Modelo de Poisson en Apuestas de Fútbol: Cálculo de Probabilidades Paso a Paso

La primera vez que apliqué un modelo de Poisson a un partido de fútbol fue casi por accidente. Estaba jugando con una hoja de cálculo, metí las medias de goles de dos equipos y la distribución me devolvió probabilidades para cada marcador posible. Comprobé esas probabilidades contra las cuotas del mercado y encontré tres discrepancias en un solo fin de semana. Desde entonces, Poisson es parte fija de mi arsenal analítico – no porque sea perfecto, sino porque es sorprendentemente potente para lo simple que es.

Este modelo lleva décadas usándose en disciplinas que van desde la epidemiología hasta la logística. Su aplicación al fútbol es natural: los goles son eventos discretos, relativamente raros y aproximadamente independientes dentro de un partido. Las condiciones ideales para Poisson.

La distribución de Poisson: qué es y por qué funciona con el fútbol

Poisson responde a una pregunta simple: si sé que un evento ocurre, de media, X veces en un periodo, ¿cuál es la probabilidad de que ocurra exactamente 0, 1, 2, 3 veces en ese mismo periodo? Aplicado al fútbol: si un equipo marca de media 1.5 goles por partido, ¿cuál es la probabilidad de que marque 0 goles? ¿Y 1? ¿Y 2?

La fórmula es: P(k) = (e^(-lambda) x lambda^k) / k!, donde lambda es la media esperada de goles y k es el número de goles cuya probabilidad quieres calcular. El símbolo e es la constante de Euler (2.71828) y k! es el factorial de k.

Con lambda = 1.5:

P(0 goles) = (e^(-1.5) x 1.5^0) / 0! = 0.2231 x 1 / 1 = 22,31%. P(1 gol) = (e^(-1.5) x 1.5^1) / 1! = 0.2231 x 1.5 / 1 = 33,47%. P(2 goles) = (e^(-1.5) x 1.5^2) / 2! = 0.2231 x 2.25 / 2 = 25,10%. P(3 goles) = (e^(-1.5) x 1.5^3) / 3! = 0.2231 x 3.375 / 6 = 12,55%.

La suma de todas las probabilidades desde 0 hasta infinito da 100%. En la práctica, calcular hasta 5 o 6 goles cubre más del 99% de los escenarios reales.

¿Por qué funciona con el fútbol? Porque los goles en un partido típico cumplen razonablemente las tres condiciones de Poisson: son eventos contables (discretos), la media es conocida y relativamente estable, y cada gol es aproximadamente independiente del anterior. No es un ajuste perfecto – hay correlaciones que Poisson ignora – pero como modelo base, su relación calidad-complejidad es imbatible.

Calcular lambda: la media de goles que alimenta el modelo

Lambda es el corazón del modelo. Si lambda está mal, todo lo demás está mal. Así que la pregunta no es cómo aplicar Poisson – eso es aritmética – sino cómo estimar lambda con precisión.

El método más directo: usar la fuerza de ataque y la fuerza de defensa de cada equipo relativas a la media de la liga. En LaLiga, con una media de 2,64 goles por partido en la temporada 2025-2026, la media por equipo es aproximadamente 1,32 goles a favor por partido.

Supongamos que el equipo A juega en casa. En sus partidos como local, marca una media de 1.8 goles y concede 0.9. El equipo B, como visitante, marca 0.7 y concede 1.5. La fuerza de ataque del equipo A en casa es 1.8 / 1.32 = 1.36. La fuerza de defensa del equipo B como visitante es 1.5 / 1.32 = 1.14. Lambda para los goles del equipo A = 1.32 x 1.36 x 1.14 = 2.05.

Repites el proceso invertido para los goles del equipo B: su fuerza de ataque fuera (0.7 / 1.32 = 0.53) multiplicada por la debilidad defensiva del equipo A en casa (0.9 / 1.32 = 0.68). Lambda equipo B = 1.32 x 0.53 x 0.68 = 0.48.

Ahora tienes dos lambdas: 2.05 para el equipo A y 0.48 para el equipo B. Con eso, Poisson te da las probabilidades de cada marcador y, por agregación, de cada resultado (victoria local, empate, victoria visitante) y de cada línea over/under.

Ejemplo completo: un partido de LaLiga paso a paso

Voy a recorrer el proceso entero con números. Lambda equipo A = 2.05, lambda equipo B = 0.48.

Primero, calculo las probabilidades de goles para cada equipo por separado. Equipo A: P(0) = 12,9%, P(1) = 26,4%, P(2) = 27,1%, P(3) = 18,5%, P(4) = 9,5%. Equipo B: P(0) = 61,9%, P(1) = 29,7%, P(2) = 7,1%, P(3) = 1,1%.

Segundo, construyo la matriz de marcadores cruzando ambas distribuciones. La probabilidad de un 2-0 es P(A=2) x P(B=0) = 0.271 x 0.619 = 16,8%. La del 1-0: 0.264 x 0.619 = 16,3%. La del 0-0: 0.129 x 0.619 = 8,0%. La del 1-1: 0.264 x 0.297 = 7,8%. Y así con cada combinación.

Tercero, agrego las probabilidades por resultado. Victoria local: sumo todas las celdas donde A marca más que B. Empate: sumo las celdas de la diagonal (0-0, 1-1, 2-2, 3-3…). Victoria visitante: sumo donde B marca más que A. En este ejemplo, la victoria local ronda el 75%, el empate el 16% y la victoria visitante el 9%.

Cuarto, convierto a cuotas justas: local 1.33, empate 6.25, visitante 11.11. Comparo con las cuotas del mercado. Si el operador ofrece el empate a 7.50, hay valor según mi modelo. Si lo ofrece a 5.00, no lo hay.

Para el over/under: sumo las probabilidades de todos los marcadores con 3 o más goles totales y obtengo la probabilidad del over 2.5. En este caso, con lambdas tan desequilibradas, el over 2.5 sale aproximadamente al 52% – no es un valor claro en la mayoría de cuotas del mercado.

Lo que Poisson no puede hacer: limitaciones que debes conocer

Si Poisson fuera perfecto, todos los que saben matemáticas serían ricos apostando. Obviamente, no es así. El modelo tiene limitaciones reales que debes integrar en tu análisis.

La primera: asume independencia entre goles. En la realidad, un equipo que marca primero a menudo cambia su estilo de juego – puede replegarse para defender el resultado, lo que altera la probabilidad del segundo gol. Poisson no captura esa dinámica condicional.

La segunda: usa datos históricos que pueden no reflejar la realidad actual. Si el equipo A tiene un lambda de 2.05 basado en las últimas 10 jornadas pero ha perdido a su delantero estrella por lesión, ese lambda está sobreestimado. Tu trabajo es ajustar manualmente cuando la información cualitativa contradice la cuantitativa.

La tercera: no diferencia la calidad de las ocasiones. Un lambda de 1.5 puede venir de muchos tiros lejanos o de pocos tiros claros. Los xG son mejores que los goles brutos para estimar lambda – si puedes, usa xG como input en vez de goles reales. El modelo gana precisión porque los xG capturan la calidad de las oportunidades que los goles brutos no distinguen.

A pesar de estas limitaciones, Poisson sigue siendo el mejor punto de entrada a las apuestas cuantitativas. No porque sea suficiente por sí solo, sino porque te obliga a pensar en probabilidades en vez de certezas – y ese cambio mental vale más que cualquier fórmula.