Un modelo de Poisson estima, para cada equipo, un número medio de goles esperado, y a partir de ahí deduce una distribución de probabilidades sobre todos los resultados posibles — no un resultado único. Supone que los goles ocurren de forma independiente entre sí a un ritmo constante, dos supuestos que el fútbol solo cumple de forma aproximada. Los xG (goles esperados) alimentan este tipo de modelo como dato de entrada, nunca como resultado. La distribución obtenida sigue siendo una estimación que debe contrastarse con una cuota, la cual integra a su vez un margen y la opinión del mercado.
Lo esencial en unos segundos
Un modelo de Poisson estima un número medio de goles por equipo y deduce de ahí una probabilidad para cada resultado posible. Los xG suelen alimentar este tipo de modelo aguas arriba, como dato de entrada. El resultado es una distribución — nunca un resultado único, nunca un pronóstico.
Tres ideas bastan para sostener toda la página:
- el modelo supone, no constata — la independencia de los goles y el ritmo constante son aproximaciones, no leyes del fútbol;
- el xG entra en el modelo, no sale de él — es una medida de la calidad de las ocasiones, no una predicción;
- una distribución no es una cuota — compararlas exige primero convertir la cuota en probabilidad, margen incluido.
«Un modelo estadístico da el resultado exacto del partido.»
Un modelo Poisson/xG asigna una probabilidad a cada resultado posible. En un partido de fútbol, incluso el resultado más probable de una distribución realista rara vez supera el 15-20 % de probabilidad: la gran mayoría de los resultados imaginables se reparte el resto.
¿Qué es un modelo de Poisson aplicado al fútbol?
Un modelo de Poisson asigna a cada equipo un número medio de goles esperado para un partido, y calcula la probabilidad de marcar 0, 1, 2, 3 o más goles a partir de esa sola media. Combinar las dos distribuciones, una por equipo, da una probabilidad para cada resultado exacto —1-0, 2-1, 0-0— y, sumándolas, una probabilidad para cada resultado del mercado 1X2 u Over/Under.
El principio se remonta a Maher (1982), el primero en formalizar este enfoque para el fútbol y en poner a prueba su validez estadística con datos reales de liga. Su conclusión ya recogía las dos caras del asunto: un modelo de Poisson independiente describe razonablemente bien la distribución observada de resultados, con desviaciones sistemáticas identificables en lugar de simple ruido.
El modelo sigue siendo sencillo de describir, lo que explica su longevidad: dos medias de goles bastan para producir una distribución completa sobre todos los resultados de un partido. Su sencillez es también su límite —descansa en supuestos que conviene conocer antes de leer un resultado producido por este tipo de modelo.
¿Qué supuestos plantea la distribución de Poisson?
Dos supuestos sostienen todo el modelo: la independencia de los goles entre sí, y un ritmo de anotación constante durante todo el partido. Ninguno de los dos es estrictamente cierto en el fútbol —la cuestión es cuánto se alejan, y qué cambia esa desviación.
| Supuesto del modelo | Qué supone | Qué muestran los datos |
|---|---|---|
| Independencia de los goles | El número de goles de un equipo no depende del otro | Correlación débil pero medida entre ambos —cercana a 0,2 según Maher (1982) |
| Ritmo constante | La probabilidad de marcar es la misma en el minuto 5 que en el 85 | El ritmo varía según el marcador en curso (un equipo perdiendo ataca más, uno ganando puede bajar el ritmo) |
| Fuerza fija por equipo | La fuerza ofensiva/defensiva no cambia durante el partido | Expulsiones, lesiones y cambios tácticos modifican la fuerza real durante el partido |
| Resultados independientes del contexto | Cada partido se trata de forma aislada | Calendario, importancia del partido y fatiga influyen en el ritmo real, no capturados por la sola media de goles |
La correlación medida por Maher entre los goles de ambos equipos no es nula, pero se mantiene débil —del orden de 0,2. Es precisamente esa brecha la que Dixon y Coles (1997) buscaron corregir quince años después, añadiendo un parámetro de dependencia que ajusta la probabilidad de los resultados ajustados (0-0, 1-0, 0-1, 1-1), los peor representados por un Poisson estrictamente independiente. Su trabajo tiene una segunda aportación, citada con menos frecuencia que la primera: la pusieron a prueba directamente frente a cuotas de casas de apuestas, para comprobar si el modelo corregido identificaba diferencias de precio explotables en el mercado inglés de mediados de los años 90.
Un supuesto y un hecho no son lo mismo. Un supuesto de modelo es una elección de simplificación, asumida para hacer posible el cálculo. Un hecho es lo que muestran los datos una vez que el modelo se contrasta con ellos. Usar bien un modelo Poisson/xG empieza por saber cuál de sus supuestos aporta más desviación en el partido observado.
Los xG, dato de entrada del modelo
Los goles esperados (xG) miden la calidad de las ocasiones creadas, a partir de su posición, su configuración y el contexto de la jugada. Usados como dato de entrada, permiten construir una media de goles más estable que una simple media de goles marcados, sensible a las variaciones de finalización de un partido a otro.
Este uso sitúa con precisión el xG en la cadena: alimenta el parámetro de entrada de un modelo de Poisson, nunca es su salida. Un equipo puede mostrar un xG elevado en varios partidos consecutivos sin que el modelo que lo utiliza produzca una victoria segura —el xG informa una media, no elimina ninguno de los supuestos ligados al modelo que lo explota después.
El enfoque completo aplicado al fútbol —xG, forma, indicadores de juego, y por qué el fútbol se resiste especialmente a la modelización— se trata en detalle en la guía dedicada a la inteligencia artificial aplicada al fútbol.
xG, datos de forma y modelos aplicados al fútbol →
Contrastar la distribución con el mercado
Una distribución de probabilidades salida de un modelo y una cuota de casa de apuestas responden a lógicas distintas, y confundirlas equivale a comparar un cálculo con un precio. La cuota integra una estimación, pero también un margen y la exposición ligada a las apuestas ya recibidas —dos elementos que ningún modelo de Poisson modela.
Para comparar ambas cosas sobre una base común, hay que convertir la cuota en probabilidad implícita y situar después la probabilidad del modelo sobre el mismo resultado. Si la estimación del modelo supera lo que exige la cuota, la diferencia puede leerse como una cuota justa distinta del precio publicado —una señal que conviene cuestionar, nunca una certeza, ya que la diferencia puede revelar tanto una debilidad del modelo como una ineficiencia del mercado.
Es precisamente la pregunta que se hacían Dixon y Coles en 1997: ¿identifica un modelo mejor especificado diferencias de precio que sobreviven a la prueba del mercado real? Su respuesta, positiva en su muestra original, no se generaliza automáticamente —un mercado de apuestas se ajusta, y una diferencia identificable en una temporada puede cerrarse en la siguiente a medida que otros actores la explotan.
El mercado Over/Under, que recae directamente sobre un total de goles, es donde una distribución de Poisson se contrasta más naturalmente con un precio.
El mercado de totales, y cómo se liquida →
Lo que un modelo Poisson/xG permite —y lo que no permite
Tres niveles que nunca hay que confundir.
- Lo que permite hacer —combinar dos medias de goles en una distribución completa sobre todos los resultados posibles, y situar cada resultado del mercado sobre esa distribución.
- Lo que permite estimar —una probabilidad por resultado o por mercado, con un margen de error que depende directamente de si se cumplen las hipótesis de independencia y ritmo constante en el partido observado.
- Lo que nunca permite concluir —el resultado del partido, ni siquiera el resultado más probable como un hecho consumado. La revisión de Bunker y Susnjak, ya citada por la guía de IA aplicada al fútbol del sitio, recuerda que el fútbol sigue siendo uno de los deportes más difíciles de modelizar por su bajo número de goles.
Una consecuencia práctica de este último límite: juzgar la calidad de un modelo con un solo partido no tiene sentido estadístico. Hace falta un historial, y la cantidad de datos necesaria para que se vuelva interpretable depende de parámetros identificables.
De qué depende la cantidad de datos necesaria →
Juego responsable — un modelo no elimina el riesgo. Las apuestas deportivas conllevan un riesgo de pérdida económica y presentan, según la Autorité nationale des jeux (el regulador francés del juego), el mayor riesgo individual de juego problemático entre las actividades de juego reguladas. Una distribución de probabilidades producida por un modelo no hace que ninguna apuesta esté libre de riesgo. Fija un presupuesto, no intentes recuperar tus pérdidas y utiliza las herramientas de limitación o autoexclusión disponibles. Más información sobre el juego responsable.
Cómo se sitúa OddScore frente a estos modelos
OddScore no construye ningún modelo de resultado ni publica ninguna distribución de probabilidades. La plataforma recopila las cuotas de varias casas de apuestas, las convierte en probabilidades implícitas, elimina el margen integrado en cada precio y sigue su evolución hasta el inicio del partido.
Lo que esto significa en la práctica: un modelo Poisson/xG y una lectura de mercado responden a preguntas vecinas pero distintas —uno estima una distribución a partir de medias de goles, el otro lee lo que varios operadores piensan colectivamente sobre un resultado, precio a precio. Ambos pueden iluminarse mutuamente; ninguno sustituye al otro, y ninguno de los dos constituye un pronóstico.
El papel que juega una cuota dentro de un análisis más amplio —como un dato entre otros, nunca como una respuesta— se trata en detalle en la guía que conecta cuotas y pronósticos.
Integrar una cuota en un análisis, sin copiarla →
Explora el mercado
Los movimientos de cuotas son solo una parte de la historia. Estos son los próximos temas que conviene leer.
Pronósticos deportivos: cómo analizar antes de apostar
La guía completa del clúster: datos, cuotas, fiabilidad, sesgos y el papel de la IA.
Leer la guíaPronóstico de fútbol e inteligencia artificial
xG, datos de forma y modelos aplicados al fútbol.
Ver la aplicación al fútbolProbabilidad implícita: convertirla desde una cuota
La fórmula para pasar de una cuota a su probabilidad implícita.
Convertir una cuotaFair odds: de la probabilidad estimada a la cuota
Pasar de una probabilidad de modelo a una cuota justa.
Calcular una cuota justaOver/Under: el mercado de totales
El mercado que este tipo de distribución sirve más directamente para evaluar.
Ver el mercadoLos límites de los pronósticos con IA
Datos incompletos, caja negra, exceso de confianza en una cifra precisa.
Ver los límites¿Cuántas apuestas antes de juzgar una racha?
De qué depende la cantidad de datos necesaria.
Ver el métodoPreguntas frecuentes
¿Qué es un modelo de Poisson aplicado al fútbol?
Es un modelo estadístico que estima un número medio de goles para cada equipo y calcula, a partir de esa media, la probabilidad de marcar 0, 1, 2, 3 o más goles. Produce una distribución de resultados, no un resultado único.
¿Los xG y la distribución de Poisson son lo mismo?
No. Los xG miden la calidad de las ocasiones creadas durante un partido ya jugado o en curso. La distribución de Poisson es un modelo probabilístico que puede usar una media de goles (derivada o no de los xG) como parámetro de entrada, antes de un partido.
¿Por qué el fútbol no sigue exactamente una distribución de Poisson?
Porque sus dos hipótesis centrales —independencia de los goles y ritmo constante durante 90 minutos— son solo aproximadas. Los goles de un mismo partido están ligeramente correlacionados, y el ritmo de juego cambia según el marcador en curso.
¿Puede un modelo Poisson/xG predecir un resultado exacto?
No. Asigna una probabilidad a cada resultado posible, y hasta el resultado más probable sigue siendo minoritario dentro de la distribución. Un modelo que ofreciera un único resultado dejaría de ser un modelo probabilístico.
¿Cómo se compara un modelo estadístico con la cuota de una casa de apuestas?
Convirtiendo la cuota en probabilidad implícita y comparando esa probabilidad con la que produce el modelo para el mismo resultado. La diferencia, si existe, debe hacer dudar primero del modelo antes de hacer dudar del mercado.
¿Usan las casas de apuestas este tipo de modelo?
Variantes del modelo de Poisson forman parte de las herramientas históricas de la fijación de precios deportivos, junto a otros métodos. No explican por sí solas un precio publicado, que también incorpora el margen y la exposición del operador.
¿Ofrece OddScore pronósticos?
No. OddScore compara las cuotas de varias casas de apuestas, elimina el margen y sigue su evolución. La plataforma no publica ninguna selección de apuestas ni ofrece asesoramiento sobre importes a apostar.
Fuentes y metodología
Esta página se apoya en los dos trabajos fundacionales de la modelización de resultados de fútbol mediante la distribución de Poisson, en la revisión académica sobre predicción de resultados en deportes de equipo ya citada por la guía de IA aplicada al fútbol del sitio, y en el marco regulatorio francés publicado por la Autorité nationale des jeux.
- Retomar los supuestos del modelo de Poisson independiente tal como los formalizó Maher (1982), sin simplificarlos.
- Presentar la corrección de correlación introducida por Dixon y Coles (1997) como la respuesta académica al límite de independencia, no como un detalle técnico secundario.
- Tratar los xG como un dato de entrada entre otros, nunca como una salida del modelo o un resultado en sí mismo.
- Distinguir explícitamente una distribución de probabilidades producida por un modelo de una cuota de mercado, que integra un margen y una exposición comercial.