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.

P(k;λ) = e−λλk/k!,   k = 0, 1, 2, …

Если ожидаемые голы команды в этом матче равны 1.5, формула даёт:

P(0) = 22.3%  |  P(1) = 33.5%  |  P(2) = 25.1%
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:

P(i,j) = P(i;λh) × P(j;λa)

Учебный пример: λh = 1.56, λa = 1.18, сумма 2.74. Эти значения заданы для примера, а не получены из конкретной линии.

P(1:1) = e−2.74 × 1.56 × 1.18 ≈ 11.89%
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:

0:0 → ×(1 − λhλaρ)
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:

max(−1/λh, −1/λa) < ρ < min(1, 1/(λhλa))

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.

Прокрутить вверх