Najbliższy mecz
kolejka 13 · sobota, 24 października · u siebie
MKS GRANAT Skarżysko-Kamienna
vs
KORONA SA III Kielce
Faworytem jest KORONA SA III Kielce. Szczegóły prognozy
Ryzyko spadku
58%
tak kończy się 6 na 10 symulacji sezonu
Punkty na koniec sezonu
27,1
± 7,0 · miejsce średnio 15,5.
MKS GRANAT Skarżysko-Kamienna zajmuje 16. miejsce (na 18) z 6 pkt po 12 meczach. Ostatnie 5 meczów: 0 zwycięstw, 2 remisy, 3 porażki. Model prognozuje 27,1 ± 7,0 pkt na koniec sezonu; mistrzostwo rzadziej niż w 1 na 10 symulacji, pierwsza trójka rzadziej niż w 1 na 10 symulacji, spadek w 6 na 10 symulacji.
Terminarz rundy wiosennej nie jest jeszcze opublikowany — symulacja przyjmuje go jako lustrzane odbicie rundy jesiennej (zamienieni gospodarze, ta sama kolejność meczów).
Tabela wokół drużyny
Cała tabela →- 14. LKS KLIMONTOWIANKA Klimontów 12 pkt
- 15. MKS WIERNA Małogoszcz 12 pkt
- 16. MKS GRANAT Skarżysko-Kamienna 6 pkt
- 17. KS HETMAN Włoszczowa 4 pkt
- 18. MKS ORLICZ Suchedniów 4 pkt
Koniec sezonu
Cała liga →P(top 3)
0%
P(spadek)
58%
Przedział punktów
15–42
95% symulacji
Rozkład końcowych miejsc
Oczekiwane miejsce: 15,5
Kolejne mecze
31.10 · kolejka 14
na wyjeździe
MKS GRANAT Skarżysko-Kamienna
@
INDUSTRIA WICHER Miedziana Góra
Mecz otwarty.
07.11 · kolejka 15
u siebie
MKS GRANAT Skarżysko-Kamienna
vs
GKS Rudki
Mecz otwarty.
Model vs rzeczywistość
trafienia 9/12W 9 z 12 meczów faworyt wskazany przez model był właściwy. Średnio model dawał faktycznemu rozstrzygnięciu 43%.
- 1. u KS VICTORIA 2015 Skalbmierz · 09.08 1:3 P 45%
- 2. u MLKS SPARTA Kazimierza Wielka · 16.08 0:3 P 47%
- 3. z KS HETMAN Włoszczowa · 23.08 4:1 Z 47%
- 4. u KKP KORONA Kielce · 26.08 2:2 R 11%
- 5. z GKS Nowiny · 30.08 1:3 P 42%
- 6. u MZKS ALIT Ożarów · 06.09 1:5 P 46%
- 7. z GKS ARKA Pawłów · 12.09 1:2 P 51%
- 8. u MKS WIERNA Małogoszcz · 20.09 0:2 P 39%
- 9. z MKS NEPTUN Końskie · 26.09 1:4 P 55%
- 10. u MKS ORLICZ Suchedniów · 03.10 0:0 R 19%
- 11. z MGKS SPARTAKUS Daleszyce · 10.10 2:2 R 21%
- 12. u LKS ORLĘTA Kielce · 18.10 1:3 P 89%
Pasek pokazuje, jakie prawdopodobieństwo model dawał temu, co faktycznie się wydarzyło — zielony, gdy typ modelu był trafiony, czerwony, gdy nie.