Distribución de Poisson guía práctica para calcular resultados

Hace más de dos décadas se publicó uno de los modelos de predicción de resultados de fútbol más influyentes de la historia: el modelo Dixon-Coles, basado en la distribución de Poisson. Desde entonces, esta herramienta matemática ha pasado de ser dominio exclusivo de académicos y casas de apuestas profesionales a convertirse en recurso accesible para cualquier apostador dispuesto a dedicar una hora a entender sus fundamentos. Si la idea de usar fórmulas matemáticas para pronosticar marcadores de fútbol te parece intimidante, este artículo te demostrará que no necesitas ser matemático para aprovechar el poder predictivo de Poisson. Solo necesitas una hoja de cálculo y datos que están disponibles gratuitamente.

La distribución de Poisson es un modelo probabilístico que convierte promedios en probabilidades de resultados variables. En el contexto del fútbol, transforma la media de goles de un equipo en probabilidades específicas para cada marcador posible. Si sabemos que el Barcelona promedia 2.1 goles por partido en casa, Poisson nos dice exactamente qué probabilidad tiene de marcar cero goles, un gol, dos goles, tres goles, y así sucesivamente. Multiplicando las probabilidades de goles de ambos equipos, obtenemos la probabilidad de cada marcador final: 0-0, 1-0, 0-1, 1-1, 2-0, hasta cualquier combinación que queramos calcular.

Los fundamentos matemáticos

La fórmula de Poisson puede parecer intimidante a primera vista, pero su aplicación práctica es mecánica una vez que la comprendes. La expresión es: P(X=k) = (e^-λ × λ^k) / k!, donde P(X=k) representa la probabilidad de que ocurran exactamente k goles, λ (lambda) es el promedio esperado de goles, e es el número de Euler (aproximadamente 2.71828), y k! es el factorial de k.

Un ejemplo concreto clarifica el proceso. Supongamos que un equipo promedia 1.5 goles por partido. Para calcular la probabilidad de que marque exactamente dos goles: P(X=2) = (e^-1.5 × 1.5^2) / 2! = (0.2231 × 2.25) / 2 = 0.251 o 25.1%. Esto significa que, basándose en su promedio de 1.5 goles, el equipo tiene un 25.1% de probabilidad de marcar exactamente dos goles en cualquier partido dado.

La buena noticia es que no necesitas calcular esto manualmente. Cualquier hoja de cálculo moderna tiene la función POISSON.DIST (en Excel) o POISSON (en Google Sheets) que hace el cálculo automáticamente. Solo introduces el número de goles (k) y el promedio esperado (λ), y la función devuelve la probabilidad. Para construir una matriz de probabilidades de todos los marcadores posibles, solo necesitas una tabla donde las filas representen goles del equipo local y las columnas goles del visitante.

Cálculo de la fuerza atacante y defensiva

El elemento más crítico del modelo no es la fórmula de Poisson en sí, sino el cálculo de los goles esperados para cada equipo en cada partido específico. Aquí es donde entra el concepto de fuerza atacante y fuerza defensiva.

El procedimiento comienza calculando los promedios de la liga. Usando datos de la temporada anterior (o la actual si hay suficientes partidos), calculas el promedio de goles marcados por los equipos locales en toda la liga, el promedio de goles marcados por los visitantes, el promedio de goles recibidos por los locales, y el promedio de goles recibidos por los visitantes. En la Premier League típica, estos valores rondan 1.5 goles para locales y 1.1 para visitantes, con los valores defensivos siendo el inverso.

La fuerza atacante de un equipo se calcula dividiendo su promedio de goles marcados entre el promedio de la liga. Si el Manchester City promedia 2.4 goles como local cuando el promedio de la liga es 1.5, su fuerza atacante local es 2.4/1.5 = 1.6. Esto significa que el City ataca un 60% mejor que el equipo promedio cuando juega en casa. La fuerza defensiva se calcula de manera similar pero con goles recibidos: si el City recibe 0.6 goles como local cuando el promedio es 1.2, su fuerza defensiva local es 0.6/1.2 = 0.5, indicando una defensa dos veces más efectiva que el promedio.

Para calcular los goles esperados en un partido específico, multiplicas la fuerza atacante del equipo que analizas por la fuerza defensiva del rival y por el promedio de goles de la liga para esa condición (local o visitante). Si el City (fuerza atacante local 1.6) enfrenta en casa al Everton (fuerza defensiva visitante 1.3), los goles esperados del City son: 1.6 × 1.3 × 1.5 = 3.12 goles.

Construcción de la matriz de probabilidades

Una vez que tienes los goles esperados para ambos equipos, la distribución de Poisson genera las probabilidades individuales de cada cantidad de goles. Si el City espera marcar 3.12 goles y el Everton 0.85, calculamos para cada equipo la probabilidad de marcar 0, 1, 2, 3, 4 y 5 goles (más allá de 5 las probabilidades son insignificantes en la mayoría de casos).

La probabilidad de cada marcador final se obtiene multiplicando las probabilidades individuales de cada equipo, asumiendo independencia estadística (los goles de un equipo no afectan los del otro). Si la probabilidad del City de marcar 2 goles es 23% y la del Everton de marcar 0 es 43%, la probabilidad del marcador 2-0 es 0.23 × 0.43 = 9.89%.

Sumando las probabilidades de todos los marcadores que corresponden a victoria local, empate y victoria visitante, obtienes las probabilidades del mercado 1X2. Sumando los marcadores con más de 2.5 goles totales obtienes la probabilidad del over 2.5. Sumando los marcadores donde ambos equipos marcan al menos un gol obtienes la probabilidad del BTTS. Cualquier mercado de goles puede derivarse de la matriz de probabilidades de Poisson.

Conversión a cuotas y búsqueda de valor

Las probabilidades calculadas se convierten fácilmente en cuotas dividiendo 1 entre la probabilidad. Si calculas que la victoria local tiene 62% de probabilidad, la cuota "justa" sería 1/0.62 = 1.61. Comparando esta cuota con la ofrecida por las casas de apuestas, puedes identificar dónde hay valor. Si la casa ofrece 1.85 para un resultado que calculas debería pagar 1.61, has encontrado potencial valor en contra del local.

La clave está en que tu modelo puede capturar información que el mercado no ha incorporado completamente. Quizás el equipo local ha mejorado significativamente en las últimas jornadas, o el visitante tiene varias bajas importantes. Si ajustas los promedios de goles para reflejar esta información y recalculas las probabilidades, puedes generar estimaciones que difieran del consenso del mercado.

El margen de las casas de apuestas típicamente oscila entre 3% y 8% sobre la probabilidad verdadera. Esto significa que tus cálculos deben ser al menos ese porcentaje más precisos que las cuotas implícitas para generar valor después del margen. No es tarea fácil, pero el modelo de Poisson proporciona una base cuantitativa desde la cual trabajar.

Aplicación práctica paso a paso

Para implementar tu propio modelo de Poisson, sigue este proceso estructurado.

Primero, recopila datos de goles de la liga que quieres analizar. Necesitas goles marcados y recibidos por cada equipo, separados por local y visitante. FBref, Understat y sitios similares proporcionan esta información gratuitamente. Una temporada completa (38 partidos por equipo en ligas de 20 equipos) ofrece un tamaño de muestra razonablemente estable.

Segundo, calcula los promedios de la liga y las fuerzas atacantes y defensivas de cada equipo. Esto puede hacerse una vez y actualizarse periódicamente conforme avanza la temporada. Una hoja de cálculo bien estructurada automatiza completamente este proceso.

Tercero, para cada partido específico que quieras pronosticar, calcula los goles esperados de cada equipo usando las fuerzas calculadas. Introduce estos valores en las funciones de Poisson para generar la matriz de probabilidades.

Cuarto, suma las probabilidades correspondientes a cada mercado que te interese y conviértelas a cuotas. Compara con las cuotas del mercado y registra tus discrepancias.

Quinto, realiza seguimiento de tus predicciones versus resultados reales. Con el tiempo, podrás calibrar tu modelo y ajustar parámetros para mejorar precisión.

Limitaciones del modelo

El modelo de Poisson tiene limitaciones importantes que debes conocer para no sobreestimar su precisión.

La asunción de independencia entre goles de ambos equipos no siempre se cumple. Un gol temprano puede cambiar la dinámica táctica del partido, haciendo que el equipo que va abajo arriesgue más (y potencialmente marque o reciba más goles). El modelo Dixon-Coles de 1997 introdujo correcciones para marcadores bajos (0-0, 1-0, 0-1, 1-1) precisamente porque la independencia falla especialmente en estos escenarios.

El modelo no incorpora información contextual crucial: lesiones, sanciones, fatiga por calendario congestionado, motivación relativa de cada equipo, condiciones meteorológicas, dinámicas recientes de forma. Todos estos factores afectan los goles esperados de maneras que los promedios históricos no capturan.

La selección del período de datos es crítica. Usar demasiados partidos incluye información obsoleta que no refleja la fuerza actual de los equipos. Usar muy pocos introduce variabilidad excesiva por valores atípicos. Encontrar el equilibrio correcto requiere experimentación y depende de la estabilidad de cada liga y equipo específico.

Finalmente, las casas de apuestas también usan modelos de Poisson (y más sofisticados). Tu ventaja no viene de usar Poisson per se, sino de incorporar información que el mercado no ha procesado o de identificar situaciones donde tus ajustes subjetivos mejoran las estimaciones base del modelo.

Recursos para profundizar

Para quienes quieran llevar el modelo más allá, el paper original de Dixon y Coles está disponible gratuitamente y explica las correcciones matemáticas para mejorar el modelo básico. Sitios como Pinnacle publican guías detalladas sobre implementación práctica. Calculadoras de Poisson en línea permiten hacer cálculos rápidos sin necesidad de construir tu propia hoja de cálculo.

La distribución de Poisson no es una bola de cristal que predice el futuro. Es una herramienta que convierte información histórica en probabilidades estructuradas. Su valor reside en proporcionar una base cuantitativa sobre la cual aplicar tu propio análisis y juicio. Dominada la técnica básica, el siguiente paso es personalizarla: ajustar por factores que consideres relevantes, experimentar con diferentes períodos de datos, incorporar métricas avanzadas como xG en lugar de goles reales. El modelo básico es el punto de partida; hasta dónde llegues depende de cuánto quieras profundizar.