Et hold forventes at score 1,6 mål.
Men ingen kan score 1,6 mål.
I vores faste, fiktive eksempel er målintensiteten 1,60. Hvor bliver de 1,6 mål af? Flyt skyderen og opdag, hvordan ét tal bliver til mange mulige resultater. Formlerne kan vente.
FAST UNDERVISNINGSEKSEMPEL · Hjemme λ 1,60 · Ude λ 1,10
Ved λ = 1,60 er chancen for nul mål 20,2 %. Flyt skyderen og se søjlerne ændre sig.
Hvorfor sker det? Se forklaringen ↓Du kan lære grundideen på få minutter og undersøge tallene, når du bliver nysgerrig. Intet kræver forudgående statistikviden.
Gennemsnittet er ikke et løfte.
Forestil dig 1.000 kampe med den samme forventede målintensitet. Hvis holdet i gennemsnit scorer 1,6 mål pr. kamp, kan det samlet svare til omkring 1.600 mål. Men i hver eneste kamp bliver resultatet et helt tal: 0, 1, 2, 3 …
Vi mangler derfor noget vigtigt: Hvor ofte kommer hvert af de mulige målantal? Her hjælper Poisson-fordelingen. Den omsætter et forventet antal mål til sandsynligheder for de enkelte målantal.
Den korte definition: Poisson fortæller ikke, hvor mange mål der kommer. Den fordeler sandsynligheden mellem mulige målantal ud fra en parameter, der kaldes lambda (λ).
Prøv selv. Hvad sker der, når λ ændrer sig?
Træk skyderen. Søjlerne viser, hvor sandsynligt hvert målantal er inden for modellen. Du kan ikke vælge et facit – kun ændre fordelingen.
Gæt først: Når du hæver λ, hvad sker der så med chancen for nul mål?
Vælg dit bud – træk derefter i skyderen og undersøg hvorfor.
Ved λ = 1,60 er ét mål det mest sandsynlige enkeltantal, men både nul og flere mål er mulige.
En målintensitet for mange tænkte, sammenlignelige kampe med disse forudsætninger.
En fordeling over flere mulige målantal.
Et mindre sandsynligt udfald kan stadig ske.
Sådan regner maskinen.
Nu kender du ideen. Først nu giver formlen mening: Den beregner sandsynligheden for præcis k mål, når λ allerede er givet.
Hvad er chancen for præcis 2 hjemmemål?
Vi bruger fortsat λ = 1,60. Vi indsætter k = 2.
≈ 0,20190 × 2,56 / 2
= 0,25843 ≈ 25,8 %
Under modellen ville præcis to hjemmemål forekomme i omtrent en fjerdedel af mange tilsvarende, uafhængigt simulerede kampe. Det er ikke et løfte om netop denne kamp.
To fordelinger. Én kamp.
Vi giver hjemmeholdet λ = 1,60 og udeholdet λ = 1,10. Begge hold har hver deres fordeling. Hvis vi antager, at målantal er uafhængige, kan vi gange sandsynlighederne sammen og finde chancen for hvert præcise slutresultat.
En scorematrix er blot en oversigt over alle disse multiplikationer. Hver række er hjemmemål, og hver kolonne er udemål. Vi bruger samme matrix til at forstå 1X2, Over/Under og begge hold scorer.
Fra λ til sandsynligheder og fair odds.
Det er én model. Flyt de to λ-værdier. Alt nedenfor bliver beregnet på ny – helt lokalt i din browser.
Se sandsynlighederne samle sig
»Alle scores« viser alle de viste slutresultater. Mørkere felter betyder højere sandsynlighed – ikke et andet marked. De samlede beregninger medtager også resultater uden for matrixen.
↓ Hjemmemål · Udemål →
Mørkere felter er mere sandsynlige. Alle felter er med i »Alle scores«. Vælg et andet marked for at se, hvilke resultater det omfatter. Brug resultatinspektøren til præcise tal.
Fire spørgsmål, ét datasæt
Fair odds på alle markeder
Beregnede modelpriser uden margin. De er ikke aktuelle bookmakerodds og er ikke spilforslag.
Selv det mest sandsynlige enkeltresultat har mange andre resultater imod sig.
Alle værdier er modelberegninger for ordinær spilletid inklusive tillægstid, men uden forlængelse og straffesparkskonkurrence. Ingen virkelige kampe eller live-odds.
Tre udfald. Mange slutresultater.
En hjemmesejr består af alle scorefelter, hvor hjemmemål er flere end udemål. Uafgjort er diagonalen. Udesejr er alle felter, hvor udeholdet scorer flest. Der er ikke en ny model bag hvert marked: Vi lægger blot forskellige celler sammen.
Over eller under et måltal?
Over 2,5 betyder mindst tre mål i alt. Under 2,5 betyder højst to. Fordi summen af to uafhængige Poisson-fordelte målantal også er Poisson-fordelt, kan vi kontrollere totalmålsmarkedet med λsamlet = λhjemme + λude. I referencekampen er det 2,70.
Begge hold scorer?
»Ja« betyder mindst ét mål til begge hold. Under uafhængighed kan vi finde det direkte: (1 − e−λH) × (1 − e−λU). »Nej« er resten op til 100 %. Du kan få den samlede procent og samtidig se præcis, hvilke scorefelter der bidrager i laboratoriet.
Sandsynligt er ikke det samme som en god pris.
Forestil dig 50 % chance for regn. Den sandsynlighed fortæller dig ikke, om en paraply er billig eller dyr. På samme måde er en stor vinderchance ikke alene nok til at afgøre, om et odds er godt.
Fair odds er sandsynligheden oversat til decimalodds: 1 / sandsynlighed (med sandsynlighed skrevet som et tal mellem 0 og 1). Ved 25 % bliver det 4,00; ved 10 % bliver det 10,00. Fair odds beskriver en teoretisk nulmargin-pris ifølge modellen. Det er ikke en bookmakers tilbud.
Hvorfor kan tre sandsynligheder give mere end 100 %?
En bookmaker viser odds – priser. Vi kan omsætte hver pris til en rå implicit sandsynlighed ved at beregne 1 / odds. For et komplet 1X2-marked kan de tre tal tilsammen overstige 100 %. Forskellen kaldes overround.
Prøv at ændre bookmakerens priser
Ikke live-odds. Ingen udbyder. Kun undervisning.
Proportional marginfjernelse er kun en simpel regnemetode. Den giver ikke nødvendigvis markedets »sande« sandsynligheder. Overround er heller ikke det samme som en udbyders faktiske overskud eller den garanterede forventede tabsrate.
En beregnet forskel er ikke et vinderbevis.
Vi skal holde tre størrelser adskilt: modellens sandsynlighed, modellens fair odds og markedets faktiske pris. Hvis et illustrativt marked giver højere decimalodds end modellens fair odds, kan vi beregne et positivt modelbaseret forventet nettoudbytte (EV). Men konklusionen står og falder med modellens λ-værdier og antagelser.
Hvad betyder prisforskellen?
For et decimalodds o og modellens sandsynlighed p er forventet netto pr. indsat krone EV = p × o − 1. Det er kun korrekt som forventning, hvis p er korrekt.
En pris kan se god ud i modellen, uden at være god i virkeligheden.
Hvem bestemte egentlig, at λ skulle være 1,60 og 1,10?
Poisson-formlen finder ikke selv λ. Den fortæller, hvad der følger hvis vi allerede har valgt λ. To personer kan derfor regne helt korrekt og alligevel nå forskellige sandsynligheder, fordi de har vurderet holdenes målintensiteter forskelligt.
Et troværdigt λ skal fortjenes.
En modelbygger kan undersøge angreb, forsvar, hjemmebanefordel, kampprogram, modstandernes styrke, skudkvalitet, skader og hvordan holdene har udviklet sig over tid. Det vigtige er ikke at samle flest mulige data, men at vælge relevante data uden at snyde sig selv med information fra fremtiden.
Hvor stærke er angreb og forsvar – justeret for modstand?
Er intensiteten anderledes hjemme end ude?
Er gamle kampe stadig repræsentative?
Hvordan måler vi chancekvalitet, og hvad mangler vi?
xG og λ er ikke automatisk det samme. xG estimerer typisk sandsynligheden for scoring ved et konkret skud. Et holds samlede xG i én spillet kamp beskriver de skud, der faktisk blev taget. Et Poisson-λ før kampen er derimod en parameter for den forventede målfordeling i den kommende kamp. xG kan være et input til at estimere λ.
Tre forskellige modeller. Tre forskellige vurderinger.
Kan formlen vide, at topscoreren brækkede anklen i går?
Vælg en hændelse. Pointen er ikke at gætte en ny λ-værdi, men at forstå hvilken slags information der mangler i den simple model.
Et fravær kan ændre holdets reelle målintensitet. Formlen registrerer det kun, hvis estimeringen af λ faktisk indarbejder informationen.
»Modellen siger 48,7 %, så vi ved det med 48,7 % sikkerhed.«
Nej. 48,7 % er et estimat af et udfald – ikke et mål for, hvor sikkert vores estimat er.Fem kilder til usikkerhed
Kampens tilfældighed: Selv med perfekte input kan et overraskende resultat ske.
Parameterusikkerhed: Vi kender ikke præcis holdets rigtige λ.
Modelusikkerhed: Måske beskriver Poisson ikke virkelighedens målmønstre godt nok.
Datausikkerhed: Målinger kan være støjende, ufuldstændige eller fejlbehæftede.
Strukturelle ændringer: Spillere, taktik og incitamenter ændrer sig.
Vil du helt ind i modellens maskinrum?
Du behøver ikke åbne noget her for at forstå Poisson Lab. Men hvis du vil vurdere modellernes kvalitet frem for blot at bruge dem, er dette næste niveau.
Hvordan estimeres λ? Regressionsmodel, likelihood og overfitting
En praktisk præmatch-model kan bruge angrebs- og forsvarsparametre, et generelt målniveau og en hjemmebanefaktor. Med en typisk parametrisering gælder:
Her er »forsvar« defineret som en log-intensitetsparameter: En positiv værdi betyder et mere indkasseringsvilligt forsvar. Andre konventioner bruger omvendt fortegn. Eksponentieringen holder λ positiv.
Parametrene kan estimeres med maximum likelihood: Vi vælger de parameterkombinationer, der giver historiske observationer størst sandsynlighed ifølge modellen. Der skal fastlægges identifikationsrestriktioner, fordi flere parameterkombinationer ellers kan beskrive samme intensiteter. Regularisering og tidskorrekt validering kan dæmpe overtilpasning.
Vægtning af nyere kampe kan øge relevansen, men den rette tidsvægt skal testes – ikke vælges efter, hvilke resultater der så pænest ud på gamle data.
Dixon–Coles: Når 0–0 og 1–1 opfører sig anderledes Lavscore-korrektion og ρ
Dixon og Coles (1997) foreslog blandt andet en justering af den uafhængige models fire lavscore-celler. Grundideen er, at hjemme- og udeholdets måltal ikke nødvendigvis er uafhængige i alle kampsituationer. Lavscore-tilpasningen er adskilt fra deres tidsvægtning af historiske observationer.
τ = 1 − λH·λU·ρτ = 1 + λH·ρτ = 1 + λU·ρτ = 1 − ρFor alle andre scores er τ = 1. ρ skal ligge i et interval, som holder alle fire faktorer ikke-negative: max(−1/λH, −1/λU) ≤ ρ ≤ min(1, 1/(λH·λU)). Den fulde korrigerede fordeling summerer til 1 og bevarer de enkelte holds Poisson-marginaler; en afkortet matrix har stadig en rest.
Vigtigt: ρ er en modelparameter, der skal estimeres på data. Vi fremstiller ikke et vilkårligt ρ som en forbedring. Poisson Lab ovenfor anvender fortsat den klart deklarerede uafhængige model.
Bivariat Poisson, Skellam og dynamiske modeller Tre forskellige værktøjer – tre forskellige spørgsmål
Bivariat Poisson: To måltal kan opbygges med en fælles tilfældig komponent. Det introducerer afhængighed mellem holdenes scores. Den klassiske delte-komponent-model tillader ikke negativ korrelation; visse udvidelser adresserer andre mønstre.
Skellam: Hvis H og U er uafhængige Poisson-variable, følger forskellen H − U en Skellam-fordeling. Den giver en anden vej til at udregne 1X2 og kan bruges som teknisk kontrol.
Dynamiske modeller: Holdenes angrebs- og forsvarsstyrker kan bevæge sig over tid. En sådan model er mere fleksibel, men kræver mere estimation, flere valg og ærlig validering.
Dispersion: Poisson forudsætter varians lig middelværdi. Større spredning kaldes overdispersion, mindre spredning underdispersion. Systematiske afvigelser kan pege på, at modellen bør forbedres.
Hvordan ved vi, om modellen er god? Kalibrering, tidsrigtig test, Brier og log loss
En model, der siger »60 %« om mange sammenlignelige hændelser, bør over tid ramme omkring 60 % af dem. Det kaldes kalibrering. Vi bør kontrollere det på fremtidige eller holdte-ude observationer frem for kun på de data, modellen blev tilpasset til.
Principskitse med opdigtede grupper. Den stiplede diagonal er perfekt kalibrering. Afvigelser bør undersøges på mange tidskorrekt testede observationer – grafen dokumenterer ingen eksisterende models kvalitet.
I en stærkt forenklet illustration sker hændelsen 6 ud af 10 gange. Ti observationer er dog alt for få til at dokumentere god kalibrering – og et match i én gruppe er ikke nok.
Brier-score måler gennemsnitlige kvadrerede sandsynlighedsfejl. For et binært udfald: Brier = gennemsnit[(p − y)²], hvor y er 1, hvis hændelsen sker, ellers 0. For 1X2 kan man bruge en sum af tre kvadrerede fejl pr. kamp; skalaen afhænger af konventionen.
Log loss straffer overdrevent selvsikre forkerte forudsigelser hårdt: −gennemsnit[log(p for det faktisk indtrufne udfald)]. Ved p=0 og udfaldet sker, bliver tabet uendeligt i idealiseringen.
En samlet god Brier- eller log-loss-score er ikke det samme som dokumenteret kalibrering. Og god prognosekvalitet betyder ikke automatisk positivt bettingafkast efter margin, markedsudvikling og omkostninger.
Matematisk værksted De ekstra forbindelser, du kan bruge som reference
Poisson-PMF: e^(−λ)·λ^k/k!. For hvert λ > 0 summerer værdierne over k = 0, 1, 2 … til præcis 1.
Fælles fordeling under uafhængighed: P(H=h,U=u)=P(H=h)P(U=u). Kun når uafhængighed gælder, må vi bruge dette produkt uden korrektion.
Summen: H+U ~ Poisson(λH+λU). Derfor kan Over 2,5 beregnes med 1 − e^(−λtotal)·(1 + λtotal + λtotal²/2).
Begge scorer: (1−e^(−λH))(1−e^(−λU)).
Likelihood: For observerede målantal gi og modellerede λi er log-likelihood op til dataafhængig konstant Σ[g_i·log(λ_i) − λ_i]; den fulde log-likelihood indeholder også −log(g_i!).
Poisson-varians: E(X) = Var(X) = λ. Dette er en egenskab ved modellen, ikke et faktum om alle fodbolddata.
En model er ikke et facit.
Den er en struktureret måde at arbejde med usikkerhed på. Når du ser et λ i en kampoptakt, ved du nu både, hvad det kan bruges til, og hvilket spørgsmål der bør komme bagefter:
»Hvor godt er det λ egentlig estimeret?«
Den lille ordbog.
Forventet målantal i Poisson-modellen.
Fordeler sandsynligheden for 0, 1, 2 … hændelser ud fra λ.
Sandsynlighedsfunktion for et bestemt diskret antal.
Et tal mellem 0 og 1 for et muligt udfald under givne antagelser.
1/p; nulmargin-prisen ifølge en bestemt sandsynlighed.
1/decimalodds; rå markedsprocent før evt. marginjustering.
Summen af rå implicitte sandsynligheder minus 100 %.
Forventede mål baseret på modellerede scoringschancer for skud.
Forventet nettoudbytte under en bestemt sandsynlighedsantagelse.
Et mål for spredning. For Poisson er varians = λ.
Om forudsagte sandsynligheder matcher observerede frekvenser over mange tilfælde.
En klassisk modeludvidelse, der blandt andet korrigerer fire lavscore-sandsynligheder.
Forstå tallene i vores optakter.
Du behøver ikke læse hele guiden igen. Her er fem ultrakorte forklaringer, som du kan vende tilbage til, når du møder modellen i en kampoptakt.
En sandsynlighedsmodel, der fordeler mulige målantal ud fra en forventet målintensitet.
Lambda er modellens forventede målantal for et hold i den kamp, der analyseres.
Modellens sandsynlighed omsat til decimalodds uden bookmakerens margin: 1/p.
Det er den beregnede sandsynlighed, hvis modellens input og antagelser er tilstrækkeligt gode.
Fra en særskilt estimering af blandt andet angreb, forsvar, hjemmebane og relevant historik. Ikke fra Poisson-formlen.
Kilder og metode.
Forskningen dokumenterer metodernes egenskaber, ikke at vores fiktive referencekamp repræsenterer en virkelig kamp. Alle tal i Poisson Lab er beregnet ud fra selvvalgte input – ingen kampdata hentes ind.
- NIST/SEMATECH: Poisson Distribution – definition og matematiske egenskaber.
- Maher (1982), Modelling association football scores – grundmodellen.
- Dixon & Coles (1997) – lavscore, tid og fodboldmodel.
- Karlis & Ntzoufras (2003) – bivariat Poisson.
- Koopman & Lit (2015) – dynamiske målintensiteter.
- StatsBomb: xG Explained – skudsandsynlighed.
- Hegarty & Whelan (online 2025, trykt 2026) – overround og forventet tabsrate.
- Murphy (1973) – Brier-score og kalibrering.
Bookmaker
Er du klar til at prøve en spiludbyder af odds eller online?
