| Keputusan | Kebarangkalian |
|---|---|
| Qatar | 9.4% |
| Seri | 21.4% |
| Switzerland | 69.3% |
| Garisan | Over | Under |
|---|---|---|
| 0.5 | 92.1% | 7.9% |
| 1.5 | 76.3% | 23.7% |
| 2.5 | 50.6% | 49.4% |
| 3.5 | 28.6% | 71.4% |
| 4.5 | 13.7% | 86.3% |
Jumlah λ Poisson = 2.7 (Over 2.5 50.6% · Under 2.5 49.4%).
BTTS Ya 42.6% · Tidak 57.4% — pembahagian BTTS seimbang.
| Skor | Kebarangkalian |
|---|---|
| 0-2 | 14.2% |
| 0-1 | 13.8% |
| 0-3 | 9.7% |
| 1-2 | 9.1% |
| 1-1 | 8.9% |
Sel Poisson teratas: 0-2 14.2% (varians skor tepat tinggi).
1X2 dari λ Elo (0.64 / 2.06): rumah 9.4%, seri 21.4%, pelawat 69.3%. Sumber: grid Poisson Dixon–Coles — bukan odds bookie.
Kejelasan kualitatif 1X2 — bukan selang keyakinan terkalibrasi.
- Pendahulu 69.3% unggul 47.9 pp dari ke-2.
Bagaimana kebarangkalian menang dikira?
λ rumah/pelawat dari rating Elo dan parameter kejohanan, kemudian dimasukkan ke grid Poisson Dixon–Coles untuk 1X2, garisan gol dan skor di halaman ini.
Adakah halaman ini nasihat pertaruhan?
Tidak. OddsGPT memaparkan kebarangkalian model untuk maklumat sahaja. Kami tidak mengesyorkan pertaruhan atau saiz stake.
Apa maksud xG / λ di sini?
λ ialah gol dijangka sebelum simulasi varians. Input Poisson, bukan stat xG selepas perlawanan.
Mengapa kebarangkalian skor tepat rendah?
Walaupun skor paling mungkin sering di bawah 15% kerana banyak kombinasi berkongsi jisim — normal dalam Poisson.
