Calculateur de Poisson pour les paris sportifs

Mis à jour: 14.10.2026

Le calculateur de Poisson estime les probabilités de score d'un match de football à partir du nombre de buts attendu pour chaque équipe. Saisissez les buts attendus à domicile et à l'extérieur, par exemple estimés à partir des xG : le calculateur affiche une matrice des scores, les probabilités de victoire, de match nul et de défaite, ainsi que celles des totaux de buts et du marché « les deux équipes marquent » (BTTS). Ces résultats sont des estimations du modèle, pas la prédiction certaine du score final.

Matrice des probabilités de score

Probabilités des issues 1X2

Probabilités par marché

Qu'est-ce que la loi de Poisson ?

La loi de Poisson est un modèle mathématique qui décrit la probabilité qu'un certain nombre d'événements surviennent pendant un intervalle donné, sous l'hypothèse d'événements indépendants et d'un taux moyen constant. Pour les paris sur le football, l'événement est un but et le paramètre du modèle est le nombre moyen de buts attendu pour une équipe pendant le match. Des données de xG peuvent aider à estimer ce paramètre, mais les xG mesurent d'abord la qualité des occasions : ils ne se confondent pas avec une simple moyenne de buts marqués.

Le modèle doit son nom au mathématicien français Siméon Denis Poisson. Il fournit une première approximation de la répartition des buts au football : ce sont des événements discrets, relativement rares, que l'on suppose indépendants pour effectuer le calcul. Cette indépendance reste une hypothèse, que les situations de match ne respectent pas toujours.

La formule de Poisson

Probabilité de marquer exactement k buts pour une moyenne λ :

P(k) = (λk × e−λ) / k!

Avec :

λ : le nombre moyen de buts attendu pour l'équipe, éventuellement estimé à partir des xG

k : un nombre précis de buts (0, 1, 2, 3…)

e : le nombre d'Euler (≈ 2,71828)

k! : la factorielle de k

Pour estimer la probabilité d'un score exact, on calcule séparément les probabilités de buts des deux équipes, puis on les multiplie, en supposant leurs nombres de buts indépendants. Par exemple, la probabilité du score 2:1 est Phome(2) × Paway(1).

Exemple : avec 1,5 but attendu pour l'équipe à domicile, la probabilité qu'elle marque exactement 2 buts est :

P(2) = (1,52 × e−1,5) / 2! ≈ (2,25 × 0,2231) / 2 ≈ 0,2510 = 25,1 %

Comment utiliser Poisson pour les paris ?

La loi de Poisson permet d'estimer vos propres probabilités et de les comparer aux cotes de Fonbet, de Winline ou d'un autre bookmaker. Si la probabilité estimée dépasse celle qu'implique la cote, le pari peut présenter de la valeur, à condition que votre estimation soit fiable.

Procédez dans cet ordre :

  1. Estimez le nombre de buts attendu pour chaque équipe. Vous pouvez vous appuyer sur les xG d'un service statistique comme Understat, pour les compétitions couvertes, ou utiliser la moyenne des buts marqués sur les 5 à 10 derniers matchs comme approximation. FBref peut servir à consulter des résultats et des statistiques de base. Une moyenne de buts marqués n'est pas une mesure de xG ; tenez aussi compte du lieu du match et de la force des adversaires.
  2. Saisissez ces valeurs dans le calculateur ci-dessus.
  3. Consultez la matrice des probabilités et les résultats par marché : 1X2, totaux de buts plus/moins (over/under) et « les deux équipes marquent » (BTTS).
  4. Comparez les probabilités estimées aux cotes proposées. Le calculateur de marge aide à mesurer la marge intégrée aux cotes et à estimer des probabilités après retrait de cette marge ; il ne révèle pas les probabilités réelles du match.
  5. Si votre probabilité estimée dépasse sensiblement la probabilité implicite de la cote, vous avez un pari potentiellement de valeur. Vérifiez la comparaison avec le calculateur de paris de valeur.

Les limites du modèle de Poisson

La loi de Poisson est utile, mais ses limites comptent lorsque vous l'utilisez pour analyser des paris :

  • Indépendance des buts. Le modèle suppose que les nombres de buts des deux équipes sont indépendants. En pratique, un but peut modifier les choix tactiques et donc les chances de voir d'autres buts.
  • Taux constant. Le modèle suppose un taux de buts constant pendant le match. En réalité, ce taux peut varier selon le moment, le score et les expulsions.
  • Qualité des données d'entrée. Le résultat dépend de la qualité des buts attendus que vous saisissez. Une moyenne récente de buts ou de xG peut mal refléter la forme actuelle, les blessures ou la motivation.
  • Contexte absent du calcul. Un derby, un match pour le maintien ou un écart de niveau ne sont pas pris en compte directement par ce calculateur. Il faut intégrer les éléments pertinents à l'estimation des buts attendus.
  • Évaluation des matchs nuls. Le modèle à deux lois de Poisson indépendantes peut sous-estimer certains scores nuls, notamment les faibles scores, selon les données analysées. La correction de Dixon-Coles ajuste la dépendance pour certains faibles scores ; son intérêt doit être vérifié sur les matchs étudiés.

Le modèle de Poisson est un point de départ pour l'analyse. Associez les calculs à une bonne compréhension de la marge des bookmakers et à votre connaissance du football.

La loi de Poisson impose une variance égale à sa moyenne : elle ne permet donc pas d'ajuster séparément la dispersion propre à chaque équipe. Elle utilise les moyennes saisies, qui peuvent provenir d'une saison ou d'une autre période. Même sur 10 matchs ou davantage, un favori peut afficher un taux de victoire inférieur à l'estimation, sous l'effet des fluctuations aléatoires ou de changements de contexte comme des blessures et des cartons rouges. Un pari sur un total ou une issue estimés par le modèle peut perdre. Une longue série de paris ne garantit pas la rentabilité : celle-ci dépend de la qualité des estimations et des cotes obtenues. Le modèle peut aussi mal évaluer une équipe moins favorite, sans sous-estimer systématiquement ses chances.

Dans ce calculateur, la matrice affiche les nombres de buts de 0 à 4 séparément et regroupe tous les nombres de buts à partir de 5 dans une case « 5+ ». Une case contenant « 5+ » représente donc un groupe de scores, pas un score exact. Le calcul 1X2 traite la case « 5+ / 5+ » comme un match nul, alors qu'elle comprend aussi des scores différents : les probabilités 1X2 sont ainsi approximatives, surtout lorsque les buts attendus sont élevés. Les cotes affichées avec une marge de 5 % sont une simulation à partir du modèle, pas des cotes relevées chez un bookmaker.

Autres calculateurs

À lire également : stratégies de paris, avec des explications sur l'analyse et la gestion du capital de jeu.

Questions fréquentes sur le calculateur de Poisson
🙋 Qu'est-ce que la loi de Poisson, simplement ?
💁 La loi de Poisson donne la probabilité qu'un certain nombre d'événements surviennent pendant une période donnée, à partir d'un taux moyen et sous certaines hypothèses. Au football, avec 1,5 but attendu pour une équipe, la formule estime ses probabilités de marquer 0, 1, 2 buts, etc. En supposant les nombres de buts des deux équipes indépendants, on peut estimer les probabilités de score et les comparer aux cotes du bookmaker. Le score le plus probable selon le modèle peut tout à fait ne pas se produire.
🙋 Où trouver les xG pour un calcul de Poisson ?
💁 Understat propose des xG pour les compétitions qu'il couvre. Si vous consultez FBref ou WhoScored, vérifiez les données disponibles : les résultats et les statistiques de base peuvent aider à l'analyse, mais il ne faut pas présumer que des xG y sont proposés. Vous pouvez aussi utiliser la moyenne des buts marqués sur les 5 à 10 derniers matchs comme approximation du nombre de buts attendu ; cette moyenne n'est pas une mesure de xG. Distinguez les performances à domicile et à l'extérieur et tenez compte de la force des adversaires rencontrés.
🙋 Quelle est la précision du calculateur de Poisson ?
💁 La précision dépend des données d'entrée et de l'adéquation des hypothèses au championnat et aux équipes étudiés. Un historique fourni peut aider à estimer les moyennes, notamment dans les divisions où les données sont abondantes, mais ne garantit pas la fiabilité pour un match particulier. Le modèle suppose l'indépendance des nombres de buts et peut mal évaluer certains matchs nuls. Des modèles de Dixon-Coles ou des modèles dynamiques de buts attendus peuvent améliorer l'estimation si leur pertinence est vérifiée sur des données distinctes de celles utilisées pour les ajuster. Ce calculateur regroupe aussi les nombres de buts de 5 et plus, ce qui rend son calcul 1X2 approximatif.
🙋 Peut-on utiliser Poisson pour le hockey ou le basket ?
💁 On peut envisager une loi de Poisson pour modéliser un nombre d'événements, mais sa pertinence dépend du sport et doit être vérifiée. Les buts au hockey peuvent se prêter à cette approximation, sous réserve des hypothèses de taux et d'indépendance. Au basket, les possessions, les différentes valeurs des paniers et les dépendances entre les actions rendent une simple loi de Poisson moins adaptée. Une approximation normale peut être utile dans certains modèles, sans être automatiquement plus précise. Pour le tennis et le volley, on utilise généralement des modèles spécifiques aux points, jeux ou sets.
🙋 Comment repérer un pari de valeur avec Poisson ?
💁 Estimez la probabilité de l'issue qui vous intéresse, puis calculez la probabilité implicite de la cote décimale du bookmaker : 1 / cote. Si votre estimation est supérieure, le pari peut présenter de la valeur, à condition que cette estimation soit fiable. Par exemple, une probabilité de victoire à domicile estimée à 35 % et une cote de 3,20, qui implique 31,25 %, donnent un écart de 3,75 points de pourcentage. Cet écart compare deux probabilités ; il ne garantit ni une victoire ni un bénéfice.
🙋 Pourquoi Poisson peut-il sous-estimer les matchs nuls ?
💁 Le modèle classique suppose que les nombres de buts des deux équipes sont indépendants. Si le rythme ou les choix tactiques influencent les deux équipes, cette hypothèse peut mal représenter la fréquence des scores identiques, comme 0:0, 1:1 ou 2:2. Le sens et l'ampleur de l'erreur varient selon les données : une sous-estimation des matchs nuls n'est pas systématique. La correction de Dixon-Coles utilise un paramètre de dépendance pour ajuster les probabilités des faibles scores 0:0, 1:0, 0:1 et 1:1. Elle peut améliorer le modèle si elle est correctement ajustée et vérifiée.