Poisson बेटिंग कैलकुलेटर

यह Poisson कैलकुलेटर प्रत्येक टीम के अपेक्षित गोल को स्कोरलाइन और मैच-परिणाम की संभावनाओं में बदल देता है, जिससे अमेरिकी बेटर्स को सॉकर, हॉकी और अन्य कम स्कोर वाले अमेरिकी खेल बाजारों में स्पोर्ट्सबुक की मनीलाइन के मुकाबले तौलने के लिए एक मॉडल-आधारित लाइन मिलती है।

Poisson कैलकुलेटर क्या है?

Poisson वितरण सॉकर और हॉकी जैसे कम स्कोर वाले खेलों को मॉडल करने के लिए मानक उपकरण है, जहाँ गोल अपेक्षाकृत दुर्लभ होते हैं और प्रत्येक गोल परिणाम को बदल देता है। एक Poisson कैलकुलेटर प्रत्येक टीम के लिए एक इनपुट लेता है — उसके अपेक्षित गोल, वह स्कोरिंग दर जिसे आप उस मैचअप के लिए प्रोजेक्ट करते हैं — और इसे एक पूर्ण संभावना वितरण में बदल देता है: वह संभावना कि टीम ठीक शून्य गोल, ठीक एक, ठीक दो, आदि स्कोर करेगी। दोनों टीमों के लिए समान गणना करें और आपके पास दो स्वतंत्र स्कोरलाइन वितरण होंगे। होम टीम के एक निश्चित गोल संख्या की संभावना को अवे टीम के दूसरे गोल संख्या की संभावना से गुणा करें, और आपको उस सटीक अंतिम स्कोर की संभावना मिल जाएगी। प्रत्येक स्कोरलाइन को जोड़ें जहाँ होम टीम आगे रहती है और आपको मॉडल की होम-जीत की संभावना मिल जाएगी; टाई और अवे जीत के लिए भी ऐसा ही करें। वे तीन प्रतिशत ही वास्तविक आउटपुट हैं। एक बार जब आपके पास होम जीत, ड्रॉ या अवे जीत की संभावना हो जाती है, तो आप इसे उचित मूल्य (fair price) में बदल सकते हैं और इसे स्पोर्ट्सबुक द्वारा दी जा रही कीमत के बगल में रख सकते हैं। यदि मॉडल कहता है कि कोई परिणाम बुक की कीमत के निहितार्थ से अधिक संभावित है, तो यही वह अंतर है जिसे एक बेटर ढूंढ रहा होता है। Poisson यह भविष्यवाणी नहीं करता कि एक मैच में क्या होगा — यह आपको बताता है, आपके अपेक्षित-गोल इनपुट को देखते हुए, कि एक उचित लाइन कैसी दिखनी चाहिए।

Poisson कैलकुलेटर की गणना कैसे की जाती है

कैलकुलेटर के पीछे का फॉर्मूला Poisson संभावना द्रव्यमान फलन (probability mass function) है: ठीक k गोल होने की संभावना lambda की घात k के बराबर है, जिसे e की घात नेगेटिव lambda से गुणा किया जाता है, और k फैक्टोरियल से विभाजित किया जाता है, जहाँ lambda टीम के अपेक्षित गोल हैं। कैलकुलेटर के उदाहरण में, होम टीम का lambda 1.5 है। फॉर्मूले में k = 0, 1, 2, और 3 डालने पर होम टीम का वितरण प्राप्त होता है: शून्य गोल के लिए 22.3%, एक गोल के लिए 33.5%, दो गोल के लिए 25.1%, और तीन गोल के लिए 12.6%। अवे टीम का 1.1 का lambda अपना वितरण बनाने के लिए उसी फॉर्मूले से गुजरता है। वहाँ से कैलकुलेटर एक पूर्ण स्कोरलाइन ग्रिड बनाता है: होम और अवे गोल के प्रत्येक संयोजन के लिए, यह होम टीम की उस गोल संख्या की संभावना को अवे टीम की उसकी गोल संख्या की संभावना से गुणा करता है, क्योंकि दोनों टीमों के आउटपुट को स्वतंत्र माना जाता है। प्रत्येक सेल एक विशिष्ट अंतिम स्कोर की संभावना है। तीन मुख्य संख्याएं प्राप्त करने के लिए, कैलकुलेटर सेल्स को जोड़ता है: जहाँ होम अवे से आगे है, वे होम-जीत की संभावना में जुड़ते हैं, जहाँ वे बराबर हैं, वे ड्रॉ की संभावना में जुड़ते हैं, और जहाँ अवे होम से आगे है, वे अवे-जीत की संभावना में जुड़ते हैं। 1.5 बनाम 1.1 के मैचअप के लिए, यह 46.4% होम, 25.8% ड्रॉ, और 27.8% अवे पर आता है — तीन संख्याएं जो पूरी तरह से दो lambda इनपुट से बनी हैं।

कैलकुलेटर आपको क्या दिखाता है

कैलकुलेटर के आउटपुट में दो परतें होती हैं। सबसे पहले, यह प्रत्येक टीम का स्कोरलाइन वितरण दिखाता है — वह संभावना कि एक दी गई टीम अपने अपेक्षित-गोल इनपुट के आधार पर ठीक शून्य गोल, एक गोल, दो गोल, आदि स्कोर करती है। यहाँ आप देख सकते हैं कि कैसे एक मामूली स्कोरिंग दर अधिकांश संभावना को कम, विशिष्ट गोल संख्याओं पर केंद्रित करती है, न कि इसे समान रूप से फैलाती है। दूसरे, यह दोनों टीमों के वितरण को मिलाकर मैच-परिणाम की तीन संभावनाएं दिखाता है: होम जीत, ड्रॉ और अवे जीत की संभावना। वे तीन संख्याएं संभावित परिणामों की पूरी श्रृंखला का प्रतिनिधित्व करती हैं, इसलिए वे वे आंकड़े हैं जिनकी तुलना आप स्पोर्ट्सबुक की कीमत से करते हैं। एक साथ, स्कोरलाइन ब्रेकडाउन और परिणाम प्रतिशत न केवल यह दिखाते हैं कि मॉडल क्या उम्मीद करता है, बल्कि यह भी कि कौन से स्कोर उस होम, ड्रॉ या अवे आंकड़े को चला रहे हैं जिसे आप देख रहे हैं।

कार्यशील उदाहरण

एक होम टीम लें जिसके मैच के लिए 1.5 अपेक्षित गोल हैं और एक अवे टीम है जिसके 1.1 गोल स्कोर करने की उम्मीद है। होम टीम के 1.5 lambda को कुछ संभावित स्कोरलाइन के लिए Poisson फॉर्मूले के माध्यम से चलाने पर यह वितरण प्राप्त होता है: 0 गोल की 22.3% संभावना, 1 गोल की 33.5% संभावना, 2 गोल की 25.1% संभावना, और 3 गोल की 12.6% संभावना। एक गोल होम टीम के लिए सबसे संभावित परिणाम है, भले ही 1.5 “औसत” है — Poisson संभावना को lambda के बजाय lambda के करीब की पूरी संख्याओं पर केंद्रित करता है, क्योंकि एक टीम आंशिक गोल नहीं कर सकती। अवे टीम का 1.1 lambda अपना स्कोरलाइन वितरण बनाने के लिए समान प्रक्रिया से गुजरता है। होम और अवे गोल के प्रत्येक संयोजन में दोनों टीमों की स्वतंत्र संभावनाओं को गुणा करना, फिर परिणामों को इस आधार पर जोड़ना कि कौन आगे है, मैच-परिणाम मॉडल तैयार करता है: 46.4% होम जीत, 25.8% ड्रॉ, और 27.8% अवे जीत। 1.5 अपेक्षित-गोल दर के साथ, होम टीम सबसे अधिक संभावना के साथ ठीक एक गोल (33.5%) करती है और 22.3% समय क्लीन शीट रखती है। दोनों वितरणों को मिलाने से 46.4% होम जीत, 25.8% ड्रॉ और 27.8% अवे जीत मिलती है — बुक की कीमतों के मुकाबले तौलने के लिए एक उचित लाइन। यहाँ से, एक बेटर उन तीन मॉडल प्रतिशत को एक उचित मूल्य में बदलता है और उन्हें उसी मैच के लिए स्पोर्ट्सबुक की वास्तविक मनीलाइन के बगल में रखता है। कोई भी परिणाम जहाँ मॉडल का प्रतिशत बुक की कीमत द्वारा निहित संख्या से काफी अधिक है, वह एक ऐसा उम्मीदवार है जिस पर करीब से विचार करने योग्य है — कोई गारंटी नहीं, बल्कि एक संकेत है कि बाजार और मॉडल इस बारे में असहमत हैं कि वह परिणाम वास्तव में कितना संभावित है।

1.5 अपेक्षित गोल पर Poisson गोल संभावनाएं

यहाँ 1.5 के अपेक्षित-गोल आंकड़े वाली टीम के लिए पूर्ण गोल-दर-गोल ब्रेकडाउन है, जो ऊपर दिए गए उदाहरण से होम टीम का lambda है। प्रत्येक पंक्ति वह संभावना है जिसे कैलकुलेटर उस सटीक गोल संख्या को सौंपता है। संभावनाएं शून्य गोल से बढ़ती हैं, एक गोल पर चरम पर पहुंचती हैं, और जैसे-जैसे गोल संख्या बढ़ती है, कम होती जाती हैं।

मॉडल मैच परिणाम बनाम उचित मूल्य

एक बार जब स्कोरलाइन ग्रिड को होम, ड्रॉ और अवे संभावनाओं में जोड़ दिया जाता है, तो कैलकुलेटर प्रत्येक प्रतिशत को उसके द्वारा निहित उचित मूल्य में बदल देता है। वह उचित मूल्य वह है जो परिणाम को बिना किसी बुकमेकर मार्जिन के भुगतान करना चाहिए — तुलना करने के लिए संख्या, न कि जरूरी नहीं कि वह संख्या जो आपको वास्तव में पेश की जाएगी।

Poisson मॉडल की सीमाएं

Poisson वास्तव में उपयोगी है, लेकिन यह उन मान्यताओं पर टिका है जो हमेशा वास्तविक मैच में सही नहीं होती हैं। सबसे बड़ी मान्यता स्वतंत्रता (independence) है: मॉडल प्रत्येक टीम के गोल की संख्या को दूसरे से असंबंधित मानता है, जो कुल मिलाकर ड्रॉ और कम स्कोर वाले खेलों को कम करके आंकता है। वास्तविक मैचों में कच्चे Poisson द्वारा अनुमानित की तुलना में अधिक 0-0 और 1-1 परिणाम होते हैं, क्योंकि टीमें मैच के आगे बढ़ने पर स्कोरलाइन के आधार पर अपने खेल को समायोजित करती हैं — कुछ ऐसा जिसे स्वतंत्रता की धारणा पकड़ नहीं सकती। कई बेटर्स इसे डिक्सन-कोल्स समायोजन (Dixon-Coles adjustment) के साथ ठीक करते हैं, जो उन कम, करीबी स्कोरलाइन को सामान्य Poisson आउटपुट की तुलना में ऊपर की ओर ले जाता है। मॉडल पूरे मैच में एक निरंतर स्कोरिंग दर भी मानता है, lambda को शुरू से अंत तक स्थिर मानता है। वास्तव में, स्कोरिंग दरें रेड कार्ड, गेम स्टेट और एक अग्रणी टीम के बचाव करने के कारण बदल जाती हैं। वह गतिशीलता उस कैलकुलेटर के लिए दिखाई नहीं देती है जो प्रति टीम केवल एक अपेक्षित-गोल संख्या देखता है। यह त्रुटि के सबसे बड़े स्रोत की ओर इशारा करता है: इनपुट। पूरा मॉडल केवल उस अपेक्षित-गोल अनुमान जितना ही अच्छा है जिसे आप इसमें डालते हैं, और एक अस्थिर lambda आत्मविश्वास से भरे दिखने वाले परिणाम पैदा करता है जो बस गलत होते हैं। आउटपुट को बाजार के मुकाबले तौलने के लिए एक अनुशासित अनुमान के रूप में मानें, न कि इस बारे में निश्चितता कि क्या होने वाला है।

Poisson मॉडल कब समझ में आता है

Poisson स्पोर्ट्सबुक द्वारा पेश की जा रही चीजों को देखने से पहले मैच का एक स्वतंत्र, प्रथम-सिद्धांत दृष्टिकोण बनाने के तरीके के रूप में अपना स्थान बनाता है। यह कम स्कोर वाले खेलों में सबसे उपयोगी है जहाँ गोल गिनने योग्य, असतत घटनाएं हैं — सॉकर और हॉकी क्लासिक मामले हैं — और जहाँ आपके पास हालिया फॉर्म या मैचअप-विशिष्ट कारकों से प्रत्येक टीम के अपेक्षित गोल का अनुमान लगाने के लिए एक उचित आधार है। इस तरह उपयोग किए जाने पर, यह आपको बुक की मनीलाइन के मुकाबले तुलना करने के लिए एक उचित-मूल्य बेंचमार्क देता है, और दोनों के बीच का अंतर मूल्य खोजने के लिए शुरुआती बिंदु है, न कि अंतिम रेखा। जब आपके अपेक्षित-गोल इनपुट स्वयं अनुमान हैं, तो यह एक स्टैंड-अलोन संकेत के रूप में कम समझ में आता है, क्योंकि मॉडल अच्छे इनपुट और बुरे इनपुट के बीच अंतर नहीं बता सकता है — यह किसी भी तरह से आत्मविश्वास से भरा आउटपुट देता है। यह वहां भी सबसे कमजोर है जहां खेल अपनी मान्यताओं से भटक जाता है: गेम-स्टेट प्रभाव, रेड कार्ड, या एक टीम के आगे होने पर रक्षात्मक बदलाव वाले मैचों को अंधे विश्वास की नहीं, बल्कि समायोजन की आवश्यकता होती है। बैंकroll अनुशासन भी उतना ही मायने रखता है — अपेक्षित-गोल इनपुट के एक सेट से मॉडल का लाभ अभी भी एक अनुमान है, न कि लॉक, और एक बेट का आकार इस तरह तय करना जैसे कि यह निश्चित हो, यही कारण है कि एक वास्तविक लाभ लंबे समय में नुकसान में बदल जाता है। Poisson का सबसे मजबूत उपयोग एक व्यापक प्रक्रिया में एक इनपुट के रूप में है: मॉडल बनाएं, इसकी तुलना बाजार से करें, और किसी भी बेट का आकार इस आधार पर तय करें कि आप उन अपेक्षित-गोल संख्याओं में कितने आश्वस्त हैं जिनसे आपने शुरुआत की थी।

सामान्य गलतियाँ

जब अपेक्षित-गोल इनपुट वास्तव में केवल एक मोटा अनुमान हो तो आउटपुट पर भरोसा न करें — मॉडल एक ठोस अनुमान और बुरे अनुमान के बीच अंतर नहीं कर सकता है। यह न भूलें कि बुनियादी Poisson ड्रॉ और कम स्कोर वाले परिणामों को कम करके आंकता है, क्योंकि यह दोनों टीमों को स्वतंत्र रूप से स्कोर करने वाला मानता है। यह न मानें कि रेड कार्ड या देर से बढ़त की रक्षा करने वाली टीम जैसे कारकों के बावजूद निरंतर स्कोरिंग दर पूरे मैच के लिए बनी रहती है। और मॉडल की संभावनाओं को निश्चितता के रूप में न मानें — वे बाजार के मुकाबले तुलना करने के लिए अनुमान हैं, न कि आँख बंद करके बेट लगाने के लिए भविष्यवाणियां।

Poisson मॉडल बनाम बुक की लाइन

Poisson मॉडल और स्पोर्ट्सबुक की अपनी लाइन अलग-अलग सवालों के जवाब देती हैं: एक अपेक्षित गोल से क्या होना चाहिए इसका अनुमान लगाता है, दूसरा यह दर्शाता है कि बाजार का पैसा कहाँ है। दोनों की तुलना करना ही Poisson कैलकुलेटर का उपयोग करने का मुख्य उद्देश्य है।