Dokładny wynik i AI: dlaczego to najbardziej niepewna prognoza i jak model ją szacuje

Tablette affichant une analyse tactique et des probabilités de score

Czy sztuczna inteligencja może trafić dokładny wynik meczu? Może przypisać prawdopodobieństwo każdemu możliwemu wynikowi, ale nie odgadnąć tego właściwego. Dokładny wynik to najbardziej szczegółowa prognoza, jaka istnieje, a więc i najbardziej niepewna: w przykładzie obliczonym poniżej najbardziej prawdopodobny wynik ma tylko około 12% szans, czyli prawie 9 razy na 10 okaże się niewłaściwy. Wyjaśniamy, dlaczego tak jest i jak model oparty na oczekiwanych golach (xG) i rozkładzie Poissona buduje rozkład wyników.

Dlaczego dokładny wynik to najmniej prawdopodobne rozstrzygnięcie

Dokładny wynik to szczególny przypadek rozstrzygnięcia. 2:1 oznacza zwycięstwo gospodarzy, ale to tylko jedna z jego możliwych postaci, obok 1:0, 2:0, 3:1 i wielu innych. Jego prawdopodobieństwo jest więc zawsze mniejsze niż prawdopodobieństwo zwycięstwa, którego jest częścią, a to z kolei jest mniejsze niż „zwycięstwo lub remis”.

Piłka nożna wzmacnia ten efekt: goli pada mało, a jeden gol, w dowolnej minucie, wystarczy, by zmienić końcowy wynik. Prognoza 1X2 dzieli prawdopodobieństwo na trzy rozstrzygnięcia, a prognoza wyniku rozprasza je na długą listę możliwych rezultatów.

Jak model szacuje rozkład wyników

1. Oszacowanie oczekiwanych goli każdej drużyny

Punktem wyjścia jest średnia liczba goli, jakiej oczekuje się od każdej drużyny w tym konkretnym meczu, oznaczana λ (lambda). Klasyczne modele wyznaczają ją na podstawie siły ataku drużyny, siły obrony rywala i przewagi własnego boiska; takie podejście zaproponował M. J. Maher już w 1982 roku. Nowsze modele często dodają oczekiwane gole (xG), które mierzą jakość stworzonych i dopuszczonych sytuacji, a nie same gole. Więcej znajdziesz w naszym poradniku o oczekiwanych golach (xG), granicy 2,5 gola i „obie drużyny strzelą”.

2. Od średniej do prawdopodobieństw: rozkład Poissona

Rozkład Poissona opisuje, ile razy rzadkie zdarzenia występują w danym przedziale czasu, tutaj gole drużyny w ciągu 90 minut. Jeśli λ to oczekiwana średnia, prawdopodobieństwo, że drużyna strzeli dokładnie k goli, wynosi:

P(k) = e^(−λ) × λ^k / k!

gdzie e ≈ 2,718, a k! to silnia liczby k (3! = 3 × 2 × 1 = 6; umownie 0! = 1).

3. Połączenie obu drużyn

Jeśli założymy, że każda drużyna strzela gole niezależnie od drugiej, prawdopodobieństwo wyniku, np. 2:1, jest iloczynem dwóch prawdopodobieństw: że drużyna A strzeli 2 gole i że drużyna B strzeli 1. W ten sposób powstaje tabela wszystkich wyników. Sumując jej pola, odzyskujemy prawdopodobieństwa zwycięstwa, remisu lub porażki albo łącznej liczby goli.

Przykład krok po kroku (fikcyjne wartości)

Weźmy wymyślony mecz: drużyna A, grająca u siebie, ma 1,5 oczekiwanego gola, drużyna B – 1,1.

Drużyna A (λ = 1,5), przy e^(−1,5) ≈ 0,2231:

0 goli: 0,2231
1 gol: 0,2231 × 1,5 ≈ 0,3347
2 gole: 0,2231 × 1,5² / 2 ≈ 0,2510

Drużyna B (λ = 1,1), przy e^(−1,1) ≈ 0,3329:

0 goli: 0,3329
1 gol: 0,3329 × 1,1 ≈ 0,3662
2 gole: 0,3329 × 1,1² / 2 ≈ 0,2014

Prawdopodobieństwo wyniku 1:1: 0,3347 × 0,3662 ≈ 0,1226, czyli około 12,3%. Powtarzając obliczenie dla każdego pola, otrzymujemy najbardziej prawdopodobne wyniki:

Wynik (A:B)	Obliczenie	Prawdopodobieństwo
1:1	0,3347 × 0,3662	12,3%
1:0	0,3347 × 0,3329	11,1%
2:1	0,2510 × 0,3662	9,2%
2:0	0,2510 × 0,3329	8,4%
0:1	0,2231 × 0,3662	8,2%
0:0	0,2231 × 0,3329	7,4%

Trzy wnioski:

Najbardziej prawdopodobny wynik nadal jest mało prawdopodobny. 1:1 prowadzi z około 12%: nie padłby w prawie 88% przypadków.
Faworyt nie musi mieć najbardziej prawdopodobnego wyniku. Po zsumowaniu całej tabeli A zwycięża w około 46% przypadków, remis to 26%, a B – 28%. Mimo to pojedynczym najbardziej prawdopodobnym wynikiem jest remis: zwycięstwa A rozkładają się na wiele wyników (1:0, 2:1, 2:0, 3:1…), a remis skupia się na kilku. Nasz poradnik o tym, jak czytać prawdopodobieństwo 1X2, omawia to dokładniej.
Sześć wyników to ledwie nieco ponad jedna szansa na dwie. Sześć wyników z tabeli daje łącznie około 57%.

Model jest też wrażliwy na dane wejściowe. Przy 1,8 oczekiwanego gola dla A zamiast 1,5 jej szansa na zwycięstwo rośnie do około 54%; 1:1 pozostaje na czele, ale spada do 10,9%, a 2:1 (9,8%) niemal dogania 1:0 (9,9%). Różnica 0,3 gola, trudna do rozstrzygnięcia przed meczem, wystarczy, by przetasować kolejność wyników.

Ograniczenia obliczeń

Niezależność to uproszczenie. Już Maher (1982) zauważył, że model dopuszczający niewielką korelację między golami obu drużyn lepiej opisuje rzeczywiste wyniki. Dixon i Coles (1997) zaproponowali później korektę dla niskich wyników (0:0, 1:0, 0:1, 1:1), które podstawowy model szacuje słabo.
Oczekiwane gole też są szacunkami. Forma, absencje czy stawka meczu wpływają na nie, a średnia ustalona przed pierwszym gwizdkiem nie widzi czerwonej kartki ani szybkiego gola.
Pojedynczy wynik ani nie potwierdza, ani nie obala modelu. Dopiero porównanie na dużej liczbie meczów pokazuje, czy prawdopodobieństwa są dobrze skalibrowane.

Jak Prediction AI przedstawia wynik

Prediction AI to platforma predykcyjnej analizy sportowej oparta na sztucznej inteligencji. W przypadku meczu piłkarskiego narzędzie działa w dwóch etapach. Najpierw zbiera sprawdzalne fakty za pomocą wyszukiwania w internecie: ostatnie wyniki każdej drużyny, miejsce w tabeli, absencje, bezpośrednie pojedynki, kontekst, kluczowych zawodników oraz, jeśli został już wyznaczony, sędziego. Forma i średnie goli strzelonych i straconych są wyliczane z tych wyników. Następnie model AI szacuje prawdopodobieństwa zwycięstwa gospodarzy, remisu i zwycięstwa gości, powyżej lub poniżej 2,5 gola oraz „obie drużyny strzelą gola”, a także podaje najbardziej prawdopodobny wynik jako zwykły punkt odniesienia.

Trzy proponowane prognozy (ostrożna, główna i odważna) mają przypisane prawdopodobieństwo i żadna z nich nie dotyczy dokładnego wyniku – właśnie dlatego, że to najbardziej niepewne rozstrzygnięcie. Analiza pokazuje też kluczowe czynniki, ryzyka, wykorzystane źródła i wskaźnik jakości danych. Narzędzie nie publikuje pełnej tabeli wyników takiej jak w przykładzie. Zobacz oferty Prediction AI.

Najczęściej zadawane pytania

Czy sztuczna inteligencja może przewidzieć dokładny wynik meczu?

Może przypisać prawdopodobieństwo każdemu wynikowi, ale nie wskazać z pewnością właściwego. W przykładzie i jego wariantach najbardziej prawdopodobny wynik to zaledwie około 11–13%.

Dlaczego 1:0 i 1:1 często są na czele w tego typu modelu?

Przy oczekiwanych golach rzędu 1–2 na drużynę rozkład Poissona daje największą wagę 0, 1 lub 2 golom. Niskie wyniki skupiają więc najwyższe pojedyncze prawdopodobieństwa, choć wszystkie pozostałe wyniki razem nadal stanowią większość.

Czy najbardziej prawdopodobny wynik wskazuje prawdopodobnego zwycięzcę?

Niekoniecznie. W przykładzie najbardziej prawdopodobnym wynikiem jest remis (1:1), choć faworytem jest drużyna A z około 46% szans na zwycięstwo. Aby sprawdzić, kto jest faworytem, patrz na prawdopodobieństwa 1X2, a nie na wynik.

Prawdopodobieństwa opisują niepewność: nie przesądzają o żadnym wyniku.