Poisson-Verteilung im Fußball: Mathematische Grundlagen der Torvorhersage

Tore im Fußball sind selten. Ein durchschnittliches Bundesliga-Spiel endet mit etwa drei Toren — verteilt auf 90 Minuten, in denen theoretisch Dutzende fallen könnten. Diese Seltenheit macht Tore mathematisch interessant: Sie verhalten sich ähnlich wie andere seltene Ereignisse, etwa Unfälle oder Druckfehler. Und genau dafür existiert eine mathematische Beschreibung: die Poisson-Verteilung.

Tore mathematisch modellieren — das klingt nach theoretischer Spielerei, hat aber praktischen Nutzen. Die Poisson-Verteilung erlaubt es, Wahrscheinlichkeiten für verschiedene Spielstände zu berechnen. Wie wahrscheinlich ist ein 0:0? Ein 2:1? Ein Ergebnis mit mehr als 3 Toren? Diese Fragen lassen sich beantworten, wenn man die durchschnittliche Torerwartung kennt.

Die Methode wurde bereits in den 1950er Jahren auf Fußball angewendet, lange bevor Computer Massendaten verarbeiten konnten. Ihre Eleganz liegt in der Einfachheit: Mit nur einer Eingabegröße — dem Erwartungswert — lässt sich eine komplette Wahrscheinlichkeitsverteilung erzeugen. Diese Einfachheit ist zugleich Stärke und Schwäche.

Die Methode hat Grenzen, aber sie bildet die Grundlage vieler Prognosemodelle. Wer verstehen will, wie Fußballvorhersagen funktionieren, muss die Poisson-Verteilung kennen — nicht als Selbstzweck, sondern als Werkzeug für bessere Einschätzungen.

Die Poisson-Formel erklärt

Die Poisson-Verteilung berechnet die Wahrscheinlichkeit, dass ein bestimmtes Ereignis eine bestimmte Anzahl von Malen eintritt. Die Formel lautet: P(k) = (λ^k × e^−λ) / k! — wobei λ der Erwartungswert ist, k die Anzahl der Ereignisse und e die Eulersche Zahl (etwa 2,718).

Für Fußball übersetzt sich das so: λ ist die durchschnittliche Anzahl der Tore, die ein Team pro Spiel erzielt. Wenn Bayern zu Hause durchschnittlich 2,5 Tore schießt, ist λ = 2,5. Die Formel berechnet dann, wie wahrscheinlich 0, 1, 2, 3 oder mehr Tore sind.

Ein Beispiel macht die Rechnung greifbar: Bei λ = 2,5 liegt die Wahrscheinlichkeit für genau 2 Tore bei etwa 26 Prozent. Für genau 3 Tore sind es 21 Prozent. Für 0 Tore nur 8 Prozent. Für 4 oder mehr Tore zusammen etwa 24 Prozent. Diese Werte sind nicht geraten, sondern mathematisch abgeleitet — und sie passen erstaunlich gut zu realen Fußballdaten.

Die Berechnung der Erwartungswerte ist entscheidend. Der einfachste Ansatz: Der Saisondurchschnitt der Heimtore für das Heimteam und der Saisondurchschnitt der Auswärtstore für das Auswärtsteam. Bessere Modelle korrigieren diese Werte um die Stärke des Gegners — ein Team, das gegen Bayern weniger Tore erzielt als üblich, sollte nicht mit seinem Saisondurchschnitt bewertet werden.

Die Stärke der Poisson-Verteilung liegt in ihrer Einfachheit. Mit nur einem Parameter — dem Erwartungswert — lässt sich eine vollständige Wahrscheinlichkeitsverteilung erstellen. Die Schwäche liegt in den Annahmen: Die Formel unterstellt, dass Tore unabhängig voneinander fallen. In der Realität stimmt das nicht immer — ein frühes Tor kann die Taktik verändern und weitere Tore wahrscheinlicher oder unwahrscheinlicher machen.

Studien zeigen die Genauigkeit und Grenzen. Analysen an der Karls-Universität Prag fanden, dass Poisson-basierte Modelle bei Drei-Wege-Vorhersagen etwa 50 Prozent Trefferquote erreichen. Das klingt bescheiden — und ist es auch. Aber es ist besser als Raten, und es bietet eine Grundlage für komplexere Modelle.

Ergebnismatrix erstellen

Die praktische Anwendung der Poisson-Verteilung führt zur Ergebnismatrix. Diese Tabelle zeigt die Wahrscheinlichkeit für jedes mögliche Spielergebnis — von 0:0 bis 5:5 und darüber hinaus. Die Matrix ist das zentrale Werkzeug für die Ableitung von Wettwahrscheinlichkeiten.

Der Aufbau ist systematisch: Zuerst den Erwartungswert für die Heimmannschaft berechnen, dann für die Auswärtsmannschaft. Beide Werte ergeben sich aus historischen Daten — etwa den durchschnittlichen Toren zu Hause und auswärts, korrigiert um die Stärke des Gegners. Mit diesen beiden Erwartungswerten lässt sich für jede Tor-Kombination eine Wahrscheinlichkeit berechnen.

Ein Beispiel: Bayern (Erwartungswert 2,3) gegen Union Berlin (Erwartungswert 0,9). Die Wahrscheinlichkeit für ein 2:0 ergibt sich aus P(Bayern = 2) × P(Union = 0). Mit den Poisson-Werten: etwa 26 Prozent mal 41 Prozent — also rund 11 Prozent für genau dieses Ergebnis. Für ein 1:1 wäre es etwa 21 Prozent mal 37 Prozent — rund 8 Prozent.

Die vollständige Matrix enthält alle Kombinationen. In der Praxis genügen meist die Ergebnisse von 0:0 bis 5:5 — höhere Ergebnisse sind so selten, dass sie kaum ins Gewicht fallen. Die Summe aller Wahrscheinlichkeiten in der Matrix sollte nahe bei 100 Prozent liegen; Abweichungen zeigen Rundungsfehler oder fehlende Extremwerte.

Die Summe aller Ergebnisse, bei denen die Heimmannschaft gewinnt, ergibt die Heimsieg-Wahrscheinlichkeit. Die Summe aller Unentschieden ergibt die Unentschieden-Wahrscheinlichkeit. Aus diesen Zahlen lassen sich implizite Quoten berechnen — und mit den angebotenen Buchmacher-Quoten vergleichen. Wenn das Modell 65 Prozent für einen Heimsieg zeigt, die Quote aber nur 55 Prozent impliziert, könnte ein positiver Erwartungswert vorliegen.

Die Matrix ist auch für Über/Unter-Märkte nützlich. Die Summe aller Ergebnisse mit drei oder mehr Toren ergibt die Wahrscheinlichkeit für Über 2,5. Bei Bayern gegen Union mit den genannten Erwartungswerten (Summe: 3,2) liegt diese Wahrscheinlichkeit bei etwa 62 Prozent — ein Wert, der sich direkt in eine faire Quote umrechnen lässt.

Für exakte Ergebniswetten — etwa auf ein 2:1 — liefert die Matrix direkte Wahrscheinlichkeiten. Diese Wetten haben hohe Quoten, aber niedrige Trefferchancen. Die Matrix zeigt, ob die angebotene Quote den Erwartungswert angemessen widerspiegelt.

Grenzen des Poisson-Modells

Die Poisson-Verteilung ist ein vereinfachtes Modell. Sie ignoriert viele Faktoren, die im realen Fußball wichtig sind: Taktische Anpassungen während des Spiels, den Einfluss von Führung oder Rückstand auf das Spielverhalten, die Qualität einzelner Chancen, die Tagesform des Torwarts.

David Sumpter, Mathematikprofessor und Autor von Soccermatics, bringt es auf den Punkt: Modelle sind nicht die Realität, Tore sind die Realität. Diese Warnung gilt besonders für Poisson: Das Modell produziert präzise Zahlen, aber diese Präzision täuscht. Die Unsicherheit bleibt hoch, auch wenn die Formeln exakt sind.

Die Kombination mit anderen Methoden verbessert die Ergebnisse erheblich. Eine Studie zeigt, dass die Verbindung von ELO-Ratings mit Poisson-Verteilungen und linearer Regression die Genauigkeit über einfache Modelle hinaus steigert. Die ELO-Werte liefern bessere Erwartungswerte, die Poisson-Verteilung übersetzt sie in Ergebniswahrscheinlichkeiten. Diese Kombination nutzt die Stärken beider Ansätze.

Die Annahme unabhängiger Ereignisse ist problematisch. Wenn ein Team früh führt, ändert sich die Dynamik: Der Gegner muss mehr riskieren, Konterchancen entstehen. Wenn ein Außenseiter überraschend führt, zieht er sich oft zurück. Diese taktischen Verschiebungen erfasst Poisson nicht. Komplexere Modelle — etwa solche mit In-Play-Anpassungen — können diese Dynamik abbilden, sind aber auch anfälliger für Überanpassung.

Ein weiteres Problem: Die Verteilung unterstellt, dass alle Tore gleich wahrscheinlich sind. In Wirklichkeit variiert die Torwahrscheinlichkeit je nach Spielstand, Spielminute und taktischer Situation. Ein 1:0 führendes Team in der 85. Minute spielt anders als ein 0:1 zurückliegendes Team. Die Poisson-Verteilung behandelt beide Situationen gleich — was falsch ist.

Trotz der Grenzen bleibt Poisson ein nützliches Grundwerkzeug. Es liefert eine strukturierte Methode, um Erwartungswerte in Wahrscheinlichkeiten zu übersetzen. Es zwingt zur Quantifizierung, was besser ist als vages Bauchgefühl. Und es offenbart seine eigenen Grenzen — was hilft, unrealistische Erwartungen zu vermeiden.

Tore mathematisch modellieren ist kein Weg zu sicheren Tipps. Es ist ein Weg zu informierten Einschätzungen — mit Zahlen statt mit Hoffnungen. Die Poisson-Verteilung ist der Anfang, nicht das Ende dieser Reise. Wer die Grundlagen beherrscht, kann komplexere Modelle verstehen. Wer die Grenzen kennt, vermeidet übertriebenes Vertrauen. Die Mathematik ersetzt nicht das Fußballwissen, aber sie diszipliniert es — und das ist bereits ein erheblicher Vorteil.