Expected Goals (xG) en Premier League : définition, calcul et utilisation dans les paris
Available in US
Le xG : l’indicateur qui a transforme l’analyse du football
Il y a dix ans, quand je parlais de xG a d’autres parieurs, je recevais des regards vides. Aujourd’hui, le xG est cite sur les plateaux télévisés, dans les conferences de presse et dans les conversations de bar. Mais entre la popularisation du concept et sa maîtrise réelle, il y à un gouffre — et c’est dans ce gouffre que se trouvent les erreurs de pari les plus courantes.
Le xG — Expected Goals, ou buts attendus — mesure la qualité d’une occasion de but. Pour chaque tir effectué, le modèle attribue une probabilité de but basée sur des variables historiques : distance du but, angle, partie du corps utilisée, type de passe precedant le tir, pression défensive. Un penalty à un xG d’environ 0.76 — 76 % de chances d’être converti. Un tir de 30 metres excentre à un xG de 0.02 — 2 %. En cumulant les xG de toutes les occasions d’un match, on obtient le xG total de chaque équipe. En PL 2025/26, la moyenne est de 2,78 buts par match — et le xG moyen est généralement très proche de ce chiffre, ce qui valide la fiabilité du modèle.
Comment le xG est calcule : modèle et données d’entrée
La première fois que j’ai essaye de construire mon propre modèle de xG, j’ai compris pourquoi les modèles professionnels coutent cher. Le calcul est simple en apparence, complexe en exécution.
Un modèle de xG s’appuie sur une base de données historique de centaines de milliers de tirs. Pour chaque tir, les variables sont enregistrées : coordonnées exactes du tir, angle par rapport au but, distance, partie du corps, type d’action précédente (centre, passe en profondeur, dribble, coup franc), position du gardien, nombre de défenseurs entre le tireur et le but. Le modèle de machine learning — regression logistique, random forest ou réseau de neurones selon les fournisseurs — est entraîne sur ces données pour prédire la probabilité de but de chaque tir.
Les fournisseurs de xG les plus utilisés — Opta, StatsBomb, FBref, Understat — utilisent des modèles légèrement différents, ce qui produit des xG légèrement différents pour le même match. C’est un point que les débutants ignorent : le xG n’est pas un chiffre absolu. C’est une estimation, et elle varie selon le modèle utilisé. En tant qu’analyste, je compare toujours les xG de deux ou trois sources avant de prendre une décision de pari.
Ce que le xG mesure, c’est la qualité des occasions créées, pas le talent du tireur. Deux joueurs avec le même volume d’occasions mais des taux de conversion différents auront le même xG — mais des résultats différents. A court terme, un joueur peut surperformer ou sous-performer son xG. A long terme, la regression vers le xG est quasi systématique. C’est cette regression qui rend le xG utile pour les paris : un joueur ou une équipe qui surperforme massivement son xG depuis cinq matchs finira par « corriger » — et les cotes de ses prochains matchs ne reflètent pas toujours cette correction imminente.
Utiliser le xG pour identifier des paris à valeur sur la PL
Mon utilisation du xG pour les paris repose sur trois applications concretes que je deploie chaque semaine en PL.
La première : identifier les équipes qui surperforment ou sous-performent leur xG. Une équipe avec un xG offensif de 1.5 par match mais seulement 0.8 but réel par match est en sous-performance — elle créé des occasions mais ne les convertit pas. A moyen terme, sa production de buts va remonter. Si les cotes de ses prochains matchs reflètent son faible nombre de buts réels plutôt que la qualité de ses occasions, c’est une value bet potentielle sur le Over où le BTTS.
La deuxième : évaluer la solidité défensive réelle d’une équipe. Les buts encaissés ne racontent qu’une partie de l’histoire. Une équipe qui encaissé peu mais dont le xG contre est élevé vit au-dessus de ses moyens défensifs — son gardien surperforme, où la chance joué en sa faveur. Quand cette chance tourne — et elle tourne toujours — les buts encaissés rattrapent le xG. C’est un signal pour parier sur le BTTS Oui où le Over dans ses prochains matchs.
La troisième : calibrer les paris buteur. Le xG par joueur, normalise sur 90 minutes, est l’indicateur le plus fiable pour évaluer la probabilité qu’un joueur marque. Un attaquant avec un xG/90 de 0.50 a, en moyenne, 50 % de chances de marquer sur un match complet. Si sa cote « buteur à tout moment » est de 2.50 — implicant une probabilité de 40 % — il y à un écart exploitable. En PL 2025/26, ou 53 % des matchs dépassent 2,5 buts, les occasions de but sont abondantes, et le xG par joueur est un outil de sélection puissant.
Ce que le xG ne fait pas, c’est prédire les coups de pied arretes, les erreurs individuelles, les conditions météo où les changements tactiques inattendus. Le xG est un outil parmi d’autres — le meilleur outil disponible pour mesurer la qualité des occasions, mais pas une boule de cristal. Pour une vue d’ensemble des indicateurs statistiques complémentaires au xG, la page consacrée aux statistiques Premier League pour les paris couvre les métriques BTTS, Over/Under et clean sheet.
Articles
Rédigé par l'équipe de « PRÉMATCH ».
