas
La probabilité qu’une équipe marque exactement k buts s’écrit :
P(k) = (λk × e−λ) ÷ k!
λ (lambda) = nombre de buts attendus de l’équipe (sa moyenne).
k = le nombre de buts dont on veut la probabilité.
e = constante d’Euler (≈ 2,71828).
k! = factorielle de k (ex. 3! = 3×2×1 = 6 ; par convention 0! = 1).
Prenons une équipe dont on attend λ = 1,6 but. Quelle est la probabilité qu’elle en marque exactement 2 ? On applique la formule :
P(2) = (1,62 × e−1,6) ÷ 2!
Étape par étape : 1,62 = 2,56 ; e−1,6 ≈ 0,2019 ; 2! = 2. On obtient (2,56 × 0,2019) ÷ 2 = 0,5169 ÷ 2 ≈ 0,258, soit environ 25,8 % de chances de voir cette équipe marquer 2 buts.
En répétant l’opération pour k = 0, 1, 2, 3… on obtient toute la distribution des buts de l’équipe.
| Buts (k) | 0 | 1 | 2 | 3 | 4 | 5+ |
|---|---|---|---|---|---|---|
| λ = 1,6 (domicile) | 20,2 % | 32,3 % | 25,8 % | 13,8 % | 5,5 % | 2,4 % |
| λ = 1,1 (extérieur) | 33,3 % | 36,6 % | 20,1 % | 7,4 % | 2,0 % | 0,5 % |
Chaque ligne somme à 100 % : ce sont toutes les issues possibles pour une équipe.
🧮 Comment estimer λ pour chaque équipe
Tout le modèle repose sur la qualité du λ. On ne prend pas la moyenne brute de l’équipe : on la relativise par la force de l’adversaire et par les moyennes de la ligue, en distinguant domicile et extérieur. La logique :
λdom = Force offensive dom (A) × Faiblesse défensive ext (B) × Moyenne de buts à domicile de la ligue
Prenons des valeurs illustratives. Dans notre championnat fictif, une équipe à domicile marque en moyenne 1,5 but ; une équipe à l’extérieur en marque 1,1. On calcule les forces relatives en divisant les stats d’une équipe par ces moyennes (1,00 = dans la norme ; > 1,00 = au-dessus).
| Élément | Valeur | Force relative |
|---|---|---|
| Équipe A marque à domicile | 1,6 but/match | 1,6 ÷ 1,5 = 1,07 |
| Équipe B encaisse à l’extérieur | 1,5 but/match | 1,5 ÷ 1,5 = 1,00 |
| Équipe B marque à l’extérieur | 1,0 but/match | 1,0 ÷ 1,1 = 0,91 |
| Équipe A encaisse à domicile | 1,21 but/match | 1,21 ÷ 1,1 = 1,10 |
On assemble :
λA = 1,07 × 1,00 × 1,5 ≈ 1,60 (buts attendus de l’équipe A, à domicile).
λB = 0,91 × 1,10 × 1,1 ≈ 1,10 (buts attendus de l’équipe B, à l’extérieur).
Ce sont précisément les deux valeurs de notre tableau de distribution. En pratique, on affine encore ces λ avec la forme récente, les xG (buts attendus) plutôt que les buts réels, ou une pondération qui donne plus de poids aux matchs récents.
🔢 La matrice des scores exacts
Voici l’étape clé. Comme les buts des deux équipes sont supposés indépendants, la probabilité d’un score précis est simplement le produit des deux probabilités de Poisson. Par exemple, la probabilité d’un 2-1 :
P(2-1) = P(A marque 2) × P(B marque 1) = 0,258 × 0,366 ≈ 0,095, soit 9,5 %.
En croisant toutes les lignes (buts de A) et colonnes (buts de B), on obtient la matrice complète des scores. Chaque case est un score exact, en probabilité :
| A \ B | 0 | 1 | 2 | 3 | 4 |
|---|---|---|---|---|---|
| 0 | 6,7 % | 7,4 % | 4,1 % | 1,5 % | 0,4 % |
| 1 | 10,8 % | 11,8 % | 6,5 % | 2,4 % | 0,7 % |
| 2 | 8,6 % | 9,5 % | 5,2 % | 1,9 % | 0,5 % |
| 3 | 4,6 % | 5,0 % | 2,8 % | 1,0 % | 0,3 % |
| 4 | 1,8 % | 2,0 % | 1,1 % | 0,4 % | 0,1 % |
Lignes = buts de l’équipe A (domicile, λ = 1,6) ; colonnes = buts de l’équipe B (extérieur, λ = 1,1). Le score le plus probable est ici le 1-1 (11,8 %), devant le 1-0 (10,8 %) et le 2-1 (9,5 %).
C’est cette matrice que les bookmakers exploitent pour coter le marché score exact : chaque case donne directement sa probabilité, donc sa cote juste.
➗ Du score exact au 1N2, puis aux cotes justes
Pour passer au résultat 1N2, il suffit de regrouper les cases de la matrice :
- Victoire A (1) : toutes les cases où A > B (sous la diagonale) → 48,9 %.
- Match nul (N) : la diagonale 0-0, 1-1, 2-2… → 24,9 %.
- Victoire B (2) : toutes les cases où B > A (au-dessus de la diagonale) → 26,1 %.
La somme fait bien ≈ 100 % (les décimales manquantes correspondent aux gros scores > 4 buts, tronqués ici). On convertit alors chaque probabilité en cote juste avec la formule fondamentale :
Cote juste = 1 ÷ Probabilité
| Issue | Probabilité Poisson | Cote juste (1÷p) |
|---|---|---|
| Victoire A (1) | 48,9 % | 1 ÷ 0,489 = 2,04 |
| Match nul (N) | 24,9 % | 1 ÷ 0,249 = 4,02 |
| Victoire B (2) | 26,1 % | 1 ÷ 0,261 = 3,82 |
Cotes « justes » théoriques, sans marge : elles reflètent la seule probabilité du modèle. Un bookmaker ajoute toujours sa marge par-dessus, ce qui abaisse les cotes réellement proposées.
⚠️ Les limites du modèle (à connaître absolument)
La loi de Poisson est puissante, mais repose sur des hypothèses qui simplifient la réalité. Les connaître évite d’accorder au modèle une confiance excessive :
- Indépendance des buts supposée — en réalité fausse : un carton rouge, un but précoce ou une équipe qui « gère » sa fin de match modifient le rythme. Les buts ne tombent pas à cadence constante.
- Aucun contexte — météo, motivation, calendrier, tactique, enjeu, absences de dernière minute : rien de tout cela n’entre dans un λ brut.
- Sous-estimation des 0-0 et des gros scores — le modèle simple lisse mal les matchs verrouillés comme les déroulées.
C’est pour corriger ces défauts qu’ont été conçus des modèles ajustés comme Dixon-Coles, qui rectifie la probabilité des petits scores (0-0, 1-0, 0-1, 1-1) et pondère davantage les matchs récents.
📈 Comment un parieur s’en sert : repérer la value
Le modèle n’a d’intérêt que si on le confronte au marché. Le principe : comparer la cote juste calculée par Poisson à la cote proposée par le bookmaker. Il y a value (valeur positive) quand la cote du bookmaker est supérieure à votre cote juste.
Sur notre exemple, la cote juste de la victoire de A est 2,04 (probabilité modèle : 48,9 %). Imaginons qu’un opérateur affiche 2,15 sur cette même issue. Sa cote implique une probabilité de 1 ÷ 2,15 ≈ 46,5 % : c’est moins que les 48,9 % de notre modèle. Autrement dit, le bookmaker paie l’issue plus cher que ce que le modèle estime probable : c’est un signal de value.
Attention : cette value n’est réelle que si votre λ est bien estimé. Un modèle mal calibré produit de fausses value à la chaîne. La démarche reste probabiliste : elle améliore la décision sur le long terme, sans jamais garantir le moindre pari.
En pratique, le réflexe consiste ensuite à comparer les cotes des opérateurs agréés pour capter la plus élevée sur l’issue visée — c’est exactement le rôle du comparateur Coteur.
L’essentiel à emporter
La loi de Poisson transforme deux moyennes de buts (les λ) en une matrice complète de scores exacts, d’où l’on tire les probabilités 1N2 puis des cotes justes par la simple relation cote = 1 ÷ probabilité. C’est un cadre limpide, à condition de garder en tête ses hypothèses (indépendance des buts, absence de contexte) et de soigner l’estimation des λ. Le modèle ne prédit pas l’avenir : il fournit une référence de probabilité à confronter au marché pour repérer, méthodiquement, une éventuelle value.
Un modèle calcule des probabilités ; le marché, lui, affiche des cotes. C’est en comparant les deux — avec Coteur — que la value apparaît. 🎯