機率與賠率：掌握體育博彩背後的數學

博彩學院

賠率與機率

機率與賠率：掌握體育博彩背後的數學

$機率與賠率：掌握體育博彩背後的數學$

機率描述不確定性，賠率則為這種不確定性標價。兩者在數學上相連，但並不能互換：60% 是對事件發生頻率的估計，而十進位制賠率 1.60 是要求 62.5% 盈虧平衡率的商業報價。

理解兩者之間的差距，是理性投注分析的基礎。本文把機率、公平賠率、市場價格、期望值、方差、相關性與樣本結果連線成一套完整框架。

機率衡量不確定性

機率是 0 到 1 之間的數字，通常以百分比顯示。

0% 表示在模型中不可能；
50% 表示事件與其補集同樣可能；
100% 表示在模型中確定發生。

體育賽事很少適合使用精確的 0% 或 100% 預測，因為未知資訊、測量誤差與隨機波動始終存在。

互斥且完整的結果

常規時間足球 1X2 市場中的主勝、平局與客勝：

**相互排斥：**只能發生一個；
**共同完整：**比賽按標準規則完成時，必有一個發生。

它們的公平機率總和必須是 100%。

結果	模型機率	公平十進位制賠率
主勝	48%	2.08
平局	27%	3.70
客勝	25%	4.00
合計	100%

並非任何投注列表都互斥。“主勝”和“大於 2.5 球”可以同時發生，因此不能把二者機率相加構成完整市場。

賠率是一種價格

賠率規定選項獲勝時的派彩。十進位制賠率顯示每下注 1 單位的總回報。

賠率 2.50：

下注額 10 單位；
總回報：10 × 2.50 = 25 單位；
利潤：25 − 10 = 15 單位。

價格同時包含盈虧平衡機率：

隱含機率 = 1 ÷ 十進位制賠率

賠率 2.50：

1 ÷ 2.50 = 40%

這表示在不考慮其他成本時，投注者需要贏下 40% 的類似下注才能達到盈虧平衡。

從機率到公平賠率

若 p 是估計機率：

公平十進位制賠率 = 1 ÷ p

機率	公平十進位制	公平分數賠率	公平美式賠率
80%	1.25	1/4	−400
66.67%	1.50	1/2	−200
50%	2.00	1/1	+100
40%	2.50	3/2	+150
25%	4.00	3/1	+300

這些都是無利潤價格。平臺通常提供更低賠率來建立利潤。

可以使用 OddsWave 賠率轉換器在十進位制、分數、美式和百分比之間轉換。

從賠率到隱含機率

對於十進位制賠率 O：

隱含機率 = 1 ÷ O

十進位制賠率	隱含機率	每 100 筆所需盈虧平衡勝場
1.25	80.00%	80
1.50	66.67%	約 67
1.80	55.56%	約 56
2.00	50.00%	50
3.00	33.33%	約 33
5.00	20.00%	20

隱含機率是價格的屬性，並不能證明事件的真實機會。

每次投注決策中的三種機率

1. 真實機率

事件客觀但潛在的實際機會，賽前通常未知。

2. 估計機率

個人模型對真實機率的近似，包含樣本、模型和資訊誤差。

3. 市場隱含機率

從報價得到的盈虧平衡率，包含平臺利潤及其他定價調整。

嚴謹的投注者會把估計機率與市場門檻比較，同時承認兩者都不是完美答案。

為什麼平臺機率會超過 100%？

假設兩項市場兩邊都提供 1.91：

1 ÷ 1.91 = 52.36%

52.36% + 52.36% = 104.71%

超出 100% 的 4.71 個百分點稱為 Overround。因此，在不採用去利潤假設時，不能把原始平臺隱含機率直接當成公平機率。

比例歸一化將每邊除以 104.71%，得到約 50%。這是市場的去水解釋，不是客觀真相。

期望值連線機率與價格

期望值（EV）表示：如果相同機率與價格能夠重複很多次，每下注 1 單位的理論平均結果。

對於十進位制賠率 O 和估計勝率 p：

EV =（p × O）− 1

正 EV 例項

你估計機率為 45%，可買賠率為 2.40：

EV =（0.45 × 2.40）− 1 = +0.08

如果估計準確，理論回報為每單位 +8%。

負 EV 例項

同樣 45% 的估計，賠率只有 2.10：

EV =（0.45 × 2.10）− 1 = −0.055

理論回報為每單位 −5.5%。球隊與機率沒有改變，改變的只是買入價格。

EV 不是下一次結果

+8% EV 的投注完全可能立即輸掉。期望值是概念性長期平均，而一筆下注只能產生一個離散結果。

在 45% 勝率下：

模型中 45% 的結果為贏；
55% 為輸；
連敗很正常；
在相當大的樣本中，實際結果仍可能偏離期望。

不要僅憑一場輸贏評價機率預測，應檢查大量事先記錄預測的校準度。

方差解釋不平坦的結果路徑

方差衡量結果圍繞期望值的分散程度。長賠率通常產生更劇烈的回報序列，因為獲勝次數更少，但每次贏取金額更大。

比較兩筆理論上均為 +5% EV 的投注：

投注	獲勝機率	十進位制賠率	EV	常見體驗
A	70%	1.50	+5%	經常小勝，偶爾損失
B	15%	7.00	+5%	大量失敗，偶爾大勝

兩者理論 EV 相同：

A：（0.70 × 1.50）− 1 = +0.05
B：（0.15 × 7.00）− 1 = +0.05

但資金曲線會完全不同。EV 本身無法描述風險。

大數定律——以及它的前提

隨著相似且獨立的觀察數量增加，平均結果傾向於接近期望值。但這不表示每段虧損之後必然很快反轉。

只有滿足以下條件，原則才真正有用：

機率估計準確；
價格與優勢保持可比；
選項沒有隱藏相關性；
流程沒有改變；
樣本足夠大。

如果模型本身存在偏差，更多下注只會讓錯誤更明顯，而不會把虧損變成利潤。

條件機率

知道新資訊後，機率會改變。

P(A | B) 表示在 B 已發生條件下，A 的機率。

例如：

確認主力門將缺陣後，主隊獲勝的機率；
早早出現紅牌後，大於 2.5 球的機率；
球員首發而不是替補時，其進球機率。

真正的問題不是“這支球隊通常會不會贏”，而是“在今天已知條件下，它有多大獲勝機率”。

新資訊出現時，市場參與者更新條件機率，賠率因此移動。

獨立性與相關性

如果知道一件事發生不會改變另一件事的機率，兩者才獨立。體育投注事件往往相關。

獨立事件相乘

兩個真正獨立、機率均為 50% 的事件：

P(A 且 B) = 0.50 × 0.50 = 25%

公平組合賠率為 4.00。

補集與“至少一次”事件

補集公式非常實用：

P(非 A) = 1 − P(A)

如果球員進球機率為 30%：

P(不進球) = 1 − 0.30 = 70%

計算多個獨立事件中至少一次成功時，通常先算補集更簡單。

假設球隊在兩個獨立時段中的進球機率均為 40%：

兩個時段均不進球 = 0.60 × 0.60 = 36%

至少一個時段進球 = 1 − 0.36 = 64%

真實比賽時段未必獨立，因此這裡只用於演示數學關係，並不是足球模型。

準確性、校準度與銳度

優秀機率預測不只是選出贏家。

**校準度：**預測為 60% 的事件，大約有 60% 發生。
**銳度：**預測能夠有意義地偏離基礎率，而不是全部安全地集中在 50%。
**區分能力：**實際發生事件獲得的機率高於未發生事件。

把所有熱門都標成 51% 的模型看似謹慎，卻幾乎沒有區分價值；不斷使用 80% 的模型看似果斷，也可能嚴重過度自信。

Brier Score 和 Log Loss 可以評價機率預測，而投資回報率還取決於市場價格。

完整決策例項

假設模型給出主隊 55% 勝率。

公平賠率

1 ÷ 0.55 = 1.818，約為 1.82。

比較價格

市場賠率	隱含機率	以 55% 計算的 EV	未考慮模型誤差前的判斷
1.70	58.82%	−6.5%	太低
1.80	55.56%	−1.0%	略低於公平價
1.90	52.63%	+4.5%	可能有價值
2.00	50.00%	+10.0%	潛在價值更大

加入不確定性

如果 55% 估計的合理範圍為 51%–59%，在 1.90 賠率下，EV 範圍是 −3.1% 到 +12.1%。表面的 +4.5% 優勢並不確定。

這就是模型可靠性與保守下注額和中心估計同樣重要的原因。

為什麼單看勝率會誤導？

投注者	勝率	平均賠率	按平均值估算的 EV
A	60%	1.60	−4%
B	45%	2.30	+3.5%
C	30%	3.20	−4%

近似計算：

EV =（勝率 × 平均賠率）− 1

B 的勝率低於 A，卻擁有更好的機率—價格關係。真實記錄中，平均賠率可能掩蓋下注額和選擇差異，因此還應計算加權利潤與收盤價格表現。

常見數學錯誤

把隱含機率當成真實機率

報價包含利潤，也可能判斷錯誤。

把重疊事件機率相加

主勝與大於 2.5 球並不互斥，不能直接相加構成市場總機率。

把相關事件機率相乘

獨立性必須得到理由支援，不能直接假設。

忽略返還本金

十進位制賠率的總回報已經包含原始下注額。

過早舍入

中間計算應保留足夠精度，尤其是串關和去水歸一化。

混淆百分點與百分比變化

從 40% 升到 50%，是提高 10 個百分點，但相對增長 25%。

使用結果後見之明

機率必須在賽事前記錄。結果出現後修改預測，會破壞審計記錄。

認為大樣本可以修復糟糕模型

更多觀察會減少隨機噪聲，卻不能消除系統性偏差。

從機率到投注的實用流程

確認事件和結算規則。
使用決策時可得的資訊估計機率。
儘可能用區間表達不確定性。
把中心估計轉換為公平賠率。
把當前市場賠率轉換為隱含機率。
考慮市場利潤。
在多個合理機率下計算 EV。
檢查與已有風險持倉的相關性。
選擇保守下注額或直接放棄。
記錄預測、價格、收盤賠率與結果。
在有意義樣本中覆盤校準度和回報。

OddsWave 投注計算器可以核對回報計算，卻無法提供可靠機率估計。

常見問題

機率和賠率是一回事嗎？

不是。機率估計事件發生機會，賠率規定派彩價格並對應盈虧平衡機率。

很可能獲勝的選項也可能是壞投注嗎？

可以。如果一支球隊勝率為 70%，但當前價格要求高於 70% 的盈虧平衡率，它就是不划算的投注。

冷門即使經常輸，也可能是好投注嗎？

可以。如果價格對低勝率提供了足夠補償，它可能具有正期望值。

正 EV 是否表示總應該下注？

不是。估計可能不確定，市場可能過時，限額可能造成影響，或該持倉與已有風險相關。放棄是有效決策。

多少資料才能證明模型有效？

沒有通用數量。它取決於優勢大小、方差、獨立性和模型穩定度。應使用置信區間、樣本外測試與校準，而不是一個簡單最低次數。

總結

機率描述事件應多頻繁發生，賠率決定發生時你能得到多少回報。期望值連線二者，方差解釋為什麼短期結果幾乎從不平滑地貼近期望。

掌握博彩數學，不是為了產生更多小數位，而是為了正確定義事件、區分估計與真相、處理利潤與相關性、以合適價格買入，並在有意義樣本中衡量預測。公式並不複雜，誠實使用公式的紀律才是真正技能。

Last updated: July 2026 Published by OddsWave Betting Academy