Modelo Dixon-Coles Explicado: Corrección de Marcadores Bajos y Ponderación Temporal en Fútbol

1. Introducción: La Falla Estructural del Modelo de Poisson Independiente

En el modelado cuantitativo de fútbol profesional, el marco de Poisson independiente —desarrollado formalmente para el análisis deportivo por M. J. Maher en 1982— representa el punto de partida fundamental para calcular probabilidades de goles y matrices de marcadores exactos. La hipótesis axiomática de Maher establece que los goles convertidos por el equipo local ($X$) y el equipo visitante ($Y$) a lo largo de los 90 minutos reglamentarios constituyen dos procesos estocásticos de Poisson independientes, gobernados por las tasas de intensidad esperadas $lambda$ y $mu$:

Aunque matemáticamente elegante, computacionalmente ligero y ampliamente implementado en la comunidad recreativa, este supuesto de independencia presenta un defecto empírico invalidante: los goles en el fútbol de élite no son condicionalmente independientes. En las competiciones profesionales, las transiciones defensivas, los ajustes tácticos ante la ventaja en el marcador y la psicología colectiva inducen una correlación estocástica no nula entre los tantos locales y visitantes.

Esta distorsión estructural crea un sesgo analítico de enorme gravedad en los mercados de apuestas deportivas. Cualquier fondo de inversión o sindicato cuantitativo que opere basándose en distribuciones de Poisson independientes subestimará severamente el valor real de los empates cerrados, cometerá errores sistemáticos en las líneas de Handicap Asiático y tasará los mercados de Menos de 2,5 Goles con valor esperado destructivo ($ ext{EV} < 0$).

En su artículo canónico de 1997 publicado en el Journal of the Royal Statistical Society, los estadísticos Mark J. Dixon y Stuart G. Coles resolvieron definitivamente este problema: "Modelling Association Football Scores and Inefficiencies in the Football Betting Market". El modelo Dixon-Coles formuló un factor corrector de correlación bivariada $ au_{x,y}(lambda, mu, ho)$ que ajusta de forma exacta las probabilidades de marcadores reducidos conservando la distribución marginal de Poisson, complementado por un factor de decaimiento temporal exponencial para capturar la evolución de los rendimientos de los clubes en el tiempo.

Este informe técnico expone la deducción matemática exhaustiva del modelo Dixon-Coles, la demostración analítica de la preservación de la probabilidad total, el planteamiento de Máxima Verosimilitud (MLE) con ponderación temporal $\xi$, tablas de distorsión comparativa frente a cuotas de mercado y un script de producción en Python con scipy.optimize.

2. El Factor de Corrección Bivariada de Dixon-Coles

Para corregir la correlación en marcadores bajos sin abandonar las propiedades computacionales de Poisson, Dixon y Coles formularon la distribución bivariada corregida:

El factor de ajuste $ au_{x,y}(lambda, mu, ho)$ es un multiplicador escalar discreto aplicado a las cuatro combinaciones de marcadores reducidos ${0, 1} imes {0, 1}$, gobernado por el parámetro de correlación $ ho$:

Demostración Matemática de la Conservación de la Masa de Probabilidad

Para asegurar la solidez axiomática del modelo, la matriz modificadora $ au_{x,y}$ debe verificar estrictamente la condición de normalización total: $sum_{x=0}^infty sum_{y=0}^infty P(X=x, Y=y) = 1$.

Descomponemos la suma doble en la base no perturbada más la perturbación sobre los cuatro estados modificados:

Evaluamos analíticamente la perturbación $Delta$ sobre los estados $(0,0), (0,1), (1,0), (1,1)$:

Introduciendo las densidades $P_0(lambda) = e^{-lambda}$, $P_1(lambda) = lambda e^{-lambda}$, $P_0(mu) = e^{-mu}$, $P_1(mu) = mu e^{-mu}$, y factorizando el exponente $e^{-lambda-mu}$:

El término perturbativo se anula de forma exacta e idéntica. Por lo tanto, la probabilidad total acumulada suma siempre el $100%$ sin necesidad de renormalizaciones artificiales.

Interpretación Física del Parámetro de Correlación $ ho$

En el análisis de ligas profesionales, la estimación por Máxima Verosimilitud converge de manera invariable hacia un valor negativo de $ ho$, generalmente comprendido en el rango:

El comportamiento de un valor negativo (por ejemplo, $ ho = -0,11$) modela con fidelidad la táctica de juego:

• Para el marcador $(0,0)$: $ au_{0,0} = 1 - lambda mu ho$. Al ser $ ho < 0$, el producto $-lambda mu ho > 0$, con lo cual $ au_{0,0} > 1$. La probabilidad del 0–0 se incrementa directamente.
• Para el marcador $(1,1)$: $ au_{1,1} = 1 - ho$. Como $ ho < 0$, $1 - ho = 1 + | ho| > 1$. La frecuencia de empates con un gol por bando aumenta de forma proporcional.
• Para los marcadores $(0,1)$ y $(1,0)$: $ au_{0,1} = 1 + lambda ho < 1$ y $ au_{1,0} = 1 + mu ho < 1$. Las victorias mínimas por 1–0 se corrigen a la baja, garantizando el equilibrio global.

3. Modelado de Fuerzas de Equipo: Ataque, Defensa y Ventaja Local

Las intensidades esperadas de goles $lambda_{i,j}$ (local $i$ frente a visitante $j$) y $mu_{i,j}$ (visitante $j$ frente a local $i$) se parametrizan multiplicativamente:

Donde:

• $alpha_i > 0$: Coeficiente ofensivo (potencia de ataque) del equipo $i$. Un valor $alpha_i = 1,25$ implica una producción goleadora un 25% superior al promedio de la liga.
• $eta_j > 0$: Coeficiente defensivo (concesión de goles) del equipo $j$. Un valor $eta_j = 0,85$ indica que el equipo recibe un 15% menos de goles que la media.
• $gamma > 0$: Factor macro de ventaja de campo. En las ligas europeas de primer orden, $gamma$ oscila habitualmente entre $1,20$ y $1,35$.

La Restricción de Identificabilidad

Para evitar la indeterminación de escala entre parámetros de ataque y defensa, Dixon y Coles impusieron la restricción canónica sobre el conjunto de los $N$ equipos participantes:

Esta normalización fija la fuerza ofensiva promedio en la unidad absoluta, permitiendo comparar los índices entre temporadas y competiciones.

4. Ponderación Temporal Exponencial: El Parámetro de Memoria $\xi$

Los resultados de hace dos temporadas no pueden tener la misma trascendencia analítica que los partidos disputados hace tres semanas. Dixon y Coles introdujeron una ponderación de decaimiento temporal continuo $w_k(\xi)$ para cada partido histórico $k$ jugado en la fecha $t_k$, respecto al día de análisis $t$:

Donde $(t - t_k)$ es el intervalo transcurrido en días y $\xi > 0$ es el coeficiente de olvido estocástico.

5. Optimización por Máxima Verosimilitud (MLE)

Dado un conjunto histórico de $M$ encuentros, la función de verosimilitud logarítmica ponderada se define como:

Omitiendo los factores factoriales constantes, el algoritmo minimiza la log-verosimilitud negativa ponderada:

Esta optimización multivariable se ejecuta de forma rápida y convergente empleando algoritmos cuasi-Newton como L-BFGS-B con cotas inferiores y superiores definidas.

6. Tabla de Discrepancia Empírica: Poisson Simple vs. Dixon-Coles

Ilustramos la discrepancia real con un partido estelar: Arsenal vs. Chelsea ($lambda = 1,65, mu = 1,15, ho = -0,12$):

Los datos demuestran con claridad meridiana cómo los modelos no corregidos regalan valor en el Empate y en el Menos de 2,5 Goles, mientras que sobreestiman las probabilidades de victorias por 1 a 0.

7. Implementación en Python: DixonColesModel

import numpy as np
from scipy.optimize import minimize
from scipy.stats import poisson

class DixonColesModel:
    def __init__(self, xi=0.0065):
        self.xi = xi
        self.teams = []
        self.team_indices = {}
        self.params = None
        self.gamma = 1.25
        self.rho = -0.11

    @staticmethod
    def tau(x, y, lambda_, mu, rho):
        if x == 0 and y == 0:
            return 1.0 - lambda_ * mu * rho
        elif x == 0 and y == 1:
            return 1.0 + lambda_ * rho
        elif x == 1 and y == 0:
            return 1.0 + mu * rho
        elif x == 1 and y == 1:
            return 1.0 - rho
        else:
            return 1.0

    def bivariate_prob(self, x, y, lambda_, mu, rho):
        p_indep = poisson.pmf(x, lambda_) * poisson.pmf(y, mu)
        tau_val = self.tau(x, y, lambda_, mu, rho)
        return max(0.0, tau_val * p_indep)

    def _unpack_params(self, params, n_teams):
        alpha = params[0:n_teams]
        beta = params[n_teams:2*n_teams]
        gamma = params[2*n_teams]
        rho = params[2*n_teams + 1]
        return alpha, beta, gamma, rho

    def fit(self, matches):
        unique_teams = sorted(list(set([m['home'] for m in matches] + [m['away'] for m in matches])))
        self.teams = unique_teams
        self.team_indices = {team: i for i, team in enumerate(self.teams)}
        n_teams = len(self.teams)

        init_params = np.concatenate([np.ones(n_teams), np.ones(n_teams), [1.25, -0.10]])

        def loss_fn(params):
            alpha, beta, gamma, rho = self._unpack_params(params, n_teams)
            nll = 0.0
            for m in matches:
                h_idx = self.team_indices[m['home']]
                a_idx = self.team_indices[m['away']]
                x, y = m['home_goals'], m['away_goals']
                weight = np.exp(-self.xi * m.get('days_ago', 0.0))
                lambda_ = max(alpha[h_idx] * beta[a_idx] * gamma, 1e-4)
                mu = max(alpha[a_idx] * beta[h_idx], 1e-4)
                prob = max(self.bivariate_prob(x, y, lambda_, mu, rho), 1e-12)
                nll -= weight * np.log(prob)
            penalty = 1000.0 * (np.mean(alpha) - 1.0) ** 2
            return nll + penalty

        bounds = [(0.05, 3.5)] * (2 * n_teams) + [(1.0, 1.8), (-0.35, 0.0)]
        res = minimize(loss_fn, init_params, method='L-BFGS-B', bounds=bounds)
        self.params = res.x
        _, _, self.gamma, self.rho = self._unpack_params(self.params, n_teams)
        return res

    def predict_score_matrix(self, home_team, away_team, max_goals=7):
        n_teams = len(self.teams)
        alpha, beta, gamma, rho = self._unpack_params(self.params, n_teams)
        h_idx, a_idx = self.team_indices[home_team], self.team_indices[away_team]
        lambda_ = alpha[h_idx] * beta[a_idx] * gamma
        mu = alpha[a_idx] * beta[h_idx]
        matrix = np.zeros((max_goals + 1, max_goals + 1))
        for x in range(max_goals + 1):
            for y in range(max_goals + 1):
                matrix[x, y] = self.bivariate_prob(x, y, lambda_, mu, rho)
        matrix /= np.sum(matrix)
        return matrix, lambda_, mu

    def predict_1x2(self, home_team, away_team):
        matrix, lambda_, mu = self.predict_score_matrix(home_team, away_team)
        return {
            'home_win': np.sum(np.tril(matrix, -1)),
            'draw': np.sum(np.diag(matrix)),
            'away_win': np.sum(np.triu(matrix, 1))
        }

8. Conclusiones Cuantitativas

La formulación de Dixon-Coles constituye una piedra angular indispensable en las apuestas de valor y el arbitraje estadístico de fútbol. Eliminar la suposición errónea de independencia en tanteos cerrados permite descubrir ineficiencias monetizables sistemáticas en los mercados de cuotas de partido, hándicaps asiáticos y totales de goles.