Available in USContenido
Un Modelo de 1837 Que Sigue Prediciendo Goles en 2026
Llevo usando la distribución de Poisson desde 2019 y cada temporada me sorprende que algo inventado por un matemático francés hace casi dos siglos siga siendo útil para estimar cuántos goles caerán en un partido de LaLiga. No es un modelo perfecto — ninguno lo es — pero como punto de partida para evaluar mercados de Over/Under y resultado exacto, nada más sencillo ofrece resultados comparables.
La idea central es elegante: los goles en fútbol se comportan como eventos raros e independientes dentro de un período fijo. Un penalti tiene un xG de 0,76 — un evento cuantificable — y la media de goles por equipo y partido ronda los 1,2-1,5 en las principales ligas europeas. Poisson toma esa media y calcula la probabilidad de que ocurran 0, 1, 2, 3 o más goles. Con esos datos, puedes construir tu propia tabla de probabilidades y compararla con lo que dicen las cuotas.
La Distribución de Poisson Explicada sin Jerga
Si alguien te dice que la distribución de Poisson es compleja, probablemente nunca la ha usado con un caso práctico delante. La explicación más clara que conozco es esta: imagina que un equipo marca, de media, 1,3 goles por partido en casa. Poisson te dice qué probabilidad hay de que en un partido concreto marque 0, 1, 2, 3, 4 o más.
La fórmula es P(x) = (e^(-lambda) x lambda^x) / x!, donde lambda es la media de goles esperados y x es el número de goles cuya probabilidad quieres calcular. El símbolo e es la constante de Euler (2,718…) y x! es el factorial del número de goles. Para lambda = 1,3 y x = 0: P(0) = e^(-1,3) x 1,3^0 / 0! = 0,2725, es decir, un 27,25% de probabilidad de que no marque. Para x = 1: P(1) = e^(-1,3) x 1,3^1 / 1! = 0,3543, un 35,43%. Y así sucesivamente.
No necesitas hacer estos cálculos a mano. Una hoja de cálculo con la función POISSON.DIST resuelve todo en un segundo. Lo que necesitas entender es el concepto: con una sola variable — la media de goles esperados — puedes derivar la distribución completa de probabilidades.
Paso a Paso: Cómo Calcular Probabilidades de Goles
El ejemplo que uso cada temporada para explicar esto es un partido ficticio pero realista: un equipo local que marca 1,6 goles de media en casa contra un visitante que encaja 1,4 de media fuera. El visitante marca 0,9 goles fuera de media, y el local encaja 1,0 en casa.
El primer paso es calcular el lambda de cada equipo. Para el local: (media de goles a favor en casa + media de goles en contra del visitante fuera) / 2 = (1,6 + 1,4) / 2 = 1,5. Para el visitante: (0,9 + 1,0) / 2 = 0,95. Hay métodos más sofisticados — ajustes por fuerza de liga, ponderación por jornadas recientes — pero esta aproximación básica ya captura la esencia.
Con lambda_local = 1,5 y lambda_visitante = 0,95, aplico Poisson a cada equipo por separado para obtener las probabilidades de que marquen 0, 1, 2, 3, 4 o más goles. Luego construyo una tabla cruzada: la probabilidad de que el partido acabe 0-0 es P_local(0) x P_visitante(0); la de 1-0 es P_local(1) x P_visitante(0); y así para cada marcador posible.
El informe Integrity in Action 2025 de Sportradar revela que el fútbol, a pesar de ser el deporte más monitorizado, ha visto cómo su cuota de partidos sospechosos descendió del 65% al 55% del total global — una señal de que las herramientas analíticas y la vigilancia están funcionando. En ese mismo espíritu de rigor analítico, Poisson nos permite poner números donde otros ponen intuición.
Con la tabla cruzada completa, sumo probabilidades para obtener los mercados que me interesan. Para Over 2.5 goles: sumo todas las combinaciones cuya suma de goles supere 2,5. Para Under 2.5: el resto hasta 100%. Para apuestas Over/Under en líneas alternativas como 1,5 o 3,5, repito el proceso con los rangos correspondientes. Cada probabilidad la convierto en cuota justa (1/probabilidad) y la comparo con las cuotas reales del operador. Si la cuota real supera mi cuota justa por un margen de al menos 5%, considero que hay valor.
De Poisson a Apuestas: Over/Under, Resultado Exacto y BTTS
Donde Poisson brilla es en el mercado de resultado exacto. Las cuotas de marcadores específicos — 1-0, 2-1, 0-0 — suelen tener márgenes muy amplios porque la mayoría de apostadores no tiene un modelo para evaluarlas. Con mi tabla cruzada, puedo identificar marcadores cuya cuota está inflada respecto a su probabilidad Poisson.
Para el mercado de Ambos Marcan, Poisson ofrece una respuesta directa: la probabilidad de BTTS es 1 – P_local(0) – P_visitante(0) + P_local(0) x P_visitante(0). Es el complementario de que al menos uno de los dos no marque. En el ejemplo anterior: 1 – 0,2231 – 0,3867 + 0,2231 x 0,3867 = 0,4764, un 47,64% de probabilidad de que ambos marquen.
El Over/Under de goles totales es el mercado más directo. La suma de los lambdas — 1,5 + 0,95 = 2,45 — te da la media total esperada. Si la línea del operador está en 2,5, mi modelo sugiere que Over y Under están muy cerca del 50/50, lo que significa que cualquier cuota superior a 2,00 en cualquiera de los lados tiene un ligero valor. Cuando la línea se aleja de mi media total por 0,5 goles o más, la oportunidad se vuelve clara.
Qué No Puede Predecir Poisson y Cómo Mejorarlo
Poisson asume que los goles de cada equipo son independientes entre sí. En la realidad, no lo son: si el local marca primero, el visitante puede abrirse más buscando el empate, lo que genera más goles para ambos. Ese efecto de correlación no existe en el modelo básico, y subestima ligeramente la probabilidad de resultados extremos — partidos con muchos goles o empates a cero.
La segunda limitación es que lambda es una media, y las medias ocultan varianza. Un equipo que marca 1,5 goles de media puede hacerlo distribuyendo uniformemente (1-2 goles por partido) o con picos y valles (0 goles tres partidos y luego 4 en uno). Poisson trata ambos perfiles igual, pero para las apuestas, la distribución subyacente importa.
Para mejorar el modelo básico, incorporo tres ajustes. Primero, uso xG en lugar de goles reales para calcular lambda — los xG reflejan la calidad de las ocasiones creadas, no la suerte en la definición. Segundo, añado un factor de correlación del 10-15% a la probabilidad de marcadores altos y BTTS, compensando la asunción de independencia. Tercero, pondero las últimas seis jornadas más que las anteriores, para capturar cambios tácticos recientes. Ninguno de estos ajustes es perfecto, pero el modelo resultante supera con creces al Poisson básico y, lo que es más importante, sigue siendo manejable en una hoja de cálculo.
Preguntas Frecuentes
¿Es la distribución de Poisson suficiente o necesito modelos más complejos?
Para la mayoría de apostadores, Poisson es más que suficiente como punto de partida. Modelos más complejos — como la distribución bivariante de Poisson con correlación, o modelos de regresión con múltiples variables — mejoran ligeramente la precisión pero requieren conocimientos estadísticos y bases de datos que no están al alcance de todos. Si estás empezando, Poisson te da una base sólida. Si llevas tiempo y quieres más precisión, el paso natural es incorporar xG como lambda y añadir un factor de correlación.
¿Cómo calculo el lambda (media de goles esperados) de cada equipo?
El método más simple es promediar los goles a favor del equipo en su condición (local o visitante) con los goles en contra del rival en la condición opuesta. Por ejemplo: si el local marca 1,5 de media en casa y el visitante encaja 1,3 fuera, lambda_local = (1,5 + 1,3) / 2 = 1,4. Para mayor precisión, usa xG en lugar de goles reales y pondera las jornadas recientes sobre las antiguas. Lo fundamental es utilizar datos suficientes — mínimo seis jornadas — para que la media sea representativa.
