收米小技巧:泊松分布 下篇如何計算比分波膽概率

2021-01-08 騰訊網

前言小敘

在上一篇我們主要學習了 泊松分布 公式模型的大小球分析法,這個方法也相對簡單實用,相信看過文章的彩民朋友都已經學會了,在以後面對大小盤無從下手的時候 泊松分布大小球分析法 可以給出我們準確的參考信息。

繼我們上篇學習的 泊松分布大小球分析法,這篇文章我們將要學習 球隊預計進球數 以及 比分波膽。在上篇已經講過泊松分布的歷史由來以及函數公式,所以在一篇我們不在闡述,直接進入正題。當然你們也可以完全放心,這篇文章不會涉及燒腦的數學公式,因為我們的初衷是化繁為簡,讓彩民們都能看的懂,用的上。

「泊松分布球隊預計進球數」

在使用泊松分布去計算可能出現的賽果之前,我們需要依靠模型公式進行計算聯賽平均進失球數以及主客兩隊的進失球平均值,進而去計算出各球隊的預計進球數及比分。

聯賽平均進球數

1、聯賽主場平均進球數:聯賽主場進球數÷比賽場次

2、聯賽客場平均進球數:聯賽客場進球出÷比賽場次

聯賽平均失球數

1、聯賽主場平均失球數:聯賽主場失球數÷比賽場次

2、聯賽客場平均失球數:聯賽客場失球數÷比賽場次

(儘量用賽季內的比賽場次進行計算更為準確)

主客平均進球數

1、主隊主場進球數÷比賽場次

2、客隊客場進球數÷比賽場次

主客平均失球數

1、主隊主場失球數÷比賽場次

2、客隊客場失球數÷比賽場次

主隊預計進球數:

(主隊主場平均進球數÷聯賽主場平均進球數)×(客隊客場平均失球數÷聯賽客場平均失球數)×聯賽主場平均進球數

客隊預計進球數:

(客隊客場平均進球數÷聯賽客場平均進球數)×(主隊主場平均失球數÷聯賽主場平均失球數)×聯賽客場平均進球數

這樣通過以上的方法,我們就可以計算出各隊的預計進球數進行參考,或者再進一步計算準確比分概率。

實際應用

以就近的一場比賽 2019年12月10號 英超 西姆漢聯 VS 阿森納

聯賽主場平均進球數: 251÷160=1.568

聯賽客場平均進球數:212÷160=1.325

聯賽主場平均失球數:1.322

聯賽客場平均失球數:1.56

主隊主場平均進球數:1.38

客隊客場平均進球數:1.25

主隊主場平均失球數:2.13

客隊客場平均失球數:1.5

主隊預計進球數:(1.38÷1.568)×(1.5÷1.56)×1.568 = 1.326

客場預計進球數:(1.25÷1.325)×(2.13÷1.322)×1.325 = 2.014

通過上述計算之後我們的比賽分數就計算出來了,1.326 vs 2.014,我們可以以此結合基本面對照莊家開出的盤口來判斷是否合理。當然我們也可以進一步的計算出兩隻球隊的分數概率,如下圖。

我們可以依靠excel裡面自動求和的函數工具幫助我們完成計算,如下圖。我們在數值裡面輸入0~5的進球數,在算術平均值裡面輸入主客某隻球隊的預計進球數(如 1.326),在分布函數裡面輸入false,回車就可以得到球隊打出某個分數的概率。(計算出來的是分數值,我們把它們百分百話就可以了。)

比分波膽

只要完成以上,比分波膽就更加簡單了,我們只要把以上兩隊得出的分數概率相乘就可以得到某一比分的概率,如0:0就是以主隊0球的概率乘以客隊0球的概率就可以得到比分的概率了。當然你會做excel的話完全可以想我一樣搭建一個系統模型。如下圖。(excel完全簡單,其中不需要我們去進行複雜的計算,只需要統計好數字就可以,不懂的可以百度)

總結:

泊松分布 雖然是莊家的模型公式,但對於彩民來說只要用心也是相對簡單可以入手的預測模型。對於預測模型來說有利有弊,這個模型的它弊端就是不參考所有的基本面,也就是客觀因素,只用科學概率的數字來直白表達。但我們並不是公式,我們可以相對靈活的來變通,比如我們可以以此預測比賽之後再用來參考基本面,符合基本面和盤口的就跟,不利於盤口的基本面我們詳加考慮再做定奪。我們需要注意的就是賽季歷史數據的更新來保證我們模型預測的準確性。

相關焦點

  • 泊松分布在足球博彩中的實際應用
    今天我來和大家分享一下泊松分布(Poisson Distribution)在足球賠率中的實際應用。我相信大家在玩球的時候在某些網站或者APP中都能看到已經幫我們算好的泊松分布概率圖。那這個究竟是怎麼算出來的呢?大致原理又是什麼呢?
  • 泊松分布
    在這篇文章中,我們將討論用於模擬上述情況的泊松分布背後的理論,如何理解和使用它的公式,以及如何使用Python代碼來模擬它。離散型概率分布這篇文章假設你對概率有一個基本的了解。在我們開始真正的文章之前,我們將建立一些對離散概率分布的理解。
  • 如何理解泊松分布?
    內賣出3個饅頭的概率,就和拋了4次硬幣(4個時間段),其中3次正面(賣出3個)的概率一樣了。這樣的概率通過二項分布來計算就是:上面就是泊松分布的概率密度函數,也就是說,在 這就是教科書中的泊松分布的概率密度函數。老闆依然蹙眉,不知道
  • Excel的統計方法:泊松分布的計算過程圖文
    一、 目標: 本節主要通過體例講解泊松分布的計算過程。通常當n≧20,p≦0.05時,就可以用泊松公式近似的計算。 k表示事件的總數,λ表示某事件單位時間(或單位面積)內隨機事件的平均發生次數,上述公式表示k次中出現λ次某現象的概率; 泊松分布適合於描述單位時間內隨機事件發生的次數。 如果你想知道某個時間範圍內,發生某件事情x次的概率是多大。
  • 泊松分布與二項分布
    很多人在上概率論這門課的時候就沒搞明白過泊松分布到底是怎麼回事,雖然那個時候大家都會背「當試驗的次數趨於無窮大,而乘積np固定時,二項分布收斂於泊松分布
  • 簡述泊松分布假設條件
    基礎準備泊松分布概率公式推導自二項分布,因為換一種角度來看待它,它就是二項分布;回顧泊松分布公式推導過程及應用案例請點擊下方連結:
  • 圖解泊松分布與二項分布之差別
    泊松分布刻畫了稀有事件在一段時間內發生次數這一隨機變量的分布,如電話交換臺單位時間內接到的呼喚次數等。
  • 原創 | 一文讀懂泊松分布,指數分布和伽馬分布
    本文以簡單直白的方式讓大家能夠理解泊松分布,指數分布和伽馬分布的實際含義和作用,並且由此推導其概率密度函數。
  • 機器學習:泊松分布與指數分布
    打開APP 機器學習:泊松分布與指數分布 阮一峰 發表於 2017-11-29 03:44:03 我舉一個例子,什麼是泊松分布和指數分布
  • 泊松分布及其實際應用場景
    若n趨向於無窮,也就是這段時間或空間被分成無數的小段,那麼λ/n的值將趨近於0,也就是在每個等份的時間或空間內,該隨機事件發生兩次或兩次以上是不可能的。根據以上假設條件,在固定長度時間或固定大小空間內,隨機事件發生k次的概率服從二項概率分布,可以表示為:
  • 為什麼電話呼叫次數服從泊松分布?
    這裡,我們來討論一下泊松分布在電話呼叫中心資源配置中的應用。泊松分布適合於描述單位時間內隨機事件發生的次數。如某一服務設施在一定時間內到達的人數,電話交換機接到呼叫的次數,汽車站臺的候客人數,機器出現的故障數,自然災害發生的次數等等。若隨機變量X取0和一切正整數值,在n次獨立試驗中出現的次數x恰為k次的概率P(X=k)=(k=0,1,…,n),式中λ是一個大於0的參數,此概率分布稱為泊松分布。
  • 概率每天一問:如何確定問題中應該選用泊松分布幾何分布和指數分布
    概率每天一問:如何確定問題中應該選用泊松分布幾何分布和指數分布 http://kaoyan.eol.cn      2005-11-23  大 中 小   臨考概率統計30問(每天一問)――源於清華版的「2006
  • 內容範圍:正態分布,泊松分布,多項分布,二項分布,伯努利分布
    內容範圍:正態分布,泊松分布,多項分布,二項分布,伯努利分布簡述:正態分布是上述分布趨於極限的分布,屬於連續分布。其它屬於離散分布。伯努利分布(兩點分布/0-1分布):伯努利試驗指的是只有兩種可能結果的單次隨機試驗。如果對伯努利試驗獨立重複n次則為n重伯努利試驗。
  • 「策划進階」遊戲設計中常用的概率分布
    維基百科泊松分布對應的是二項分布的極端情況,當二項式分布的次數n很大,而發生的概率p很小時,就可以使用泊松分布代替二項式分布,具體來說,它的成立需要滿足三個條件1.事件是小概率事件2.事件是獨立的,不會互相影響3.事件發生的概率是穩定的
  • 【陸勤筆記】《深入淺出統計學》7幾何分布、二項分布、泊松分布:堅持離散
  • 從零開始學統計(五)——泊松分布
    。嗯,泊松分布既然是從二項分布推導出來的,那麼泊松分布的應用前提與二項分布一樣(回想一下!),外加一條:n很大且π很小,屬於稀有發生事件。泊松分布具有以下特性:1)總體的均數與方差相等,均為;2)具備「可加性」卻不具備「可乘性」;3)當
  • 通過實例理解如何選擇正確的概率分布
    例如,使用:· 二項分布,計算在每次試驗中只有兩種可能結果之一的過程的概率,例如擲硬幣。· 超幾何分布,以找出在n次不替換的抽取中k次成功的概率。· 泊松分布,測量給定時間內發生給定事件數的概率,例如每小時圖書館借書的計數。· 幾何分布,確定在第一次成功之前一定數量的試驗發生的概率。
  • 10分鐘讓你理解泊松分布、指數分布
    我舉一個例子,什麼是泊松分布和指數分布?恐怕大多數人都說不清楚。我可以在10分鐘內,讓你毫不費力地理解這兩個概念。日常生活中,大量事件是有固定頻率的。上面就是泊松分布的公式。可以看到,在頻率附近,事件的發生概率最高,然後向兩邊對稱下降,即變得越大和越小都不太可能。每小時出生3個嬰兒,這是最可能的結果,出生得越多或越少,就越不可能。指數分布是事件的時間間隔的概率。
  • 六西格瑪管理基礎-常用離散分布之-泊松分布
    ,取這些值的概率為:此時,稱X服從泊松分布。「入」是泊松分布的重要參數,它給出了產品的平均不合格項數。泊松分布的數學期望-均值、方差、標準差由下面的公式給出。泊松分布的圖形表示如下當二項分布的n很大而p很小時,泊松分布可作為二項分布的近似,其中λ為np。通常當n≧20,p≦0.05時,就可以用泊松公式近似計算。
  • 從貝葉斯定理到概率分布:綜述概率論基本定義
    第一部分將會介紹概率論基礎知識。概率我們已經擁有十分強大的數學工具了,為什麼我們還需要學習概率論?我們用微積分來處理變化無限小的函數,並計算它們的變化。我們使用代數來解方程,我們還有其他幾十個數學領域來幫助我們解決幾乎任何一種可以想到的難題。難點在於我們都生活在一個混亂的世界中,多數情況下無法準確地測量事物。