Distribuzione di Poisson Applicata al Calcio: Guida Pratica
Il calcio, per quanto romantico e imprevedibile, produce numeri. E dove ci sono numeri, c’è spazio per la statistica. La distribuzione di Poisson è uno degli strumenti matematici più usati — e più sottovalutati — per stimare le probabilità dei risultati di una partita. Non serve una laurea in matematica per applicarla, ma serve capire cosa fa davvero e dove smette di funzionare.
Questa guida spiega il modello passo dopo passo, con dati reali e calcoli che puoi replicare su un foglio di calcolo. Niente formule buttate lì per impressionare: solo ciò che ti serve per costruire le tue stime e confrontarle con le quote dei bookmaker.
Cos’è la distribuzione di Poisson e perché funziona nel calcio
La distribuzione di Poisson è un modello probabilistico che descrive il numero di eventi rari in un intervallo di tempo fisso. Fu formulata dal matematico francese Siméon Denis Poisson nel 1837, molto prima che qualcuno pensasse di usarla per prevedere i risultati di una partita di Serie A. Il punto chiave è che i gol nel calcio si comportano — almeno in prima approssimazione — come eventi rari e indipendenti, esattamente il tipo di fenomeno che questo modello cattura bene.
La formula è semplice nella struttura: P(x) = (e^(-λ) * λ^x) / x!, dove λ (lambda) rappresenta la media attesa di gol e x è il numero specifico di gol di cui vuoi calcolare la probabilità. Se una squadra segna in media 1,5 gol a partita, puoi calcolare la probabilità che ne segni 0, 1, 2, 3 o più in un singolo match. La funzione restituisce valori che decrescono in modo caratteristico: il picco si trova vicino alla media, e le code si assottigliano rapidamente.
Perché funziona nel calcio e non, per esempio, nel basket? Perché nel calcio i gol sono eventi relativamente rari (una media di 2,5–2,8 a partita nei principali campionati europei), sufficientemente indipendenti l’uno dall’altro e distribuiti in un intervallo di tempo definito — i 90 minuti regolamentari. Queste tre condizioni rendono il Poisson un’approssimazione ragionevole, anche se non perfetta. I limiti li vedremo più avanti, perché ignorarli sarebbe intellettualmente disonesto.
Come calcolare la forza d’attacco e di difesa
Applicare il Poisson a una partita specifica richiede un passaggio preliminare fondamentale: stimare il parametro λ per ciascuna squadra. Non basta prendere la media gol grezza di una squadra; bisogna contestualizzarla rispetto alla media del campionato e alla qualità dell’avversario.
Il metodo classico prevede il calcolo di quattro indicatori a partire dai dati stagionali. Si prende la media gol segnati in casa e la media gol segnati in trasferta dell’intero campionato, poi si calcolano la forza d’attacco e la forza di difesa di ciascuna squadra. La forza d’attacco è il rapporto tra i gol segnati dalla squadra (per partita) e la media del campionato. La forza di difesa è il rapporto tra i gol subiti dalla squadra (per partita) e la media del campionato.
Facciamo un esempio concreto con dati plausibili della Serie A 2025-26. Supponiamo che la media complessiva sia di 1,42 gol a partita per le squadre di casa e 1,18 per quelle in trasferta. Se il Napoli ha segnato in media 2,1 gol in casa, la sua forza d’attacco casalinga è 2,1 / 1,42 = 1,48. Se ha subito in media 0,8 gol in casa, la sua forza di difesa casalinga è 0,8 / 1,18 = 0,68. Un attacco sopra la media e una difesa sotto la media — esattamente ciò che ti aspetteresti da una squadra competitiva.
Per la squadra ospite si applica lo stesso procedimento con le rispettive medie in trasferta. Se la Fiorentina segna in trasferta 1,3 gol a partita, la sua forza d’attacco in trasferta è 1,3 / 1,18 = 1,10. Se subisce 1,6 gol fuori casa, la forza di difesa in trasferta è 1,6 / 1,42 = 1,13.
A questo punto, il λ atteso per il Napoli in casa si calcola moltiplicando la forza d’attacco del Napoli per la forza di difesa della Fiorentina in trasferta per la media gol casalinghi del campionato: 1,48 × 1,13 × 1,42 = 2,38 gol attesi. Per la Fiorentina in trasferta: 1,10 × 0,68 × 1,18 = 0,88 gol attesi. Questi due valori di λ sono il cuore del modello.
Dalla lambda alla matrice dei risultati
Con i due valori di λ in mano — 2,38 per il Napoli e 0,88 per la Fiorentina — si costruisce la matrice delle probabilità. L’idea è calcolare la probabilità di ogni combinazione di punteggio, da 0-0 fino a un massimo ragionevole (5-5, per esempio, anche se la probabilità diventa trascurabile oltre il 4-4).
Per ogni cella della matrice si moltiplica la probabilità che il Napoli segni x gol per la probabilità che la Fiorentina ne segni y. Questo presuppone l’indipendenza tra i gol delle due squadre — un’assunzione forte, ma accettabile come punto di partenza. Calcoliamo alcune celle chiave usando la formula P(x) = (e^(-λ) * λ^x) / x!:
- Napoli 0 gol: e^(-2,38) × 2,38^0 / 0! = 0,0926 (9,3%)
- Napoli 1 gol: e^(-2,38) × 2,38^1 / 1! = 0,2203 (22,0%)
- Napoli 2 gol: e^(-2,38) × 2,38^2 / 2! = 0,2622 (26,2%)
- Fiorentina 0 gol: e^(-0,88) × 0,88^0 / 0! = 0,4148 (41,5%)
- Fiorentina 1 gol: e^(-0,88) × 0,88^1 / 1! = 0,3650 (36,5%)
La probabilità dello 0-0 è quindi 0,0926 × 0,4148 = 0,0384, cioè il 3,8%. La probabilità del 2-0 è 0,2622 × 0,4148 = 0,1088, cioè il 10,9%. Sommando tutte le celle in cui il Napoli segna più della Fiorentina si ottiene la probabilità di vittoria casalinga; sommando le celle di parità si ottiene la probabilità del pareggio; il resto è vittoria esterna.
Nel nostro esempio, le probabilità aggregate risultano circa: vittoria Napoli 72%, pareggio 16%, vittoria Fiorentina 12%. Numeri che riflettono una partita nettamente sbilanciata, coerente con i parametri di input. Se il bookmaker offre una quota di 1,30 per il Napoli (probabilità implicita del 77%), il modello suggerisce che la quota è leggermente sopravvalutata dal book — nessuna value bet in questo caso. Se invece la quota fosse 1,50 (probabilità implicita 67%), il margine diventerebbe interessante.
Dove il Poisson funziona e dove no
Il modello di Poisson è un ottimo punto di partenza, ma ha limiti strutturali che vanno riconosciuti. Il primo è l’assunzione di indipendenza tra i gol: in realtà, una squadra che va in vantaggio può cambiare atteggiamento tattico, e il ritmo della partita influenza la probabilità dei gol successivi. Il secondo limite è che il Poisson tratta tutti i gol come ugualmente probabili nel tempo, ignorando che ci sono fasi della partita statisticamente più prolifiche (i minuti finali di ciascun tempo, per esempio).
C’è poi la questione dei punteggi bassi. Il Poisson classico tende a sottostimare la probabilità dello 0-0 e dell’1-1, perché non tiene conto della correlazione tra attacco e difesa quando i punteggi sono vicini allo zero. Questo difetto specifico è proprio ciò che il modello Dixon-Coles, sviluppato nel 1997, si propone di correggere con un parametro aggiuntivo di dipendenza.
Un altro limite riguarda i dati di input. La qualità delle stime dipende interamente dalla qualità dei dati: usare solo i dati della stagione corrente nelle prime giornate porta a stime volatili, mentre usare dati troppo vecchi non cattura i cambiamenti nelle rose e negli allenatori. Un approccio pragmatico è pesare le ultime 10-15 partite in modo più significativo, oppure usare un decadimento esponenziale che dia più peso alle prestazioni recenti.
Infine, il Poisson ignora completamente il contesto: derby, partite in trasferta in Champions League infrasettimanale, condizioni meteo, assenze chiave. Nessun modello puramente statistico può catturare tutto questo, ed è qui che l’analisi qualitativa integra quella quantitativa. Chi usa il Poisson come unica bussola sta guidando con un solo occhio aperto.
Il Poisson come linguaggio, non come oracolo
C’è un equivoco ricorrente tra chi si avvicina ai modelli matematici per le scommesse: pensare che un modello debba “avere ragione”. Il Poisson non ha ragione e non ha torto — è un linguaggio per esprimere le tue aspettative in forma numerica. Ti costringe a rendere esplicite le tue assunzioni, a tradurre l’intuizione in cifre confrontabili con le quote del mercato.
Il vero valore del modello non sta nella singola previsione, ma nella disciplina che impone. Quando costruisci una matrice di probabilità per ogni partita, stai facendo qualcosa che il 95% degli scommettitori non fa: stai quantificando la tua opinione. E quando la tua opinione quantificata diverge sistematicamente dalle quote dei bookmaker in una direzione che si dimostra profittevole nel tempo, hai trovato un edge — per quanto piccolo.
Il Poisson, con tutti i suoi limiti, resta il modello di riferimento perché è trasparente, replicabile e facile da estendere. È il punto di partenza naturale per chiunque voglia passare dal “secondo me vince il Napoli” al “la probabilità di vittoria del Napoli è del 72%, e la quota offerta implica il 67%”. Quella differenza del 5% è tutto ciò che separa un’opinione da un’analisi.
