Pinnacle（平博）

找到一个小众博彩市场，通常会获得价值。这可以是手球博彩的专业知识，也可以是日本棒球博彩的丰富经验。如果你比博彩公司知道得多，那么就有赚钱的机会。 这些市场中还可能存在有趣且有利可图的投注，由于它们更可靠一些，因此比一些更受欢迎的市场更容易预测。  获得最佳足球博彩建议和统计数据 阅读我们最新的专家文章，提升你的博彩水平 关注Pinnacle  为何投注角球？  角球博彩近年来变得日益流行。这个市场让博彩玩家有机会利用博彩公司对于知识或微小细节注意力的缺乏来获利。除此之外，角球赛中盘博彩的赔率波动也是敏锐的博彩玩家选择这个特定市场的另一个原因。 足球角球博彩截然不同于诸如主客平或让分盘的其他市场。比赛结果可能和每支球队的角球数有相关性，但并不一定总是相关。由于足球本质上是一种低得分运动，因此平局和冷门获胜的情况比在其他体育中更容易发生。但是角球数会高很多，并且可以更准确地反映球队的表现。 比赛结果可能和每支球队的角球数有相关性，但并不一定总是相关。 虽然进球是罕见的事件，但一场比赛平均有10到11个角球，而且尽管有时候确实可能出现奇怪的比赛结果（例如，大冷门爆冷获胜），然而角球数量常常和预期差不多。 2016/17至2020/21这五个英超赛季中，1900场比赛中有1057场（55.6%）都是热门获胜，不过有1208场比赛（63.6%）都是热门角球数最多。 虽然无法直接投注一场比赛中哪支球队的角球数更多，但使用广泛可用的数据可以计算出盘口开出的投注成功可能性。  如何进行角球投注  Pinnacle为欧洲主要足球联赛和欧冠提供两种不同的角球盘口——总分盘和让分盘。 角球总分盘解析 在这个盘口中，博彩公司开出他们认为比赛中会发生的角球总数，博彩玩家可以选择投注该数字的大盘或小盘。 角球总分盘例子： 狼队vs. 阿森纳，2022年2月10日 超过10个角球（11个或更多角球）：1.909 少于10个角球（9个或更少角球）：1.917 狼队本赛季每场比赛开赛前的平均角球数为10.0，而阿森纳平均为10.3，因此博彩公司的选择很合理，将棘手的选择留给博彩玩家。比赛开始后有11个角球，盘口选择得很好，两种结果的可能性差不多。 然而，我们会在后文中讨论到一些可以在该盘口中用作投注选择指标的因素。 &nbsp; 什么是角球让分盘博彩？ 这和任何其他种类的让分盘一样——其中一队获得了优势，用以抵消他们在现实中可能遭受的劣势，另一支球队正好相反，而且盘口中会提供不同的选项和赔率。 角球让分盘例子，例如狼队vs. 阿森纳的比赛： 狼队+0.5 角球：1.961 阿森纳-0.5 角球：1.869 在这个例子中，选择对阿森纳投注，他们至少比狼队多一个角球。如果你选择投注狼队，那么只要他们的角球数至少和阿森纳一样多，你的投注就会获胜。 在2021/22赛季中，阿森纳在这场比赛前的每场比赛平均角球差为0.4，而狼队则为-1.5。根据这样的记录，投注阿森纳是合理的选择。 然而，事实上投注狼队是对的——他们有7个角球，阿森纳只有4个。我们会在后文中讨论比赛状态相关性时，了解这个爆冷为何发生。 角球博彩分析  足球比赛中有各种各样导致角球的情况。角球成群结伴是被广泛接受的理论——这并不是说一个角球之后总会再来一个角球，而是指可能很快地连续得到两个、三个或甚至更多角球。   阅读：正确比分博彩   如果你知道如何进行角球投注，那么下一步就是找出最可能赢得角球和更容易失掉角球的球队。射门显然是赢得角球的重要促成因素——射门次数多是球队掌握进攻优势的表现，这些射门常常会被弹开，从而导致角球。 下表显示2014/15至2018/19赛季中，英超球队每场比赛的平均射门次数： 

足球赔率

角球是足球比赛中最令人兴奋到难以解释的事件之一。大约只有3%的角球成功入网，但只要攻方有角球机会，他们的球迷就一定会摇旗呐喊。继续阅读，了解你能如何从角球博彩中受益。

足球角球博彩：小众市场中的投注价值

泊松分布是一个数学概念，可在整个分布中将平均值换算成可变结果的概率。例如，曼城每场比赛平均进1.7球，通过输入泊松分布公式，我们将了解此平均值相当于曼城在18.3%的时间里进0球，31%的时间进1球，26.4%的时间进2球，15%的时间进3球。 泊松分布 - 计算比分可能性 在使用泊松分布预测足球比分前，我们需要估计比赛中各队的平均进球数。得出的平均值用于判断各队的“进攻实力”和“防守实力”，然后两相比较。 一旦知道如何计算结果概率，您可以将您的结果与博彩公司的赔率进行比较，从而发现价值。 计算进攻和防守实力时，选择代表性数据范围非常重要。如果范围太大，数据将偏离队伍目前的实力。如果范围太小，异常值会影响数据的准确性。2015/16 英超赛季各队的38场比赛为应用泊松分布提供了足够的样本量。 如何计算进攻实力 根据上一赛季的赛果计算进攻实力时，首先要确定每支球队在主场和在客场的平均进球数。 使用上一赛季的总进球数除以比赛场数进行计算：  主场赛季进球数/比赛场数（赛季内） 客场赛季进球数/比赛场数（赛季内）  在2015/16英超联赛赛季，主场进球数与比赛场数之比为567/380，客场则为459/380，主场平均进球数为1.492，客场则为1.207。  主场平均进球数：1.492 客场平均进球数：1.207  球队平均值与联赛平均值的比率构成进攻实力。 如何计算防守实力  我们还需要知道球队的平均输球数。这只需将上述数字互换位置就可以（因为主队进球数将等于客队输球数）：  主场平均输球数：1.207 客场平均输球数：1.492  球队平均值与联赛平均值的比率构成防守实力。  我们现在可以使用上面的数字来计算托特纳姆和埃弗顿的进攻实力和防守实力（截至2017年3月1日）。 预测托特纳姆热刺的进球数   计算托特纳姆的进攻实力：   步骤1：使用上一赛季主队主场进球数（托特纳姆：35球）除以主场比赛场数(35/19)：1.842。 步骤2：使用此值除以赛季每场比赛平均主队进球数(1.842/1.492)，得出“进攻实力”：1.235。    (35/19) / (567/380) = 1.235 

借助泊松分布和一些历史数据，我们可以计算在一场足球比赛中最可能出现的比分。这是一种简单而又可靠的方法，可在博彩中应用。以下简单的讲解将介绍如何计算必要的进攻/防守实力指标，还提供了生成泊松分布值的快捷方法。很快您就可以使用泊松分布预测足球比分。

泊松分布：预计足球博彩赢家

期望值玩家在对同一赔率进行多次投注时可以预期赚取或损失的金额，可以通过简单的等式进行计算，即将您获胜的可能性乘以每次投注可能赚取的金额，然后将失败的可能性乘以每次投注可能损失的金额，再将这两项的值相减即可。术语表► 举一个关于期望价值 (EV) 的简单例子：如果你和别人丢硬币玩，你押10美元在正面朝上，而你每次猜对会赢得11美元，那么期望值就是0.5。这意味着如果你打算一次又一次押相同赌注赌正面朝上，对于每次押10美元，你可以预期平均赢0.5美元。如何计算期望值计算期望值的公式相对简单，只需将胜率乘以每个注额可以赢得的彩金，减去输率乘以每个注额输掉的金额：（胜利概率）x（每个投注赢得的金额）–（失败概率）x（每个投注输掉的金额）为计算体育博彩的期望值，你要再进行一些计算，将小数赔率代入上面的公式：找到每种结果的小数赔率（赢、输、平）用注额乘以小数赔率，然后减去注额，计算各个结果的潜在概率。用1除以相关结果的赔率，就可以得出该结果的概率将此数字代入上面的公式。例如，曼联 (1.263)对威根(13.500)，平局赔率为6.500，投注10美元赌威根胜，有可能赢得125美元，此结果发生的概率为0.074或7.4%。此结果不发生的概率为曼联胜和平局赔率之和，亦即0.792 + 0.154 = 0.946。每注输掉的金额是原始注额 – 10美元。因此，完整的公式是：(0.074 x $125) – (0.946 x $10) = -$0.20此投注的EV是负值，每投注10美元你将平均输0.20美元。计算体育博彩的期望值有什么作用？记住，负EV不意味着一定会输钱。不像抛硬币，体育博彩赔率是主观设定的，因此如果你比博彩公司更聪明，你将会赢钱。如果你自己计算的比赛概率与赔率的隐含赔率不一致，你可以看看正EV在哪里，从而找到最佳的机会。例如，赔率暗示威根只有7.4%胜率。如果你计算（也许使用泊松分布这类系统）出威根的胜率为10%，则投注威根胜的期望值将跃至3.262美元。这也是在套利博彩中比较赔率的一种完美指标，我们的文章什么是套利博彩对这一点进行了探讨。通过计算投注的期望值，博彩玩家会掌握关于他们使用的博彩公司提供的价值的更多信息。像Pinnacle（平博）这样的低抽水率博彩公司的EV大约为-0.20美元，而普通博彩公司的EV经常可以达到-1.00美元，也就是每投注10美元就有可能损失1美元。

从投注的期望值中我们可以知道每个投注（平均）预期能赢多少钱，因此当博彩玩家比较博彩公司的赔率时，这是最有价值的计算。如何计算体育博彩的期望值，进而预测能赢取的利润？继续阅读，找出答案。

如何计算期望值

了解所有可选的投注类型是在网球投注中增加利润的关键所在，因为您可以选择您喜欢的投注方式。网球中最基础的投注类型就是投注比赛获胜者。在这种情况下，您投注一位网球选手关于击败他的对手并晋级下一轮。我们以2016年现代霍普曼杯比赛上穆雷和德斯查佩普之间的比赛为例。英国球星以最终得分6:2 6:2在两局比赛中赢得这场比赛。Pinnacle Sport为这场比赛提供的收盘赔率分别为1.05和13.03，如果您下注$100赌穆雷胜，您得到的奖金将是$105，净利润为$5。然而，投注这样的大热门球员则意味着冒着相对较高的风险去获得较低的收益，也就在这时，让分盘投注登场了。为什么有让分盘投注当一个大热门球员对阵一个不被看好的球员时，低赔率通常对玩家没有吸引力，占用一部分资金获取小额的潜在回报，对他们来说没有价值。为了抵消球员的能力差距并平衡这场比赛，博彩公司推出让分盘市场，其是指每位球员预期会赢的局数。这样，每位球员胜出的机率也就是让分盘中的赔率就尽可能地接近50%。投注让分盘市场，表示您不需要预测实际的赢家，而是要预测球员的表现如何。照此，让分盘就需考虑最终得分来决定该投注是否个赢利的投注。当一场比赛中有一个明显热门的选手时，就会有让分盘市场。这可通过投注&nbsp;负让分盘的热门球员或正让分盘的无希望取胜球员来完成。&nbsp;以穆雷对战德斯查佩普的比赛为例，主让分盘为穆雷减掉了5局，而为这位法国球员增加了5局。正和负让分盘在有让分盘市场的比赛中，无希望取胜者有了几局的优势，即让分盘，而大热门球员有了几局的劣势，即负让分盘，目的是抵消质量上的差距。不论哪个球员赢得这场比赛，下注在应用让分盘之后胜出的球员的投注则为赢的投注。我们再回到穆雷对战德斯查佩普示例。穆雷在第一盘比赛中赢了6局，在第二盘比赛中也赢了6局。德斯查佩普打算在开赛第一盘比赛中赢2局，在第二盘比赛中赢2局。合起来，穆雷要赢12局，而他的法国对手要4局。下注穆雷在-5的让分盘中胜出的则为12 -5= 7，其大于4，因此，为此目的，这个投注的最终得分则为7:4，同时也指“让分后赢得让分盘”。相反地，下注德斯查佩普赢取+5让分盘的投注&nbsp;可能是输掉的比赛，因为即使多赢5局，德斯查佩普仍然会以12-9输掉比赛。 Pinnacle提供的穆雷在-5让分盘中让分后胜出的赔率为1.775，这样，$100投注的回报将是$177.5，而其净利润为$77.5，相较之下，比赛获胜者市场的净利润只有$5。让分盘投注的其他利润Pinnacle提供行业内选择最多的让分盘市场，这样就能激起玩家的兴趣有效地利用让分盘的优势投注大量的交替让分盘。 若要查看网球比赛的可用让分盘市场，登录您的Pinnacle账户, 进入您偏爱的比赛，然后在下拉菜单中选择您想要下注的让分盘市场。下面是严重倾斜的瓦林卡在ATP金奈巡回赛上对战不被看好的卢布列夫的例子。他们的输赢盘是1.108和8.170，Pinnacle交易商将这场比赛的主让分盘设定为+/-5。除了主让分盘之外，Pinnacle还为这场比赛推出了许多正负让分盘，范围从+/- 4到+/- 6，方便玩家自己觉得那个让分盘市场具有最高的价值。&nbsp;您可以降低让分盘（也称为买入），但是会收到下等的赔率，或者增加让分盘（出售）并获得更高的回报。最后，需要记住的是让分盘市场有可能会退回您的投注。在&nbsp;整个局数被用于让分盘的情况下，例如在穆雷对战德斯查佩普的比赛中，考虑到让分盘，最终的比分可能会产生平局。在这种情形下，所有投注都会被取消，玩家会收回他们最初的本金。准备好开始投注了吗？在Pinnacle获取最佳的网球赔率和选择最多的让分盘市场。 

澳网公开赛开赛在即，应该理解一些网球投注中常见的投注类型以及哪个投注最可能带来利润。在2016年的第一个大满贯之前做好准备。

网球让分盘投注解释

Dominic Cortis是莱切斯特大学数学系的一位讲师，他也是马耳他大学的助理讲师。他是一名准精算师，研究方向主要是体育数据分析以及金融和博彩衍生产品。Dominic将数学策略运用于具体的体育比赛，这种方法已被证明是博彩玩家一项价值无量的工具。

Dominic Cortis

用来预测足球比赛得分的主要模型是泊松模型（或者它的变种）。最直接的方法是为每支球队设置预期进球参数，然后相应地预测得分。
<div class="articleV2 unordered-list">
<ul>
<li><a style="color: #f50;" id="articleLink" href="/betting-resources/zh-cn/betting-resources/zh-cn/soccer/how-to-calculate-poisson-distribution/md62mlxumkmxz6a8">泊松分布：在足球博彩中预测比分 </a></li>
</ul>
</div>
泊松模型总结如下：主队参数为联赛平均主场得分率乘以主队进攻因子和客队防守因子。前者根据访问球队的防守评级而对主场得分优势进行相应调整（防守实力越强，进球机会就越低），而后者则评估主队得分能力。客队预期进球得分率的评估方法类似，不过使用了客队得分因子和主队防守因子。

<h3>泊松模型的局限性</h3>

如同其他任何模型，泊松模型在预测足球比赛得分时也有某些局限性——即<a href="https://www.pinnacle.com/en/betting-articles/euro-2016/poisson-distribution-limitations/A4FJEZCJWTR73S4T">结果对于使用的参数中的改变很敏感</a>。
<blockquote>实际上，经常在比赛中进很多球的球队得到0-0平局的机会要高得多，因为在比赛关键时机过去后仍然没人进球的情况下，他们可能会降低比赛节奏。</blockquote>
泊松模型还假设一旦预期进球参数设置好之后，每支球队的进球数都是互不影响的。尽管使用特定的防守和进攻评级对这一点有所控制，但是如果主队进了五球或者完全没进球，我们真的能预测在这两种情况下客队进五球的概率是一样的吗？&nbsp;
最致命的局限性是假设每支球队的进球得分变动等于预期进球数（泊松分布的功能）。有很多处理这个问题的聪明方法，比如过度离散（或者欠离散）泊松模型以及二元泊松模型，但是这些都不在本文的讨论范围内。
这些局限性的组合效应之一是缺乏评估0-0平局的预测能力，这样的平局可能高于或低于泊松模型产出的结果。我的直觉是泊松模型倾向于低估0-0平局发生在那些有着高预期进球参数的球队身上的可能性。
实际上，经常在比赛中进很多球的球队得到0-0平局的机会要高得多，因为在比赛关键时机过去后仍然没人进球的情况下，他们可能会降低比赛节奏。反之，在比赛中经常得低分的球队在拿到首粒进球之前可能节奏更快。标准泊松模型无法捕捉到这一点，因此过高预测0-0平局的机会。我已经指出这不过是个人直觉，并非基于任何测试的结果——如果任何人愿意对其进行测试，不妨联系我，我非常高兴和任何感兴趣的人进行沟通。

<h3>如何缩小或者胀大平局概率</h3>

调整0-0平局概率的一种方法是胀大或缩小此类平局的概率，并相应调整其他预测。这可以通过五个步骤来进行解释，我将在此使用一个简单的例子来解释：
第1步：计算每支球队的预期进球参数
除非你已经自动化了这个过程，否则这会是耗费你最多时间的一个步骤。Benjamin Cronin在他的<a href="/betting-resources/zh-cn/betting-resources/zh-cn/soccer/how-to-calculate-poisson-distribution/md62mlxumkmxz6a8">泊松分布文章</a>中完美地对此进行了解释。为了不做过多的赘述，我们在此假设最后的平均进球参数分别为主队1.7和客队1.2（这些不过是随机的数字）。&nbsp;
第2步：计算每支球队进球数的概率
这可以通过使用方程式来进行计算，上方链接中也提供了完整的例子。在这里，我们使用方程式来计算进球数的概率分布，如下所示：
<div class="table-holder-article-content">
<div class="table-modal">
<div class="table-modal-head">
<div class="table-modal-head-inner">
<h2>足球比赛进球数量的概率分布</h2>
</div>
</div>
<div class="table-modal-content">
<div class="article-table-content">
<table class=" article-table">
<tbody>
<tr>
<td>
-
</td>
<td>
-
</td>
<td colspan="5">
进球数量的概率
</td>
</tr>
<tr>
<td>
球队
</td>
<td style="text-align: center;">
预期进球参数
</td>
<td style="text-align: center;">
0
</td>
<td style="text-align: center;">
1
</td>
<td style="text-align: center;">
2
</td>
<td style="text-align: center;">
3
</td>
<td style="text-align: center;">
4
</td>
</tr>
<tr>
<td>
主队
</td>
<td style="text-align: center;">
1.7
</td>
<td style="text-align: center;">
18.30%
</td>
<td style="text-align: center;">
31.10%
</td>
<td style="text-align: center;">
26.40%
</td>
<td style="text-align: center;">
15.00%
</td>
<td style="text-align: center;">
6.40%
</td>
</tr>
<tr>
<td>
客队
</td>
<td style="text-align: center;">
1.2
</td>
<td style="text-align: center;">
30.10%
</td>
<td style="text-align: center;">
36.10%
</td>
<td style="text-align: center;">
21.70%
</td>
<td style="text-align: center;">
8.70%
</td>
<td style="text-align: center;">
2.60%
</td>
</tr>
</tbody>
</table>
</div>
</div>
</div>
</div>
第3步：计算比分的概率分布
现在我们可以将概率相乘，得出不同比分的概率。例如，0-0比分为18.3% x 30.1% = 5.5%的可能性。结果如下所示。请注意，这些相加起来不会满100%，因为存在其他比分的可能性（例如5-1）。我们可以补充说明其他比分的概率为3.7%。
<div class="table-holder-article-content">
<div class="table-modal">
<div class="table-modal-head">
<div class="table-modal-head-inner">
<h2>计算比分的概率分布</h2>
</div>
</div>
<div class="table-modal-content">
<div class="article-table-content">
<table class=" article-table">
<tbody>
<tr>
<td>
-
</td>
<td>
-
</td>
<td colspan="2">
主队进球
</td>
<td>
-
</td>
<td>
-
</td>
<td>
-
</td>
</tr>
<tr>
<td>
-
</td>
<td>
-
</td>
<td>
0
</td>
<td>
1
</td>
<td>
2
</td>
<td>
3
</td>
<td>
4
</td>
</tr>
<tr>
<td>
客队进球
</td>
<td>
0
</td>
<td>
5.50%
</td>
<td>
9.40%
</td>
<td>
8.00%
</td>
<td>
4.50%
</td>
<td>
1.90%
</td>
</tr>
<tr>
<td>
-
</td>
<td>
1
</td>
<td>
6.60%
</td>
<td>
11.20%
</td>
<td>
9.50%
</td>
<td>
5.40%
</td>
<td>
2.30%
</td>
</tr>
<tr>
<td>
-
</td>
<td>
2
</td>
<td>
4.00%
</td>
<td>
6.70%
</td>
<td>
5.70%
</td>
<td>
3.20%
</td>
<td>
1.40%
</td>
</tr>
<tr>
<td>
-
</td>
<td>
3
</td>
<td>
1.60%
</td>
<td>
2.70%
</td>
<td>
2.30%
</td>
<td>
1.30%
</td>
<td>
0.60%
</td>
</tr>
<tr>
<td>
-
</td>
<td>
4
</td>
<td>
0.50%
</td>
<td>
0.80%
</td>
<td>
0.70%
</td>
<td>
0.40%
</td>
<td>
0.20%
</td>
</tr>
</tbody>
</table>
</div>
</div>
</div>
</div>
第4a步：计算0-0平局的膨胀/收缩参数
这一步中可能会渗入某些主观性。例如，假设过去的统计数据暗示0-0平局应该有10%的概率发生。因此我们需要将5.5%增至10%。&nbsp;
膨胀参数的计算方式：
<div class="equation">
（0-0的假定概率）/（预测的概率）=（假定的概率）/（概率（0,0））
</div>
使用符号α来代表它，我们得到：
<div class="equation">
α=10/5.5=1.82。
</div>
这有力地表示我们增加了82%的零分平局概率。由于这是从5.5%增至10%，因此我们必须降低其他概率累积起来的概率的相同百分比，以使所有结果的总百分比为100%。&nbsp;
第4b步：计算其他比分的膨胀/收缩参数
使用符号β来代表这个因子，我们可以使用等式：
<div class="equation">
β=（1-α[概率（0,0）]）/（1-[概率（0,0）]）=（1-假定概率）/（1-预测的概率）
</div>
在这里我们得到β=（1-0.1）/（1-0.055）=0.95
第5步：重新填充膨胀的比分表
现在我们终于可以重新计算不同比分的概率，只需将0-0概率乘以α，剩余其他概率乘以β。我们将得到以下结果，而其他比分的概率为3.5%。&nbsp;
<div class="table-holder-article-content">
<div class="table-modal">
<div class="table-modal-head">
<div class="table-modal-head-inner">
<h2>重新填充膨胀的比分</h2>
</div>
</div>
<div class="table-modal-content">
<div class="article-table-content">
<table class=" article-table">
<tbody>
<tr>
<td>
-
</td>
<td>
-
</td>
<td colspan="2">
主队进球
</td>
<td>
-
</td>
<td>
-
</td>
<td>
-
</td>
</tr>
<tr>
<td>
-
</td>
<td>
-
</td>
<td>
0
</td>
<td>
1
</td>
<td>
2
</td>
<td>
3
</td>
<td>
4
</td>
</tr>
<tr>
<td>
客队进球
</td>
<td>
0
</td>
<td>
10.00%
</td>
<td>
8.90%
</td>
<td>
7.60%
</td>
<td>
4.30%
</td>
<td>
1.80%
</td>
</tr>
<tr>
<td>
-
</td>
<td>
1
</td>
<td>
6.30%
</td>
<td>
10.70%
</td>
<td>
9.10%
</td>
<td>
5.10%
</td>
<td>
2.20%
</td>
</tr>
<tr>
<td>
-
</td>
<td>
2
</td>
<td>
3.80%
</td>
<td>
6.40%
</td>
<td>
5.50%
</td>
<td>
3.10%
</td>
<td>
1.30%
</td>
</tr>
<tr>
<td>
-
</td>
<td>
3
</td>
<td>
1.50%
</td>
<td>
2.60%
</td>
<td>
2.20%
</td>
<td>
1.20%
</td>
<td>
0.50%
</td>
</tr>
<tr>
<td>
-
</td>
<td>
4
</td>
<td>
0.50%
</td>
<td>
0.80%
</td>
<td>
0.70%
</td>
<td>
0.40%
</td>
<td>
0.20%
</td>
</tr>
</tbody>
</table>
</div>
</div>
</div>
</div>

<h3>从调整泊松模型中我们学到了些什么？</h3>


我们在本文中通篇讨论了对传统泊松模型的调整，这种调整可以改变零分平局的概率。该模型可以扩展来应对任何比分的调整，只要所有结果的概率也得到调整以满足相加为100%的条件。
这并非改变某些结果概率的唯一方法。例如，Alun Owen博士在去年六月的数学体育大会上解释了一种可能更好的方法，这种方法涉及到了截尾泊松模型。&nbsp;
调整并未最小化泊松模型的局限性，对于某些局限性之前我们作过讨论。这确实增加了其他一些假设——假设的零分平局概率，并且所有其他概率都使用相同比率β作出了调整。尽管如此，它仍然可能是对于倾向低估/高估零分平局的传统模型的优秀改进。

泊松模型的局限之一是缺乏预测零分平局概率的能力。本文解释如何对泊松模型进行调整，使其能够应对零分平局。

Article

泊松模型的局限之一是缺乏预测零分平局概率的能力。本文解释如何对泊松模型进行调整，使其能够应对零分平局。继续阅读以了解更多。