Распределение Пуассона в футболе
Распределение Пуассона превращает ожидаемые голы команды в вероятности 0, 1, 2 и большего числа голов. Для полного счёта нужны две интенсивности и допущение о зависимости голов команд. Разберём формулы, ограничения и чтение результата.
Что такое распределение Пуассона?
Пуассон моделирует неотрицательное целое число событий при заданном параметре λ. В футбольной модели это ожидаемое число голов конкретной команды в конкретном матче. При условии заданной λ среднее и дисперсия пуассоновского числа голов равны λ.
Если ожидаемые голы команды в этом матче равны 1.5, формула даёт:
P(3) = 12.6% | P(4) = 4.7% | P(5+) = 1.9%
Это округлённые значения; их сумма может отличаться от 100%. λ — среднее модели, а не обещанный счёт. При λ = 0 распределение вырождается: ноль голов имеет вероятность 100%. Сама формула числа голов за матч не описывает, на какой минуте они будут забиты.
Какие допущения нужны в футболе?
1. Интенсивности конкретного матча
Для хозяев и гостей задаются собственные λ. Одна средняя результативность лиги не описывает каждое противостояние.
2. Пуассоновские распределения голов
При заданной информации каждая команда получает пуассоновское число голов. Ошибка оценки λ и ошибка выбора распределения — разные источники неточности.
3. Независимость команд в базовой модели
Независимый Пуассон перемножает распределения голов команд. Реальные эффекты счёта, удалений и тактики требуют отдельного моделирования зависимости.
Для пуассоновского итога не обязательна постоянная интенсивность каждую минуту: заранее заданная интенсивность может меняться во времени. Ограничение одной предматчевой λ в том, что она не описывает случайные изменения хода матча без дополнительной модели.
Связь интенсивностей с силой атаки, защиты и поправкой низких счетов объясняет гайд по Maher и Dixon–Coles.
Как строится матрица точного счёта
При независимости голов команд нужны λh и λa:
Учебный пример: λh = 1.56, λa = 1.18, сумма 2.74. Эти значения заданы для примера, а не получены из конкретной линии.
P(0:0) = e−2.74 ≈ 6.46%
P(2:1) = e−2.74 × 1.56²/2 × 1.18 ≈ 9.27%
Победа хозяев суммирует ячейки i > j, ничья — диагональ, победа гостей — i < j. Если известны две прогнозные λ, используйте калькулятор Пуассона (на английском). Если известны коэффициенты 1X2 и тотала, главный калькулятор счёта сначала подбирает интенсивности к вероятностям после снятия маржи.
Карта 0–6 не является полным распределением. В главном движке 0.5.2 видимая сетка — 7×7, расчётная — 16×16, от 0 до 15 голов каждой команды. Вероятность вне видимой карты включает меньший хвост вне расчётной сетки: их нельзя складывать. Отдельный EN-калькулятор Пуассона использует адаптивную расчётную сетку. Размеры вычислений нужно проверять для каждого инструмента.
Где модель может ошибаться
1. Зависимость низких счетов
Независимый Пуассон может ошибаться в 0:0, 1:0, 0:1 и 1:1. Направление ошибки зависит от выборки: нельзя объявлять все низкие ничьи систематически заниженными. Например, в ранее опубликованной таблице ImpliedScore показаны следующие ретроспективные значения:
| Счёт | Факт | Пуассон | Разность показанных |
|---|---|---|---|
| 0:0 (АПЛ) | 6.08% | 5.87% | +0.21 п.п. |
| 1:1 (АПЛ) | 10.89% | 11.69% | −0.80 п.п. |
| 0:0 (Бундеслига) | 5.61% | 4.63% | +0.98 п.п. |
| 1:1 (Бундеслига) | 11.85% | 10.79% | +1.06 п.п. |
Здесь 1:1 АПЛ завышен моделью, а 1:1 Бундеслиги занижен. Разность рассчитана из показанных округлённых процентов. Таблица сохранена как историческая иллюстрация и не является новым пересчётом исходных матчей или проверкой будущих прогнозов.
2. Ход матча и непостоянная интенсивность
Счёт, замены и удаления могут менять интенсивность случайным образом. Предматчевое распределение итогового числа голов не заменяет динамическую модель для анализа по минутам или в лайве. Заранее заданное изменение интенсивности во времени и изменение вследствие случайного события — разные случаи.
3. Ошибки интенсивностей и структуры
Одинаковая сумма λ может скрывать разные доли хозяев и гостей и давать разные распределения счёта. Даже одинаковая пара λ не описывает все тактические эффекты. Рыночные цены могут учитывать часть контекста, но не гарантируют полноту информации или правильность выбранной модели.
Что меняет Dixon–Coles
Поправка τ умножает четыре базовые вероятности:
1:0 → ×(1 + λaρ)
0:1 → ×(1 + λhρ)
1:1 → ×(1 − ρ)
При фиксированных λ и допустимом отрицательном ρ растут 0:0 и 1:1, уменьшаются 1:0 и 0:1. Другие ячейки, общая масса и распределения голов отдельных команд сохраняются. Для строго положительных множителей при λ > 0:
Один ρ нужно проверять для каждой используемой пары интенсивностей. В главном движке модель и ρ участвуют в подборе λ; после изменения ρ новые λ могут косвенно изменить всю матрицу. В независимом EN-калькуляторе Пуассона эта поправка не применяется.
Исторические пресеты ρ по лигам
| Лига | λ дома / гостей | Пресет ρ | δ на ячейку |
|---|---|---|---|
| Ла Лига | 1.50 / 1.13 | −0.007 | +0.086 п.п. |
| АПЛ | 1.56 / 1.28 | −0.010 | +0.117 п.п. |
| Серия A | 1.48 / 1.25 | −0.020 | +0.241 п.п. |
| Лига 1 | 1.51 / 1.20 | −0.025 | +0.301 п.п. |
| Бундеслига | 1.71 / 1.36 | −0.096 | +1.036 п.п. |
Сдвиг одной затронутой ячейки равен δ = −ρλhλae−(λh+λa). Для отрицательного ρ это прибавка к каждой низкой ничьей и такое же вычитание из каждой минимальной победы. Более высокие λ сами по себе не требуют более сильного ρ.
Таблица использует средние λ опубликованной выборки. Это агрегатные эвристические настройки, а не универсальные константы и не полноценные командные оценки максимального правдоподобия. Исследование рыночной калибровки описывает исторический материал. Для проверки на последующих играх настройка должна использовать только данные, доступные до прогноза.
Пуассон и xG: как связаны эти понятия?
Пуассон — распределение при заданной λ. Прогнозную интенсивность можно оценить из рыночных цен либо моделью, использующей прошлые xG, силу команд и соперника. xG уже завершённого матча оценивает качество записанных ударов и не становится автоматически предматчевой λ другой встречи.
| Рыночная λ | xG по ударам | |
|---|---|---|
| Источник | Коэффициенты и выбранная модель | Характеристики ударов и xG-модель |
| Момент | Предматчевый срез цен | Накапливается по ударам; итог после матча |
| Что отражает | Информацию, включённую в цены | Оценённое качество ударных моментов |
| Что может упустить | Недоучтённые сведения и ошибки рынка | Неударные события и ограничения xG-модели |
Эти величины отвечают на разные вопросы. Нельзя объявить одну более информативной для любых целей.
Как проверить качество модели?
Правильное вычисление матрицы при заданных λ не доказывает, что интенсивности хорошо описывают будущие матчи. Нужны предматчевые прогнозы, отдельная от настройки проверочная выборка, подходящие ориентиры, вероятностные оценки и анализ неопределённости.
Небольшая невязка к входным коэффициентам — проверка подгонки. Оценку прогнозов объясняет калибровка и Brier score. Согласованность точных счетов и производных рынков полезна для чтения модели; она не гарантирует преимущество или прибыль.
Формулы производных событий, включая зависимость тотала и BTTS, разобраны в статье тотал и «обе забьют» из матрицы.
Какие альтернативы существуют?
Dixon–Coles меняет локальную зависимость низких счетов. Стандартный двумерный Пуассон с общей скрытой компонентой допускает положительную зависимость голов. Отрицательное биномиальное распределение меняет допущение о дисперсии. Динамические модели отдельно описывают изменение силы команд или интенсивностей.
Каждая альтернатива решает свою задачу; выигрыш на новых данных нужно проверять. Ни одна не исправляет автоматически ошибки входных интенсивностей, зависимость и ход матча одновременно.
Итоги
| Вопрос | Ответ |
|---|---|
| Что задаёт одна λ? | Среднее число голов одной команды в модели |
| Что нужно для счёта? | Две интенсивности и модель зависимости |
| Что может ошибаться? | Оценка λ, распределение, зависимость и динамика |
| Что делает DC? | При фиксированных λ меняет четыре низкие ячейки |
| Является ли ρ постоянным? | Нет, он зависит от данных и способа оценки |
| Как проверить прогноз? | На результатах матчей вне настройки модели |
Текущую последовательность работы основного калькулятора описывает методология ImpliedScore.
Источники
Dixon, M. J. & Coles, S. G. (1997). Modelling Association Football Scores and Inefficiencies in the Football Betting Market. JRSS: Series C, 46(2), 265–280.
Maher, M. J. (1982). Modelling Association Football Scores. Statistica Neerlandica, 36(3), 109–118.
Karlis, D. & Ntzoufras, I. (2003). Analysis of Sports Data by Using Bivariate Poisson Models. The Statistician, 52(3), 381–393.