Le score exact est le marché qui fait rêver — et qui ruine les parieurs. Une cote à 8.00 sur 2-1, une autre à 12.00 sur 3-1, on imagine déjà la mise multipliée. Sauf que la probabilité réelle d'un score précis dépasse rarement 12 %, et qu'un bookmaker prélève 12 à 18 % de marge sur ce marché — contre 4 à 6 % sur le 1X2. Autrement dit : il est mathématiquement perdant à long terme.
Scores exacts les plus probables du moment
Générés en direct par notre modèle de buts Dixon-Coles — probabilités affichées, parce que l'honnêteté prime : notre score n°1 sort ~15 % du temps.
Vous cherchez le score exact du jour calculé par intelligence artificielle ? Le générateur ci-dessus affiche nos scores les plus probables pour les matchs d'aujourd'hui, issus du même moteur que nos pronostics. Encore faut-il comprendre ce qu'il fait — et pourquoi mieux vaut s'en servir pour le 1X2 et l'Over/Under que pour parier le score sec.
Cela ne veut pas dire que l'analyse du score exact est inutile. Au contraire : c'est le cœur du moteur statistique de notre IA. Chaque pronostic Over/Under 2.5 ou 1X2 que ProbWin publie sort d'une matrice 7×7 où chaque case est la probabilité d'un score précis. Cet article explique la méthode Poisson — adaptée par Dixon-Coles — qui produit cette matrice, montre un exemple concret calculé sur un match réel de Ligue 1, et donne les 5 scores les plus probables pour la 18e journée de J1 League du 6 juin 2026.
Vous repartirez avec une compréhension claire du calcul, un générateur mental que vous pourrez appliquer à n'importe quel match, et la raison pour laquelle nous n'avons jamais publié de pick officiel sur le marché score exact.
Pourquoi le score exact est le pari le plus difficile du foot
Trois raisons structurelles, qu'aucun « système » ne contourne.
1. La distribution est plate. Sur 1 000 matchs de Premier League ou de Ligue 1, voici comment se répartissent les scores observés :
| Score | Fréquence observée | Cote équitable (sans marge) |
|---|---|---|
| 1-1 | 11,2 % | 8,93 |
| 1-0 | 9,8 % | 10,20 |
| 0-0 | 8,4 % | 11,90 |
| 2-1 | 8,1 % | 12,35 |
| 0-1 | 7,9 % | 12,66 |
| 2-0 | 6,8 % | 14,71 |
| 1-2 | 6,2 % | 16,13 |
| 3-1 | 4,5 % | 22,22 |
| Autres scores | 37,1 % | — |
Le score modal — 1-1 — ne sort qu'une fois sur neuf. Le top 8 cumulé représente à peine 63 % des matchs : 37 % des résultats sont éparpillés sur des scores rares (3-2, 4-1, 0-3, 2-3...). Aucun modèle, aussi sophistiqué soit-il, ne peut « prédire » un événement à 11 % avec certitude. Il peut seulement en estimer la probabilité.
2. La marge bookmaker explose. Comparez la marge implicite sur trois marchés du même match :
| Marché | Marge type | Pourquoi |
|---|---|---|
| 1X2 | 4 à 6 % | Liquide, ultra-concurrentiel |
| Over/Under 2.5 | 4 à 7 % | Volume très élevé, traders attentifs |
| Score exact | 12 à 18 % | Volume faible, demande émotionnelle |
Sur le score exact, le book sait que le parieur va miser pour le frisson, pas pour l'edge. Il en profite. Une cote équitable de 10.20 sur 1-0 devient une cote affichée de 8.50 : 17 % d'écart. Pour battre cette marge, votre modèle devrait surperformer le book de 18 points — ce qu'aucun modèle public ne fait sur ce marché.
3. L'aléa de fin de match est immense. Dans les 15 dernières minutes, un score de 1-0 a 28 % de chances de finir 1-1, 12 % de finir 2-0, et 6 % de finir 2-1. Les remplaçants entrent, l'équipe qui mène temporise, l'équipe qui perd presse plus haut. La variance pure de cette phase finale fait sauter une bonne partie des modèles trop déterministes.
C'est pour ces trois raisons que nous publions nos picks sur 1X2 et Over/Under 2.5, jamais sur score exact. La précision modèle existe ; la rentabilité après marge n'existe pas.
Comment notre IA foot calcule chaque score : Dixon-Coles + Poisson
Le moteur statistique classique du foot, c'est la loi de Poisson appliquée séparément à chaque équipe. L'idée : si vous estimez le nombre moyen de buts que l'équipe à domicile va marquer (λ_dom) et celui de l'équipe à l'extérieur (λ_ext), vous pouvez calculer la probabilité d'observer n'importe quel score.
P(domicile marque x buts) = exp(-λ_dom) × λ_dom^x / x!
P(extérieur marque y buts) = exp(-λ_ext) × λ_ext^y / y!
P(score x-y) = P(x) × P(y)
C'est la version « naïve ». Elle marche correctement, mais elle a trois défauts que tout statisticien sérieux du foot connaît.
Défaut 1 : les buts ne sont pas indépendants. Si l'équipe A mène 2-0 à la 70e, elle joue défensivement, et la probabilité d'un 3-0 chute. Poisson naïf l'ignore.
Défaut 2 : les faibles scores sont sous-estimés. Sur 50 ans de données, les scores 0-0, 1-0, 0-1 et 1-1 sortent plus souvent que ce que Poisson prédit. Le modèle a tendance à pousser les scores vers le haut.
Défaut 3 : le temps compte. Un match de la saison dernière a moins d'information qu'un match de la semaine dernière. Si vous moyennez les buts marqués sur 5 ans, vous diluez l'info récente.
Dixon-Coles (1997) corrige les défauts 1 et 2 avec une fonction de correction τ(x, y, λ_dom, λ_ext, ρ) appliquée aux quatre coins de la matrice (0-0, 0-1, 1-0, 1-1). Le paramètre ρ est ajusté pour que la fréquence empirique des faibles scores corresponde à la fréquence observée. C'est la formule que nous utilisons :
import math
def poisson(k, lam):
return math.exp(-lam) * lam**k / math.factorial(k)
def tau(x, y, lam_h, lam_a, rho):
if x == 0 and y == 0:
return 1 - lam_h * lam_a * rho
elif x == 0 and y == 1:
return 1 + lam_h * rho
elif x == 1 and y == 0:
return 1 + lam_a * rho
elif x == 1 and y == 1:
return 1 - rho
return 1.0
def prob_score(x, y, lam_h, lam_a, rho):
base = poisson(x, lam_h) * poisson(y, lam_a)
return base * tau(x, y, lam_h, lam_a, rho)
Le paramètre ρ est négatif en pratique (~-0,013 dans nos calibrations) : il renforce les nuls 0-0 et 1-1, et freine les victoires 1-0 / 0-1 trop nettes — ce qui colle aux observations réelles.
Pour le défaut 3 (le temps), nous appliquons un time decay exponentiel sur les données d'entraînement : un match de la saison N-1 a un poids 0,5, un match de la saison N-2 a un poids 0,25, etc. C'est ainsi que le modèle « oublie » progressivement les performances anciennes et reste réactif aux dynamiques courantes.
Enfin, les λ_dom et λ_ext ne sortent pas du chapeau. Nous les calculons à partir de trois sources fusionnées :
- la force d'attaque et de défense de chaque équipe, ajustée par le temps ;
- l'xG (expected goals) sur les 10 derniers matchs, qui mesure la qualité réelle des occasions ;
- l'avantage du domicile, calibré par championnat (1,12 en Ligue 1, 1,18 en J1 League, 1,08 en Premier League).
Le détail complet du calcul des λ est expliqué dans notre guide xG pour les paris.
Tableau des probabilités de score : exemple pas à pas
Prenons un match réel calculé par notre moteur : Saint-Étienne vs OGC Nice, Ligue 1, journée 36 (26 mai 2026). Les valeurs sortent directement de notre table soccer_model_probs :
- λ_dom (Saint-Étienne attendu) = 1,40 but
- λ_ext (Nice attendu) = 1,10 but
- ρ = -0,0131
Voici la matrice 7×7 des probabilités calculée avec la formule Dixon-Coles ci-dessus :
| Domicile \ Extérieur | 0 but | 1 but | 2 buts | 3 buts | 4 buts | 5 buts |
|---|---|---|---|---|---|---|
| 0 but | 8,37 % | 8,86 % | 4,97 % | 1,82 % | 0,50 % | 0,11 % |
| 1 but | 11,33 % | 12,81 % | 6,95 % | 2,55 % | 0,70 % | 0,15 % |
| 2 buts | 8,04 % | 8,85 % | 4,87 % | 1,78 % | 0,49 % | 0,11 % |
| 3 buts | 3,75 % | 4,13 % | 2,27 % | 0,83 % | 0,23 % | 0,05 % |
| 4 buts | 1,31 % | 1,45 % | 0,79 % | 0,29 % | 0,08 % | 0,02 % |
| 5 buts | 0,37 % | 0,40 % | 0,22 % | 0,08 % | 0,02 % | 0,00 % |
La somme des 36 cases vaut 99,58 % — le reste (0,42 %) est la masse de probabilité des scores au-delà de 5-5, anecdotique. Lue ainsi, la matrice raconte une histoire claire :
- 1-1 est le score le plus probable à 12,81 %, mais il sort tout de même dans plus de 87 % des cas FAUX ;
- les 7 scores les plus probables (1-1, 1-0, 0-1, 2-1, 0-0, 2-0, 1-2) cumulent 62,2 % ;
- la probabilité qu'au moins un score à 3 buts ou plus pour l'équipe à domicile sorte (3-x, 4-x, 5-x) est ~16 % ;
- la probabilité d'un score au-delà de 4 buts cumulés (Over 4.5) est seulement ~8 %.
En sommant les cases de la matrice, on dérive directement les marchés que nous publions :
| Marché | Probabilité modèle | Cote équitable |
|---|---|---|
| Saint-Étienne gagne | 43,6 % | 2,29 |
| Match nul | 27,0 % | 3,70 |
| Nice gagne | 29,4 % | 3,40 |
| Over 2.5 buts | 45,2 % | 2,21 |
| Under 2.5 buts | 54,4 % | 1,84 |
Ces probabilités sont le vrai produit. Le score exact n'est qu'un sous-produit intermédiaire — utile à l'analyste, peu exploitable au book à cause de la marge.
Rejoignez ProbWin gratuitement
Accédez à nos prédictions IA pour MLB, NHL et NFL. Inscription en 30 secondes.
Du score exact au pronostic 1X2 et Over/Under : pourquoi ProbWin a choisi ces marchés
Une question revient souvent : « si votre IA calcule la matrice complète, pourquoi ne publiez-vous pas de pick sur score exact ? » La réponse tient en trois mots : marge, variance, échantillon.
Marge. Reprenons l'exemple Saint-Étienne vs Nice. Notre modèle dit 12,81 % sur 1-1 → cote équitable 7,81. Sur les sites partenaires, la meilleure cote disponible est 7,00. Pour qu'un pick 1-1 soit rentable à long terme, il faudrait que notre estimation soit au moins 12 % supérieure à celle du book. Sur le 1X2, le même match offre une meilleure cote de 2,25 vs notre estimation 2,29 : edge de 1,8 %, bien plus accessible — et donc bien plus susceptible d'être réel et persistant.
Variance. Avec 100 picks score exact à 10 % de probabilité, votre intervalle de confiance à 95 % sur le taux de réussite va de 4 % à 16 %. Vous devez attendre 500+ picks pour distinguer un vrai edge d'un coup de chance. Sur Over/Under 2.5 (probabilités autour de 50 %), 100 picks suffisent à ressentir le signal. La donnée converge dix fois plus vite.
Échantillon. Notre Learner a besoin de plusieurs centaines de paris settlés pour valider qu'un pattern est robuste (voir notre guide complet du pronostic foot IA pour la mécanique). Sur le score exact, atteindre 500 picks par championnat prend deux saisons — pendant lesquelles le modèle ne reçoit aucun signal. Sur le 1X2, la boucle d'amélioration tourne chaque semaine.
C'est pour cela que notre marché principal soccer = 1X2 + Over/Under 2.5. Pas par limitation technique, par choix d'optimisation : on parie là où la marge laisse une chance, pas là où elle écrase le signal.
Le marché Asian Handicap, lui, offre des marges proches du 1X2 mais une mécanique plus complexe ; nous l'évoquons dans le guide cote, marge et probabilités mais n'y publions pas de pick public à ce jour.
Les 5 scores les plus probables pour la J1 League du 6 juin 2026
La 18e journée de J1 League se joue ce samedi 6 juin 2026. Notre pipeline n'a pas encore couvert publiquement ce championnat à la date de publication de l'article, mais voici les calculs illustratifs réalisés avec la même méthode Dixon-Coles, sur trois affiches de la journée. Les λ utilisés s'appuient sur les statistiques publiques de la saison (xG moyens, buts marqués/encaissés à domicile et à l'extérieur, time decay sur 20 derniers matchs).
Kawasaki Frontale vs Sanfrecce Hiroshima — λ 1,55 / 1,10 (Kawasaki cinquième attaque du championnat, Sanfrecce défense correcte mais sans star, avantage domicile 1,18).
| Score | Probabilité |
|---|---|
| 1-1 | 12,20 % |
| 1-0 | 10,79 % |
| 2-1 | 9,34 % |
| 2-0 | 8,49 % |
| 0-1 | 7,62 % |
Synthèse marchés : 1X2 = 47,0 / 25,6 / 26,7 — Over 2.5 = 48,8 %. Marché serré ; pas de pick officiel publié tant que la cote book ne montre pas 5 %+ d'edge.
Kashima Antlers vs Vissel Kobe — λ 1,30 / 1,30 (affiche haut de tableau, deux attaques équivalentes, défenses correctes).
| Score | Probabilité |
|---|---|
| 1-1 | 12,72 % |
| 1-0 | 9,49 % |
| 0-1 | 9,49 % |
| 2-1 | 8,16 % |
| 1-2 | 8,16 % |
Synthèse marchés : 1X2 = 36,4 / 26,7 / 36,4 — Over 2.5 = 47,7 %. Match piège typique pour le score exact : le top 5 cumule à peine 48 %, soit plus d'un match sur deux qui finit sur un score moins probable.
Urawa Reds vs Okayama — λ 1,65 / 0,95 (Urawa très favori à domicile face au promu).
| Score | Probabilité |
|---|---|
| 1-0 | 12,10 % |
| 1-1 | 11,79 % |
| 2-0 | 10,11 % |
| 2-1 | 9,60 % |
| 0-0 | 7,58 % |
Synthèse marchés : 1X2 favorise nettement Urawa, Over 2.5 ~46 %. Le score Urawa 1-0 est le score modal — cote book typique 7,50 à 8,00. Probabilité calculée 12,10 %, cote équitable ~8,26. À moins de trouver une cote supérieure à 9,00, le pari reste perdant à long terme malgré l'apparente bonne lecture du match.
Lecture clé : ces trois exemples montrent à quel point le score modal d'un match est rarement au-dessus de 12 %. Vous pouvez avoir raison sur la dynamique du match et perdre 8 fois sur 10 sur le score exact. C'est pourquoi notre IA pivote systématiquement vers le 1X2 ou l'Over/Under 2.5 quand un edge réel apparaît.
Comment utiliser un générateur de score exact IA gratuit pour ses paris
Vous pouvez générer la matrice 7×7 d'un match en cinq minutes, à la main, sans abonnement. Voici la méthode pas-à-pas que vous pouvez appliquer dès ce soir.
Étape 1 — Estimer les λ. Pour chaque équipe, prenez les buts marqués sur les 10 derniers matchs, divisez par 10. Pondérez par les buts marqués à domicile/extérieur uniquement, selon le rôle dans le match analysé. Multipliez le λ_dom par 1,1 (avantage domicile pour la majorité des championnats européens) ou 1,18 (Japon, MLS). Vérifiez que vos λ sont cohérents avec la fourchette habituelle : entre 0,8 et 2,2 dans 95 % des cas.
Étape 2 — Calculer la matrice. Avec le code Python plus haut (15 lignes), ou avec un tableur. Pour Excel/Google Sheets :
P(score H-A) = POISSON.DIST(H; lambda_H; FAUX)
* POISSON.DIST(A; lambda_A; FAUX)
* tau(H, A, lambda_H, lambda_A, rho)
Si vous voulez aller vite, ignorez τ et utilisez ρ = 0 — vous perdrez 2-3 points de précision sur les faibles scores, c'est acceptable pour une première lecture.
Étape 3 — Lire la matrice. Identifiez les 5-7 scores les plus probables. Calculez la somme des probabilités où H > A (victoire dom), H = A (nul), A > H (victoire ext) : vous avez votre 1X2 modèle. Calculez la somme où H + A ≥ 3 : vous avez Over 2.5.
Étape 4 — Comparer aux cotes book. Convertissez votre probabilité en cote équitable (1 / probabilité). Comparez à la meilleure cote disponible. Si la cote book est au moins 5 % au-dessus de votre cote équitable, vous avez peut-être un edge. Si elle est en dessous, passez votre chemin (notre guide value bet détaille la méthode).
Étape 5 — Ne JAMAIS parier sur le score exact lui-même. C'est le piège que vous devez éviter à tout prix. Utilisez la matrice pour comprendre la structure du match, pas pour parier sur une case précise. Vos picks vont sur 1X2 ou Over/Under 2.5 — c'est là que la marge book vous laisse une chance.
Quelques erreurs classiques que nous voyons en boucle dans la communauté ProbWin :
| Erreur | Pourquoi c'est fatal |
|---|---|
| Estimer λ sur les 3 derniers matchs | Variance énorme, surréaction aux blessures temporaires |
| Ignorer le contexte (Coupe, fatigue, enjeu) | Un λ moyenne sur les 10 derniers ne capture pas un match sans enjeu de fin de saison |
| Multiplier les paris score exact | La variance compose : 5 paris score exact = chance presque nulle de tous gagner |
| Considérer une cote 25 comme « value » sans calcul | La probabilité doit être > 4 % ET le book doit afficher > 5 % d'edge. Très rare. |
FAQ : score exact foot IA
Une IA peut-elle vraiment prédire le score exact d'un match de foot ? Non, aucune IA ne « prédit » le score exact — elle calcule la probabilité de chaque score. Le score modal d'un match dépasse rarement 12 %. Un modèle excellent estime mieux les probabilités qu'un humain ; il ne sait pas pour autant quel score va sortir.
Quels sont les scores les plus fréquents au foot ? Sur les championnats majeurs européens des 10 dernières saisons : 1-1 (11 %), 1-0 (10 %), 0-0 (8,5 %), 2-1 (8 %), 0-1 (8 %), 2-0 (7 %). Le top 6 cumule ~52 % des matchs. Le reste se disperse sur plus de 40 scores différents.
Pourquoi les bookmakers proposent-ils des cotes alléchantes sur le score exact ? Parce que ce marché est très rentable pour eux. La marge implicite y dépasse souvent 15 %, contre 4-6 % sur le 1X2. Les parieurs amateurs y misent par envie de gros gain — le bookmaker monétise cette demande émotionnelle.
Quelle est la différence entre Poisson et Dixon-Coles ? Poisson naïf suppose que les buts des deux équipes sont indépendants. Dixon-Coles corrige cette hypothèse pour les faibles scores (0-0, 0-1, 1-0, 1-1) avec un paramètre ρ ajusté empiriquement. Sur 10 saisons de données, Dixon-Coles colle 3 à 5 points mieux à la réalité observée sur ces scores critiques.
Est-ce que xG (expected goals) remplace Poisson ? Non, xG est une entrée du modèle Poisson. L'xG sur les 10 derniers matchs sert à estimer les λ. Poisson/Dixon-Coles transforme ensuite ces λ en distribution complète des scores. Ce sont deux étapes complémentaires : xG pour calibrer, Poisson pour distribuer. Détails dans notre guide xG.
Pourquoi ProbWin ne publie pas de pick sur score exact ? Trois raisons : la marge book (12-18 %) écrase l'edge possible ; la variance demande 500+ picks pour valider un signal ; notre Learner converge plus vite sur 1X2 et Over/Under 2.5. Notre IA calcule la matrice complète, mais elle pivote vers les marchés rentables.
Quel est le meilleur générateur de score exact gratuit ? Le générateur le plus précis est celui que vous construisez vous-même avec Poisson/Dixon-Coles et 15 lignes de Python. Il est gratuit, auditable, et vous comprenez ce qu'il fait. Les outils en ligne sont souvent des boîtes noires qui appliquent Poisson naïf sans calibration récente — la qualité varie énormément d'un site à l'autre.
Comment savoir si un pari score exact est rentable ? Calculez votre probabilité modèle p. La cote équitable est 1/p. Comparez à la cote book. Si la cote book ≥ 1,07 × cote équitable, vous avez peut-être un edge réel (5 %+ de marge contre le book). Si elle est inférieure, vous perdez à long terme. Notre guide value bet détaille la méthode.
Existe-t-il un score exact par IA gratuit pour les matchs d'aujourd'hui ? Oui. Notre générateur de score exact IA est gratuit et affiche, pour les matchs du jour, les scores les plus probables calculés par notre modèle Dixon-Coles — le même moteur qui alimente nos pronostics 1X2 et Over/Under. Rappel utile : ces probabilités servent d'abord à trouver la value sur les marchés rentables, pas à miser le score sec à l'aveugle.
Le pronostic par intelligence artificielle marche-t-il sur les grandes compétitions (Coupe du Monde, Ligue des Champions) ? Oui. Le pronostic par intelligence artificielle repose sur la même méthode Poisson/Dixon-Coles quelle que soit la compétition, dès qu'on dispose de l'historique de buts et de l'xG des équipes. Sur une phase finale de Coupe du Monde comme en Ligue des Champions, la logique est identique ; seule la qualité des données d'entrée change.
Prochaine étape : laisser notre IA faire le calcul à votre place
La méthode Dixon-Coles est élégante et pédagogique — c'est exactement ce qui tourne dans notre moteur. Mais l'appliquer à chaque match de Ligue 1, Premier League, Serie A, Liga, Bundesliga, J1 League, MLS, plus les Coupes, plus la Coupe du Monde 2026 qui démarre dans huit jours, demande des heures par jour, une discipline d'ingestion de données à toute épreuve, et un Learner qui boucle après chaque journée.
C'est ce que fait notre IA. Vous, vous lisez l'analyse et vous décidez. Notre canal soccer publie chaque jour :
- les probabilités 1X2 sur les 5 championnats majeurs européens
- les pronostics Over/Under 2.5 quand l'edge dépasse 5 %
- l'analyse match par match rédigée en français, qui explique le raisonnement
- la confiance modèle affichée en pourcentage sur chaque pick
Nous ne promettons pas de track-record, parce que la variance court terme reste impossible à prédire. Nous promettons la méthode complète, partagée, auditable — c'est notre produit.
Pour explorer les picks soccer du jour, ou tester le canal sur 14 jours :
Et si vous voulez creuser la méthodologie générale de notre moteur foot, notre guide pronostic foot IA explique comment Scout, Analyst, Executor et Writer s'enchaînent pour produire chaque analyse — du téléchargement des cotes à la publication de la fiche match.
