泊松分布是描述固定时间间隔内随机事件发生次数的概率分布。在足球场景中，每支球队的进球数可近似看作泊松变量。
根据球队主/客场平均进球数，结合联赛整体水平计算期望进球值 λ。例如曼城主场 λ=2.3，即预期进球2.3个。
P(X=k) = (λᵏ · e⁻λ) / k! ，k=0,1,2… 计算主队/客队打入0,1,2…球的概率，再联合得到具体比分概率。
主队进球概率 × 客队进球概率。例如 P(2:1) = P主(2) × P客(1)。将所有比分概率排序，得到最可能比分。
以英超某轮焦点战为例：主队期望进球 λ₁=1.8，客队 λ₂=1.2，计算最可能的10种比分。
| 排名 | 比分 | 概率 (%) | 累积概率 |
|---|---|---|---|
| 1 | 2:1 | 12.4% | 12.4% |
| 2 | 1:1 | 11.2% | 23.6% |
| 3 | 2:0 | 9.8% | 33.4% |
| 4 | 1:0 | 8.9% | 42.3% |
| 5 | 3:1 | 7.5% | 49.8% |
| 6 | 2:2 | 6.2% | 56.0% |
| 7 | 0:0 | 5.4% | 61.4% |
| 8 | 3:0 | 4.9% | 66.3% |
| 9 | 1:2 | 4.1% | 70.4% |
| 10 | 0:1 | 3.6% | 74.0% |
* 基于泊松模型模拟，实际数据可能浮动。
泊松模型对中低进球数预测较准，但会低估0-0与高比分爆冷。建议结合球队伤病、战意等调整 λ。
输入主客期望进球，一键生成比分概率矩阵与累积分布。可快速调整 λ 观察变化。
五大联赛近5赛季平均进球数：英超2.8球/场，西甲2.6球/场，德甲3.1球/场。调整 λ 更贴近实际。
泊松模型在统计层面有较好参考价值，尤其对常规比分预测准确率约30%-40%。但足球存在不确定性，建议作为辅助工具。
通常取球队近10场主/客场平均进球数，再乘以联赛平均修正系数。进阶可使用xG（预期进球）数据。
适合进球率较稳定的联赛（英超、西甲等）。低级别或进球波动大的联赛，预测偏差可能增大。
泊松分布假设进球独立且概率恒定，但实际比赛0:0时球队可能更保守。可引入零膨胀泊松模型修正。
有！双变量泊松、负二项分布、贝叶斯动态模型等，但泊松因其简洁性仍是入门首选。
建议至少20场同主客场数据，样本越大λ越稳定。赛季中期使用当前赛季数据更佳。