A Bayes-tétel
A bayesi frissítés egy előzetes becslést (prior) az új információ fényében utólagos becsléssé (posterior) alakít:
P(H | E) = P(E | H) · P(H) / P(E)
ahol H a feltevés (például „a csapat erősebb, mint gondoltuk”), E az új információ, P(E | H) pedig a likelihood: annak a valószínűsége, hogy ezt az információt látnánk, ha a feltevés igaz. Az új adat súlya tehát két dolgon múlik: mennyire meglepő, és mennyire bízunk az előzetes becslésben.
Példa: három jó mérkőzés után
Egy csapat várható gólszámát az előző idény és a bajnokság alapján mérkőzésenként 1,4 gólra becsüljük; ez a becslés nagyjából tíz mérkőzésnyi adatnak megfelelő bizonyossággal bír. Az új idény első három mérkőzésén a csapat 9 gólt szerez – átlagosan 3-at.
A naiv következtetés: „a csapat most 3 gólt rúg mérkőzésenként”. A gólszámokra szokásos Gamma–Poisson modellben a prior Gamma(α, β) eloszlás, α = 1,4 · 10 = 14 és β = 10 paraméterrel; n mérkőzés és S gól után a posterior Gamma(α + S, β + n), amelynek várható értéke
(14 + 9) / (10 + 3) = 23 / 13 ≈ 1,77 gól
A becslés nő – de nem 3-ra, hanem 1,77-re. Három mérkőzés kevés ahhoz, hogy felülírja tíz mérkőzésnyi tapasztalat súlyát. Ez a zsugorítás: a posterior átlag a minta átlagának és a prior átlagnak súlyozott középértéke, n / (n + β) = 3/13 súllyal a mintára. Ez a regresszió az átlag felé számszerű kifejezése. Ha a jó sorozat folytatódik, minden újabb mérkőzés egyre nagyobb súllyal mozdítja a becslést.
Miért fontos ez a fogadásban?
A piac és a fogadók gyakran túlreagálják a rövid sorozatokat: két-három kiugró eredmény után a népszerű vélekedés – és néha a szorzó is – messzebb mozdul, mint amit a mintanagyság indokolna. A bayesi szemlélet pontosan ezt a túlreagálást szűri ki. Ugyanez fordítva is igaz: egy erős csapat két gyenge mérkőzése után az ár alábecsülheti a csapatot.
A bayesi hálózat
Ha több tényező hat egymásra – forma, hiányzók, pályaelőny, várható gólok –, a kapcsolataik egy irányított, körmentes gráfként írhatók le: ez a bayesi hálózat. Minden csomópont egy változó, az élek a feltételes függéseket mutatják, és az együttes eloszlás a csomópontok szülőikre feltételes eloszlásainak szorzata. Ha egy csomópont értéke kiderül (például egy kulcsjátékos kiesik), a hálózat a többi valószínűséget is ennek megfelelően frissíti.
Előnye az átláthatóság: látszik, melyik információ mennyit mozdít a becslésen. Korlátja, hogy a szerkezetét és a feltételes valószínűségeit is becsülni kell, és sok változónál könnyen túlilleszthető.
Gyakorlati tanulságok
- A piac jó prior. Az árrés nélküli piaci valószínűség erős kiindulópont; a saját információ ehhez képest mozdítja a becslést, nem a nulláról indul.
- Ne számolj kétszer. Egy széles körben ismert hír (például egy bejelentett sérülés) rendszerint már benne van az árban.
- A friss adat számít jobban, de csak mértékkel: az időbeli súlyozás ezt formalizálja.
- Mérd a frissítés minőségét: jól frissít-e a modell, azt a kalibráció mutatja meg.
Összegzés
- A Bayes-tétel az előzetes becslést a likelihood arányában frissíti.
- Gamma–Poisson modellben a posterior átlag (α + S) / (β + n), vagyis a mintaátlag és a prior súlyozott középértéke.
- Három kiugró mérkőzés tíz mérkőzésnyi prior mellett csak 3/13 súlyt kap – ez a zsugorítás.
- A piac jó prior; a nyilvános hírt nem szabad kétszer beszámítani.
A bayesi frissítést, a logisztikus regressziót és a kalibrációt a Valószínűségi modellezés a sportfogadásban kötet tárgyalja; a gólvárakozás becslésének alapjait a Poisson-eloszlásról és az xG-ről szóló cikkek mutatják be.
Kizárólag 18 év felettieknek. A sportfogadás kockázattal jár; a cikk tájékoztató jellegű, nem fogadási tanács. Ha a játék már nem szórakozás, segítséget a Felelős fogadás ingyenes kötete és a segítő szolgálatok adnak.