怎样把进球数据变成比赛概率？

如果直接问“甲队和乙队谁会赢”，手里的表格很难立刻回答。但我们可以把问题拆小一点：甲队面对乙队，大概能进几个球？乙队又大概能进几个？这两个平均数有了，比分概率才有地方落脚。

先找一个普通球队作参照

假设某联赛最近120场一共进了312球，平均每场2.60球。这是双方合计，所以一支普通球队的进球基准可以先粗略看成1.30。

再看两支准备交手的球队。甲队近10场进17球、丢8球；乙队进14球、丢11球。甲队场均进1.70，比联赛普通水平高；场均只丢0.80，又比普通水平低。乙队也用同样办法与1.30比较。

把甲队的进攻表现与乙队的防守表现放到一起，得到甲队这场的平均进球估计约1.45；反过来算，乙队约0.87。

等等，人怎么可能进1.45个球？

当然不可能。1.45不是比分，它表示把相同条件重复很多次以后，甲队的平均进球接近1.45。现实里它只会进0球、1球、2球或更多。

泊松分布的工作，就是把这个平均数拆开：0球有多大可能，1球有多大可能，2球又有多大可能。甲乙两队分别拆一次，然后组合起来。甲队进1球的概率乘以乙队进0球的概率，就是1比0的一份简单估计。

很多人看到公式就停下来了，其实没有必要。你只要知道：输入1.45，计算器会给出甲队进0、1、2、3球的概率；输入0.87，它会给出乙队的。公式只是负责拆分，不负责判断1.45和0.87估得对不对。

问题恰恰出在这两个平均数

十场比赛的进球很容易受运气影响。一支球队连续创造好机会，却几次击中门柱；另一支球队机会不多，远射却接连进球。只看实际进球，前者显得弱，后者显得强，结论可能正好反了。

这时可以把进球数换成xG。用球队场均创造的xG衡量进攻，用场均允许对手获得的xG衡量防守，后面的泊松计算不用改变。这样做的好处，是把注意力从“球最后进没进”往前挪到“机会本身好不好”。

换成xG，也没有得到万能公式

两队遇到的对手可能完全不同，主客场表现也不同。核心球员是否出场、球队刚休息了几天、领先后习惯收缩还是继续进攻，这些都可能改变原来的平均数。不同机构的xG口径也不一样，数据混用会让看似精确的小数失去意义。

还有一份已经汇总了很多人的答案：赔率

多家平台的赔率变化，本来就包含阵容、伤停、新闻、球队实力和市场参与者的判断。如果我们的计算认为甲队明显占优，市场却持续朝另一边移动，这不一定是谁对谁错，而是在提醒我们：两份答案使用的信息可能不同。

我会把它们看成几张互相核对的草稿：进球数据给出第一版，xG把机会质量补进去，阵容和比赛环境负责修正背景，多平台赔率变化则告诉我们市场正在怎样吸收信息。它们说法一致时，结论比较容易解释；互相打架时，最应该做的不是选一个最喜欢的数字，而是继续找原因。