El problema central
Los analistas de apuestas se topan con una realidad cruda: los goles son raros, impredecibles, y sin un marco estadístico te quedas mirando al vacío. Aquí entra el modelo Poisson, la navaja suiza de la probabilidad de goles.
¿Por qué Poisson?
Mira, la distribución de Poisson describe eventos discretos que ocurren de forma independiente en intervalos de tiempo fijos. Un gol cada 90 minutos encaja como una «cosa» que pasa con una tasa media λ. Si λ es 1, esperas un gol por partido; si es 0.3, la expectativa es de un gol cada tres partidos. Eso es la esencia.
Construcción básica del modelo
Primero, calcula la media de goles a favor y en contra de cada equipo en sus últimos 10 encuentros. Luego, ajusta la diferencia de ataque y defensa con la media de la liga. Finalmente, combina esas medias para obtener λ_local y λ_visita. La magia ocurre al aplicar la fórmula Poisson: P(k;λ) = (e^-λ λ^k) / k!.
Ejemplo rápido
Supongamos que el Atlético tiene λ_local = 1.8 y el Betis λ_visita = 0.9. La probabilidad de que el Atlético marque 2 goles es e^-1.8 1.8^2 / 2! ≈ 0.27. La probabilidad de que el Betis marque 0 es e^-0.9 ≈ 0.41. Multiplica y obtienes la probabilidad conjunta de 2-0: 0.27 0.41 ≈ 0.11.
Limitaciones que no puedes ignorar
Los modelos Poisson asumen independencia total, pero los partidos están llenos de momentum, lesiones, tarjetas. Además, la distribución tiende a subestimar partidos con muchos goles y sobreestimar los de cero-uno. Por eso, muchos expertos añaden un factor de corrección o combinan Poisson con un modelo de regresión.
Integración práctica
Por cierto, aquí tienes una guía completa que desglosa todo paso a paso: https://apuestaparahoyfutbol.com/articles/modelo-poisson-prediccion-futbol/. No lo pases por alto.
Implementación en código
En Python, usa scipy.stats.poisson.pmf(k, λ) para obtener probabilidades al instante. En Excel, la función POISSON.DIST(k, λ, FALSE) hace lo mismo. No necesitas ser un matemático, solo entender la lógica y alimentar los datos correctos.
Consejo final
El truco está en actualizar λ después de cada jornada y calibrar el modelo con resultados reales; no te quedes con números estáticos.