Poisson-Verteilung

Was ist die Poisson-Verteilung und woher kommt sie?

Die Poisson-Verteilung ist eines der mächtigsten mathematischen Werkzeuge in der modernen Sportwettenanalyse. Sie modelliert die Wahrscheinlichkeit, dass eine bestimmte Anzahl von Ereignissen (wie Tore im Fußball) in einem festen Zeitraum auftreten, basierend auf einem bekannten Durchschnittswert. Im Fußballkontext ermöglicht sie es, die Toranzahl jeder Mannschaft in einem Spiel zu prognostizieren und daraus die Wahrscheinlichkeit verschiedener Spielergebnisse sowie fairer Wettquoten abzuleiten.

Das Kernprinzip ist elegant: Wenn man weiß, dass ein Team durchschnittlich 1,8 Tore pro Spiel erzielt, kann die Poisson-Verteilung exakt berechnen, mit welcher Wahrscheinlichkeit dieses Team in einem konkreten Spiel 0, 1, 2, 3 oder mehr Tore schießt. Diese Wahrscheinlichkeiten lassen sich dann mit den Quoten der Buchmacher vergleichen, um Wertgelegenheiten zu identifizieren.

Die historische Entwicklung: Siméon Denis Poisson und die Ursprünge

Die Poisson-Verteilung wurde 1837 vom französischen Mathematiker Siméon Denis Poisson entwickelt. Der Gelehrte beschäftigte sich ursprünglich mit Justizstatistiken und fragte sich: Wie oft treten seltene Ereignisse wie Fehlurteile in einem bestimmten Land auf? Seine mathematische Antwort war eine Wahrscheinlichkeitsverteilung, die seltene, unabhängige Ereignisse mit konstanter Durchschnittsrate modelliert.

Das Genie der Poisson-Verteilung liegt in ihrer Universalität. Die Formel funktioniert nicht nur für Justizfehler, sondern für jedes Phänomen, das diese Eigenschaften erfüllt: Ereignisse, die zufällig über einen festen Zeitraum verteilt sind, unabhängig voneinander auftreten und eine messbare durchschnittliche Rate haben. Tore im Fußball sind das perfekte Beispiel dafür.

Erst Jahrzehnte später, in der Mitte des 20. Jahrhunderts, erkannten Statistiker und frühe Sportwetten-Analysten, dass Fußballtore genau diesem Muster folgen. Die Anwendung auf Sportwetten begann in den 1950er und 1960er Jahren, wurde aber erst mit dem Aufkommen von Computern in den 1980ern und 1990ern praktikabel für breite Anwendung. Heute ist die Poisson-Verteilung das Fundament der meisten professionellen Wettmodelle.

Von der Theorie zur Praxis: Die Poisson-Verteilung im Fußball

Warum funktioniert die Poisson-Verteilung so gut beim Fußball? Der Grund liegt in der Natur von Fußballtoren. Ein Tor ist ein seltenes Ereignis: In 90 Minuten fallen typischerweise 2–3 Tore insgesamt, nicht dutzende. Tore fallen relativ unabhängig voneinander auf — das Fallen eines Tores ändert die Wahrscheinlichkeit des nächsten Tores nicht grundlegend (obwohl Psychologie und Taktik hier Ausnahmen schaffen). Und es gibt eine messbare, konsistente Durchschnittsrate: Die Bundesliga produziert etwa 1,6 Heimtore und 1,3 Auswärtstore pro Spiel im Durchschnitt.

Diese drei Bedingungen — selten, unabhängig, konstante Rate — sind exakt das, wofür Poisson entwickelt wurde. Deshalb liefert die Formel beeindruckend genaue Vorhersagen für Torverteilungen im Fußball, während sie für andere Sportarten wie Basketball (wo Punkte häufig und abhängig voneinander sind) weniger geeignet ist.

Kernkonzept: Wie funktioniert die Verteilung?

Die Poisson-Verteilung antwortet auf eine einfache Frage: "Wenn ein Ereignis durchschnittlich λ (Lambda) mal auftritt, wie wahrscheinlich ist es, dass es genau k mal auftritt?"

Nehmen wir ein konkretes Beispiel: Bayern München erzielt im Durchschnitt 2,5 Heimtore pro Saison. Das ist unser Lambda-Wert (λ = 2,5). Jetzt fragen wir: Wie wahrscheinlich ist es, dass Bayern in einem einzelnen Heimspiel genau 2 Tore erzielt? Die Poisson-Verteilung berechnet diese Wahrscheinlichkeit mathematisch präzise.

Das Kernprinzip funktioniert so: Der Durchschnittswert (Lambda) wird mit der Anzahl der Ereignisse (k) kombiniert, mit der Eulerschen Zahl potenziert und durch die Fakultät von k dividiert. Das Ergebnis ist eine Wahrscheinlichkeit zwischen 0% und 100%. Wenn man diese Berechnung für alle möglichen Toranzahlen (0, 1, 2, 3, 4, 5...) durchführt, erhält man eine komplette Wahrscheinlichkeitsverteilung — eine Kurve, die zeigt, welche Toranzahlen wahrscheinlich sind und welche selten.

Wie funktioniert die mathematische Formel der Poisson-Verteilung?

Die mathematische Formel der Poisson-Verteilung sieht auf den ersten Blick einschüchternd aus, aber sie ist tatsächlich elegant und logisch aufgebaut. Sobald man versteht, was jedes Symbol bedeutet, wird die Berechnung zur Routine.

Die Formel Schritt für Schritt verstehen

Die Poisson-Formel lautet:

P(k) = (λ^k × e^-λ) / k!

Wo:

• P(k) = Wahrscheinlichkeit, genau k Ereignisse zu beobachten
• λ (Lambda) = Der Durchschnittswert (erwartete Anzahl von Ereignissen)
• k = Die Anzahl der Ereignisse, deren Wahrscheinlichkeit wir berechnen möchten
• e = Die Eulersche Zahl (ungefähr 2,71828)
• k! = Die Fakultät von k (z.B. 3! = 3 × 2 × 1 = 6)

Lassen Sie uns ein konkretes Beispiel durcharbeiten. Angenommen, Bayern München hat einen Lambda-Wert von λ = 1,8 Tore pro Spiel. Wir möchten die Wahrscheinlichkeit berechnen, dass Bayern genau 2 Tore erzielt (k = 2).

Schritt 1: Berechnen Sie λ^k

• 1,8^2 = 3,24

Schritt 2: Berechnen Sie e^-λ

• e^-1,8 ≈ 0,1653

Schritt 3: Berechnen Sie k!

• 2! = 2 × 1 = 2

Schritt 4: Kombinieren Sie alles

• P(2) = (3,24 × 0,1653) / 2 = 0,536 / 2 = 0,268 oder 26,8%

Bayern hat also eine 26,8% Wahrscheinlichkeit, genau 2 Tore zu erzielen, wenn sein Durchschnittswert 1,8 Tore beträgt.

Praktische Berechnung ohne Taschenrechner

Die gute Nachricht: Sie müssen diese Berechnung nicht manuell durchführen. Microsoft Excel hat eine eingebaute Funktion, die die ganze Arbeit übernimmt.

Die Funktion in Excel heißt POISSON.VERT (in englischen Versionen: POISSON.DIST). Die Syntax ist einfach:

=POISSON.VERT(k; λ; FALSCH)

• k = Die Toranzahl, deren Wahrscheinlichkeit Sie berechnen möchten
• λ = Der Durchschnittswert (z.B. 1,8)
• FALSCH = Gibt an, dass Sie die Wahrscheinlichkeit für genau k Ereignisse möchten (nicht kumulativ)

Beispiel in Excel:

=POISSON.VERT(2; 1,8; FALSCH)

Das Ergebnis: 0,268 oder 26,8% — genau wie unsere manuelle Berechnung.

Wenn Sie die Wahrscheinlichkeit für 0, 1, 2, 3, 4 und 5 Tore berechnen möchten, erstellen Sie einfach eine kleine Tabelle:

Alternativ gibt es dutzende Online-Poisson-Rechner im Internet, bei denen Sie einfach Lambda eingeben und alle Wahrscheinlichkeiten auf einmal erhalten. Suchen Sie nach "Poisson Calculator" oder "Poisson Distribution Calculator".

Von der Formel zur Wahrscheinlichkeit

Sobald Sie die Wahrscheinlichkeiten für verschiedene Toranzahlen berechnet haben, können Sie diese interpretieren. Die Wahrscheinlichkeitsverteilung sagt Ihnen, welche Toranzahlen wahrscheinlich sind und welche selten.

In unserem Bayern-Beispiel (λ = 1,8):

• 0 Tore: 16,5% — Torlos ist selten, aber möglich
• 1 Tor: 29,7% — Das wahrscheinlichste Ergebnis
• 2 Tore: 26,8% — Auch sehr wahrscheinlich
• 3 Tore: 16,1% — Weniger wahrscheinlich
• 4+ Tore: 9,8% — Selten

Addieren Sie alle Wahrscheinlichkeiten: 16,5% + 29,7% + 26,8% + 16,1% + 9,8% = 98,9% (der Rest sind 5+ Tore). Das ist das Wesen der Poisson-Verteilung: Sie erklärt die gesamte Wahrscheinlichkeitsmasse.

Wie berechnet man Angriffs- und Defensivstärke?

Die Qualität Ihres Poisson-Modells hängt vollständig von der Qualität Ihrer Lambda-Werte (λ) ab. Und die Lambda-Werte basieren auf der Angriffsstärke und Defensivstärke der Teams. Dies ist der kritische Schritt, der Ihr Modell von oberflächlich zu präzise macht.

Schritt 1 – Ligadurchschnitte ermitteln

Der erste Schritt ist, die durchschnittlichen Torwerte für die Liga zu ermitteln. Für die Bundesliga 2023/24 zum Beispiel:

• Durchschnittliche Heimtore pro Spiel: 1,6 Tore
• Durchschnittliche Auswärtstore pro Spiel: 1,3 Tore

Diese Zahlen finden Sie auf Websites wie:

• Bundesliga.de (Offizielle Statistiken)
• Understat.com (Fortgeschrittene Metriken)
• FootyStats.org (Umfassende Datenbank)
• ESPN oder Sky Sports (Ligastatistiken)

Der Heimvorteil ist deutlich sichtbar: Heimteams erzielen durchschnittlich mehr Tore (1,6 vs. 1,3). Dies ist ein konsistentes Phänomen über alle Ligen hinweg und sollte immer berücksichtigt werden.

Schritt 2 – Angriffsstärke berechnen

Die Angriffsstärke eines Teams misst, wie viel besser oder schlechter ein Team im Vergleich zum Ligadurchschnitt beim Toreschießen ist.

Formel:

Angriffsstärke = Durchschnittliche Tore des Teams / Ligadurchschnitt für diese Position

Beispiel mit Bayern München (Heimspiele, Saison 2023/24):

• Bayern erzielte im Durchschnitt 2,5 Heimtore pro Spiel
• Ligadurchschnitt Heimtore: 1,6
• Angriffsstärke Bayern (Heim) = 2,5 / 1,6 = 1,56

Das bedeutet: Bayern erzielt 56% mehr Tore als der Ligadurchschnitt. Ein Wert von 1,56 ist für einen Top-Club normal. Ein Wert von 0,8 würde bedeuten, dass ein Team 20% unter dem Durchschnitt liegt.

Beispiel mit Werder Bremen (Auswärtsspiele):

• Werder erzielte durchschnittlich 0,9 Auswärtstore pro Spiel
• Ligadurchschnitt Auswärtstore: 1,3
• Angriffsstärke Werder (Auswärts) = 0,9 / 1,3 = 0,69

Werder ist 31% unter dem Ligadurchschnitt bei Auswärtsspielen. Das deutet auf eine schwächere Offensive hin.

Schritt 3 – Defensivstärke berechnen

Die Defensivstärke misst, wie gut ein Team Tore verhindert, im Vergleich zum Ligadurchschnitt.

Formel:

Defensivstärke = Durchschnittlich kassierten Tore des Teams / Ligadurchschnitt kassierten Tore

Beispiel mit Bayern München (Heimspiele):

• Bayern kassierte durchschnittlich 0,7 Heimtore pro Spiel (sehr stark)
• Ligadurchschnitt kassierte Heimtore: 1,3 (Auswärtstore des Gegners)
• Defensivstärke Bayern (Heim) = 0,7 / 1,3 = 0,54

Ein Wert von 0,54 bedeutet, dass Bayern nur 54% der durchschnittlichen Tore kassiert. Das ist eine Weltklasse-Defensive.

Beispiel mit Werder Bremen (Auswärtsspiele):

• Werder kassierte durchschnittlich 1,8 Auswärtstore pro Spiel (schwach)
• Ligadurchschnitt kassierte Auswärtstore: 1,6 (Heimtore des Gegners)
• Defensivstärke Werder (Auswärts) = 1,8 / 1,6 = 1,13

Ein Wert von 1,13 bedeutet, dass Werder 13% mehr Tore kassiert als der Durchschnitt. Das deutet auf eine schwächere Abwehr hin.

Schritt 4 – Erwartete Torzahl für ein Spiel berechnen

Jetzt kombinieren Sie alles zu einer Formel für die erwartete Torzahl (Lambda) in einem konkreten Spiel:

Formel:

Erwartete Tore (Heimteam) = Ligadurchschnitt Heimtore × Angriffsstärke Heim × Defensivstärke Auswärts

Erwartete Tore (Auswärtsteam) = Ligadurchschnitt Auswärtstore × Angriffsstärke Auswärts × Defensivstärke Heim

Vollständiges Beispiel: Bayern München (Heim) vs. Werder Bremen (Auswärts)

Schritt-für-Schritt-Berechnung:

Interpretation: Bayern wird erwartet, 2,82 Tore zu erzielen, während Werder 0,49 Tore (weniger als ein Tor im Durchschnitt) erwartet wird. Das ist ein großes Ungleichgewicht, das die Qualitätsdifferenz zwischen den Teams widerspiegelt.

Wie prognostiziert man konkrete Spielergebnisse?

Jetzt haben Sie die Lambda-Werte für beide Teams: Bayern mit 2,82 und Werder mit 0,49. Der nächste Schritt ist, diese in konkrete Spielergebnis-Wahrscheinlichkeiten umzuwandeln.

Vom Lambda-Wert zum Endergebnis

Der Schlüssel liegt in der Unabhängigkeitsannahme: Die Tore der Heimmannschaft und der Auswärtsmannschaft werden als unabhängig voneinander behandelt. Das bedeutet, dass Sie die Wahrscheinlichkeiten für jede Toranzahl separat berechnen und dann multiplizieren.

Warum ist diese Annahme sinnvoll? In der Realität beeinflussen sich die Teams natürlich gegenseitig (ein Rückstand ändert die Spielweise). Aber als statistische Vereinfachung funktioniert die Unabhängigkeitsannahme erstaunlich gut, besonders wenn man über viele Spiele hinweg aggregiert.

Praktische Beispiel-Berechnung: Bayern 2,82 Tore vs. Werder 0,49 Tore

Schritt 1: Berechnen Sie die Wahrscheinlichkeitsverteilung für Bayern (λ = 2,82)

Schritt 2: Berechnen Sie die Wahrscheinlichkeitsverteilung für Werder (λ = 0,49)

Schritt 3: Multiplizieren Sie die Wahrscheinlichkeiten für jede Ergebnis-Kombination

Beispiele:

• 0:0 = P(Bayern=0) × P(Werder=0) = 5,9% × 61,2% = 3,6%
• 1:0 = P(Bayern=1) × P(Werder=0) = 16,7% × 61,2% = 10,2%
• 2:1 = P(Bayern=2) × P(Werder=1) = 23,6% × 30,0% = 7,1%
• 3:1 = P(Bayern=3) × P(Werder=1) = 22,2% × 30,0% = 6,7%

Durch Wiederholung dieser Berechnung für alle relevanten Kombinationen (typischerweise bis 5:5 oder so) erhalten Sie eine komplette Ergebnis-Wahrscheinlichkeitsmatrix.

Aggregierte Wahrscheinlichkeiten: Sieg, Unentschieden, Niederlage

Aus der detaillierten Ergebnis-Matrix können Sie aggregierte Wahrscheinlichkeiten berechnen:

• Bayern Sieg = Summe aller Ergebnisse, bei denen Bayern mehr Tore erzielt
• Unentschieden = Summe aller Ergebnisse mit gleicher Toranzahl
• Werder Sieg = Summe aller Ergebnisse, bei denen Werder mehr Tore erzielt

Aus dieser Matrix:

• Bayern Sieg = 3,6% + 10,2% + 14,4% + 13,5% + 23,5% + (1,8% + 5,0% + 7,1% + 6,6% + 11,5% wo Bayern > Werder) = ~80-85%
• Unentschieden = Diagonale (0:0, 1:1, 2:2, etc.) = ~5-7%
• Werder Sieg = ~8-12%

Diese Wahrscheinlichkeiten können Sie jetzt mit den Quoten des Buchmachers vergleichen.

Wie nutzt man Poisson zur Quotenberechnung und Wertanalyse?

Die eigentliche Kraft der Poisson-Verteilung liegt nicht in der Berechnung von Wahrscheinlichkeiten, sondern in der Identifikation von Wertgelegenheiten durch Vergleich mit den Quoten des Buchmachers.

Von Wahrscheinlichkeit zu fairen Quoten

Die Umrechnung ist einfach:

Quote = 1 / Wahrscheinlichkeit

Beispiele:

• Wahrscheinlichkeit 50% → Quote = 1 / 0,50 = 2,0
• Wahrscheinlichkeit 33% → Quote = 1 / 0,33 = 3,0
• Wahrscheinlichkeit 20% → Quote = 1 / 0,20 = 5,0
• Wahrscheinlichkeit 10% → Quote = 1 / 0,10 = 10,0

Diese sind die fairen Quoten, ohne Buchmacher-Marge.

Buchmacher bieten jedoch immer niedrigere Quoten, um ihren Gewinn zu sichern. Wenn die faire Quote 2,0 ist, bietet der Buchmacher vielleicht 1,95 an. Der Unterschied ist die Marge (auch "Vigorish" oder "Vig" genannt).

Value Betting: Wann ist eine Wette wertvoll?

Eine Wette ist wertvoll, wenn die Buchmacher-Quote höher ist als die faire Quote basierend auf Ihrer Poisson-Analyse.

Beispiel:

• Ihre Poisson-Analyse sagt: Bayern Sieg = 85% Wahrscheinlichkeit
• Faire Quote für Bayern Sieg = 1 / 0,85 = 1,18
• Buchmacher bietet für Bayern Sieg = 1,10
• Ergebnis: Overvalued (Buchmacher bietet weniger als fair) — NICHT WETTEN

Gegenszenario:

• Ihre Poisson-Analyse sagt: Bayern Sieg = 75% Wahrscheinlichkeit
• Faire Quote für Bayern Sieg = 1 / 0,75 = 1,33
• Buchmacher bietet für Bayern Sieg = 1,45
• Ergebnis: Undervalued (Buchmacher bietet mehr als fair) — WERTVOLL!

Das ist die Essenz von Value Betting: Sie suchen nach Diskrepanzen zwischen Ihrer mathematischen Analyse und den Quoten des Buchmachers.

Verschiedene Wettmärkte mit Poisson analysieren

Die Poisson-Verteilung kann auf verschiedene Wettmärkte angewendet werden:

1X2 (Dreiwege-Wetten):

• Sieg (1), Unentschieden (X), Sieg Auswärts (2)
• Berechnet direkt aus der Ergebnis-Matrix

Over/Under Tore (z.B. Über 2,5 Tore):

• Summen Sie alle Ergebnisse, bei denen die Gesamttoranzahl über 2,5 liegt
• Beispiel: Bayern 2,82 + Werder 0,49 = 3,31 durchschnittliche Gesamttore
• Eine Quote von 1,90 für "Über 2,5" könnte wertvoll sein, wenn Ihre Berechnung > 50% ergibt

Beide Teams erzielen Tor (BTTS):

• Berechnen Sie die Wahrscheinlichkeit, dass Bayern ≥ 1 Tor UND Werder ≥ 1 Tor erzielt
• Das ist die Summe aller Kombinationen, wo beide Werte ≥ 1 sind

Exakte Ergebnisse:

• Nutzen Sie die Ergebnis-Matrix direkt
• Exakte Ergebnisse haben hohe Quoten, aber niedrige Wahrscheinlichkeiten

Welche Grenzen und Annahmen hat das Poisson-Modell?

Obwohl die Poisson-Verteilung ein mächtiges Werkzeug ist, hat sie erhebliche Limitierungen. Ein realistisches Verständnis dieser Grenzen ist essentiell, um das Modell richtig anzuwenden.

Die Unabhängigkeitsannahme und ihre Realität

Das größte Problem: Tore sind nicht wirklich unabhängig voneinander. Die Poisson-Verteilung geht davon aus, dass das Fallen eines Tores die Wahrscheinlichkeit des nächsten Tores nicht beeinflusst. In der Realität ist das falsch.

Der Rückstandseffekt: Wenn Bayern 2:0 führt, spielen sie anders als beim Stand 0:0. Sie verteidigen tiefer, spielen weniger offensiv. Werder wird aggressiver, nimmt mehr Risiken. Diese Dynamik kann nicht in einer statischen Poisson-Formel abgebildet werden.

Psychologische Faktoren: Ein Team, das gerade ein Tor kassiert hat, ist oft demoralisiert und macht mehr Fehler. Ein Team, das gerade getroffen hat, ist motiviert und drückt weiter. Diese psychologischen Effekte sind real, aber in Poisson nicht berücksichtigt.

Die Unabhängigkeitsannahme ist eine akzeptable Vereinfachung, funktioniert aber besser für:

• Vorhersagen vor dem Spiel (nicht während des Spiels)
• Aggregierte Vorhersagen über viele Spiele (Fehler heben sich auf)
• Szenarien mit moderaten Toranzahlen (nicht bei extremen Scores wie 5:0)

Zeitliche Effekte, die das Modell ignoriert

Tore fallen nicht gleichmäßig über 90 Minuten. Empirische Daten zeigen, dass mehr Tore in bestimmten Phasen fallen:

• Erste 15 Minuten: Schnelle Spielweise, Fehler durch Nervosität
• Mittelteil (30-60 Min): Relativ weniger Tore
• Letzten 15 Minuten: Wieder mehr Tore, da Teams Risiken eingehen

Die Poisson-Verteilung behandelt alle 90 Minuten als identisch. Sie kann nicht abbilden, dass die Wahrscheinlichkeit eines Tores in der 89. Minute anders ist als in der 10. Minute.

Implikation: Wenn Sie Wetten auf "Tor in der ersten Halbzeit" oder "Tor nach 80 Minuten" machen, ist Poisson weniger zuverlässig.

Externe Faktoren, die nicht berücksichtigt werden

Das Poisson-Modell basiert auf historischen Durchschnitten, ignoriert aber viele reale Faktoren:

Spielerform und Verletzungen:

• Ein verletzter Torschütze reduziert die Angriffsstärke dramatisch
• Ein verletzter Verteidiger schwächt die Defensive
• Aktuelle Form (Hot/Cold Streaks) ist nicht in Saisonsdurchschnitten enthalten

Taktische Veränderungen:

• Ein neuer Trainer kann die Spielweise komplett verändern
• Aufstellungsänderungen beeinflussen Angriff und Abwehr
• Spezifische Taktiken gegen bestimmte Gegner

Wetter, Rasen, Reisen:

• Schlechtes Wetter reduziert oft die Toranzahl
• Ein schlechter Rasenplatz beeinflusst die Spielweise
• Lange Reisen können Müdigkeit verursachen

Psychologische und Kontextfaktoren:

• Druck (ein Team braucht einen Sieg, um in die Champions League zu kommen)
• Rivalität (Derby-Spiele sind oft intensiver)
• Motivation (Spiel am Ende der Saison vs. Spiel am Anfang)
• Zuschauer (Heimvorteil durch Lärm und Unterstützung)

Häufige Missverständnisse und Fehlinterpretationen

Mythos 1: "Poisson ist 100% zuverlässig"

• Realität: Poisson liefert Trends und Wahrscheinlichkeiten, nicht Garantien. Selbst mit perfektem Modell werden ~30-40% der Vorhersagen "falsch" sein, weil Fußball zufällig ist.

Mythos 2: "Wenn Poisson sagt 2,5 Tore, werden es immer 2-3 Tore sein"

• Realität: 2,5 ist der Durchschnitt. Tatsächliche Ergebnisse variieren stark (0 Tore, 1 Tor, 5 Tore sind alle möglich).

Mythos 3: "Man kann damit garantiert Geld verdienen"

• Realität: Poisson ist ein Werkzeug zur Identifikation von Value. Langfristiger Gewinn erfordert Disziplin, gutes Bankroll-Management und konsistente Anwendung.

Mythos 4: "Poisson funktioniert nicht, weil die Vorhersagen oft falsch sind"

• Realität: Poisson ist nicht falsch, wenn einzelne Vorhersagen nicht eintreffen. Über große Stichproben sollte das Modell im Durchschnitt korrekt sein.

Wie kombiniert man Poisson mit modernen Daten (xG)?

Die Zukunft der Sportwettenanalyse liegt nicht in der reinen Poisson-Verteilung, sondern in Hybrid-Modellen, die Poisson mit modernen Metriken wie Expected Goals (xG) kombinieren.

Expected Goals (xG) als Verbesserung der Torquoten

Expected Goals (xG) ist eine moderne Metrik, die die Qualität von Torchancen misst, nicht nur die Anzahl der Tore. Ein Team, das 10 hochwertige Chancen hat, hat höheres xG als ein Team mit 10 schwachen Chancen.

Warum ist xG besser als historische Tordurchschnitte?

1. Aussagekräftiger: xG misst tatsächliche Spielweise und Chancenqualität, nicht nur Glück
2. Schneller: xG zeigt Form-Veränderungen schneller als Tordurchschnitte
3. Stabiler: Ein Team mit hohem xG wird langfristig mehr Tore erzielen, auch wenn es kurzfristig Pech hat

Beispiel:

• Team A erzielt durchschnittlich 1,5 Tore pro Spiel (historisch)
• Aber Team A hat xG von 2,1 pro Spiel (hohe Chancenqualität)
• Vorhersage: Team A wird bald mehr Tore erzielen, da die Chancen hochwertig sind

Hybrid-Modelle: Poisson + xG + andere Faktoren

Statt nur Tordurchschnitte zu nutzen, können Sie:

1. xG-basierte Angriffsstärke: Nutzen Sie xG statt Tore zur Berechnung der Angriffsstärke
2. xG-basierte Defensivstärke: Nutzen Sie xG Against (Chancen, die der Gegner hatte) statt kassierten Tore
3. Gewichtung nach Recency: Neuere Spiele stärker gewichten als alte
4. Zusätzliche Variablen: Verletzungen, Heimvorteil, Form-Trend, etc.

Beispiel einer xG-basierten Berechnung:

Angriffsstärke (xG-basiert) = Team xG / Ligadurchschnitt xG
Defensivstärke (xG-basiert) = Team xG Against / Ligadurchschnitt xG Against

Erwartete Tore = Ligadurchschnitt × Angriffsstärke (xG) × Defensivstärke (xG)

Praktische Implementierung: Von Theorie zur Anwendung

Schritt 1: xG-Daten sammeln

Websites mit xG-Daten:

• Understat.com (Beste Quelle, detaillierte xG-Daten)
• StatsBomb (Professionelle Daten, aber kostenpflichtig)
• FBRef (Sports-Reference) (Kostenlos, gute Abdeckung)
• Wyscout (Professionelle Videos und Daten)

Schritt 2: xG-Durchschnitte berechnen

Ähnlich wie mit Toren, berechnen Sie:

• Durchschnittliches xG pro Spiel (Heimspiele und Auswärtsspiele getrennt)
• Durchschnittliches xG Against (Chancen, die der Gegner hatte)

Schritt 3: xG-Angriffs- und Defensivstärke berechnen

Bayern xG pro Heimspiel = 2,4 (höher als Tordurchschnitte, weil sie viele Chancen kreieren)
Ligadurchschnitt xG = 1,8
Bayern Angriffsstärke (xG) = 2,4 / 1,8 = 1,33

Schritt 4: Erwartete Tore berechnen und mit Poisson prognostizieren

Erwartete Tore Bayern = 1,6 × 1,33 × 0,65 = 1,39 (basierend auf xG)
Vs. traditionelles Poisson = 1,6 × 1,56 × 0,54 = 1,34

Die xG-basierte Prognose ist oft stabiler und zuverlässiger, besonders bei Teams mit hohem xG, aber niedriger Torausbeute (oder umgekehrt).

Häufig gestellte Fragen (FAQ)

Was ist die Poisson-Verteilung im Fußball?

Die Poisson-Verteilung ist ein mathematisches Modell, das die Wahrscheinlichkeit verschiedener Toranzahlen basierend auf einem Durchschnittswert berechnet. Im Fußball wird sie verwendet, um die Wahrscheinlichkeit von Spielergebnissen vorherzusagen und faire Wettquoten zu berechnen. Sie funktioniert, weil Tore seltene, unabhängige Ereignisse mit einer messbaren durchschnittlichen Rate sind — exakt das, wofür das Poisson-Modell entwickelt wurde.

Wie berechnet man die erwartete Torzahl?

Die erwartete Torzahl (Lambda) wird berechnet als: Ligadurchschnitt Tore × Angriffsstärke des Teams × Defensivstärke des Gegners

Beispiel: Ligadurchschnitt Heimtore (1,6) × Bayern Angriffsstärke (1,56) × Werders Defensivstärke (1,13) = 2,82 erwartete Tore für Bayern

Welche Daten benötige ich für Poisson?

Sie benötigen:

1. Ligadurchschnitte für Heimtore und Auswärtstore
2. Durchschnittliche Tore jedes Teams (Heim und Auswärts)
3. Durchschnittlich kassierten Tore jedes Teams (Heim und Auswärts)

Diese Daten finden Sie auf Bundesliga.de, Understat.com, FootyStats.org oder ESPN.

Kann ich Poisson mit Excel nutzen?

Ja, absolut. Excel hat die eingebaute Funktion POISSON.VERT. Die Syntax ist: =POISSON.VERT(k; λ; FALSCH) wobei k die Toranzahl und λ der Durchschnittswert ist. Sie können damit schnell Wahrscheinlichkeitstabellen erstellen.

Wie genau ist das Poisson-Modell?

Das Poisson-Modell ist nicht perfekt, aber über große Stichproben (viele Spiele) beeindruckend zuverlässig. Empirische Tests zeigen, dass Poisson-Vorhersagen in etwa 60-70% der Fälle die Trends korrekt erfasst. Einzelne Vorhersagen können falsch sein, aber über Zeit sollte das Modell im Durchschnitt korrekt sein.

Unterscheidet sich Poisson für verschiedene Ligen?

Ja, die Ligadurchschnitte variieren erheblich. Die Premier League hat höhere durchschnittliche Toranzahlen als die Bundesliga, die wiederum höher als die 3. Liga ist. Sie müssen immer die spezifischen Ligadurchschnitte für Ihre Berechnung nutzen, nicht pauschale Werte.

Kann ich mit Poisson Geld verdienen?

Poisson ist ein Werkzeug zur Identifikation von Value-Wetten, nicht eine Garantie für Gewinne. Langfristiger Gewinn erfordert:

• Disziplinarische Anwendung des Modells
• Gutes Bankroll-Management
• Nur Wetten mit positiver Erwartung (Value)
• Konsistenz über viele Wetten hinweg

Warum funktioniert Poisson manchmal nicht?

Poisson funktioniert nicht perfekt, weil:

• Externe Faktoren (Verletzungen, Wetter, Taktik) nicht berücksichtigt werden
• Die Unabhängigkeitsannahme nicht perfekt ist (Rückstandseffekte)
• Fußball hat einen hohen Zufallsfaktor
• Historische Durchschnitte ändern sich mit Form und Trainerwechseln

Poisson ist ein statistisches Modell, kein Kristallkugel. Es gibt Trends vor, aber einzelne Spiele können "falsch" ausfallen.

Zusammenfassung: Poisson-Verteilung als praktisches Werkzeug

Die Poisson-Verteilung ist eines der mächtigsten Werkzeuge für quantitative Sportwettenanalyse. Sie ermöglicht es, mathematisch fundierte Wahrscheinlichkeiten für Spielergebnisse zu berechnen und diese mit Buchmacher-Quoten zu vergleichen, um Value-Gelegenheiten zu identifizieren.

Die Kernschritte sind:

1. Sammeln Sie Ligadurchschnitte und Team-Statistiken
2. Berechnen Sie Angriffs- und Defensivstärke
3. Berechnen Sie erwartete Toranzahlen (Lambda-Werte)
4. Nutzen Sie die Poisson-Formel (oder Excel) zur Berechnung von Wahrscheinlichkeiten
5. Konvertieren Sie Wahrscheinlichkeiten in Quoten
6. Vergleichen Sie mit Buchmacher-Quoten und identifizieren Sie Value

Wichtig: Verstehen Sie die Limitierungen. Poisson ist ein Hilfsmittel, das externe Faktoren ignoriert und auf historischen Durchschnitten basiert. Kombinieren Sie es mit modernen Metriken wie xG und manuellem Urteil für beste Ergebnisse.

Mit Disziplin und konsistenter Anwendung kann die Poisson-Verteilung ein großer Vorteil in Ihrer Sportwettenanalyse sein.