El Modelo de Poisson para Predecir Resultados de Fútbol

En 1997, Mark Dixon y Stuart Coles publicaron un artículo académico que cambiaría la forma en que los apostadores serios abordan la predicción de resultados futbolísticos. Su modelo, basado en la distribución de Poisson, demostró que era posible estimar probabilidades de marcadores específicos con precisión matemática suficiente para generar ventaja sobre el mercado. Veinticinco años después, la distribución de Poisson sigue siendo la piedra angular de la mayoría de modelos predictivos en apuestas deportivas, desde los más simples hasta los algoritmos sofisticados de las casas de apuestas.

Este artículo no pretende convertirte en estadístico, pero sí en alguien capaz de entender, aplicar y adaptar el modelo de Poisson a tus pronósticos. Verás cómo funciona la matemática subyacente, cómo calcular las variables necesarias paso a paso, y cómo traducir los resultados en decisiones de apuesta concretas. También abordaremos las limitaciones del modelo, porque ningún sistema es perfecto y conocer los puntos ciegos es tan importante como dominar las fortalezas.

Fundamentos de la distribución de Poisson

La distribución de Poisson es un modelo probabilístico que describe la probabilidad de que ocurra un número determinado de eventos en un intervalo fijo de tiempo o espacio, cuando esos eventos suceden con una tasa media conocida e independientemente del tiempo transcurrido desde el evento anterior. Aplicado al fútbol, permite calcular la probabilidad de que un equipo marque cero, uno, dos, tres o más goles en un partido de noventa minutos.

La fórmula matemática parece intimidante a primera vista, pero su aplicación práctica es sorprendentemente accesible. La expresión P(x) = (e^-λ × λ^x) / x! nos dice la probabilidad P de que ocurran exactamente x goles, dado un valor λ que representa la media esperada de goles. El símbolo e es la constante de Euler, aproximadamente 2.71828, y x! es el factorial de x, es decir, el producto de todos los números enteros desde 1 hasta x.

En términos prácticos, si esperamos que un equipo marque un promedio de 1.5 goles en el partido, podemos calcular la probabilidad de cada número específico de goles. Para cero goles, sustituimos x=0 y λ=1.5 en la fórmula, obteniendo aproximadamente un 22.3% de probabilidad. Para un gol, el resultado es cerca de 33.5%. Para dos goles, aproximadamente 25.1%. Y así sucesivamente, con probabilidades decrecientes a medida que aumentamos el número de goles esperados.

Cálculo de la fuerza de ataque y defensa

El verdadero valor del modelo de Poisson no está en aplicar la fórmula a promedios brutos, sino en calcular valores λ ajustados que reflejen la capacidad ofensiva de un equipo frente a la capacidad defensiva del rival específico. Para esto, necesitamos determinar la fuerza de ataque y la fuerza de defensa de cada equipo en relación con la media de la liga.

El proceso comienza calculando los promedios generales de la competición. Supongamos que en LaLiga los equipos locales marcan en promedio 1.45 goles por partido y los visitantes 1.10 goles. Estos son nuestros valores de referencia. Ahora, para cada equipo individual, calculamos cuánto se desvía de esa media tanto en ataque como en defensa, diferenciando entre rendimiento como local y como visitante.

La fuerza de ataque de un equipo se calcula dividiendo su promedio de goles marcados entre el promedio general de la liga para esa condición. Si el Barcelona marca 2.1 goles de media como local y el promedio de la liga para locales es 1.45, su fuerza de ataque local es 2.1/1.45 = 1.45, indicando que ataca un 45% mejor que la media cuando juega en casa. La fuerza de defensa se calcula similarmente pero con goles encajados, donde un valor menor a uno indica defensa superior a la media.

Para estimar los goles esperados en un partido concreto, multiplicamos la fuerza de ataque del equipo que nos interesa por la fuerza de defensa del rival y por el promedio general de goles en esa condición. Si el Barcelona local tiene fuerza de ataque 1.45 y el rival visitante tiene fuerza de defensa 1.10, y la media de goles locales es 1.45, los goles esperados del Barcelona serían 1.45 × 1.10 × 1.45 = 2.31. Este valor λ alimenta directamente la fórmula de Poisson para calcular probabilidades.

Construcción de la matriz de probabilidades

Una vez tenemos los goles esperados para cada equipo, construimos una matriz de probabilidades cruzadas para todos los marcadores posibles. Cada celda representa la probabilidad de un resultado específico, calculada multiplicando las probabilidades individuales de goles de cada equipo bajo el supuesto de independencia.

Para ilustrar el proceso, supongamos que el Equipo A tiene λ=1.8 goles esperados y el Equipo B tiene λ=1.1 goles esperados. Aplicando Poisson, calculamos que el Equipo A tiene 16.5% de probabilidad de marcar cero goles, 29.7% de marcar uno, 26.7% de marcar dos, y así sucesivamente. Para el Equipo B, las probabilidades serían 33.3% para cero goles, 36.6% para uno, 20.1% para dos, etcétera.

La probabilidad de un empate 0-0 se obtiene multiplicando la probabilidad de cero goles del Equipo A por la de cero goles del Equipo B: 0.165 × 0.333 = 0.055, es decir, aproximadamente 5.5%. Para el resultado 1-1, multiplicamos las probabilidades de un gol de cada equipo: 0.297 × 0.366 = 0.109, aproximadamente 10.9%. Repetimos este proceso para cada combinación posible de marcadores, típicamente hasta cinco o seis goles por equipo, que cubre prácticamente el cien por cien de resultados realistas.

Sumando las probabilidades de todas las celdas donde gana el Equipo A obtenemos la probabilidad total de victoria local. Sumando las de empate y las de victoria del Equipo B completamos el cuadro. Estas probabilidades agregadas son directamente comparables con las cuotas del mercado para identificar valor.

De probabilidades a decisiones de apuesta

La matriz de Poisson produce probabilidades que debemos convertir en cuotas implícitas para compararlas con el mercado. La conversión es simple: cuota implícita = 1 / probabilidad. Esto ayuda a que sepas exactamente cómo calcular la probabilidad real de un evento deportivo. Si nuestro modelo indica un 45% de probabilidad de victoria local, la cuota justa sin margen sería 1/0.45 = 2.22. Si la casa de apuestas ofrece 2.50 para ese mismo resultado, existe valor teórico porque el mercado está pagando más de lo que nuestra estimación sugiere como justo. Mejores cuotas en Pronóstico Real.

Los mercados de over/under también se benefician del modelo. Para calcular la probabilidad de más de 2.5 goles, sumamos las probabilidades de todos los marcadores que totalizan tres o más goles: 2-1, 1-2, 3-0, 0-3, 2-2, y todas las combinaciones superiores. El complemento de esa suma da la probabilidad de under 2.5. Esta información permite evaluar si las cuotas de goles totales reflejan las capacidades ofensivas y defensivas reales de los equipos involucrados.

El mercado de ambos equipos marcan (BTTS) requiere calcular la probabilidad de que ambos equipos marquen al menos un gol. Esto equivale a uno menos la probabilidad de que al menos uno no marque. Se calcula como 1 - P(A=0) - P(B=0) + P(ambos=0), donde el último término se suma porque lo restamos dos veces al restar cada probabilidad de cero goles individualmente.

Para mercados de resultado exacto, el modelo proporciona directamente las probabilidades de cada marcador. Estos mercados suelen ofrecer cuotas altas porque las probabilidades individuales son bajas, pero acumulativamente representan oportunidades interesantes cuando el modelo identifica marcadores significativamente infravalorados por el mercado.

Ajustes y refinamientos del modelo básico

El modelo de Poisson simple asume independencia entre los goles de cada equipo, lo cual no refleja perfectamente la realidad del fútbol. Dixon y Coles identificaron que los resultados con pocos goles, especialmente 0-0, 1-0, 0-1 y 1-1, ocurren con frecuencia ligeramente diferente a la predicha por Poisson puro. Su corrección, conocida como ajuste Dixon-Coles, modifica las probabilidades de estos marcadores específicos para mejorar la precisión.

Otro refinamiento importante es ponderar los partidos recientes más que los antiguos. La forma actual de un equipo importa más que su rendimiento de hace tres meses. Aplicar un factor de decaimiento temporal, donde los partidos recientes tienen más peso en el cálculo de fuerzas de ataque y defensa, produce estimaciones más adaptadas a la realidad actual. Un factor típico es reducir el peso de cada partido anterior en un diez por ciento por jornada de antigüedad.

La diferenciación entre rendimiento local y visitante es fundamental y no debe omitirse. Algunos equipos tienen variaciones dramáticas entre su juego en casa y fuera. Usar promedios generales sin distinguir condición de local o visitante introduce ruido significativo en las estimaciones. Mantener fuerzas de ataque y defensa separadas para cada condición mejora sustancialmente la precisión del modelo.

Incorporar Expected Goals en lugar de goles reales como base del cálculo representa una evolución moderna del modelo clásico. El xG filtra la varianza de la definición, proporcionando una medida más estable de la capacidad ofensiva y defensiva real. Un equipo con xG alto pero goles bajos está rindiendo por debajo de sus ocasiones; usar xG anticipa mejor su rendimiento futuro que confiar en los goles convertidos.

Limitaciones que debes aceptar

El modelo de Poisson, incluso refinado, tiene limitaciones estructurales que ningún ajuste matemático puede eliminar. La primera y más obvia es que trata los goles como eventos independientes cuando en realidad no lo son completamente. Un gol temprano cambia la dinámica táctica del partido; el equipo que va ganando puede replegarse mientras el perdedor se abre buscando el empate, alterando las probabilidades de goles posteriores.

Las circunstancias específicas del partido no entran en la ecuación. Lesiones de jugadores clave, condiciones meteorológicas extremas, importancia del encuentro para clasificación o descenso, derbis con tensión adicional, cansancio acumulado por calendario congestionado: ninguno de estos factores se refleja en los promedios históricos que alimentan el modelo. El apostador debe aplicar juicio cualitativo sobre estos elementos y ajustar las conclusiones del modelo según corresponda.

El tamaño muestral también importa. Al inicio de temporada, con solo tres o cuatro partidos disputados, los promedios son extremadamente volátiles y el modelo produce estimaciones poco fiables. Se recomienda esperar al menos ocho a diez jornadas antes de confiar significativamente en las proyecciones de Poisson para la temporada en curso, o utilizar datos de la temporada anterior con ajustes por fichajes y cambios de entrenador.

Finalmente, el modelo no captura la correlación entre equipos en un mismo partido. Que un equipo tenga un día especialmente bueno ofensivamente puede significar que el otro tiene un día especialmente malo defensivamente, no dos eventos independientes sino facetas del mismo fenómeno. Esta correlación subestima ligeramente los resultados extremos, tanto marcadores abultados como empates a cero.

Implementación práctica

Puedes implementar el modelo de Poisson en una hoja de cálculo sin conocimientos de programación avanzados. Excel y Google Sheets tienen la función POISSON.DIST que realiza el cálculo directamente. Alimentándola con el valor λ calculado y el número de goles deseado, obtienes la probabilidad instantáneamente. Construir la matriz completa requiere crear una tabla donde las filas representen goles del local, las columnas goles del visitante, y cada celda contenga la multiplicación de las probabilidades respectivas.

Para quienes prefieren soluciones ya construidas, existen calculadoras de Poisson gratuitas online donde introduces los promedios de goles y obtienes la matriz de probabilidades lista para usar. Estas herramientas aceleran el proceso pero no eliminan la necesidad de calcular correctamente las fuerzas de ataque y defensa, que es donde realmente reside el valor analítico.

Un flujo de trabajo típico implica mantener una base de datos actualizada con resultados y estadísticas de la liga, calcular fuerzas de ataque y defensa semanalmente tras cada jornada, generar matrices de Poisson para los partidos de la próxima jornada, comparar las probabilidades resultantes con las cuotas del mercado, y apostar selectivamente donde el modelo identifica discrepancias significativas. Este proceso, aunque requiere disciplina y tiempo, proporciona una base cuantitativa sólida para la toma de decisiones que complementa el análisis cualitativo tradicional.