Pinnacle

Harvinaisemman markkinaraon löytäminen vedonlyönnissä voi usein johtaa arvoon. Tämä voi olla mitä tahansa asiantuntijatietämyksestä käsipallon vedonlyönnissä laajaan kokemukseen vedonlyönnistä japanilaisessa baseballissa. Jos vain tiedät enemmän kuin vedonvälittäjä, rahaa on voitettavissa. Tällaisessa tilanteessa voi myös löytää kiinnostavia ja mahdollisesti tuottavia vetoja, sillä ne voivat olla hieman luotettavampia ja helposti ennustettavampia kuin osa suosituimmista kohteista.  Hanki parhaat jalkapallovedonlyönnin neuvot ja tilastot Paranna vedonlyöntiäsi lukemalla uusimmat asiantuntija-artikkelimme

Jalkapallokertoimet

Kulmapotkut ovat selittämättömästi yksi jännittävimmistä tapahtumista jalkapallossa. Vain noin kolme prosenttia niistä johtaa maaliin, mutta hyökkäävän joukkueen fanit karjuvat varmasti hyväksyntäänsä ja kannustusta, kun heidän joukkueensa saa sellaisen. Lue lisää, niin saat tietää, kuinka voit hyötyä kulmapotkuvedonlyönnistä.

Kulmapotkuvedonlyönti jalkapallossa: arvoa vähän tunnetusta vetokohteesta

Poissonin jakauma on matemaattinen käsite, jossa muunnetaan keskiarvoja todennäköisyyksiksi eri lopputuloksille jakaumassa. Jos esimerkiksi Manchester City tekee keskimäärin 1,7 maalia ottelussa ja käytät tätä keskiarvotietoa Poissonin kaavassa, saat tulokseksi, että Manchester City tekee 0 maalia 18,3 %:n todennäköisyydellä, 1 maalin 31 %:n todennäköisyydellä, 2 maalia 26,4 %:n todennäköisyydellä ja 3 maalia 15 %:n todennäköisyydellä. Poissonin jakauma – lopputulosten todennäköisyyksien laskeminen Ennen kuin Poissonin jakaumaa voidaan käyttää ottelun todennäköisimmän lopputuloksen laskemiseen, on laskettava,

Poissonin jakauma historiatietoihin yhdistettynä on yksinkertainen ja luotettava menetelmä jalkapallo-ottelun todennäköisimmän tuloksen laskemiseen, ja tätä voi käyttää vedonlyönnissä. Näiden selkeiden vaiheittaisten ohjeiden avulla voit laskea tarvittavat hyökkäys- ja puolustusvoiman luvut sekä luoda kätevästi Poissonin jakauman arvot. Ei aikaakaan, kun olet jo ennustamassa jalkapallotuloksia käyttäen Poissonin jakaumaa.

Poissonin jakauma: ennusta tulos jalkapallovedonlyönnissä

  Odotusarvo Summa, jonka pelaaja voi odottaa voittavansa tai häviävänsä, jos hän lyö saman vedon useita kertoja peräkkäin. Tämä lasketaan yksinkertaisesti&nbsp;kertomalla voiton todennäköisyys summalla, jonka vedolla voi voittaa, ja vähentämällä siitä häviämisen todennäköisyys kerrottuna summalla, jonka vedolla voi hävitä.  Sanasto►   Tässä on yksinkertainen käytännön esimerkki odotusarvosta (OA): Jos lyöt 10&nbsp;€ vetoa, että kolikonheitosta tulee kruuna, ja saat 11&nbsp;€ aina, kun osut oikeaan, odotusarvoksi

Vedon odotusarvo osoittaa, kuinka paljon voimme odottaa voittavamme (keskimäärin) vetoa kohden. Siksi se on vedonlyöjälle tärkein laskelma, kun hän vertailee vedonvälittäjien kertoimia. Kuinka voit laskea odotusarvon eSports-vedonlyönnissä voittojen ennustamiseksi? Lue lisää tästä artikkelista.

Odotusarvon laskeminen

Paras tapa nostaa voittomahdollisuuksia tenniksen vedonlyönnissä on sisäistää eri vedonlyöntitavat, sillä tällöin voit valita itsellesi sopivimman tavan lyödä vetoa. Perusvedonlyöntitapa tenniksessä on veikata ottelun voittajaa. Tässä tapauksessa lyöt vetoa, että pelaaja voittaa vastustajansa ja jatkaa seuraavalle kierrokselle. Otetaan esimerkiksi vuoden 2016 Hopman Cupin ottelu Murray vastaan De Schepper. Brittitähti voitti ottelun 2 erässä lopputuloksella 6:2 6:2. Pinnaclen lopulliset kertoimet ottelulle olivat 1,05 ja 13,03 tässä järjestyksessä, joten jos olisit asettanut 100&nbsp;€ vetoa

Australian avoin tennisturnaus on juuri alkamassa, joten nyt on hyvä aika tutustua joihinkin tenniksen tavanomaisimpiin vedonlyöntitapoihin ja miettiä, mikä niistä tuo parhaat voitot. Veikkaa vuoden ensimmäinen Grand Slam 2016 -voittaja.

Tenniksen tasoitusvedonlyönti

Osaisitko kirjoittaa 800 sanan jutun, josta olisi hyötyä Vedonlyöntiresurssit-sivumme lukijoille? <a class="invisible-for-meet-authors" href="https://twitter.com/pinnaclesports">Lähetä kirjoituksesi tviittinä</a> tai <a class="invisible-for-meet-authors" href="mailto:betting-resources@pinnacle.com">sähköpostitse</a> ja liitä mukaan koko nimesi ja yhteystietosi. Jos toimittajamme hyväksyvät artikkelisi, se julkaistaan sivustollamme ja saat palkkioksi Pinnacle-lahjapaketin.

Vieraskynä

<div class="articleV2 unordered-list">
<ul>
<li><a style="color: #f50;" id="articleLink" href="/betting-resources/fi/betting-strategy/part-one-magical-betting-formula/zbr2xmv32bcq76u4">Osa yksi: Onko olemassa taikakaavaa vedonlyöntiin?</a></li>
</ul>
</div>


<h3>Maalimäärän odotusarvo: yleiskatsaus</h3>

Viime vuosina eniten huomiota saanut jalkapallomalli on epäilemättä ollut <a href="/betting-resources/fi/soccer/how-to-calculate-expected-goals-for-soccer-matches/jesjh3rkxcmuf9ty">maalimäärän odotusarvo</a>. Maalimäärän odotusarvon mallin periaate on yksinkertainen: se mittaa maalipaikkojen laatua.
Tiedämme intuitiivisesti, että jos pelaaja laukaisee 5,5 metrin alueen sisältä, hänen laukauksensa onnistuu todennäköisemmin kuin jos hän pommittaisi 30 metristä. Maalimäärän odotusarvon malli muuntaa intuitiomme todennäköisyyksiksi. Jokaiselle maalipaikalle määritetään maalin syntymisen todennäköisyys.
Saatavilla on runsaasti maalimäärän odotusarvon laskemisen yksityiskohtia selittävää aineistoa, mutta on yksi tärkeä asia, jota haluan korostaa: mallin ehdottomasti tärkein tekijä on se, mistä laukaus lähtee.

<div class="articleV2 unordered-list">
<ul>
<li>Lue tämä: <a style="color: #f50;" id="articleLink" href="/betting-resources/fi/soccer/expected-goals-model-analysis/mep2n9vmg5ctw99d">Erilaisten maalimäärän odotusarvon mallien analyysi</a></li>
</ul>
</div>

Katso alla olevan kuvan maalista lähteviä ilmapalloja. Ne kuvaavat kyseisen ilmapallon alueelta lähtevien laukausten maalin todennäköisyyttä. Kaavion esittämän alueen ulkopuolella todennäköisyys on noin 3 %.
<img src="/sites/default/files/media-image/magic-formula-part-two-in-article-1.jpg" alt="magic-formula-part-two-in-article-1.jpg" width="600" height="325" loading="lazy">
Tämän pohjalta voit muodostaa oman maalimäärän odotusarvon mallin joukkueellesi, kun katselet ottelua. Laske vain paikat, jotka joukkueella on ollut kunkin ilmapallon alueelta.
Jos sillä on ollut kaksi paikkaa 30&nbsp;% ilmapallon alueelta, yksi 15&nbsp;%:n alueelta, viisi paikkaa 7&nbsp;%:n ilmapallon alueelta ja kymmenen paikkaa ilmapallojen ulkopuolelta, joukkueen maalimäärän odotusarvo on seuraava:
<div class="equation">
2 × 0,30 + 1 × 0,15 + 5 × 0,07 + 10 × 0,03 = 0,855 xG
</div>
Kehittämäni maalimäärän odotusarvon malli on hieman tätä monimutkaisempi. Lisään siihen, onko kyseessä vastahyökkäys, pusku tai ”hyvä maalipaikka” sekä tiettyjä muita tekijöitä. Nämä parantavat mallia hieman, kun siinä otetaan huomioon muutakin kuin laukaisupaikka, mutta laukaisupaikka on oikea paikka aloittaa maalimäärän odotusarvon mallin luominen.

<h3>Maalimäärän odotusarvo: voiko se päihittää jalkapallokertoimet?</h3>

Tärkeä kysymys minkä tahansa mallin kohdalla on, voittaako se kertoimet. Kuten kirjoitin osassa yksi, suhtaudun epäilevästi siihen, että olisi olemassa jokin vedonlyönnin taikakaava. Voisiko maalimäärän odotusarvon malli siis tarjota ratkaisun? Voiko se päihittää jalkapallokertoimet?
Saadaksemme vastauksen tähän kysymykseen meidän on tarkasteltava ensin jalkapallokertoimia. Kun haluan nähdä, löydänkö vinoumia jalkapallokertoimista, lähden yleensä liikkeelle logistiseksi regressioksi kutsutusta tilastollisesta mallista.

<img src="/sites/default/files/media-image/magic-formula-part-two-in-article-2.jpg" alt="magic-formula-part-two-in-article-2.jpg" width="600" height="122" loading="lazy">
Regression perustana oleva ajatus on tarkasteleminen, kuinka hyvin jalkapallokertoimet ennustavat lopputulosta. Kuvitellaan esimerkiksi, että tutkimme vierasvoiton todennäköisyyttä.
Tätä varten sovitamme mallin vierasvoiton todennäköisyyttä varten, jossa a on vedonvälittäjän kerroin vierasvoitolle (<a href="/betting-resources/fi/educational/odds-formats-available-at-pinnacle-sports/zwsjd9ppx69v3yxz">desimaalikerroinmuodossa</a> ja korjattuna <a href="/betting-resources/fi/educational/betting-margin-calculator/sz9jzegz3nn9fvwt">vedonvälittäjän katteen</a> poistamiseksi), ja se on vakio. Jos logistinen regressio ei ole sinulle tuttu, voit lukea siitä <a href="http://statpages.info/logistic.html">online-oppaista</a>, joita on tarjolla lukuisia.

<h3>Logistinen regressio: esimerkki</h3>

Seuraavassa on esimerkki logistisesta regressiosta kahdelta edelliseltä Valioliiga-kaudelta (2015/16 ja 2016/17).
<img src="/sites/default/files/media-image/magic-formula-part-two-in-article-3.jpg" alt="magic-formula-part-two-in-article-3.jpg" width="600" height="487" loading="lazy">
Pisteiden koko on tässä suhteessa siihen, kuinka monta kertaa näitä kertoimia tarjottiin. Mitä suurempi piste on, sitä yleisempi kyseinen kerroin on ollut.
<blockquote>Pääasiana tässä eivät ole mallin antamat ehdotukset vaan menetelmä. Jos haluat rakentaa mallin ja voittaa rahaa lyömällä vetoa jalkapallosta, lähde aina liikkeelle kertoimista.</blockquote>
Jos nämä ympyrät ovat pisteviivan alapuolella, vierasvoiton todennäköisyys oli pienempi kuin kertoimen mukainen ennuste. Jos ympyrät ovat pisteviivan yläpuolella, vierasvoiton todennäköisyys oli suurempi kuin kertoimen mukainen ennuste.
Jatkuva viiva on parhaan tietojen mukaisen sopivuuden viiva. Tämä viiva kertoo meille yleistrendin. Jos katsot tarkkaan todennäköisyyskäyrää kohdan 0,1 ympäriltä, mikä vastaa kerrointa 10,0, huomaat, että käyrä on hieman viivan yläpuolella, kun taas kohdassa 0,25 todennäköisyyksien trendi on päinvastainen.
Tästä voimme nähdä, että edellisten kahden kauden aikana altavastaajat ovat voittaneet vieraissa ja suosikit ovat hävinneet vieraissa useammin kuin vedonvälittäjien kertoimien perusteella olisi odottanut.

<h3>Aliarvioidut altavastaajat ja yliarvioidut suosikit</h3>

Jos edellisten kahden kauden ajalta on löydettävissä arvoa, se löytyy ennustamisesta, mitkä altavastaajat voittavat vieraissa ja mitkä suosikit eivät voita. Tässä voimme käyttää maalimäärän odotusarvoa. Tein uuden logistisen regression seuraavalla kaavalla:
<img src="/sites/default/files/media-image/magic-formula-part-two-in-article-4.jpg" alt="magic-formula-part-two-in-article-4.jpg" width="600" height="93" loading="lazy">
Lisäsin nyt muuttujan xGDiff. Tämä muuttuja on kahden joukkueen välisten maalimäärän odotusarvojen ero, joka lasketaan joukkueiden edellisten viiden ottelun maalimäärän odotusarvojen keskiarvoista:&nbsp;
<img src="/sites/default/files/media-image/magic-formula-part-two-in-article-5.jpg" alt="magic-formula-part-two-in-article-5.jpg" width="600" height="74" loading="lazy">
Suorittamalla logistisen regression sain selville, että vieraissa pelaavat joukkueet, joilla oli suosiollisempi xGDiff-ero, voittivat todennäköisemmin kuin kertoimien perusteella olisi olettanut.
Jos siis voimme löytää vieraissa pelaavan altavastaajan, jolla on vahva xG, sen puolesta kannattaa lyödä vetoa. Vieraissa pelaavia suosikkeja, joilla on heikko xG, ei kannata pelata.&nbsp;

<h3>Logistinen regressio: maalimäärän odotusarvon sisällyttäminen</h3>

Seuraavassa on maalimäärän odotusarvon taulukko meneillään olevalle kaudelle (2017/18) otteluviikolla 11.&nbsp;
<div class="table-holder-article-content">
<div class="table-modal">
<div class="table-modal-head">
<div class="table-modal-head-inner">
<h2>Valioliigan 2017/18 maalimäärän odotusarvon taulukko (otteluviikolla 11)</h2>
</div>
</div>
<div class="table-modal-content">
<div class="article-table-content">
<table class=" article-table">
<tbody>
<tr>
<td>
Joukkue
</td>
<td style="text-align: center;">
xVoitot
</td>
<td style="text-align: center;">
xTasapelit
</td>
<td style="text-align: center;">
xHäviöt
</td>
<td style="text-align: center;">
xTehdyt maalit
</td>
<td style="text-align: center;">
xPäästetyt maalit
</td>
<td style="text-align: center;">
xPisteet
</td>
</tr>
<tr>
<td>
Manchester City
</td>
<td style="text-align: center;">
8
</td>
<td style="text-align: center;">
2
</td>
<td style="text-align: center;">
1
</td>
<td style="text-align: center;">
25.9
</td>
<td style="text-align: center;">
6
</td>
<td style="text-align: center;">
26
</td>
</tr>
<tr>
<td>
Liverpool
</td>
<td style="text-align: center;">
6.2
</td>
<td style="text-align: center;">
2
</td>
<td style="text-align: center;">
2.8
</td>
<td style="text-align: center;">
20.3
</td>
<td style="text-align: center;">
11.6
</td>
<td style="text-align: center;">
20.6
</td>
</tr>
<tr>
<td>
Tottenham Hotspur
</td>
<td style="text-align: center;">
5.7
</td>
<td style="text-align: center;">
3
</td>
<td style="text-align: center;">
2.2
</td>
<td style="text-align: center;">
15.2
</td>
<td style="text-align: center;">
7.6
</td>
<td style="text-align: center;">
20.1
</td>
</tr>
<tr>
<td>
Manchester United
</td>
<td style="text-align: center;">
5.8
</td>
<td style="text-align: center;">
2.3
</td>
<td style="text-align: center;">
2.9
</td>
<td style="text-align: center;">
19.4
</td>
<td style="text-align: center;">
10.7
</td>
<td style="text-align: center;">
19.7
</td>
</tr>
<tr>
<td>
Arsenal
</td>
<td style="text-align: center;">
5.8
</td>
<td style="text-align: center;">
2.1
</td>
<td style="text-align: center;">
3.2
</td>
<td style="text-align: center;">
18.9
</td>
<td style="text-align: center;">
12.5
</td>
<td style="text-align: center;">
19.5
</td>
</tr>
<tr>
<td>
Leicester City
</td>
<td style="text-align: center;">
5.5
</td>
<td style="text-align: center;">
2,5
</td>
<td style="text-align: center;">
3
</td>
<td style="text-align: center;">
17.3
</td>
<td style="text-align: center;">
12.3
</td>
<td style="text-align: center;">
19
</td>
</tr>
<tr>
<td>
Chelsea
</td>
<td style="text-align: center;">
4.2
</td>
<td style="text-align: center;">
3.2
</td>
<td style="text-align: center;">
3.6
</td>
<td style="text-align: center;">
11.9
</td>
<td style="text-align: center;">
10.9
</td>
<td style="text-align: center;">
15.8
</td>
</tr>
<tr>
<td>
Southampton
</td>
<td style="text-align: center;">
4.2
</td>
<td style="text-align: center;">
2.9
</td>
<td style="text-align: center;">
3.9
</td>
<td style="text-align: center;">
13.1
</td>
<td style="text-align: center;">
12.4
</td>
<td style="text-align: center;">
15.5
</td>
</tr>
<tr>
<td>
Watford
</td>
<td style="text-align: center;">
3.9
</td>
<td style="text-align: center;">
2.9
</td>
<td style="text-align: center;">
4.3
</td>
<td style="text-align: center;">
14.8
</td>
<td style="text-align: center;">
16.3
</td>
<td style="text-align: center;">
14.6
</td>
</tr>
<tr>
<td>
Crystal Palace
</td>
<td style="text-align: center;">
4
</td>
<td style="text-align: center;">
2,5
</td>
<td style="text-align: center;">
4.4
</td>
<td style="text-align: center;">
12.3
</td>
<td style="text-align: center;">
15.1
</td>
<td style="text-align: center;">
14.5
</td>
</tr>
<tr>
<td>
Everton
</td>
<td style="text-align: center;">
3.5
</td>
<td style="text-align: center;">
3.1
</td>
<td style="text-align: center;">
4.4
</td>
<td style="text-align: center;">
11.9
</td>
<td style="text-align: center;">
14.5
</td>
<td style="text-align: center;">
13.6
</td>
</tr>
<tr>
<td>
Newcastle
</td>
<td style="text-align: center;">
3.5
</td>
<td style="text-align: center;">
2.7
</td>
<td style="text-align: center;">
3.8
</td>
<td style="text-align: center;">
11
</td>
<td style="text-align: center;">
11.4
</td>
<td style="text-align: center;">
13.2
</td>
</tr>
<tr>
<td>
Brighton and Hove Albion
</td>
<td style="text-align: center;">
3.2
</td>
<td style="text-align: center;">
3
</td>
<td style="text-align: center;">
4.9
</td>
<td style="text-align: center;">
9.1
</td>
<td style="text-align: center;">
13
</td>
<td style="text-align: center;">
12.6
</td>
</tr>
<tr>
<td>
West Bromwich
</td>
<td style="text-align: center;">
2.8
</td>
<td style="text-align: center;">
3.6
</td>
<td style="text-align: center;">
4.6
</td>
<td style="text-align: center;">
8.3
</td>
<td style="text-align: center;">
12.7
</td>
<td style="text-align: center;">
12
</td>
</tr>
<tr>
<td>
Swansea City
</td>
<td style="text-align: center;">
2.7
</td>
<td style="text-align: center;">
3
</td>
<td style="text-align: center;">
5.2
</td>
<td style="text-align: center;">
8.6
</td>
<td style="text-align: center;">
14.8
</td>
<td style="text-align: center;">
11.1
</td>
</tr>
<tr>
<td>
Stoke City
</td>
<td style="text-align: center;">
2.7
</td>
<td style="text-align: center;">
2.9
</td>
<td style="text-align: center;">
5.4
</td>
<td style="text-align: center;">
11
</td>
<td style="text-align: center;">
17.6
</td>
<td style="text-align: center;">
11
</td>
</tr>
<tr>
<td>
West Ham United
</td>
<td style="text-align: center;">
2,5
</td>
<td style="text-align: center;">
3.1
</td>
<td style="text-align: center;">
5.3
</td>
<td style="text-align: center;">
8.6
</td>
<td style="text-align: center;">
14.9
</td>
<td style="text-align: center;">
10.6
</td>
</tr>
<tr>
<td>
Huddersfield Town
</td>
<td style="text-align: center;">
2.3
</td>
<td style="text-align: center;">
3.6
</td>
<td style="text-align: center;">
5.1
</td>
<td style="text-align: center;">
6.5
</td>
<td style="text-align: center;">
13
</td>
<td style="text-align: center;">
10.5
</td>
</tr>
<tr>
<td>
Bournemouth
</td>
<td style="text-align: center;">
2.3
</td>
<td style="text-align: center;">
2.8
</td>
<td style="text-align: center;">
5.9
</td>
<td style="text-align: center;">
7.6
</td>
<td style="text-align: center;">
15.5
</td>
<td style="text-align: center;">
9.7
</td>
</tr>
<tr>
<td>
Burnley
</td>
<td style="text-align: center;">
1.9
</td>
<td style="text-align: center;">
2.9
</td>
<td style="text-align: center;">
5.2
</td>
<td style="text-align: center;">
5.5
</td>
<td style="text-align: center;">
14.3
</td>
<td style="text-align: center;">
8.6
</td>
</tr>
</tbody>
</table>
</div>
</div>
</div>
</div>
Tässä voimme käyttää West Bromwichin ja Chelsean välistä ottelua mallin testaamiseen. Näiden joukkueiden xGDiff-arvo on seuraava:&nbsp;
<div class="equation">
(8.3+11.9 - 12.7-11.9)/2 = -2.7
</div>
Ottelua kohden tämä tekee -0,25. Chelsea&nbsp;oli tämän artikkelin kirjoitushetkellä suosikki kertoimella a = 1,62*. Lisäämällä nämä kertoimet ja xGDiff-arvon yhtälöön (2) saamme P(vierasvoitto) = 42&nbsp;% (parametreilla b0 = -0,49, b = 0,75 ja b2 = 0,73, jotka on saatu edellisen kauden tiedoista).&nbsp;
Vaikka kertoimien perusteella Chelsean voittotodennäköisyys olisi 62&nbsp;%, se on mallin mukaan paljon pienempi. Paras veto on, että Chelsea ei voita.
<blockquote>Maalimäärän odotusarvon malli muuntaa intuitiomme todennäköisyyksiksi. Jokaiselle maalipaikalle määritetään maalin syntymisen todennäköisyys.</blockquote>
Toinen yllä olevasta taulukosta erottuva kohde on Southampton Liverpoolin vieraana. Näiden joukkueiden xGDiff-arvo on 0,36 Liverpoolin eduksi, eli Liverpool on suosikki. Southamptonin voiton kerroin on kuitenkin 8,3, mikä vastaa 12&nbsp;%:n todennäköisyyttä.&nbsp;
Mallini antaa joukkueen voittotodennäköisyydeksi 15&nbsp;%. Tämän perusteella veto Southamptonin voiton puolesta olisi kannattava, mutta kannattaa muistaa, että vaikka malli olisi oikeassa, voitat vain 15&nbsp;% kerroista.

<h3>Mallista opittuja asioita&nbsp;</h3>

Pääasiana tässä eivät ole mallin antamat ehdotukset (sekä West Bromwich että Southampton hävisivät) vaan menetelmä. Jos haluat&nbsp;<a href="/betting-resources/fi/betting-strategy/how-to-build-a-betting-model/9qt2jenugqtj6abq">rakentaa mallin</a> ja voittaa rahaa lyömällä vetoa jalkapallosta, lähde aina liikkeelle kertoimista.
Etsi ensin logistisen regression avulla epäjohdonmukaisuuksia kertoimista ja lisää sitten muuttujat (kuten maalimäärän odotusarvo) nähdäksesi, saatko edun vedonvälittäjään nähden. Tämä etu tulee olemaan pieni, mutta se voi hyvinkin olla pitkällä aikavälillä arvokas.
Jos haluat lukea lisää David Sumpterin työstä, seuraa tunnusta <a href="https://twitter.com/Soccermatics">@Soccermatics</a> Twitterissä.

Osa kaksi: Onko olemassa taikakaavaa vedonlyöntiin?

Sovelletun matematiikan professori David Sumpter selitti tämän artikkelin ensimmäisessä osassa vedonlyöntimallin rakentamisen alihinnoiteltujen tasapelien perusteella. Nyt hän analysoi, voiko maalimäärän odotusarvoa käyttää vedonvälittäjien kertoimien päihittämiseen. Onko se mahdollista? Lue lisää tästä.