“Model Probabilitas untuk Taruhan Hoki”

Ravi Patel IB SL Matematika

 Hoki telah memantapkan dirinya tanpa batas waktu sebagai salah satu olahraga yang
berkembang pesat di Amerika Utara. Sejak hari saya menonton Malam Hoki di Kanada sebagai
seorang anak, saya telah mengembangkan hasrat yang kuat untuk olahraga musim dingin nasional
Kanada. Sepanjang hidup saya menonton game-game ini, saya sangat menyukai persaingan hebat
antara dua waralaba raksasa di NHL. Tentu saja, ini mengacu pada persaingan yang diakui antara
Toronto Maple Leaf's dan Montreal Canadiens.

Sepanjang hari saya menonton permainan hoki ini, saya selalu melihat iklan dari perusahaan
taruhan yang mendorong pemirsanya untuk bertaruh pada skor dan pemenang dari persaingan
olahraga tingkat tinggi ini dengan imbalan uang. Seluruh konsep bertaruh pada olahraga tampak
sangat berbelit-belit bagi saya sendiri, terutama ketika saya menemukan video CBC yang
menunjukkan bahwa skema besar pemenang dari situs taruhan olahraga adalah individu yang mirip
kutu buku yang telah menciptakan model matematika untuk memprediksi pemenang/peringkat masa
depan. permainan dan/atau musim. Kompleksitas model matematika ini tidak muncul dengan
sendirinya sampai saya akhirnya mempelajari konsep statistik dan distribusi probabilitas di kelas
matematika SL saya. Saya perhatikan bahwa distribusi probabilitas tertentu dapat dianalisis dan
diekstrapolasi menggunakan teorema probabilitas untuk membuat model matematika probabilitas
untuk situasi mendatang.

Pada awalnya, saya ragu untuk menghubungkan distribusi probabilitas normal pada taruhan
hoki, namun, setelah meneliti berbagai konsep pada buku teks matematika HL, saya telah
mengangkat topik. Alasan saya untuk Penilaian Internal ini adalah untuk membuat model
probabilitas dari statistik Gol yang Dicetak di Toronto dan Montreal dari musim Liga Hoki Nasional
2017-18, dan kemudian menemukan persamaan model probabilitas yang paling cocok dengan data
untuk memprediksi skor pertandingan liga di masa depan. Untuk menjaga agar parameter persamaan
tetap terbatas dan untuk menghindari bias tim tuan rumah dalam model matematika saya, saya akan
berasumsi bahwa permainan akan dimainkan di Los Angeles sebagai "Permainan Klasik Musim
Dingin" tahunan. Untuk membuat data yang sangat akurat, saya tidak akan membulatkan angka apa
pun yang ditampilkan oleh kalkulator grafik saya untuk memastikan bahwa nilai parameter saya
seakurat mungkin. Selain itu, saya juga akan mengakses dan merefleksikan berbagai variabel yang
akan memengaruhi perhitungan saya. Tindakan pencegahan matematis ini akan memastikan bahwa
probabilitas akhir yang saya harapkan akan seakurat mungkin.
Langkah pertama yang perlu dilakukan dalam proses pemodelan matematis adalah mencari nilai
ekspektasi gol yang dapat dicetak oleh masing-masing tim dalam permainan. Ini dilakukan dengan
membuat histogram Goals Forwarded (GF) oleh masing-masing tim sepanjang 82 pertandingan
musim 2017-18. Saya juga memilih untuk menambahkan garis tren untuk menampilkan tren rata-rata
pencetak gol Daun Maple sepanjang musim. Data yang dikumpulkan akan ditampilkan pada
histogram pada gambar di bawah ini.

(Gambar 1.0)

GF of the Toronto Maple Leafs

25
20
20 18
FREQUENCY

15 13
11
10 7 6
5 2 3 2
0
0 1 2 3 4 5 6 7 8
# of goals forwarded

Sekarang kami telah membuat tabel frekuensi untuk gol yang diteruskan ke Toronto, data ini harus
diubah menjadi grafik yang menampilkan probabilitas sehingga dapat ditafsirkan untuk menemukan
nilai yang diharapkan dari kecenderungan mencetak gol tim. Pada awalnya sulit bagi saya untuk
menemukan pola kurva yang berbeda (misalnya eksponensial, normal) yang cocok dengan data saya
karena diskrit. Setelah melakukan penelitian lebih lanjut, saya melihat model ini paling cocok dengan
kurva Distribusi Poisson. Distribusi Poisson adalah distribusi frekuensi diskrit yang memberikan
probabilitas sejumlah peristiwa independen yang terjadi dalam waktu tertentu. Untuk menentukan
apakah jumlah kedatangan per menit mengikuti distribusi Poisson, hipotesis nol dan alternatifnya
dituliskan di bawah ini:
H 0: Jumlah kedatangan per menit mengikuti distribusi Poisson

H 1: Jumlah kedatangan per menit tidak mengikuti distribusi Poisson

Untuk menganalisis apakah data saya mengikuti Proses Poisson, pertama-tama saya harus
menentukan parameter data saya, yaitu rata-rata, dimodelkan sebagai Lambda ( ƛ ).
c

∑ mj f j
X = j=1
n
277
X= =3.37805= ƛ
82
Nilai X ini tidak akan dibulatkan menjadi tiga angka penting karena saya menggunakan nilai rata-rata
ini sebagai perkiraan ƛ . Oleh karena itu, dengan menggunakan Lambda sebagai estimasi rata-rata,
frekuensi keberhasilan X untuk ( X =1 ,2 , 3 , 4 , 5 , 6 , 7 , 8 ) dapat ditemukan. Selain itu, frekuensi
teoritis untuk setiap nilai X diperoleh dari mengalikan ukuran sampel (N) dengan setiap nilai
probabilitas Poisson nilai X.

Sekarang setelah saya menemukan estimasi rata-rata untuk data total, saya harus menghitung
Probabilitas Poisson untuk 10 interval X. Interval ini termasuk ( X =1 ,2 , 3 , 4 , 5 , 6 , 7.8.9∨more ).
Saya harus menghitung probabilitas 9 atau lebih karena penting untuk dicatat bahwa Probabilitas
Poisson menampilkan konsep teoretis dari tujuan yang diteruskan oleh Toronto Maple Leaf's. Jadi,
karena secara teori dimungkinkan untuk mencetak lebih dari 9 gol dalam satu pertandingan, atau
perkiraan rata-rata (3,37805) akan memberikan nilai yang diharapkan dari ( X =[ 9 , ∞ ] )

Untuk menemukan Probabilitas Poisson teoretis dari X, saya menemukan Rumus Distribusi Poisson
yang ditampilkan di bawah ini:
x −ƛ
ƛ e
P ( X=x ) =
x!
Di mana:
ƛ = Digunakan sebagai parameter dalam persamaan (seperti yang disebutkan sebelumnya)
e = Bilangan Euler, konstanta matematika dengan nilai 2,71828
Menghitung probabilitas yang diharapkan dari setiap tujuan yang diteruskan tampaknya cukup mudah
pada awalnya, namun saya mendekati tahap yang berbelit-belit ketika saya harus menemukan probabilitas
yang diharapkan dari (X=0). Saat itulah saya teringat proses yang diajarkan tutor saya untuk
menunjukkan faktorial dari 0 sama dengan 1.

n !=n ( n−1 )( n−2 ) ( n−3 ) … .

n !=n( n−1)!
1 !=1(1−1)!
1=1(0! )
1=0!
Menggunakan ekspresi darin !=n ! , Saya kemudian mengganti satu nilai darin dengan 1 seperti yang
saya tahu faktorialnya hanya akan menjadi 1 (1x1). Selanjutnya, nilai (n-1) juga akan memberi saya
nol dan karenanya saya menemukan satu yang 1= 0! Sekarang saya dapat melanjutkan perhitungan
Probabilitas Poisson dengan mengganti X dengan 0 dan ƛ dengan 3,37805.
0 −3.37805
( ) 3.37805 e
P X=0 =
0!
 P ( X=0 )=1 e−3.37805 ¿ ¿
0!
1(0.03411)
P ( X=0 )=
1
P ( X=0 )=0.03411
Sekarang setelah saya menghitung Probabilitas Poisson yang Diharapkan dari (X=0), saya harus
terus melakukan hal yang sama untuk semua interval X lainnya, termasuk (X= 0,1,2,3,4,5,6,7 ,8,9
atau lebih). Probabilitas yang Diharapkan berikut tercantum di bawah ini:
Tabel 1.1
# Gol yang P(X) dari Distribusi
Diteruskan (X) Poisson dengan
ƛ=3.37805
0 0.03411 Saya juga menemukan sedikit kesulitan ketika
1 0.11524 mencoba menemukan Probabilitas 9 atau lebih,
2 0.19464 namun saya hanya menerapkan pengetahuan saya
3 0.21917 tentang statistik dan probabilitas untuk
4 0.18509 mendapatkan Probabilitas yang Diharapkan.
5 0.12505
P ( X ≥ 9 )=1− [ P ( X =0 ) + P ( X =1 ) + P ( X=2 ) + P ( X =3 ) + P ( X=4 )+
6 0.07040
7 0.03398 P ( X ≥ 9 )=0.00744
8 0.01435
9 atau lebih 0.00744

Sekarang saya memiliki masing-masing P(X) untuk Sasaran yang Diteruskan oleh Toronto
Maple Leaf's, sekarang saya dapat mengambil data tersebut dan membuat kurva visual, yang
seharusnya memodelkan grafik GF vs Frekuensi asli dari Gambar 1.1

Gambar 1.2
 GF Probablity with Lambda = 3.37805
0.25
0.21917
0.2 0.19464
0.18509
Probability of (X)

0.15
0.12505
0.11524
0.1
0.0704

0.05 0.03411 0.03398

0.01435 0.00744
0
0 1 2 3 4 5 6 7 8 9
# of goals forwarded (X)

Saya dapat dengan jelas melihat bahwa distribusi ini adalah Distribusi Poisson seperti Gambar 1.2
menggunakan Lambda sebagai parameter probabilitas teoretis yang cocok dengan model asli dari
Gambar 1.1. Saya dapat mengonfirmasi hal ini karena garis tren memiliki interval kenaikan dan
penurunan yang sama di antara titik-titik yang berbeda. Namun, grafik tersebut tidak
menggambarkan data Goals Forwarded dengan sempurna.
Alih-alih menggunakan model matematika kualitatif, saya perlu menemukan cara untuk
mendapatkan proses matematika yang dapat mengambil data saya dan menentukan apakah data saya
adalah Poisson dengan cara seakurat mungkin. Untuk mendapatkan representasi yang lebih akurat
tentang seberapa dekat data saya dengan model Poisson, saya memutuskan untuk melakukan Uji Chi-
Squared. Uji kecocokan Chi-Square adalah uji non parametrik yang digunakan untuk mengetahui
bagaimana nilai yang diamati dari suatu fenomena tertentu berbeda secara signifikan dari nilai yang
diharapkan. Persamaan ditampilkan sebagai:
❑ 2
(f 0−f e )
=∑
2
ƛ k− p−1
k fe

Di mana:
f 0 = Apakah frekuensi yang diamati

f e = Apakah frekuensi teoretis atau diharapkan

k = Jumlah kategori atau kelas yang tersisa setelah penggabungan kelas

p = Jumlah parameter yang diestimasi dari data
Melihat persamaan di bawah ini, terbukti bahwa saya kehilangan beberapa variabel dari persamaan
tersebut. Saya perlu menemukan probabilitas teoretis ( f e ). Frekuensi ini dapat ditemukan dari:
f e =( n ) ( P ( X ) ) . Tabel berikut menunjukkan perhitungan yang saya lakukan untuk mendapatkan nilai
perkiraan akhir Lambda yang dikuadratkan. Saya melakukan ini dengan menyiapkan tabel persamaan
di mana saya menyelesaikan proses langkah demi langkah dalam upaya mencapai jumlah rumus
akhir, yang semuanya tercantum pada tabel di bawah ini:
Tabel 1.2
fe ¿) ¿ 2
( f 0−f e )
fe
2.79702 0.79702 0.635241 0.227113
9.44968 1.55032 2.40349 0.254346
15.9605 -2.9605 8.76456 0.549141
17.9719 2.0281 4.11319 0.228868
15.1774 2.8226 7.96707 0.52493
10.2541 -3.2541 10.5892 1.03268
5.7728 0.2272 0.05162 0.008942
2.78636 0.21364 0.045642 0.016381
1.1767 0.8233 0.677823 0.576037
0.61008 0.61008 0.372198 0.61008
Total: 4.02652

Setelah menyelesaikan tabel, saya agak khawatir tentang bagaimana angka untuk frekuensi teoretis
10,2541 menjadi nilai yang sangat tinggi dibandingkan dengan yang lain. Meskipun demikian,
jumlah dari persamaan Distribusi Poisson ini mencatat hal itu ƛ 2=4.02652 .

Sekarang setelah proses langkah demi langkah selesai, saya harus terus mencari subskrip di bawah ƛ.
Untuk menentukan subskrip di bawah ƛ, saya harus menentukan konsep yang terkait dengan
Distribusi Poisson yang dikenal sebagai Derajat Kebebasan. Persamaan ditulis di bawah ini sebagai:
2
ƛ =k −p−1
Kita ingat bahwa definisi variabel k dan p telah disebutkan di atas. Oleh karena itu, nilai k, yang
merupakan jumlah kelas yang tersisa setelah menggabungkan kelas, adalah 9 karena itu adalah kelas
teoretis yang tidak muncul dalam frekuensi pengamatan aktual. Selanjutnya, nilai p adalah 1 karena
kami hanya parameter yang dipertimbangkan adalah Lambda yang berkorelasi dengan uji Chi-
Squared. Oleh karena itu, saya dapat menemukan derajat kebebasan sebagai berikut:
k − p−1=9−1−1=7
Sekarang setelah derajat kebebasan kita ditemukan, kita harus menggunakan metode pengujian
hipotesis alternatif untuk akhirnya menentukan apakah distribusinya adalah Distribusi Poisson.
Untuk melanjutkan dengan metode pengujian ini, saya harus menggunakan hipotesis penolakan yang
sama yang telah disebutkan di halaman 1. Pada awalnya, saya sangat bingung menemukan hubungan
antara uji hipotesis nol dan kesesuaian data saya dengan Distribusi Poisson. Saya kemudian
memutuskan untuk menonton beberapa video YouTube dan mempelajari cara melakukan metode
pengujian, yang melibatkan konsep yang diajarkan kepada saya di kelas, yang dikenal sebagai titik
kritis. Saya pertama kali mengatur untuk mengatur teorema penolakan:
 H 0 : ƛ=3.37805

H 1 : ƛ ≠3.37805

Akan perlu untuk terus mengerjakan ini. Saya melanjutkan langkah berikutnya dari IA saya karena
saya sudah dapat menyimpulkan bahwa Distribusi saya adalah Poisson dari pengamatan kualitatif,
namun saya masih perlu mengerjakan perhitungan ini

Sekarang tes Chi-Squared saya telah membuktikan bahwa distribusi hitungan Goals Forwarded dari
Toronto Maple Leaf's adalah Distribusi Poisson, namun pekerjaan saya masih belum selesai. Karena
tujuan akhir saya adalah membuat matriks probabilitas untuk menunjukkan kekuatan serangan
masing-masing tim, saya juga harus menentukan Distribusi Poisson dari Montreal Canadiens.
Karena tes Chi-Squared saya sebelumnya bekerja untuk membuktikan bahwa distribusi skor gol
Daun Maple memang Distribusi Racun, saya sekarang dapat sampai pada kesimpulan bahwa
mencetak gol dalam olahraga hoki adalah Proses Poisson . Dengan pengetahuan ini, saya
sekarang dapat membuat model penilaian gol P(X) sehubungan dengan nilai Lambda yang
ditemukan dari Montreal Canadiens.
Gambar 2
 GF by the Montreal Canadiens
20
15 17 18
Frequency

14
10 12
10
5 6
0 2 1 1 1
0 1 2 3 4 5 6 7 8 9 10
# of goals forwaded

Angka ini terlihat sangat mirip dengan Gambar 1, di mana data Goals Forwarded didistribusikan
dalam kurva serupa. Untuk melanjutkan dan menemukan grafik P(X) saya, saya harus menentukan
nilai dari ƛ dan kemudian menghitung sekali lagi.
c

∑ mj f j
X = j=1
n
209
X= =2.54878=ƛ
82
# Gol yang P(X) dari Distribusi
Diteruskan (X) Poisson dengan
ƛ=2.54878
0 0.07818
1 0.19926
2 0.25393 P ( X ≥11 )=1− [ P ( X =0 ) + P ( X =1 )+ P ( X=2 ) + P ( X =3 ) + P ( X=
3 0.21574
4 0.13747 P ( X ≥11 )=0.00006
5 0.07007
6 0.02977
7 0.01084
8 0.00345
9 0.00098
10 0.00025
11 atau lebih 0.00006
Gambar 2.1
 Probability of GF with Lambda = 2.54878
0.3
0.25393
0.25
0.21574
0.19926
0.2
Probability of (X)

0.15 0.13747

0.1 0.07818
0.07007
0.05 0.02977
0.01084 0.00345 0.00098 0.00025 0.00006
0
0 1 2 3 4 5 6 7 8 9 10 11 or
more
# of goals scored (X)

Gambar 2.1 terlihat mirip dengan grafik yang dihitung dari data pada gambar 2. Saya perhatikan
bahwa probabilitas teoretis dari P(7 ≤ X ≤ 11∨more ) tidak terlalu cocok dengan hasil dari grafik
aslinya. Merefleksikan kemungkinan faktor pembatas, alasannya adalah karena frekuensi yang
diamati dari mencetak gol dalam rentang tinggi sangat jarang, inilah mengapa ada fluktuasi kecil
antara o dan 1 untuk P(7 ≤ X ≤ 11∨more ) namun penurunan bertahap dalam bagan probabilitas
teoretis.
Sekarang setelah semua Probabilitas Poisson ditemukan untuk Penerusan Sasaran dari Toronto
Maple Leaf's dan Montreal Canadians, saya harus menghitung probabilitas kembali ke rumus
Distribusi Poisson dan kemudian membuat matriks probabilitas dengan kemungkinan hasil skor.