Poisson Dağılımı Nedir?
Poisson dağılımı, belirli bir zaman diliminde nadir olayların gerçekleşme olasılığını modelleyen istatistiksel bir dağılımdır. 1837'de Fransız matematikçi Siméon Denis Poisson tarafından geliştirilen bu dağılım, futbol bahislerinde gol tahminlerinin temelini oluşturur. Bir futbol maçında goller — nispeten nadir ve (büyük ölçüde) birbirinden bağımsız olaylar olarak — Poisson dağılımının temel varsayımlarına uygundur.
Poisson dağılımının formülü şöyledir:
P(x) = (e-λ × λx) / x!
Burada: λ = beklenen olay sayısı (ortalama gol), x = hedef olay sayısı, e = Euler sabiti (2.71828)
Basit bir örnekle açıklayalım: bir takımın maç başına ortalama 1.5 gol attığını varsayalım (λ = 1.5). Bu takımın tam olarak 2 gol atma olasılığı:
P(2) = (e-1.5 × 1.52) / 2! = (0.2231 × 2.25) / 2 = 0.2510 (%25.1)
Bu hesaplama, bahis dünyasında devrim niteliğindedir. Artık bir maçın olası skorlarını, alt/üst olasılıklarını ve karşılıklı gol ihtimallerini matematiksel olarak hesaplayabilirsiniz. Bookmaker oranlarıyla kendi hesaplarınızı karşılaştırdığınızda, değer bahislerini tespit etmeniz mümkün olur.
Poisson dağılımının futbol için uygunluğu üç temel varsayıma dayanır:
- Olaylar bağımsızdır: Bir golün atılması, bir sonraki golün olasılığını doğrudan etkilemez.
- Ortalama oran sabittir: Maç boyunca gol atma oranı yaklaşık olarak sabittir.
- İki olay aynı anda gerçekleşmez: Aynı saniyede iki gol atılmaz.
Bu varsayımlar futbolda tam olarak karşılanmasa da (erken gol atan takım savunmaya çekilebilir), Poisson dağılımı yeterince iyi bir yaklaşım sunarak bahis modellerinin temelini oluşturur.
Futbolda Poisson Uygulaması
Poisson dağılımını futbol bahislerine uygulamak için önce her takımın beklenen gol sayısını (λ) hesaplamamız gerekir. Bu hesaplama, takımların hücum ve savunma güçlerini lig ortalamasına göre değerlendiren bir sistem kullanır.
Temel kavramlar şunlardır:
| Kavram | Tanım | Örnek |
|---|---|---|
| Lig Ortalama Gol | Ligdeki tüm maçların ortalama gol sayısı | 1.35 (ev sahibi), 1.10 (deplasman) |
| Hücum Gücü | Takımın attığı gol / lig ortalaması | 1.8 / 1.35 = 1.333 |
| Savunma Gücü | Takımın yediği gol / lig ortalaması | 0.9 / 1.10 = 0.818 |
| Beklenen Gol (λ) | Hücum gücü × rakip savunma gücü × lig ort. | 1.333 × 1.05 × 1.35 = 1.889 |
Bu sistem, her takımı lig ortalamasına göre normalize eder. Hücum gücü 1.0'ın üstünde olan bir takım ligdeki ortalama takımdan daha iyi hücum yapıyor demektir. Savunma gücü 1.0'ın altında olan bir takım ise ortalamadan daha az gol yiyor — yani savunması güçlü — demektir.
Önemli bir ayrıntı: ev sahibi avantajı mutlaka hesaba katılmalıdır. Ev sahibi takımlar, deplasman takımlarına göre istatistiksel olarak daha fazla gol atar. Bu nedenle ev sahibi ve deplasman lig ortalamaları ayrı hesaplanır. Büyük liglerde ev sahibi avantajı genellikle maç başına +0.2 ile +0.4 gol arasında bir farklılık yaratır.
Model kurulurken dikkat edilmesi gereken noktalar:
- Örneklem boyutu: Sezondaki ilk 5-6 maçın verileri güvenilir değildir. En az 10 maçlık veri setine ihtiyacınız vardır. İdeal olarak son 20-30 maçlık veri kullanılmalıdır.
- Ağırlıklı ortalama: Son maçlara daha fazla ağırlık vermek, takım form durumunu yansıtır. Basit bir yöntem: son 10 maça 2x, önceki 10 maça 1x ağırlık vermek.
- Kadro değişiklikleri: Kilit oyuncu sakatlıkları veya transferleri modeli bozabilir. Bu durumlarda uzman değerlendirmesiyle λ değerini manuel olarak ayarlamak gerekebilir.
- Farklı ligler: Her ligin kendi gol ortalaması farklıdır. Bundesliga tipik olarak Serie A'dan daha yüksek skorludur. Lig bazlı ayrı modeller kurulmalıdır.
Adım Adım Hesaplama
Somut bir örnekle Poisson modelini adım adım uygulayalım. Süper Lig'de bir Galatasaray (ev) - Trabzonspor (deplasman) maçını modelleyelim. Varsayımsal veriler kullanacağız.
Adım 1: Lig ortalamalarını hesaplayın
Toplam oynanan maç: 150
Ev sahibi toplamı: 210 gol → Ev sahibi ort. = 210/150 = 1.40
Deplasman toplamı: 165 gol → Deplasman ort. = 165/150 = 1.10
Adım 2: Takım güç puanlarını hesaplayın
| Takım | Atılan Gol Ort. | Yenilen Gol Ort. | Hücum Gücü | Savunma Gücü |
|---|---|---|---|---|
| Galatasaray (ev) | 2.10 | 0.80 | 2.10/1.40 = 1.500 | 0.80/1.10 = 0.727 |
| Trabzonspor (dep.) | 1.00 | 1.40 | 1.00/1.10 = 0.909 | 1.40/1.40 = 1.000 |
Adım 3: Beklenen gol sayılarını (λ) hesaplayın
Galatasaray λ = GS hücum gücü × TS savunma gücü × Ev ort. = 1.500 × 1.000 × 1.40 = 2.10
Trabzonspor λ = TS hücum gücü × GS savunma gücü × Dep. ort. = 0.909 × 0.727 × 1.10 = 0.727
Adım 4: Poisson formülüyle gol olasılıklarını hesaplayın
| Gol Sayısı | Galatasaray P(x) | Trabzonspor P(x) |
|---|---|---|
| 0 | e-2.1 = %12.2 | e-0.727 = %48.3 |
| 1 | %25.7 | %35.2 |
| 2 | %27.0 | %12.8 |
| 3 | %18.9 | %3.1 |
| 4 | %9.9 | %0.6 |
| 5+ | %6.3 | %0.1 |
Adım 5: Skor olasılıkları matrisini oluşturun
Her takımın gol olasılıklarını çarparak skor olasılıklarını elde ederiz. Örneğin 2-0 olasılığı = GS'nin 2 gol atma olasılığı × TS'nin 0 gol atma olasılığı = 0.270 × 0.483 = %13.0.
En olası 5 skor: 1-0 (%12.4), 2-0 (%13.0), 2-1 (%9.5), 1-1 (%9.0), 3-0 (%9.1). Bu olasılıkları bookmaker oranlarıyla karşılaştırdığınızda değerli bahisleri bulabilirsiniz.
Lig Ortalamaları ve Güç Puanları
Poisson modelinin doğruluğu büyük ölçüde girdi verilerinin kalitesine bağlıdır. Lig ortalamalarını ve güç puanlarını hesaplarken dikkat edilmesi gereken kritik noktalar vardır.
Sezon başı veri problemi: Sezonun ilk 5-6 haftasında yeterli veri yoktur. Bu dönemde önceki sezon verilerini kullanmak yaygın bir yaklaşımdır ancak transfer dönemindeki kadro değişiklikleri nedeniyle doğruluğu düşüktür. Çözüm olarak üstel ağırlıklı hareketli ortalama (EWMA) kullanılabilir — bu yöntem son maçlara daha fazla ağırlık verirken eski verileri de tamamen atmaz.
EWMA formülü:
λyeni = α × son_maç_golü + (1-α) × λeski
α genellikle 0.1 ile 0.3 arasında seçilir. α ne kadar yüksekse son maçlara o kadar fazla ağırlık verilir.
Ev sahibi/deplasman ayrımı: Ev sahibi avantajı liglere göre önemli farklılıklar gösterir. Türk Süper Lig'inde ev sahibi avantajı Avrupa ortalamasının üstünde olma eğilimindedir — taraftar baskısı ve seyahat mesafeleri bunda etkilidir. COVID-19 döneminde seyircisiz maçlarda ev sahibi avantajının belirgin şekilde azaldığı gözlemlenmiştir, bu da taraftar faktörünün önemini doğrular.
Farklı ligler arasında karşılaştırma: Avrupa kupalarında farklı liglerden takımlar karşılaştığında, her takımın kendi ligindeki güç puanlarını doğrudan kullanmak yanıltıcı olabilir. Çözüm olarak UEFA katsayıları veya Elo rating sistemleriyle düzeltme yapılabilir.
| Lig | Ortalama Maç Başı Gol | Ev Sahibi Gol Ort. | Deplasman Gol Ort. |
|---|---|---|---|
| Bundesliga | ~3.10 | ~1.70 | ~1.40 |
| Premier League | ~2.80 | ~1.55 | ~1.25 |
| La Liga | ~2.65 | ~1.50 | ~1.15 |
| Serie A | ~2.60 | ~1.45 | ~1.15 |
| Süper Lig | ~2.70 | ~1.55 | ~1.15 |
Bu farklılıklar modelde mutlaka yansıtılmalıdır. Bundesliga modelinizle Serie A maçını tahmin etmeye çalışmak sistematik hatalara yol açar.
Güç puanlarını son 30 maçlık kayan pencere (rolling window) ile hesaplamak genellikle en dengeli yaklaşımdır. Bu, hem yeterli örneklem boyutu sağlar hem de takımların güncel performansını yansıtır. Ancak bu pencere içinde önemli kadro değişiklikleri olduysa, pencerenin o noktadan itibaren sıfırlanması daha doğru olacaktır.
Skor Olasılıkları Matrisi
İki takımın beklenen gollerini hesapladıktan sonra, tüm olası skorlar için bir olasılık matrisi oluşturabilirsiniz. Bu matris, farklı bahis piyasalarına yönelik olasılıkları türetmenin temelidir.
Matristeki her hücre şu formülle hesaplanır:
P(ev = a, dep = b) = Pev(a) × Pdep(b)
Bu formül, iki takımın gol atmasının birbirinden bağımsız olduğu varsayımına dayanır. Matris genellikle 0-5 arası goller için hesaplanır (6+ goller ihmal edilebilir olasılıklardadır).
Matristen türetilebilecek bahis piyasaları:
- Maç Sonucu (1X2): Ev sahibi kazanması olasılığı = ev golü > dep golü olan tüm hücrelerin toplamı. Beraberlik = diyagonal hücrelerin toplamı. Deplasman kazanması = dep golü > ev golü olan tüm hücrelerin toplamı.
- Alt/Üst (Over/Under): Üst 2.5 = toplam gol sayısı 3 veya daha fazla olan tüm hücrelerin toplamı. Alt 2.5 = toplam gol 0, 1 veya 2 olan hücrelerin toplamı.
- Karşılıklı Gol (BTTS): Her iki takımın da en az 1 gol attığı tüm hücrelerin toplamı. Yani 0-0, X-0 ve 0-X hücrelerinin toplam olasılığını 1'den çıkarın.
- Handikap: Asya handikap olasılıkları da matristen türetilebilir. Örneğin -1.5 handikap = ev sahibinin 2+ gol farkla kazanma olasılığı.
- Doğru Skor: Doğrudan matris hücrelerinden okunur. Ancak doğru skor pazarı yüksek varyansa sahiptir ve marjlar genellikle yüksektir.
Yukarıdaki Galatasaray - Trabzonspor örneğimizden türetilen piyasa olasılıkları:
| Piyasa | Model Olasılığı | Adil Oran |
|---|---|---|
| Galatasaray kazanır | %68.5 | 1.46 |
| Beraberlik | %18.2 | 5.49 |
| Trabzonspor kazanır | %13.3 | 7.52 |
| Üst 2.5 | %50.8 | 1.97 |
| Karşılıklı Gol Var | %39.5 | 2.53 |
Bu "adil oranları" bookmaker oranlarıyla karşılaştırdığınızda, bookmaker oranı modelinizin adil oranından yüksekse potansiyel bir değer bahsi söz konusudur. Ancak bookmaker marjını (genellikle %5-10 arası) da hesaba katmanız gerekir.
Poisson'un Sınırları ve Tuzakları
Poisson dağılımı güçlü bir araçtır ancak her model gibi belirli sınırları ve varsayım ihlalleri vardır. Bu sınırları bilmek, modeli akıllıca kullanmanızı sağlar.
1. Bağımsızlık varsayımı ihlali: Poisson, goller arası bağımsızlık varsayar. Gerçekte ise erken gol atan takım defansif oyuna geçebilir (gol atma oranı düşer) veya geride kalan takım riskli hücum yapar (hem atma hem yeme oranı artar). Bu durum, Poisson'un beraberlik olasılığını sistematik olarak hafife aldığı anlamına gelir. Akademik çalışmalar, futbolda beraberliklerin Poisson'un tahmin ettiğinden %2-5 daha sık gerçekleştiğini göstermiştir.
2. Sabit oran varsayımı ihlali: Model, maç boyunca gol atma oranının sabit olduğunu varsayar. Ancak maçların son 15 dakikasında gol oranları belirgin şekilde artar (yorgunluk, taktiksel riskler). Bu, Poisson modelinin geç gol olasılığını hafife almasına yol açabilir.
3. Düşük gollü maçlarda güvenilirlik sorunu: Maç başına ortalama 1.0 veya daha az gol atan takımlarda, Poisson 0 golü aşırı yüksek olasılıkla tahmin edebilir. Bu durumda model, az gol atılacak maçları "sıkıcı" olarak aşırı değerlendirir.
4. Aşırı dağılım (overdispersion) sorunu: Gerçek futbol verilerinde gollerin varyansı, Poisson'un varsaydığı gibi ortalamaya eşit değildir — genellikle daha yüksektir. Bu durum "aşırı dağılım" olarak bilinir ve Negatif Binom dağılımı daha iyi bir model olabilir. Negatif Binom, Poisson'un bir genelleştirmesidir ve varyansın ortalamadan yüksek olmasına izin verir.
5. Bağlamsal faktörlerin göz ardı edilmesi: Poisson modeli yalnızca tarihsel gol verilerini kullanır. Aşağıdaki faktörleri yakalayamaz:
- Kilit oyuncu sakatlıkları veya cezalı futbolcular
- Derbi motivasyonu ve özel maç dinamikleri
- Takımın kupa hedefi nedeniyle ligde kadro rotasyonu yapması
- Hava koşulları (yoğun yağmur gol sayısını değiştirebilir)
- Hakem ataması (bazı hakemler daha fazla kart/penaltı verme eğilimindedir)
Bu sınırları aşmak için Poisson modelini tek başına kullanmak yerine, diğer faktörlerle birleştirmek en doğru yaklaşımdır. Model çıktısı bir "taban tahmin" olarak kullanılmalı ve uzman değerlendirmesiyle düzeltilmelidir.
Pratik Uygulama ve Araçlar
Poisson modelini pratikte uygulamak için farklı yöntemler kullanabilirsiniz. Burada basit Excel yönteminden Python ile otomasyon aşamasına kadar örnekler sunacağız.
Excel ile basit Poisson modeli:
- Lig verilerini bir tablo halinde girin (takım, ev gol atılan, ev gol yenilen, dep gol atılan, dep gol yenilen, oynanan maç)
- Lig ortalamalarını hesaplayın (TOPLA fonksiyonu)
- Her takımın hücum ve savunma güçlerini hesaplayın (BÖLEN formülleri)
- Karşılaşma için λ değerlerini hesaplayın
- Excel'in
POISSON.DAĞ()fonksiyonuyla gol olasılıklarını hesaplayın - Skor matrisini çarpım formülleriyle oluşturun
- Piyasa olasılıklarını TOPLA formülleriyle türetin
Python kodu örneği (basitleştirilmiş):
scipy.stats kütüphanesinin poisson modülü, tek satırda gol olasılıklarını hesaplamanızı sağlar. pandas ile veri işleme, numpy ile matris çarpımları yapılabilir. Tam otomatik bir pipeline kurmak, her hafta dakikalar içinde tüm lig maçlarını modellemenize olanak tanır.
Model doğrulama: Modelinizi geriye dönük test etmek kritik önem taşır. Geçmiş sezon verilerini kullanarak modelinizin tahminlerini gerçek sonuçlarla karşılaştırın.
- Brier Skoru: Olasılık tahminlerinin doğruluğunu ölçer. 0'a ne kadar yakınsa o kadar iyi. Brier = (1/N) × Σ(tahmin - gerçek)² formülüyle hesaplanır.
- Kalibrasyon: "%30 olasılık verdiğim olaylar gerçekten %30 oranında mı gerçekleşiyor?" sorusunu cevaplar. Kalibrasyon grafiği çizerek modelinizin iyi kalibre edilip edilmediğini görsel olarak değerlendirebilirsiniz.
- ROI simülasyonu: Geçmiş verilerde modelinizin önerdiği bahislere sanal olarak bahis oynayarak ROI hesaplayın. Pozitif ROI varsa model işe yarıyor demektir — ancak örneklem boyutu yeterince büyük olmalıdır (en az 500+ bahis).
Sultanbet üzerinde bahis yaparken Poisson modeli sizin "ikinci görüşünüz" olmalıdır. Oranları incelemeden önce kendi modelinize bakın, değer gördüğünüz yerlerde bahis yapın, değer görmediğiniz yerlerde geçin. Disiplinli bir Poisson kullanıcısı, uzun vadede sezgisel bahisçiden çok daha iyi performans gösterir.