1. Fundamentos Matemáticos del Proceso de Poisson en el Fútbol
El fútbol profesional presenta una particularidad estadística fundamental que lo diferencia de la inmensa mayoría de disciplinas deportivas: los goles son sucesos cuantitativamente escasos, discretos e integrados a lo largo de un intervalo continuo fijo de 90 minutos reglamentarios. En un partido estándar de las principales competiciones europeas o latinoamericanas se anotan entre 2,5 y 2,8 goles combinando ambos conjuntos, lo que equivale a una frecuencia media de apenas un gol cada 32 a 36 minutos de juego efectivo.
Debido a que las anotaciones se producen de manera discontinua y relativamente independiente en una línea temporal continua, la dinámica estocástica del marcador en un encuentro de fútbol se ajusta con rigor a los axiomas de un Proceso de Poisson. En la teoría formal de probabilidades, un proceso de Poisson se cimenta sobre tres propiedades esenciales:
- Discretización y No Negatividad: La variable aleatoria $X$, que representa la cantidad de goles anotados por un equipo, adopta exclusivamente valores enteros no negativos pertenecientes al conjunto: $k in {0, 1, 2, 3, dots}$. Es físicamente imposible que un club marque una fracción de gol o registre un saldo negativo.
- Independencia Temporal (Ausencia de Memoria): La probabilidad de que se marque un gol en un lapso infinitesimal $[t, t + Delta t]$ es estadísticamente independiente de los eventos acaecidos con anterioridad al instante $t$. El hecho de haber anotado en el minuto 15 no altera intrínsecamente la probabilidad objetiva de anotar en el minuto 16, bajo una calidad táctica constante.
- Proporcionalidad y No Simultaneidad: La probabilidad de que acontezca exactamente un gol durante un breve incremento $Delta t$ es directamente proporcional a la amplitud del intervalo ($lambda Delta t + o(Delta t)$), mientras que la probabilidad de que se produzcan dos o más goles en el mismo instante infinitesimal es asintóticamente despreciable ($o(Delta t)$).
Matemáticamente, la distribución de Poisson surge como el límite analítico de una distribución Binomial $B(n, p)$ cuando el número de ensayos $n$ tiende a infinito y la probabilidad de éxito $p$ se aproxima a cero, de modo que el producto $np = lambda$ permanece constante. La Función de Masa de Probabilidad (FMP) que determina la probabilidad de que un equipo anote con exactitud $k$ goles en función del parámetro de intensidad media $lambda > 0$ se define como:
Donde $e approx 2.71828$ denota la constante de Euler y $k!$ representa el factorial de $k$ (con $0! = 1$). Un atributo sobresaliente de la distribución de Poisson es la equidispersión: la esperanza matemática y la varianza son idénticas al parámetro de intensidad $lambda$:
Las evidencias empíricas recopiladas a lo largo de décadas confirman que el índice de dispersión en torneos ligueros de primer nivel oscila de manera sistemática entre $0.98$ y $1.04$, validando a la distribución de Poisson como el estándar cuantitativo óptimo para la predicción de resultados deportivos.
2. Descomposición de la Expectativa de Goles: Ataque, Defensa y Factor Local
Para emplear el modelo de Poisson con fines analíticos y predictivos, el analista no puede asignar valores arbitrarios a $lambda$. En su lugar, las tasas de goles esperados para el conjunto local ($lambda_{local}$) y el conjunto visitante ($mu_{visitante}$) se deducen a partir de la descomposición de datos históricos consolidados:
Donde cada término representa una dimensión de rendimiento deportivo:
- $\mu_{liga}$ (Media Histórica de la Liga): Promedio de goles anotados por equipo por partido en el campeonato global (generalmente entre 1.30 y 1.45 goles por equipo).
- $\alpha_i$ (Potencia Ofensiva del Equipo $i$): Mide la capacidad relativa de ataque. Un registro de $alpha = 1.25$ denota que el equipo genera un 25% más de goles que la media del torneo frente a un rival promedio.
- $\beta_j$ (Vulnerabilidad Defensiva del Equipo $j$): Evalúa la fragilidad defensiva relativa. Un coeficiente de $eta = 0.80$ indica que la plantilla encaja un 20% menos de goles que el estándar de la liga (un sistema defensivo de élite).
- $\gamma$ (Ventaja de Localía): Multiplicador que cuantifica el impacto positivo de disputar el encuentro en el estadio propio, propiciado por la presión ambiental del público, la familiaridad con el terreno de juego y la ausencia de desgaste por desplazamientos. En el fútbol de alta competición, $gamma$ oscila entre $1.15$ y $1.25$.
Para asegurar que los parámetros del modelo se encuentren matemáticamente definidos en un torneo compuesto por $N$ escuadras, se fijan condiciones de normalización:
El vector paramétrico $ ec{ heta} = ( ec{alpha}, ec{eta}, gamma)$ se estima rigurosamente aplicando el método de Máxima Verosimilitud (MLE) sobre un histórico de $M$ partidos:
3. Distribución Bivariada de Poisson y la Matriz de Marcadores Correctos
Una vez determinados los parámetros de intensidad media $lambda$ (local) y $mu$ (visitante), la probabilidad de cualquier resultado exacto —sea un triunfo por 2-1, una igualdad 0-0 o una sorpresa visitante— se deriva a través de la Distribución Bivariada de Poisson.
Asumiendo de forma preliminar la independencia entre ambas fuerzas, la probabilidad conjunta de que el equipo local consiga $x$ goles y el visitante obtenga $y$ goles corresponde al producto de sus probabilidades marginales:
A modo de ejemplo ilustrativo, consideremos un duelo donde el modelo proyecta $lambda = 1.68$ goles esperados para el equipo anfitrión y $mu = 1.15$ goles para la escuadra foránea. Estructuramos la matriz completa de probabilidades para los marcadores comprendidos entre 0 y 5 goles por bando:
| Local \ Visitante | 0 Goles | 1 Gol | 2 Goles | 3 Goles | 4 Goles | 5 Goles |
|---|---|---|---|---|---|---|
| 0 Goles | 5.91% | 6.80% | 3.91% | 1.50% | 0.43% | 0.10% |
| 1 Gol | 9.93% | 11.42% | 6.57% | 2.52% | 0.72% | 0.17% |
| 2 Goles | 8.34% | 9.59% | 5.52% | 2.11% | 0.61% | 0.14% |
| 3 Goles | 4.67% | 5.37% | 3.09% | 1.18% | 0.34% | 0.08% |
| 4 Goles | 1.96% | 2.26% | 1.30% | 0.50% | 0.14% | 0.03% |
| 5 Goles | 0.66% | 0.76% | 0.44% | 0.17% | 0.05% | 0.01% |
Cada celda refleja la probabilidad empírica precisa de un marcador concreto. El resultado individual más probable es el empate 1-1 (11.42%), seguido de cerca por la victoria local 1-0 (9.93%) y el 2-1 (9.59%).
4. Fijación de Cuotas en Mercados Derivados
La ventaja operativa suprema de este modelo estriba en que la matriz bivariada permite calcular de forma unificada las cuotas justas de los mercados principales.
Mercado de Resultado Final (1X2)
- Victoria Local ($P_H$): Suma de casillas situadas bajo la diagonal ($x > y$):
P_H = \sum_{x > y} P(X = x, Y = y) = 48.74\% \implies O_H = \frac{1}{0.4874} = 2.052
- Empate ($P_D$): Suma de las casillas de la diagonal ($x = y$):
P_D = \sum_{x = y} P(X = x, Y = y) = 24.53\% \implies O_D = \frac{1}{0.2453} = 4.077
- Victoria Visitante ($P_A$): Suma de casillas sobre la diagonal ($x < y$):
P_A = \sum_{x < y} P(X = x, Y = y) = 26.73\% \implies O_A = \frac{1}{0.2673} = 3.741
Mercado de Más / Menos de 2.5 Goles (Over / Under)
Sumando los marcadores correspondientes a dos o menos goles combinados:
Ambos Equipos Anotan (BTTS)
5. La Corrección Bivariada de Dixon y Coles (1997)
A pesar de su claridad formal, el modelo simple adolece de un fallo econométrico sistemático: la generación de goles entre ambos contrincantes no es enteramente independiente.
Para corregir este desajuste, Mark J. Dixon y Stuart G. Coles propusieron un factor de acoplamiento $ ho$ y un modificador $ au(x, y, lambda, mu, ho)$ que calibra de forma selectiva los cuatro marcadores de baja anotación:
Donde la función de ajuste $ au$ se define como:
Dado que el parámetro de correlación empírica $ ho$ es negativo (típicamente entre $-0.05$ y $-0.15$), el factor $ au(0,0) = 1 - lambda mu ho$ resulta estrictamente mayor a 1.0, inflando la probabilidad del 0-0 hacia niveles reales. De igual modo, $ au(1,1) = 1 - ho > 1.0$ ajusta el 1-1. Esta reformulación matemática conserva inalteradas las probabilidades marginales, garantizando la conservación de la probabilidad total.
Ponderación Temporal Exponencial (Time-Decay)
Dixon y Coles integraron asimismo una función de ponderación temporal decreciente para otorgar mayor peso a los enfrentamientos recientes en comparación con partidos disputados meses atrás:
Calibrada usualmente con una vida media de 180 a 240 días, asegurando una rápida adaptación a los cambios en el estado de forma de los planteles.
6. Modernización del Modelo con Expected Goals (xG)
En el panorama cuantitativo actual, los sindicatos de apuestas ya no alimentan sus modelos exclusivamente con el registro de goles históricos. El motivo reside en la reducida muestra de partidos.
A lo largo de 38 jornadas ligueras se anotan muy pocos goles, interviniendo factores puramente fortuitos (rebotes involuntarios, decisiones arbitrales discutibles o errores atípicos de guardametas). Utilizar goles brutos introduce ruido estadístico en las proyecciones.
Para solucionar esta limitación, se reemplazan los goles reales por Goles Esperados (xG) derivados de datos de posicionamiento espacial de cada remate. Al estimar los parámetros de ataque $alpha$ y defensa $eta$ mediante xG sin penaltis ($npxG$), la varianza del modelo se reduce en más de un 35%, proporcionando estimaciones sensiblemente más precisas y fiables.
7. Caso Práctico Detallado: Real Madrid vs Atlético de Madrid
Analicemos un caso práctico completo: Real Madrid (Local) vs Atlético de Madrid (Visitante).
- Media liguera: $mu_{liga} = 1.32$ | Ventaja de Localía: $gamma = 1.18$
- Ataque Real Madrid: $alpha_H = 1.40$ | Defensa Real Madrid: $eta_H = 0.75$
- Ataque Atlético: $alpha_A = 1.15$ | Defensa Atlético: $eta_A = 0.80$
Determinación de las tasas de goles:
Calculando probabilidades bajo Dixon-Coles ($ ho = -0.10$):
- Victoria Real Madrid: $P_H = 50.85\% \implies O_H = 1.967$
- Empate: $P_D = 23.95\% \implies O_D = 4.175$
- Victoria Atlético: $P_A = 25.20\% \implies O_A = 3.968$
- Más de 2.5 Goles: $P_{Over} = 56.12\% \implies O_{Over} = 1.782$
Si el mercado cotiza la victoria del Real Madrid a $2.10$, se detecta una ventaja matemática comprobada: $EV = (0.5085 \times 2.10) - 1 = +6.79\%$.
8. Consideraciones Operativas y Factores Críticos
El analista cuantitativo debe integrar consideraciones dinámicas que trascienden el marco estático de Poisson:
- Dinámica del Marcador en Vivo (Game State): Un equipo con ventaja tiende a proteger el resultado replegando sus líneas, mientras que el rezagado asume mayores riesgos ofensivos, alterando los parámetros originales.
- Expulsiones (Tarjetas Rojas): Una expulsión reduce el potencial ofensivo en cerca de un 50% e incrementa la tasa del adversario en un 30%.
- Rotaciones y Bajas Clave: La ausencia de futbolistas determinantes exige ajustar manualmente los coeficientes $alpha$ y $eta$.
9. Conclusión y Herramientas Prácticas
El Modelo de Poisson enriquecido con la corrección de Dixon-Coles y la integración de métricas xG constituye la base analítica de referencia en el análisis cuantitativo de fútbol.
Comprueba estas formulaciones en tiempo real con nuestra Calculadora de Modelo de Poisson gratuita.