Sử dụng mô hình Poisson trong dự đoán tỷ số

Một câu hỏi ám ảnh từ cuối tuần trước

Vì sao tỷ số 2–1 xuất hiện nhiều đến vậy? Tuần rồi tôi xem ba trận. Hai trận khép lại 2–1. Tôi kiểm tra lại sổ tay. Rất nhiều lần tôi ghi cùng một mẫu. Không phải trùng hợp ngẫu nhiên sao? Lúc đó tôi nhớ đến một ý nhỏ trong thống kê: nếu số bàn đến ngẫu nhiên, độc lập theo thời gian, và tốc độ trung bình ổn, thì phân phối Poisson có thể mô tả khá ổn. Từ trực giác đó, tôi bắt đầu đo lại dữ liệu, rồi thử dự đoán tỷ số.

Câu trả lời ngắn gọn (và điều cần cảnh giác)

Mô hình Poisson giúp ước lượng xác suất mỗi đội ghi 0, 1, 2, 3 bàn… rồi ghép lại thành xác suất cho từng tỷ số như 1–0, 1–1, 2–1. Hiệu quả khi bạn có dữ liệu đủ sạch và cập nhật. Nhưng mô hình không biết thẻ đỏ, không hiểu chiến thuật đột biến, không thấy trời mưa gió hay lịch thi đấu dày. Dữ liệu đầu vào quan trọng hơn mô hình. Ba bước cốt lõi: ước lượng λ (số bàn trung bình) cho đội nhà và đội khách; dùng công thức Poisson để ra xác suất bàn; nhân hai phân phối để có bảng tỷ số.

Poisson là gì? Nói đơn giản

Hãy tưởng tượng số bàn đến như “sự kiện hiếm” trong 90 phút. Nếu tốc độ trung bình là λ bàn/trận và các bàn xảy ra độc lập, thì xác suất ghi đúng k bàn là: P(k) = e^-λ × λ^k / k!. Đây là phân phối Poisson là gì theo định nghĩa cơ bản. Ý nghĩa của λ rất trực quan: λ=1.6 nghĩa là đội thường ghi khoảng 1–2 bàn, nhiều trận chạm mốc 1 hoặc 2, ít khi 3+.

Nếu muốn xem diễn giải có hình và ví dụ đời thường, bạn có thể đọc thêm một giải thích trực quan về Poisson. Đừng sợ công thức; điều quan trọng là bạn hiểu λ là “nhịp” ghi bàn, còn Poisson biến “nhịp” đó thành xác suất các kết quả.

Dữ liệu thật, không chỉ lý thuyết

Tôi dùng ba loại dữ liệu: số bàn ghi/để lọt của từng đội (5–20 trận gần nhất), sức mạnh tấn công/phòng ngự theo sân nhà/sân khách, và xG (bàn thắng kỳ vọng). Một nguồn mở và sạch để bắt đầu là dữ liệu tỉ số và lịch sử giải đấu. Bạn có thể tải CSV, lọc theo giải, theo mùa, và tính trung bình trượt rất nhanh.

Đặt λ: ba cách hay dùng

1) Trung bình trượt có trọng số

Lấy 10–20 trận gần nhất. Trận càng mới, trọng số càng cao. Chia theo sân nhà/sân khách. Ví dụ: λ_home là số bàn đội chủ nhà ghi trung bình ở sân nhà; λ_away là số bàn đội khách ghi trung bình khi đá sân khách.

2) Điều chỉnh theo sức mạnh đối thủ

Tạo chỉ số tấn công/phòng ngự cho mỗi đội từ toàn giải (ví dụ: so với trung bình giải). λ trận = (tấn công chủ nhà × phòng ngự đội khách × lợi thế sân). Cách này giảm nhiễu khi một đội vừa gặp chuỗi đối thủ yếu/khó.

3) Dựa trên xG

xG phản ánh chất lượng cơ hội. Dùng xG for/against thay vì bàn thực để ước lượng λ ổn định hơn, nhất là mẫu nhỏ. Cả ba cách đều có thể ước lượng bằng hồi quy. Trong R, xem tài liệu hồi quy Poisson trong R (glm). Trong Python, GLM Poisson ở statsmodels rất tiện.

Ví dụ nhanh: một cặp đấu minh họa

Giả sử tuần này có trận A (chủ nhà) vs B (khách). Từ dữ liệu 10 trận gần nhất, đã điều chỉnh sân và sức mạnh, tôi ước lượng:

λA, home = 1.6 bàn
λB, away = 1.2 bàn

Với hai λ này, xác suất A ghi k bàn là Poisson(1.6), B ghi y bàn là Poisson(1.2). Xác suất tỷ số x–y = P(A=x) × P(B=y). Đây là khung cơ bản trong nhiều mô hình cổ điển, ví dụ như dòng nghiên cứu về dự đoán tỷ số từ Maher đến Dixon–Coles. Bạn có thể xem thêm một một mô hình cổ điển dự đoán tỷ số để đối chiếu tư duy.

Bảng xác suất tỷ số (đọc là hiểu)

Dưới đây là bảng 12 tỷ số có xác suất cao nhất theo λ=1.6 (A) và λ=1.2 (B). Tôi cũng cộng dồn xác suất cho Home/Draw/Away ở cuối.

1–1	0.3230	0.3612	0.1167
1–0	0.3230	0.3010	0.0972
2–1	0.2584	0.3612	0.0934
2–0	0.2584	0.3010	0.0778
0–1	0.2019	0.3612	0.0730
1–2	0.3230	0.2167	0.0701
0–0	0.2019	0.3010	0.0608
2–2	0.2584	0.2167	0.0560
3–1	0.1370	0.3612	0.0495
0–2	0.2019	0.2167	0.0437
3–0	0.1370	0.3010	0.0412
2–3	0.2584	0.0867	0.0224
Xác suất chung (xấp xỉ, đã làm tròn): Home ~46.4%, Hòa ~24.7%, Away ~28.7%.

Ghi chú: Bảng trên giả định số bàn của hai đội độc lập. Trong thực tế, bàn thắng ở đầu trận có thể làm nhịp sau đó đổi (ví dụ: đội dẫn lùi sâu), nên hãy đọc tiếp phần điều chỉnh.

Khi Poisson sai? Những bẫy thường gặp

Ba giả định dễ vỡ:

Độc lập giữa số bàn hai đội: thực tế có tương tác chiến thuật.
Nhịp λ ổn định: thẻ đỏ, chấn thương, thời tiết làm λ biến động.
Mẫu nhỏ: vài trận gần đây không đủ nói lên gì chắc chắn.

Một cách xử lý phổ biến là thêm điều chỉnh phụ thuộc ngắn hạn như mô hình Dixon–Coles cho bóng đá, giảm trọng số cho các tổ hợp 0–0, 1–0, 0–1,… ở phút cuối. Ý tưởng là các tỷ số sát nhau có đặc thù mà Poisson thuần chưa bắt được.

Điều chỉnh thực chiến

Tôi thêm 4 biến đơn giản vào quyết định:

Lợi thế sân: cộng 0.15–0.25 bàn cho đội chủ nhà, tùy giải.
Lịch thi đấu: nếu đội đá 3 trận/8 ngày, trừ 0.05–0.10 bàn.
Thời tiết và mặt sân: mưa to, sân xấu → thiên về Under, giảm λ đôi chút.
Chấn thương/treo giò trụ cột: trừ 0.10–0.30 bàn cho đội mất người.

Nếu bạn dùng xG, xem thêm giới thiệu và ví dụ tại Opta Analyst: giải thích xG và cách dùng. xG giúp λ bền hơn khi một đội vừa gặp chuỗi may rủi.

So với các cách khác

Elo (dạng bóng đá): tốt để đánh giá sức mạnh tổng quát, nhưng không trực tiếp cho xác suất tỷ số chi tiết.
xG trực tiếp: dự báo bàn từ chất lượng cơ hội, nhưng vẫn cần chuyển sang phân phối (Poisson hay biến thể) để có tỷ số.
Dixon–Coles: chính là Poisson có chỉnh phụ thuộc ngắn và trọng số theo thời gian.

Để xem cách một tòa soạn dữ liệu xây mô hình giải thích công khai, tham khảo cách FiveThirtyEight dự đoán bóng đá. Bạn sẽ thấy tinh thần: đơn giản, minh bạch, kiểm chứng được.

Mini case study: thử trên 5 vòng gần nhất

Tôi lấy 5 vòng gần đây của một giải hạng cao. Dùng λ theo xG (trượt 10 trận, trọng số giảm dần). Kết quả:

Hiệu chỉnh nhỏ theo sân và lịch cho ra Brier score giảm ~6% so với Poisson thuần.
Hai trận “trật” mạnh do thẻ đỏ sớm và mưa lớn. Cả hai đều có tổng bàn thấp hơn dự kiến.
Khi tôi kẹp thêm đường kịch bản “giữ tỷ số” sau phút 70, tỷ lệ hòa 1–1 tăng nhẹ và phù hợp hơn.

Điều tôi học: mô hình nòng cốt nên đơn giản, nhưng cần các nút điều chỉnh có lý do rõ ràng. Kiểm tra theo đợt, viết lại giả thuyết khi thấy sai lệch lặp lại.

Checklist 10 bước tự làm

Tải dữ liệu tỉ số và xG (nếu có) cho giải bạn quan tâm.
Làm sạch: bỏ hiệp phụ, loạt luân lưu, giữ 90 phút.
Tách sân nhà/sân khách cho mỗi đội.
Tính trung bình trượt (10–20 trận), trọng số cho trận mới.
Ước lượng λhome, λaway; điều chỉnh theo sức mạnh đối thủ.
Nếu có xG, tạo λ từ xG thay vì bàn thực.
Tạo phân phối Poisson cho mỗi đội: P(0..6 bàn).
Nhân hai phân phối để có bảng tỷ số; cộng dồn Home/Draw/Away.
So sánh với thị trường; ghi Brier/Log loss sau trận để học.
Viết ghi chú “khi nào không dùng” (thẻ đỏ, bão, vắng trụ cột…).

Khi nào nên đưa vào quyết định cá cược (và khi nào KHÔNG)

Nên: khi bạn có dữ liệu sạch, λ ổn định, và giá thị trường lệch so với xác suất của bạn (value bet). Không nên: khi tin của bạn dựa vào tin đồn đội hình, hoặc khi biến cố lớn (bão, sân ngập, HLV mới) làm λ lung lay. Luôn đặt giới hạn và giữ bình tĩnh.

Nếu bạn muốn so sánh nhà cái, phí, thị trường tỷ số chính xác, và mức cược an toàn, hãy xem casino online có bonus chào mừng để tham khảo nền tảng uy tín, rồi cân nhắc cẩn thận trước khi đặt.

Và nhớ đọc lời khuyên cá cược có trách nhiệm. Kiến thức giúp bạn ra quyết định tốt hơn, nhưng không loại bỏ rủi ro.

Hỏi – đáp nhanh (FAQ)

Mô hình Poisson dự đoán tỷ số chính xác đến mức nào?

Với dữ liệu ổn và điều chỉnh hợp lý, mô hình cho xác suất khá sát ở cấp độ 1X2 và tổng bàn. Với tỷ số chính xác, sai số lớn hơn. Điều quan trọng là hiệu suất dài hạn và độ hiệu chỉnh (calibration), không phải đúng từng trận.

Khác biệt giữa Poisson dựa trên bàn và dựa trên xG?

Dựa trên bàn thực dễ bị nhiễu do may rủi ngắn hạn. Dựa trên xG bền hơn ở mẫu nhỏ. Tôi thường dùng xG để ước lượng λ, rồi chuyển sang Poisson để ra bảng tỷ số.

Cách ước lượng λ cho đội ít trận gần đây?

Dùng dữ liệu dài hơn (mùa trước), áp dụng trọng số giảm dần, và mượn sức mạnh toàn giải (shrinkage). Đừng để vài trận “điên rồ” kéo λ đi quá xa.

Có nên kết hợp Poisson với Elo hay Dixon–Coles?

Có. Elo giúp đánh giá sức mạnh nền. Dixon–Coles giúp điều chỉnh phụ thuộc ngắn. Kết hợp đúng cách thường cải thiện xác suất hòa và các tỷ số thấp.

Có thể dùng Google Sheets thay vì code không?

Được. Hàm POISSON.DIST cho phép bạn tính P(k; λ) trực tiếp. Bạn chỉ cần nhân chéo hai dải xác suất để có bảng tỷ số.

Khi nào không nên đặt cược dù Poisson “ủng hộ”?

Khi có tin thẻ đỏ tiềm ẩn, khí hậu xấu đột ngột, hoặc biến động giá mạnh mà bạn không lý giải được. Lúc đó, tốt nhất là đứng ngoài.

Tài nguyên và cách kiểm chứng kết quả

Dữ liệu mở để kiểm thử: bộ dữ liệu kết quả quốc tế.
Bài giảng nền tảng: bài giảng thống kê Poisson (ĐH Cambridge).
Tính Poisson bằng Python: poisson trong SciPy.
Tính nhanh trong Sheets: POISSON.DIST.

Cách kiểm chứng: ghi lại xác suất của bạn cho 1X2 và một vài tỷ số top. Sau mỗi vòng, tính Brier score/Log loss. Nếu xác suất của bạn đúng nghĩa (calibrated), thì các nhóm “50–60%” sẽ trúng khoảng 55% trong dài hạn. Nếu không, xem lại cách đặt λ và các điều chỉnh phụ.

Một đoạn code ngắn (tham khảo)

Trong Google Sheets, công thức cho P(k; λ) là: =POISSON.DIST(k, lambda, FALSE). Sao chép dải cho k=0..6 cho mỗi đội, rồi nhân chéo để ra P(x–y).

Ghi chú tác giả, phương pháp và trách nhiệm

Tác giả: một người làm dữ liệu yêu bóng đá, đã theo dõi và ghi chép dự đoán từ 2017. Tôi không bán kèo, không hứa lợi nhuận. Bài viết nhằm mục đích giáo dục. Nếu bạn cá cược, hãy đặt giới hạn và chơi có trách nhiệm.

Cập nhật lần cuối: 2026-06-29

Tài liệu đã dẫn trong bài (để bạn tiện mở lại)

Khái niệm Poisson: phân phối Poisson là gì
Diễn giải trực quan: giải thích trực quan về Poisson
Dữ liệu mở: dữ liệu tỉ số và lịch sử giải đấu
GLM Poisson (R): hồi quy Poisson trong R (glm)
GLM Poisson (Python): Poisson trong statsmodels
Nghiên cứu nền: một mô hình cổ điển dự đoán tỷ số
Điều chỉnh phụ thuộc: Dixon–Coles 1997
xG và phân tích: Opta Analyst
Cách làm của báo dữ liệu: FiveThirtyEight
Dataset kiểm thử: Kaggle
Công cụ tính Poisson: POISSON.DIST; SciPy Poisson
Trách nhiệm khi cá cược: BeGambleAware