El problema de predecir goles
Los analistas de fútbol se topan con una pregunta brutal: ¿cómo anticipar la cantidad exacta de goles que marcará un equipo? Aquí la estadística entra con todo, y el modelo Poisson se vuelve la herramienta favorita.
¿Por qué Poisson?
Porque los goles son eventos raros, discretos y casi independientes. El modelo captura la media de goles por partido y genera una distribución que dice: «esto es lo que probablemente suceda».
Suposiciones básicas
Primero, la tasa de goles (λ) se mantiene constante durante el juego. Segundo, los goles de un equipo no influyen directamente en los del rival. Y tercero, la probabilidad de que ocurran dos goles simultáneos es prácticamente nula.
Construyendo la tasa λ
Mira: para cada equipo calculas su promedio de goles anotados y recibidos en los últimos partidos. Luego ajustas por factor de localía, fuerza del rival y, por supuesto, la forma reciente.
Ejemplo rápido: Equipo A marca 1.8 goles de media; recibe 0.9. En casa, el factor de ventaja es +0.2. λ de ataque = 1.8 + 0.2 = 2.0; λ de defensa = 0.9 - 0.1 = 0.8. Combinas ambos y ya tienes la tasa final.
Aplicando la fórmula
La probabilidad de que un equipo marque k goles es P(k) = (e⁻^λ · λ^k) / k!. Con λ ya calculado, basta iterar k = 0,1,2… hasta que la suma de probabilidades alcance el 95 %.
Ejemplo numérico
Si λ = 2.0, P(0) ≈ 0.135, P(1) ≈ 0.270, P(2) ≈ 0.270, P(3) ≈ 0.180, P(4) ≈ 0.090. Sumas y obtienes la distribución completa.
Combinar ataques y defensas
La magia ocurre cuando cruzas la distribución del equipo local con la del visitante. Multiplicas probabilidades de cada posible marcador y obtienes la matriz de resultados.
Así, la probabilidad de 2-1 se calcula como P_local(2) × P_visitante(1). Repite para todos los pares y tendrás la tabla de predicción.
Ventajas y limitaciones
Ventaja: simplicidad brutal. Limitación: no captura momentos de «golazo» ni efectos psicológicos. Pero para apuestas y pronósticos rápidos, es la reina.
Implementación práctica
Usa Excel o Python. En Python, la librería scipy.stats.poisson facilita todo. En Excel, la función POISSON.DIST hace el trabajo, aunque sin la flexibilidad del código.
Mejoras al modelo clásico
Incorpora variables como tarjetas rojas, lesiones clave o clima. Ajusta λ dinámicamente según el minuto del juego; el modelo se vuelve híbrido y mucho más preciso.
Un caso de uso real
Revisa la estrategia de modelo poisson prediccion que aplicó un analista a la liga inglesa y logró una tasa de acierto del 68 % en resultados exactos.
Consejo final
Empieza con la media simple, ajusta con factores de localía y fuerza, y nunca dejes de validar con datos reales. La práctica constante es la que convierte el modelo Poisson en una arma letal.
