基于泊松分布反向推导足球比赛预期进球数的技术问询

前提假设 #

我们基于独立泊松分布模型：主队预期进球数为λ，客队为μ，两队进球事件相互独立。已知目标概率：

• 主胜概率( P_H = 40% )
• 平局概率( P_D = 30% )
• 客胜概率( P_A = 30% )

胜平负概率与λ、μ的关系为：

• ( P_H = \sum_{k=0}^{\infty} \sum_{m=0}^{k-1} \text{POISSON.DIST}(k,λ,\text{FALSE}) \times \text{POISSON.DIST}(m,μ,\text{FALSE}) )
• ( P_D = \sum_{k=0}^{\infty} \text{POISSON.DIST}(k,λ,\text{FALSE}) \times \text{POISSON.DIST}(k,μ,\text{FALSE}) )
• ( P_A = 1 - P_H - P_D )

由于该方程组无解析解，只能通过数值迭代或优化工具求解λ和μ。

方法一：迭代逼近公式法 #

通过手动调整λ、μ并反复计算误差，逐步逼近目标值：

1. 初始值设定：参考联赛平均进球数（比如λ=1.2，μ=1.0），或直接设为1.0/1.0。
2. 计算当前胜平负概率：
   由于泊松分布在k>10时概率可忽略，用有限项累加计算：
   • 主胜概率（Excel数组公式，365版本无需按Ctrl+Shift+Enter确认）：

     =SUM(POISSON.DIST(ROW(0:10),λ,FALSE)*MMULT(TRANSPOSE(POISSON.DIST(ROW(0:10),μ,FALSE)),--(ROW(0:10)<TRANSPOSE(ROW(0:10)))))
     

   • 平局概率：

     =SUM(POISSON.DIST(ROW(0:10),λ,FALSE)*POISSON.DIST(ROW(0:10),μ,FALSE))
     

   • 客胜概率自动推导：=1-主胜概率-平局概率
3. 误差计算：用均方误差衡量当前值与目标值的差距：

   =(计算主胜-0.4)^2 + (计算平局-0.3)^2
   

4. 迭代调整：手动微调λ和μ，直到误差小于设定阈值（比如0.0001）。若误差偏大，主胜概率低于目标则增大λ/减小μ，反之则调整方向相反。

方法二：Excel Solver工具实现（更高效） #

利用Excel的非线性优化工具自动求解：

1. 单元格布局：
   • B1：λ（可变单元格，初始值填1.0）
   • B2：μ（可变单元格，初始值填1.0）
   • B3：主胜概率（用上述数组公式引用B1、B2）
   • B4：平局概率（同样引用B1、B2）
   • B5：误差值：=(B3-0.4)^2 + (B4-0.3)^2
2. 启用Solver：
   若未找到Solver，需在「文件>选项>加载项」中勾选「规划求解加载项」并启用。
3. 配置Solver参数：
   • 目标单元格：选B5，设置为「最小值」
   • 可变单元格：选B1:B2
   • 约束条件：添加B1>0和B2>0（预期进球数不能为负）
   • 求解方法：选择「GRG非线性」（适配非线性优化场景）
4. 求解：点击「求解」按钮，Solver会自动迭代调整λ和μ，直到误差最小化。此时B1、B2即为所求的预期进球数。

注意事项 #

• 泊松分布假设进球事件独立，实际比赛中存在攻防关联（比如领先方收缩防守），若需更精准模型需引入修正项，但此方法适用于基础场景。
• 累加上限设为10足够覆盖绝大多数概率贡献，进一步增大上限对结果影响可忽略。
• Solver的初始值可能影响收敛速度，建议用联赛平均进球数作为初始值提升效率。

内容的提问来源于stack exchange，提问作者fbnhost1