Poissonmodel in het voetbal: uitslagen voorspellen en kalibreren
Een Poissonmodel voorspelt voetbaluitslagen door eerst voor beide teams een verwacht aantal doelpunten te schatten en daarna per team de kans op 0, 1, 2 of meer goals te berekenen. Vermenigvuldig je die kansen met elkaar, dan krijg je een kans voor elke mogelijke eindstand. Tel je de juiste vakjes op, dan weet je de kans op winst, gelijkspel, verlies, over 2,5 goals of beide teams scoren. Het model is eenvoudig, goed na te rekenen en vormt nog altijd de basis onder veel moderne voetbalvoorspellingen. Of de kansen ook kloppen, blijkt pas uit kalibratie: komt een uitkomst die het model 60% geeft, op de lange termijn ook ongeveer 60% van de keren voor?
Kort samengevat
- Een Poissonverdeling geeft de kans op een bepaald aantal gebeurtenissen, zoals doelpunten, wanneer het gemiddelde (λ) bekend is.
- Voor een wedstrijd schat je twee waarden: λ voor de thuisploeg en λ voor de uitploeg, op basis van aanvalssterkte, verdedigingssterkte van de tegenstander en thuisvoordeel.
- Een scorematrix zet die twee verwachtingen om in kansen per uitslag en per markt (1X2, over/onder, beide teams scoren).
- Het basismodel gaat uit van onafhankelijke doelpunten en een constante scoringsrate; uitbreidingen zoals Dixon-Coles en dynamische modellen vangen een deel daarvan op.
- Kalibratie toetst of voorspelde kansen overeenkomen met wat er werkelijk gebeurt, onder meer met de Brier-score en de ranked probability score.
Inhoudsopgave
- Wat is een Poissonverdeling?
- Zo bereken je de verwachte doelpunten per team
- Van verwachte doelpunten naar uitslagkansen
- Aannames van het basismodel
- Uitbreidingen: Dixon-Coles, bivariaat en dynamisch
- Kalibratie van een voorspellingsmodel
- Kansen lezen als kansen
- Ons perspectief
- Voorspellingen per wedstrijd op BetsyScore
- Veelgestelde vragen
- Bronnen
Wat is een Poissonverdeling?
Een Poissonverdeling is een discrete kansverdeling voor het aantal gebeurtenissen binnen een vast interval van tijd of ruimte. De parameter λ (lambda) is het gemiddelde aantal gebeurtenissen in dat interval. In het voetbal is het interval één wedstrijd en de gebeurtenis een doelpunt.
De formule luidt:
P(X = k) = e^(−λ) · λ^k / k!
Hierin is k het aantal doelpunten (0, 1, 2, …), e het getal van Euler (ongeveer 2,718) en k! de faculteit van k. Een kenmerkende eigenschap is dat verwachting en variantie allebei gelijk zijn aan λ, waardoor de standaardafwijking √λ bedraagt.
Waarom past dit bij voetbal? De verdeling ontstaat als limiet van een binomiale verdeling wanneer het aantal pogingen groot is, de kans per poging klein en het product van beide gelijk blijft aan λ. Dat beschrijft een voetbalwedstrijd redelijk goed: veel aanvallen, elk met een kleine kans op een doelpunt, en gemiddeld een handvol goals per wedstrijd.
Zo bereken je de verwachte doelpunten per team
De kern van elk voetbalmodel op basis van Poisson is de schatting van twee getallen: λ voor de thuisploeg en λ voor de uitploeg. In een eenvoudig model combineer je de aanvalssterkte van een team met de verdedigingssterkte van de tegenstander en een thuisvoordeel, waarna de doelpunten worden gemodelleerd als Poisson(λ_thuis) en Poisson(λ_uit).
De klassieke rekenmethode werkt met verhoudingen ten opzichte van het competitiegemiddelde.
Stap 1: bepaal de competitiegemiddelden
Bereken over een seizoen of een vaste reeks wedstrijden het gemiddelde aantal doelpunten van thuisploegen en van uitploegen. Omdat thuisploegen gemiddeld vaker scoren, zit het thuisvoordeel automatisch in die twee gemiddelden.
Stap 2: bereken aanvals- en verdedigingssterkte
- Aanvalssterkte thuis = gemiddeld gescoorde doelpunten thuis van het team ÷ gemiddeld aantal thuisdoelpunten in de competitie.
- Verdedigingssterkte uit = gemiddeld tegendoelpunten uit van de tegenstander ÷ gemiddeld aantal thuisdoelpunten in de competitie.
- Voor de uitploeg doe je hetzelfde met de uitcijfers en de gemiddelden van uitploegen.
Een waarde boven 1 betekent bij aanval: beter dan gemiddeld. Bij verdediging betekent een waarde boven 1: meer tegendoelpunten dan gemiddeld, dus zwakker.
Stap 3: vermenigvuldig tot λ
λ_thuis = aanvalssterkte thuisploeg × verdedigingssterkte uitploeg × competitiegemiddelde thuisdoelpunten.
λ_uit = aanvalssterkte uitploeg × verdedigingssterkte thuisploeg × competitiegemiddelde uitdoelpunten.
Rekenvoorbeeld
Stel dat in een fictieve competitie thuisploegen gemiddeld 1,55 keer scoren en uitploegen 1,20 keer. Team A heeft thuis een aanvalssterkte van 1,20 en een verdedigingssterkte van 0,83. Team B heeft uit een aanvalssterkte van 1,10 en een verdedigingssterkte van 0,97.
- λ_thuis = 1,20 × 0,97 × 1,55 ≈ 1,8
- λ_uit = 1,10 × 0,83 × 1,20 ≈ 1,1
Team A verwacht dus ongeveer 1,8 doelpunten, team B ongeveer 1,1. Die getallen zijn het vertrekpunt voor alle verdere kansen. In plaats van werkelijk gescoorde doelpunten gebruiken veel modellen tegenwoordig expected goals (xG) als invoer, omdat die minder door toeval worden beïnvloed. Hoe dezelfde logica werkt voor tegendoelpunten, staat uitgewerkt in de uitleg over clean sheet kans berekenen met xGA.
Van verwachte doelpunten naar uitslagkansen
Met λ = 1,8 en λ = 1,1 vul je de formule in voor k = 0 tot en met 5 of meer. Dat levert per team de kans op elk aantal doelpunten op.
| Doelpunten | Kans team A (λ = 1,8) | Kans team B (λ = 1,1) |
|---|---|---|
| 0 | 16,5% | 33,3% |
| 1 | 29,8% | 36,6% |
| 2 | 26,8% | 20,1% |
| 3 | 16,1% | 7,4% |
| 4 | 7,2% | 2,0% |
| 5 | 2,6% | 0,4% |
De scorematrix
Omdat het basismodel de doelpunten van beide teams als onafhankelijk behandelt, is de kans op een eindstand het product van de twee losse kansen. De kans op 1-1 is 29,8% × 36,6% ≈ 10,9%. Zo ontstaat een matrix met een kans per uitslag:
| Team A \ Team B | 0 | 1 | 2 | 3 |
|---|---|---|---|---|
| 0 | 5,5% | 6,1% | 3,3% | 1,2% |
| 1 | 9,9% | 10,9% | 6,0% | 2,2% |
| 2 | 8,9% | 9,8% | 5,4% | 2,0% |
| 3 | 5,3% | 5,9% | 3,2% | 1,2% |
De meest waarschijnlijke uitslag is 1-1 (10,9%), gevolgd door 1-0 (9,9%) en 2-1 (9,8%). Dat illustreert direct een belangrijk punt: zelfs de meest waarschijnlijke eindstand komt in negen van de tien gevallen niet uit.
Kansen per markt optellen
Door de juiste vakjes op te tellen (in de berekening tot en met 10 doelpunten per team) volgen de kansen per uitkomst:
| Uitkomst | Welke vakjes | Kans |
|---|---|---|
| Winst team A | onder de diagonaal (A scoort meer) | 53,8% |
| Gelijkspel | de diagonaal (0-0, 1-1, 2-2, …) | 23,1% |
| Winst team B | boven de diagonaal | 23,1% |
| Over 2,5 doelpunten | totaal 3 of meer | 55,4% |
| Beide teams scoren | beide minimaal 1 | 55,7% |
Wie de kans omzet naar een decimale quotering, deelt 1 door de kans: 53,8% komt overeen met een eerlijke quotering van ongeveer 1,86. Hoe doelpuntenlijnen zoals over/onder 2,5 verder werken, staat in de uitleg over over/onder in het voetbal.
Aannames van het basismodel
Een Poissonmodel rust op drie aannames: gebeurtenissen treden onafhankelijk op, de gemiddelde frequentie λ blijft constant over het interval en twee gebeurtenissen vallen nooit exact samen. Op het voetbalveld betekent dat:
- Onafhankelijkheid. Een doelpunt van team A verandert de scoringskans van team B niet, en ook niet die van team A zelf.
- Constante scoringsrate. Het tempo van doelpunten is in minuut 5 hetzelfde als in minuut 85.
- Vaste teamsterkte. De aanvals- en verdedigingssterkte gelden voor de hele periode waarover ze zijn berekend.
In werkelijkheid verschuift een wedstrijd voortdurend. Een rode kaart, een vroege achterstand, een blessure of een tactische wissel verandert hoe teams aanvallen en verdedigen. Ook de spreiding is een aandachtspunt: omdat gemiddelde en variantie bij Poisson gelijk zijn, is dat volgens de University of Chicago een diagnostische eigenschap om te controleren. Is de waargenomen spreiding veel groter dan het gemiddelde, dan beschrijft een eenvoudig Poissonmodel de data mogelijk onvoldoende.
Daarnaast speelt de hoeveelheid data mee. Aanvalssterktes op basis van vijf wedstrijden schommelen sterk; op basis van een volledig seizoen zijn ze stabieler, maar reageren ze trager op vormveranderingen. De afweging tussen die twee wordt verder uitgewerkt in het artikel over steekproefgrootte in voetbaldata.
Uitbreidingen: Dixon-Coles, bivariaat en dynamisch
De aannames van het basismodel zijn het startpunt voor de meeste verbeteringen die in de voetbalstatistiek zijn ontwikkeld.
| Uitbreiding | Wat het oplost | Hoe het werkt |
|---|---|---|
| Dixon-Coles-correctie | Lage uitslagen (0-0, 1-0, 0-1, 1-1) wijken af van het onafhankelijke model | Een correctiefactor past de kans op die lage uitslagen aan |
| Bivariate Poisson | Doelpunten van beide teams hangen samen | Een gezamenlijke component koppelt de twee verdelingen |
| Dynamische modellen | Teamsterkte verandert door het seizoen | Aanval, verdediging en thuisvoordeel mogen in de tijd variëren |
| Tijdsweging | Oude wedstrijden zeggen minder over de huidige vorm | Recente duels krijgen meer gewicht in de schatting |
| xG als invoer | Gescoorde doelpunten bevatten veel toeval | De kwaliteit van kansen vervangt of vult de eindstand aan |
Volgens recent onderzoek in de Journal of the Royal Statistical Society kunnen een bivariate Poissonmodel of een Dixon-Coles-correctie de afhankelijkheid tussen scores opvangen, en laten moderne modellen teamsterktes door de tijd veranderen in plaats van ze constant te houden. Daarmee blijft de Poissonverdeling de bouwsteen, terwijl de invoer en de koppeling tussen beide teams realistischer worden.
Voor tijdens de wedstrijd bestaat een vergelijkbare aanpak: de resterende verwachte doelpunten worden steeds herberekend op basis van de tijd die nog rest, de stand en wat er op het veld gebeurt. Hoe zulke live percentages te lezen zijn, staat in de uitleg over live winkansen.
Kalibratie van een voorspellingsmodel
Een model kan elegant zijn en toch slechte kansen geven. Kalibratie is de toets daarop. Een model is goed gekalibreerd wanneer uitkomsten die het een bepaalde kans toekent, op de lange termijn ook ongeveer zo vaak voorkomen. Van alle wedstrijden waarin het model de thuisploeg 60% geeft, zou de thuisploeg dan ongeveer 60% moeten winnen.
Een kalibratietabel maken
- Verzamel voorspellingen vooraf. Sla per wedstrijd de kansen op die het model vóór de aftrap gaf, zonder ze achteraf aan te passen.
- Groepeer in kansklassen. Verdeel alle voorspellingen in groepen, bijvoorbeeld 0–10%, 10–20%, enzovoort.
- Tel de werkelijke uitkomsten. Bereken per groep hoe vaak de voorspelde uitkomst echt uitkwam.
- Vergelijk. Zet voorspelde en werkelijke frequentie naast elkaar, in een tabel of in een grafiek met de diagonaal als ideaal.
Ligt de werkelijke frequentie structureel onder de voorspelde kans bij hoge percentages, dan is het model te zeker van zijn favorieten. Ligt ze erboven, dan is het model te voorzichtig. Een bekend patroon bij Poissonmodellen is dat het aantal gelijke spelen afwijkt van de voorspelling, wat precies de reden is voor correcties op lage uitslagen.
Scoreregels: Brier-score en ranked probability score
Naast de kalibratietabel worden twee scores veel gebruikt om kansvoorspellingen te beoordelen. Bij beide geldt: hoe lager, hoe beter.
- Brier-score. Tel per wedstrijd de gekwadrateerde verschillen op tussen de voorspelde kans en de uitkomst (1 als het gebeurde, 0 als niet). Met de kansen uit het rekenvoorbeeld (53,8% / 23,1% / 23,1%) en een thuiszege wordt dat (0,538 − 1)² + (0,231 − 0)² + (0,231 − 0)² ≈ 0,32.
- Ranked probability score (RPS). Deze score houdt rekening met de volgorde winst, gelijk, verlies. Een model dat een gelijkspel voorspelt terwijl de thuisploeg wint, zit dichter bij de uitkomst dan een model dat een uitzege voorspelt. De RPS vergelijkt daarom cumulatieve kansen. In het voorbeeld: ((0,538 − 1)² + (0,769 − 1)²) / 2 ≈ 0,13.
Eén wedstrijd zegt weinig. Pas over honderden duels wordt zichtbaar of een model beter scoort dan een eenvoudige referentie, zoals overal het competitiegemiddelde invullen.
Kalibratie tegenover onderscheidend vermogen
Kalibratie is niet het enige criterium. Een model dat elke wedstrijd 46% thuis, 26% gelijk en 28% uit voorspelt, kan perfect gekalibreerd zijn en toch niets onderscheiden. Een bruikbaar model combineert beide: de kansen kloppen gemiddeld en ze verschillen duidelijk tussen een duel van een koploper tegen een degradatiekandidaat en een wedstrijd tussen twee middenmoters.
Kansen lezen als kansen
De uitkomst van een Poissonmodel is een verdeling, geen uitslag. Een paar vuistregels helpen om die verdeling correct te gebruiken:
- Lees percentages als frequenties. 54% winstkans betekent dat de thuisploeg zo’n wedstrijd ongeveer vijf à zes van de tien keer wint, en dus vier à vijf van de tien keer niet.
- Kijk naar de hele matrix. De meest waarschijnlijke eindstand heeft vaak maar 10 tot 12% kans. De verdeling over 1X2, doelpuntenlijnen en beide teams scoren zegt meer.
- Beoordeel op reeksen, niet op één duel. Een 70%-favoriet die verliest, is geen fout van het model. Pas als dat structureel vaker gebeurt dan 30% van de keren, is er een kalibratieprobleem.
- Weeg nieuws dat het model niet kent. Een geschorste spits of een gewijzigde opstelling zit niet in historische gemiddelden. Hoe die informatie uit een opstelling te halen is, staat in de gids over opstellingen analyseren.
Wie modelkansen gebruikt bij wedden, doet dat verstandig met een vooraf vastgesteld budget. Geen enkel model maakt een uitslag zeker.
Ons perspectief
Het Poissonmodel laat zien waarom voetbal zich zo goed leent voor kansdenken: een handvol doelpunten, verdeeld over negentig minuten, met een duidelijke rol voor aanvalskracht, verdedigingskwaliteit en thuisvoordeel. Wij zien het als het fundament waarop een moderne voorspelling wordt gebouwd, niet als het eindpunt.
Daarom combineren onze AI-voorspellingen bij BetsyScore expected goals, recente vorm en onderlinge resultaten tot winstkansen per wedstrijd. Dat sluit aan bij de richting die de statistische literatuur aangeeft: betere invoer dan alleen gescoorde doelpunten en teamsterktes die meebewegen met de werkelijkheid.
Een voorspelling vóór de aftrap is bovendien maar een momentopname. Met live scores die elke paar seconden verversen en een momentum-meter per minuut maken wij zichtbaar welke ploeg de wedstrijd op dat moment domineert. Zo blijft een kans geen los getal, maar een verhaal dat zich minuut voor minuut ontwikkelt, voor ruim 200 competities wereldwijd.
Aria
Voorspellingen per wedstrijd op BetsyScore
Wie de theorie wil terugzien in actuele wedstrijden, vindt op BetsyScore AI-gestuurde voorspellingen met winstkansen op basis van expected goals, recente vorm en onderlinge resultaten. Live opstellingen, realtime statistieken en de momentum-meter per minuut maken het mogelijk om een voorspelling vooraf naast het verloop van de wedstrijd te leggen.
De actuele kansen voor de komende speelronde staan bij de Premier League voorspellingen. Voor de Nederlandse competitie biedt het overzicht van Eredivisie-data in 2026/27 een startpunt om zelf aanvals- en verdedigingssterktes te berekenen. Alle wedstrijden, competities en statistieken zijn te vinden op BetsyScore.
Veelgestelde vragen
Hoe nauwkeurig is een Poissonmodel voor voetbal?
Een Poissonmodel geeft een redelijke benadering van de verdeling van doelpunten, vooral bij het totaal aantal goals en de 1X2-kansen. De nauwkeurigheid hangt sterk af van de invoer: xG-cijfers en recente wedstrijden met meer gewicht leveren doorgaans stabielere schattingen op dan alleen gescoorde doelpunten. Of een model goed presteert, blijkt uit kalibratie en scores zoals de RPS over een groot aantal wedstrijden.
Waarom voorspelt een Poissonmodel vaak te weinig gelijke spelen?
Het basismodel behandelt de doelpunten van beide teams als onafhankelijk. In de praktijk komen lage uitslagen zoals 0-0 en 1-1 iets anders voor dan dat model voorspelt. De Dixon-Coles-correctie en bivariate Poissonmodellen zijn ontwikkeld om juist die afwijking op te vangen.
Kan een Poissonmodel ook tijdens een wedstrijd worden gebruikt?
Ja. Tijdens de wedstrijd wordt λ geschaald naar de resterende speeltijd en gecombineerd met de huidige stand. Een 1-0-voorsprong in de 70e minuut levert dan een nieuwe matrix op voor de laatste twintig minuten. Gebeurtenissen als een rode kaart vragen wel om een aangepaste scoringsrate.
Wat is het verschil tussen kalibratie en nauwkeurigheid?
Kalibratie gaat over de vraag of voorspelde kansen overeenkomen met werkelijke frequenties. Nauwkeurigheid in de zin van onderscheidend vermogen gaat over de vraag of het model sterke en zwakke kansen goed uit elkaar houdt. Een goed voorspellingsmodel voldoet aan beide.
Hoeveel wedstrijden zijn nodig om aanvals- en verdedigingssterkte te schatten?
Een vast getal bestaat niet, maar met minder dan tien wedstrijden schommelen de waarden sterk door toeval. Veel modellen gebruiken een volledig seizoen of meer en geven recente wedstrijden extra gewicht. Zo blijft de schatting stabiel en reageert ze toch op vormveranderingen.
Bronnen
- Scribbr: Poissonverdeling, formule en voorbeelden
- University of Chicago: STAT 226, Generalized Linear Models for Count Data (2023)
- G. Rodríguez: Poisson Models for Count Data
- Journal of the Royal Statistical Society Series C: Bayesian state-space models for football
- DataCamp: Poissonverdeling, een uitgebreide gids