Un modelo de Poisson estima un número esperado de goles para cada equipo y calcula con él la probabilidad de cada resultado posible. Supone que los goles caen de forma independiente y a un ritmo constante. El fútbol cumple las dos cosas solo a medias. Los xG (goles esperados) son un dato de entrada de estos modelos, nunca su resultado. Lo que sale sigue siendo una estimación. Tienes que contrastarla con una cuota, que lleva dentro un margen y la opinión del mercado.
Poisson y xG en tres frases
Un modelo de Poisson estima una media de goles por equipo y con ella calcula la probabilidad de cada resultado posible. Los xG suelen aportar la media que entra en el modelo. Lo que sale es una distribución, no un marcador único ni un pronóstico.
El modelo parte de supuestos. Goles independientes y ritmo constante son aproximaciones del fútbol. El xG mide la calidad de las ocasiones y no predice nada. Y una distribución todavía no es una cuota: para compararlas, primero conviertes la cuota en probabilidad, margen incluido.
«Un modelo estadístico da el resultado exacto del partido.»
Un modelo Poisson/xG da una probabilidad a cada resultado posible. En el fútbol, el resultado más probable de una distribución realista rara vez pasa del 15-20 %. El resto se lo reparten todos los demás marcadores.
¿Qué es un modelo de Poisson aplicado al fútbol?
Un modelo de Poisson asigna a cada equipo un número esperado de goles para el partido y calcula, solo con esa media, la probabilidad de marcar 0, 1, 2, 3 o más. Si combinas las dos distribuciones, una por equipo, obtienes una probabilidad para cada resultado exacto, por ejemplo 1-0, 2-1 o 0-0. Si las sumas, obtienes una probabilidad para cada resultado del mercado 1X2 o del Over/Under.
El principio viene de Maher (1982). Fue uno de los primeros en modelar cada equipo con una fuerza de ataque y otra de defensa en un modelo de Poisson, y en probar ese enfoque con datos reales de liga. Su conclusión ya recogía las dos caras: un Poisson independiente describe bastante bien la distribución observada de marcadores. Las desviaciones son sistemáticas y se pueden identificar, no son simple ruido.
Que el modelo sea tan fácil de describir explica que haya durado. Dos medias de goles bastan para una distribución completa sobre todos los resultados de un partido. Ahí está también su límite, porque descansa sobre supuestos. Conviene conocerlos antes de leer un resultado de este tipo de modelo.
¿Qué supuestos hay detrás de la distribución de Poisson?
Dos supuestos sostienen todo el modelo: los goles son independientes entre sí y el ritmo de anotación es constante durante todo el partido. Ninguno es del todo cierto en el fútbol. La pregunta es cuánto se alejan de la realidad y qué cambia eso.
| Supuesto del modelo | Qué supone | Qué muestran los datos |
|---|---|---|
| Independencia de los goles | Los goles de un equipo no dependen de los 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 cambia con el marcador (el que pierde ataca más, el que gana puede bajar el ritmo) |
| Fuerza fija por equipo | La fuerza ofensiva y defensiva no cambia durante el partido | Expulsiones, lesiones y cambios tácticos modifican la fuerza real sobre la marcha |
| Resultados independientes del contexto | Cada partido se trata por separado | El calendario, la importancia del partido y la fatiga influyen en el ritmo real, y la media de goles sola no lo recoge |
La correlación que midió Maher entre los goles de los dos equipos no es nula, pero sigue siendo débil: ronda el 0,2. Quince años después, Dixon y Coles (1997) quisieron corregir ese hueco. Añadieron un parámetro de dependencia que ajusta la probabilidad de los marcadores ajustados (0-0, 1-0, 0-1, 1-1). Son los que peor representa un Poisson estrictamente independiente.
Su trabajo tiene una segunda aportación que se cita menos. Lo contrastaron directamente con cuotas de casas de apuestas. Querían saber si el modelo corregido encontraba diferencias de precio aprovechables 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 simplificación que se acepta para poder calcular. Un hecho es lo que muestran los datos cuando pones el modelo a prueba. Para usar bien un modelo Poisson/xG, empieza por preguntarte qué supuesto falla más en el partido que estás mirando.
Los xG, dato de entrada del modelo
Los goles esperados (xG) miden la calidad de las ocasiones según su posición, su origen y el contexto de la jugada. Como dato de entrada dan una media de goles más estable que la simple media de goles marcados. Esta última cambia de un partido a otro según lo bien o mal que se rematen las ocasiones.
El xG está, por tanto, al principio de la cadena. Alimenta el parámetro de entrada de un modelo de Poisson y nunca es su salida. Un equipo puede acumular xG altos durante varios partidos y el modelo seguir sin darte una victoria segura. El xG mejora la media. Los supuestos del modelo que la usa después siguen en pie.
El enfoque completo para el fútbol, con xG, forma, indicadores de juego y los motivos por los que este deporte se resiste tanto a la modelización, está en la guía de IA aplicada al fútbol.
xG, datos de forma y modelos aplicados al fútbol →
Contrastar la distribución con el mercado
Una distribución de un modelo y una cuota de casa de apuestas responden a dos preguntas distintas. Mezclarlas sería comparar un cálculo con un precio. La cuota lleva una estimación, pero también el margen y la exposición de las apuestas ya recibidas. Ningún modelo de Poisson recoge nada de eso.
Para compararlas con justicia, convierte la cuota en probabilidad implícita y pon al lado la probabilidad del modelo para el mismo resultado. Si la estimación del modelo supera lo que exige la cuota, puedes leer la diferencia como una cuota justa distinta del precio publicado. Trátalo como una señal que hay que cuestionar, nunca como una certeza. La diferencia puede delatar tanto un fallo del modelo como una ineficiencia del mercado.
Dixon y Coles se hicieron esa pregunta en 1997: ¿encuentra un modelo mejor especificado diferencias de precio que aguanten en un mercado real? En su muestra, la respuesta fue que sí. No se generaliza sin más. Un mercado de apuestas se ajusta, y una diferencia visible en una temporada puede cerrarse en la siguiente cuando otros la aprovechan.
Donde antes se encuentra una distribución de Poisson con un precio es en el Over/Under, porque trabaja directamente sobre un total de goles.
El mercado de totales y cómo se liquida →
Lo que un modelo Poisson/xG permite y lo que no
Hay tres cosas que conviene no mezclar.
- Combina dos medias de goles en una distribución completa sobre todos los resultados posibles y coloca cada resultado de mercado sobre ella.
- Estima una probabilidad por resultado o por mercado. El margen de error depende de cuánto se cumplan la independencia y el ritmo constante en el partido que miras.
- No predice el resultado del partido, ni siquiera da por hecho el más probable. Bunker y Susnjak, cuya revisión ya cita la guía de IA aplicada al fútbol del sitio, recuerdan que el fútbol es de los deportes más difíciles de modelizar por su bajo número de goles.
Ese 15-20 % del principio también se puede leer al revés: el marcador favorito del modelo acierta, en general, no más de una vez de cada cinco. Por eso un solo partido sirve de poco para juzgar un modelo. Evaluarlo con un único encuentro no tiene sentido estadístico. Hace falta un historial, y cuántos datos necesitas para poder interpretarlo depende de parámetros que se pueden nombrar. De toda esta página, yo me quedaría con este punto.
De qué depende la cantidad de datos necesaria →
Juego responsable: una distribución de probabilidades limpia no hace que ninguna apuesta esté libre de riesgo. Las apuestas deportivas conllevan un riesgo de pérdida económica. Fíjate un presupuesto, no intentes recuperar lo perdido y usa las herramientas de límites y autoexclusión disponibles. ¿Necesitas hablarlo? La línea de FEJAR, 900 200 225, es gratuita y anónima. Más información sobre el juego responsable.
Cómo encaja OddScore con estos modelos
OddScore no construye ningún modelo de marcadores a partir de estadísticas de equipo. La plataforma recoge las cuotas de varias casas de apuestas, las convierte en probabilidades implícitas, quita el margen y sigue su evolución. En fútbol, además, ajusta una distribución de Poisson al mercado Over/Under para mostrar los goles que esperan las casas de apuestas: es una lectura del mercado, no un modelo propio.
Un modelo Poisson/xG y una lectura del mercado responden a preguntas parecidas pero distintas. Uno estima una distribución a partir de medias de goles. La otra lee lo que piensan varios operadores a la vez sobre un resultado, precio a precio. Pueden aclararse el uno al otro. Ninguno sustituye al otro y ninguno es un pronóstico. La lectura IA de OddScore tampoco lo es: resume lo que dice el mercado antes del partido y no es una apuesta que debas seguir.
El papel de una cuota dentro de un análisis más amplio lo trata la guía que une cuotas y pronósticos: un dato entre otros, nunca una respuesta.
Integrar una cuota en un análisis, sin copiarla →
Ponerlo en práctica
Aplica esta guía a cuotas reales.
Ver una lectura de mercado
Un partido real con sus cuotas, sus movimientos y su señal 0-100.
Abrir la demoCalculadora de margen
Mide el margen de una casa de apuestas en cualquier mercado.
Calcular el margenExplora el mercado
Los movimientos de cuotas son solo una parte de la historia. Estos son los próximos temas que conviene leer.
Pronósticos deportivos: analizar antes de apostar
La guía completa del tema: 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: cómo sacarla de una cuota
La fórmula para pasar de una cuota a su probabilidad implícita.
Convertir una cuotaFair odds: de la probabilidad estimada a la cuota
Cómo pasar de la probabilidad de un modelo a una cuota justa.
Calcular una cuota justaOver/Under: el mercado de totales
El mercado que este tipo de distribución valora de forma más directa.
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 hacen falta antes de juzgar un rendimiento?
De qué depende la cantidad de datos necesaria.
Ver el métodoPreguntas frecuentes
¿Qué es un modelo de Poisson aplicado al fútbol?
Un modelo estadístico que estima un número medio de goles para cada equipo y, a partir de esa media, calcula la probabilidad de marcar 0, 1, 2, 3 o más goles. El resultado es una distribución de marcadores, no un marcador único.
¿Son lo mismo los xG y la distribución de Poisson?
No. Los xG miden la calidad de las ocasiones en un partido ya jugado o en curso. La distribución de Poisson es un modelo de probabilidad que, antes del partido, puede usar como entrada una media de goles, salga o no de los xG.
¿Por qué el fútbol no sigue exactamente una distribución de Poisson?
Porque sus dos supuestos centrales solo se cumplen de forma aproximada: goles independientes y ritmo constante durante 90 minutos. Los goles de un mismo partido están algo correlacionados y el ritmo cambia con el marcador.
¿Puede un modelo Poisson/xG predecir un resultado exacto?
No. Da una probabilidad a cada resultado posible, y hasta el más probable es minoritario dentro de la distribución. Un modelo que diera un único resultado dejaría de ser un modelo probabilístico.
¿Cómo se compara un modelo estadístico con la cuota de una casa de apuestas?
Conviertes la cuota en probabilidad implícita y la comparas con la probabilidad que da el modelo para el mismo resultado. Si hay diferencia, duda primero del modelo y después del mercado.
¿Usan las casas de apuestas este tipo de modelo?
Las variantes del modelo de Poisson están entre las herramientas clásicas para fijar cuotas deportivas, junto a otros métodos. Por sí solas no explican un precio publicado, que también incluye el margen y la exposición del operador.
¿OddScore da pronósticos?
No. OddScore compara las cuotas de varias casas de apuestas, quita el margen y sigue su evolución. La lectura IA resume lo que dice el mercado antes del partido. No es una apuesta que debas seguir y OddScore no da consejos de apuesta.
Fuentes y metodología
La página se apoya en los dos trabajos fundacionales sobre la modelización de resultados de fútbol con la distribución de Poisson y en la revisión académica sobre predicción en deportes de equipo que ya cita la guía de IA aplicada al fútbol. A eso se suman el regulador español del juego y una entidad de ayuda a jugadores.
- Recoger los supuestos del modelo de Poisson independiente tal como los formalizó Maher (1982), sin simplificarlos.
- Presentar la corrección de correlación de Dixon y Coles (1997) como respuesta académica al límite de la independencia, no como nota técnica menor.
- Tratar los xG siempre como un dato de entrada entre otros, nunca como salida del modelo.
- Separar con claridad una distribución producida por un modelo de una cuota de mercado, que lleva margen y exposición comercial.
- Maher, M. J. (1982). Modelling association football scores. Statistica Neerlandica, 36(3), 109-118.
- Dixon, M. J. & Coles, S. G. (1997). Modelling Association Football Scores and Inefficiencies in the Football Betting Market. Journal of the Royal Statistical Society: Series C, 46(2), 265-280.
- Dirección General de Ordenación del Juego (DGOJ): juego seguro
- FEJAR: Federación Española de Jugadores de Azar Rehabilitados