Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
frank-andrade.medium.com18. November 2022 · Q010193

Predicting The FIFA World Cup 2022 With a Simple Model using Python

frank-andrade.medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Frank Andrade nutzt historische WM-Daten und eine Poisson-Berechnung, um Gruppenpunkte und K.-o.-Sieger der WM 2022 zu schätzen; sein Modell tippt auf Brasilien als Weltmeister. Es setzt teilweise nur näherungsweise erfüllte Annahmen voraus, begrenzt die betrachteten Torzahlen auf 0 bis 10 und beschreibt eine Modellprognose, keine Gewissheit.

Mittel

Frank Andrade beschreibt ein Python-Modell, das den Sieger der Fußball-WM 2022 vorhersagen soll. Es nutzt die Poisson-Verteilung, um aus erzielten und kassierten Toren Wahrscheinlichkeiten für verschiedene Spielstände abzuleiten. Dafür zieht der Autor Ergebnisse von Weltmeisterschaften zwischen 1930 und 2018 heran. Einen Heimvorteil berücksichtigt er nicht, da die Spiele seiner Einschätzung nach meist auf neutralem Boden stattfinden.

Das Modell berechnet für Gruppenspiele erwartete Punkte und leitet daraus die Platzierungen ab. In den K.-o.-Runden gewinnt laut Programm jeweils das Team mit den höheren erwarteten Punkten. Als Weltmeister nennt die Berechnung Brasilien. Der Autor räumt ein, dass die Annahmen der Poisson-Verteilung – insbesondere unabhängige Tore und eine gleichbleibende Torwahrscheinlichkeit – nur teilweise zutreffen, setzt sie für die Berechnung aber als gültig voraus. Außerdem werden nur Spielstände bis 10:10 erfasst; bei gleichen erwarteten Punkten wählt der gezeigte Code die Auswärtsmannschaft. Die Prognose ist daher als Ergebnis dieses vereinfachten Modells zu verstehen, nicht als gesicherte Aussage über den tatsächlichen Turnierverlauf.

Ausführlich lesen

Der Artikel beschreibt, wie Frank Andrade mit einem einfachen Python-Modell den Sieger der Fußball-Weltmeisterschaft 2022 vorherzusagen versucht. Statt ein komplexes maschinelles Lernverfahren einzusetzen, verwendet er die Poisson-Verteilung, um Wahrscheinlichkeiten für verschiedene Torzahlen zu berechnen. Tore werden dabei als Ereignisse innerhalb der 90 Minuten betrachtet.

Die Methode setzt voraus, dass Tore zählbar sind, einzelne Tore unabhängig voneinander auftreten, die Torwahrscheinlichkeit über gleich lange Zeitabschnitte konstant bleibt und zwei Tore nicht exakt gleichzeitig fallen. Der Autor hält die erste und vierte Annahme für erfüllt, die Unabhängigkeit und konstante Rate dagegen nur teilweise. Für die Berechnung behandelt er dennoch alle vier Annahmen als gültig. Er verweist außerdem auf Torzahl-Histogramme aus vier europäischen Ligen, deren Kurven seiner Einschätzung nach zur Poisson-Verteilung passen.

Als Datengrundlage nennt Andrade Ergebnisse aller Weltmeisterschaftsspiele von 1930 bis 2018. Daraus berechnet er für jede Nationalmannschaft durchschnittlich erzielte und kassierte Tore. Einen Heimvorteil lässt er außen vor, weil die Mannschaften seiner Einschätzung nach überwiegend auf neutralem Boden spielen. Für ein Spiel bestimmt das Modell die erwarteten Torwerte beider Teams aus den jeweiligen erzielten und kassierten Toren. Anschließend berechnet es die Wahrscheinlichkeiten für Spielstände von 0:0 bis 10:10 und fasst sie zu Sieg-, Unentschieden- und Niederlagenwahrscheinlichkeiten zusammen. Daraus leitet es erwartete Punkte für die Gruppenphase ab. Das Beispiel England gegen die USA ergibt laut Artikel etwa 2,23 erwartete Punkte für England und 0,59 für die USA.

Mit den so ermittelten Gruppenplatzierungen erstellt der Autor den K.-o.-Spielplan. Für jede K.-o.-Partie erklärt er die Mannschaft mit den höheren erwarteten Punkten zur Siegerin und wiederholt dieses Vorgehen bis zum Finale. Das Modell sagt Brasilien als Weltmeister voraus.

Die Aussage ist eine Modellprognose, kein Nachweis dafür, wer tatsächlich gewinnen würde. Der Artikel legt die vereinfachenden Annahmen offen, prüft aber nicht, wie stark sie die Prognose beeinflussen. Zudem werden mögliche Ergebnisse nur bis zu zehn Toren je Mannschaft berücksichtigt. Bei Gleichstand der erwarteten Punkte bestimmt der gezeigte Code die Auswärtsmannschaft zur Siegerin. Der Text erläutert weder eine gesonderte Behandlung von Verlängerung und Elfmeterschießen noch eine Unsicherheitsanalyse der Gesamttippprognose.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Bewertet wurde die Zusammenfassung „mittel“, weil sie den Bericht vollständiger wiedergibt. Die Fassung „kurz“ ist ebenfalls treu, lässt aber ebenso den Rückblick auf die Saison 2020/21 aus. Die Einordnung von SF-H3 wurde von Stufe 5 auf 4 gesenkt, weil der Bericht die Frage nur für ein Sportmodell beantwortet, nicht für KI-Modelle im Allgemeinen.

Im Bericht, aber nicht in der Zusammenfassung

  • Das Modell sagte in der Saison 2020/21 nach 19 gespielten Spieltagen die Sieger von Premier League, La Liga, Serie A und Bundesliga richtig voraus (Rückblick des Autors)

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vertrauen in Modelle
  1. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 46 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 43 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 74 %umfangreiche Belege
    • JEV 53 %beantwortet direkt und ausführlich
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung einzelne zitierbare Belege

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →