Как использовать рейтинги силы команд для прогноза счета

Рейтинги силы команд, полученные благодаря вышеприведенной формуле могут быть использованы для предварительного прогноза.

Чтобы оценить количество очков, которое получит команда А в предстоящей игре с командой Б, сложите рейтинг нападения команды А с рейтингом защиты команды Б, потом отнимите 20 очков. (Двадцать очков это топорный средний счет в НФЛ по результатам многих сезонов).

К примеру, если рейтинг нападения команды А составляет 27 и рейтинг защиты команды Б составляет 24 очка, сложив их вы получите 51 очко, затем отняв 20 очков вы получите 31.

Чтобы составить прогноз по результативности команды Б – повторите все с точностью до наоборот. Сложите рейтинг нападения команды Б с рейтингом защиты команды А, затем отнимите 20 очков. К примеру, если команда Б имеет рейтинг нападения 16 и рейтинг защиты команды Б составляет 14, сложив эти два числа мы получим 30, затем отняв 20 мы получим прогноз результативности в 10 очков.

Таким образом наш предварительный прогноз на игру между командой А и командой Б даст нам прогноз, что команда А выиграет со счетом 31-10.

Заметьте также, что это мы также произвели предварительный прогноз тотала больше/меньше, который составляет 41 очко.

Опасайтесь Усреднений

Отметьте себе, что рейтинг нападения команд не может быть усреднен с рейтингом защиты другой команды. Рейтинги добавлены вместе, и только потом 20 очков отнимаются из общей суммы.

Ошибочным является усреднение статистических данных между командами. Это очень важный пункт и поэтому большинство математических формул дают ошибки. Усреднение статистических показаний нападения одной команды совместно с усреднением статистических показаний защиты другой команды дадут нам ложное представление о силе команд в тех случаях, когда статистика одной команды выше среднелиговой статистики, а статистика другой команды ниже среднелиговой. Вот почему: Если рейтинг нападения команды равен 27 очкам, это на 7 очков выше среднелигового показателя в 20 очков; это означает, что команда должна забивать более 27 очков против любого оппонента с защитой, которая ниже среднеголигового.

Рейтинг защиты команды Б составляющий 24, на 4 очка хуже среднего, то есть команда А может рассчитывать забить не менее, чем их “обычные“ 27 очков.

Но давайте посмотрим на то, что произойдет, если мы усредним рейтинг нападения команды А на уровне 27 и рейтинг защиты команды Б на уровне 24.

27+24=51…51 разделить на 2=25.5

В этом случае, усреднение подразумевает, что команда с плохой защитой удержит команду со средней результативностью 27 очков на уровне 25.5 очков.

Что-то определенно не то здесь.

По аналогии, команда Б имея рейтинг нападения равный 16, при усредненном уровне защиты команды А равном 14 очкам, покажет нам счет для команды Б равный 15 очкам.

16+14=30…30 деленное на 2=15

Усреднение покажет нам, что команда с великолепной защитой в 14 среднепропускаемых очков готовится пропустить от команды с посредственным нападением, забивающем в среднем 16 очков, 15 очков.

Это чепуха. Вот почему усреднение может вас больно ужалить.

Усреднение статистических показаний одной команды относительно другой – не важно в чем происходит усреднение – в очках, ярдах, или еще в чем-нибудь – спродуцирует ложные прогнозы всякий раз, когда статистические данные команды выше или ниже среднелиговых.

Таким образом, спрогнозировав прогноз на то, что команда А выиграет по базовым формулам со счетом 31-10, усреднение приведет к другому прогнозу, что команда А выиграет со счетом 25.5-15. Это огромная разница, так как при усреднении мы считаем, что разница составит 10.5 очков. В то же время наша формула показывает, что команда А выигрет со разницей в 21 очко.

Гандикапперы часто ошибаются с усреднениями, и когда результаты не сопоставимы с прогнозами – они не понимают, что само усреднение ошибочно по своей сути; взамен, они решают что они пользуются какой-то не той, не “правильной” статистикой. Они переключаются на усреднение ярдов, или на усреднение пробежки, или тотал – что угодно – пока не начнут считать, что эта статистика тоже ошибочна, и все летит коту под хвост.

Проблема не в статистике – проблема в усреднении.