上页我们提到足球里充满未知。这一页直面一个尖锐问题：顶级教练看球几十年，凭经验还不够？为什么非要让数据掺一脚？

中心向外辐射五条主干，每条代表一个统计学应用领域；主干末端的细支是该领域下的具体研究子问题。

一支球队把球推进到对方半场，连续传递却迟迟没有被抢断时，我们自然会问：它最多能保持控制多久？这里统计的不是全场总控球率，而是这段最长的连续控制时间。

两条平行因果链：上链11人作战，下链10人作战，逐级推导出控球时长的差距。

从「人数均等接触」出发，一步步放宽假设，把数学模型推到能解释真实比赛的形态。

曼城70%控球输给英冠球队、欧冠淘汰赛豪门被掀翻——这些「爆冷」看起来是运气。但如果你统计100场类似差距的比赛，强队输球的频率是稳定的。这不是运气，是概率。

从左往右读：T 从 0 累积增大，两条原因（独立 + 机会多）共同推动 P 上升，最后收敛于理论值。

3-2与1-0都只有一球分差，但进攻空间、剩余风险和追分方式不同；总进球数不能直接代表冷门概率。

上页我们看到低进球比赛更易爆冷，点球大战是低进球的极端形态——但点球并非100%命中，历史命中率上限就在75-80%。这背后是罚球点距离、守门员反应与方向博弈共同决定的。

从左到右读：距离为何拉低进球率，三条因果线汇成一条递减曲线。

点球进球率由三个相互制衡的变量决定，罚球手需在极短时间内依次处理。

上一页我们拆解了点球进球率的影响因素。但球场上还有一类更难量化的现象——球员跑位与传球轨迹，看似杂乱无章，却可以用一种源自物理的数学工具来描述。

三条随机源在传球瞬间汇合，把方向从"一个点"变成"一团云"。

上页我们看到传球轨迹像随机游走，但「随机」不等于「不可描述」——把很多次传球叠起来，就能看到背后稳定的分布形状。

• ✓足球是概率事件，不是确定结果
• ✓统计改变的不是事实，而是看事实的尺度
• ✓同一份数据，统计思维与直觉常给出相反结论
• ✓模型越精致，越要在假设之外止步

先合上笔记想一分钟，再看参考答案——三个问题对应核心回顾、跨场景应用、与模型边界。