作为一个恒大球迷， 每赛季联赛开踢时候，我总是想，它会拿下下一场比赛吗，它会最终夺冠吗？
像往常一样，回答这类问题，我们需要做一些假设：
第一，可以合理地认为中国队被进球是一个泊松过程，也就是说，在比赛的任何时间内，恒大队进球的可能性都是相等的
第二，我们认为每个队都有一个long-term的单场比赛平均进球数，也就是lambda;
假设设定好以后，回答开篇问题的策略是：
1.使用之前比赛的统计数据，为lambda选择一个先验分布；
2.从头四场比赛的比分来估计，每个队的lambda
3.使用lambda的后验概率，来计算每个队进球的分布，每场比赛净胜球的分布，每个队赢下接下来比赛的概率
4.计算每个队赢下联赛的概率
下面，介绍两个函数
def MakeGaussianPmf(mu, sigma, num_sigmas, n=201):
"""Makes a PMF discrete approx to a Gaussian distribution.
mu: float mean
sigma: float standard deviation
num_sigmas: how many sigmas to extend in each direction
n: number of values in the Pmf
returns: normalized Pmf
"""
pmf = Pmf()
low = mu - num_sigmas * sigma
high = mu + num_sigmas * sigma
for x in numpy.linspace(low, high, n):
p = EvalGaussianPdf(x, mu, sigma)
pmf.Set(x, p)
pmf.Normalize()
return pmf
class Hockey(thinkbayes.Suite):
def __init__(self):
pmf = thinkbayes.MakeGaussianPmf(2.7,0.3,4)
thinkbayes.Suite.__init__(self,pmf)
接下来介绍泊松过程的概念
说到泊松过程，不得不提伯努利过程，所谓伯努利过程就是对一串连续的事件所建建立的模型，每个事件叫做一个试验(trial)，每个试验结果有两种，成功/失败，所以伯努利模型很自然地作为一个连续抛硬币过程的模型。
泊松过程模型是伯努利模型的连续版本(相对伯努利模型试验结果的成功和失败，或者说1和0)，它的含义是，一个事件可以在任意时间点上等概率地发生，所以可以用来模拟顾客到达商店，球赛进球，公交车到站等等。