Modelo Poisson Aplicado a Goles de LaLiga: Guía Numérica Paso a Paso
Available in US
La matemática que te separa del apostante por corazón
Siméon Denis Poisson no vio fútbol jamás. Era matemático francés del siglo XIX que estudiaba cómo se distribuían los juicios por asesinato en París. Pero la distribución estadística que lleva su nombre, originalmente pensada para modelar eventos raros e independientes que ocurren a tasa constante, resulta ser una herramienta extraordinariamente útil para modelar goles de fútbol. No es coincidencia — los goles comparten muchas características con los eventos que Poisson estudió: relativamente raros (en media 2,5 por partido), aproximadamente independientes, con tasa que se puede estimar a partir de datos históricos.
Con 380 partidos por temporada en LaLiga y datos granulares disponibles sobre cada equipo, aplicar un modelo Poisson básico es el primer paso práctico que cualquier apostante serio puede dar para construir sus propias estimaciones de probabilidad. No es la bala de plata — tiene limitaciones que vamos a ver —, pero es el punto de partida sobre el que se construyen modelos más sofisticados. En este artículo voy a enseñarte paso a paso cómo calcular lambdas de equipos españoles, construir la matriz de resultados, y usarla para evaluar si una cuota de mercado tiene valor.
La teoría Poisson aplicada a goles: lo esencial
La distribución de Poisson es una distribución de probabilidad discreta que describe la probabilidad de que ocurran k eventos en un intervalo de tiempo dado, cuando los eventos ocurren a una tasa media conocida (llamada lambda, λ) y son independientes entre sí.
La fórmula es: P(k) = (λ^k × e^(-λ)) / k!
Donde P(k) es la probabilidad de k eventos (goles), λ es la tasa media esperada (lambda), e es la constante matemática 2,71828…, y k! es el factorial de k.
No te asustes por la fórmula. En la práctica no la necesitas calcular a mano — cualquier hoja de cálculo (Excel, Google Sheets) tiene función POISSON.DIST o POISSON que lo hace por ti. Lo importante es entender qué significa λ y cómo estimarlo para un partido concreto.
Aplicado a fútbol: si estimas que un equipo va a marcar en media 1,8 goles en un partido concreto, λ = 1,8. La distribución de Poisson con λ = 1,8 te dice qué probabilidad hay de que marque 0 goles, 1 gol, 2 goles, 3 goles, 4 o más. Con dos equipos, dos lambdas separadas, calculas probabilidades para cada equipo y combinas.
La asunción de independencia entre los goles de ambos equipos es una de las debilidades conocidas del modelo básico — en la realidad, los goles están correlacionados (un equipo marca cuando el otro está desordenado, los equipos tienden a abrirse cuando van perdiendo, etc.). Los modelos Poisson bivariados corrigen parcialmente esto, pero para empezar el modelo univariado independiente da aproximaciones aceptables en muchos contextos.
Cómo calcular lambda para un equipo concreto
La estimación de λ es donde realmente trabajas. Te explico el método estándar paso a paso con un ejemplo de LaLiga 2025-26.
Paso 1: calcular la media de goles a favor y en contra de cada equipo en la temporada. Supongamos que llevamos la jornada 20 y queremos modelar un partido Real Madrid vs Atlético. Datos hipotéticos pero razonables: Madrid marca 2,2 goles por partido en media y encaja 0,7; Atlético marca 1,4 y encaja 0,8.
Paso 2: calcular la media de goles de toda la liga. Dato LaLiga 2025-26 aproximado: 2,65 goles por partido totales, 1,40 del local + 1,25 del visitante (el local marca en media más por ventaja de campo). Estos son los baselines.
Paso 3: calcular fuerza de ataque y fuerza de defensa de cada equipo. Fuerza de ataque = (goles marcados por el equipo) / (media de goles del rol local o visitante). Fuerza de defensa = (goles encajados por el equipo) / (media de goles que marca el rol contrario). Pongamos que Madrid juega como local: fuerza de ataque local Madrid = 2,2 / 1,40 = 1,57. Fuerza de defensa local Madrid = 0,7 / 1,25 = 0,56. Pongamos que Atlético juega como visitante: fuerza de ataque visitante Atlético = 1,4 / 1,25 = 1,12. Fuerza de defensa visitante Atlético = 0,8 / 1,40 = 0,57.
Paso 4: calcular lambda de cada equipo para este partido específico. λ Madrid = fuerza ataque Madrid × fuerza defensa Atlético × media local = 1,57 × 0,57 × 1,40 = 1,25. λ Atlético = fuerza ataque Atlético × fuerza defensa Madrid × media visitante = 1,12 × 0,56 × 1,25 = 0,78.
Los lambdas que salen — 1,25 para Madrid, 0,78 para Atlético — son las estimaciones de goles esperados del partido según el modelo, más bajas que las medias puras de cada equipo porque están ajustadas por la fuerza del rival. En este caso el modelo dice que Madrid va a marcar menos de lo habitual por enfrentar a un Atlético defensivamente sólido, y Atlético también reduce su producción por jugar contra un Madrid que concede poco.
Con muestras más pequeñas (jornada 5, por ejemplo) o con equipos atípicos, se pueden aplicar ajustes de suavizado (weighted moving averages, factores de decaimiento temporal) para no sobreponderar resultados excepcionales recientes. Modelos más sofisticados usan ajustes bayesianos que combinan datos históricos con el rendimiento actual.
Construir la matriz de resultados con un ejemplo
Con los lambdas calculados (1,25 Madrid y 0,78 Atlético en nuestro ejemplo), construyes la matriz de probabilidades de resultados puntuales.
Probabilidad de 0 goles Madrid: POISSON.DIST(0, 1.25) = 28,65%. 1 gol: 35,82%. 2 goles: 22,39%. 3 goles: 9,33%. 4 goles: 2,92%. 5 o más: 0,89%.
Probabilidad de 0 goles Atlético: POISSON.DIST(0, 0.78) = 45,84%. 1 gol: 35,75%. 2 goles: 13,94%. 3 goles: 3,62%. 4 o más: 0,85%.
La matriz combinada, asumiendo independencia, multiplica las probabilidades de cada combinación. La probabilidad de 0-0 es 28,65% × 45,84% = 13,13%. La probabilidad de 1-0 Madrid (Madrid 1, Atlético 0) es 35,82% × 45,84% = 16,42%. La probabilidad de 2-1 Madrid es 22,39% × 35,75% = 8,00%. Y así sucesivamente hasta completar toda la matriz (recomiendo hacerlo hasta 5 o 6 goles por equipo, el resto son residuales).
Con la matriz completa puedes calcular las probabilidades de cualquier mercado:
Victoria Madrid (1): suma de todas las celdas donde goles Madrid > goles Atlético. En nuestro ejemplo da aproximadamente 55%.
Empate (X): suma de todas las celdas de la diagonal (0-0, 1-1, 2-2…). En nuestro ejemplo da aproximadamente 25%.
Victoria Atlético (2): suma de todas las celdas donde goles Atlético > goles Madrid. Aproximadamente 20%.
Over 2,5 goles: suma de todas las celdas donde total goles ≥ 3. Aproximadamente 35%.
Ambos marcan (BTTS Sí): suma de todas las celdas donde ambos equipos tienen al menos un gol. Aproximadamente 40%.
Estas probabilidades modeladas se comparan con las probabilidades implícitas de las cuotas del mercado. Si el mercado paga Madrid a 1,90 (implícita 52,6%) y tu modelo dice 55%, hay valor teórico de 2,4 puntos porcentuales. Si el mercado paga BTTS Sí a 2,00 (implícita 50%) y tu modelo dice 40%, el mercado está sobrevalorando BTTS y debes apostar BTTS No si esa es la dirección contraria.
Limitaciones del Poisson puro y ajustes necesarios
El modelo Poisson univariado independiente es útil como primera aproximación pero tiene debilidades documentadas que hay que corregir cuando pasas al uso real.
Limitación 1: asume independencia entre los goles de ambos equipos. En la realidad, los goles están correlacionados. Cuando un equipo marca, cambia la dinámica táctica del rival — los partidos 2-2 son ligeramente más comunes de lo que Poisson puro predice. Los modelos Dixon-Coles (ajuste empírico sobre Poisson publicado en 1997) corrigen esto introduciendo factor de correlación para resultados bajos. Tras aplicar Dixon-Coles, las probabilidades de 0-0, 0-1, 1-0 y 1-1 se ajustan al alza levemente.
Limitación 2: asume tasa constante a lo largo del partido. En realidad los equipos juegan diferente a diferentes minutos — primera parte típicamente con menor ritmo, segunda parte con más ocasiones, minutos finales con desequilibrios tácticos. Modelos más avanzados incorporan segmentación temporal.
Limitación 3: no captura bien partidos atípicos. Derbis emocionales, partidos de Copa con equipos de diferente nivel, partidos con expulsiones tempranas — todos ellos desvían del patrón Poisson puro. Es importante usar el modelo como herramienta de apoyo, no como oráculo.
Limitación 4: necesita muestra adecuada para lambdas estables. Al inicio de temporada (jornadas 1-8), con muestras pequeñas, las lambdas son ruidosas y los ajustes necesitan ponderar datos de temporadas anteriores. Métodos bayesianos que combinan prior histórico con data actual son mejores en esas ventanas.
Limitación 5: asume todos los jugadores como homogéneos. Un equipo con Mbappé al 200 millones de valor y otro sin estrellas equivalentes pueden tener lambdas similares en el modelo Poisson básico si sus estadísticas agregadas lo son — cuando en realidad uno tiene capacidad de romper el equilibrio del modelo con un jugador individual. Modelos avanzados incorporan calidad del ejecutor.
A pesar de las limitaciones, el Poisson básico es excelente herramienta para aprender a pensar apuestas de forma cuantitativa. Hacer el ejercicio manualmente para 20 partidos te cambiará la forma en que lees el mercado — empezarás a ver cuotas no como números opacos, sino como estimaciones de probabilidad que pueden ser mejores o peores que las tuyas. Ese marco de pensamiento es la diferencia entre apostar a dígito y apostar con criterio estadístico. La integración del xG como refinamiento moderno del enfoque Poisson está cubierta en el análisis específico sobre xG y datos en tiempo real, que complementa la metodología aquí descrita con capa adicional de calidad de ocasión.
¿Por qué Poisson se ajusta al reparto de goles por partido?
Porque los goles comparten características con los eventos raros e independientes a tasa constante que Poisson modela: son relativamente infrecuentes (2-3 por partido en media), aproximadamente independientes entre sí (con matices de correlación), y ocurren durante un intervalo de tiempo definido. Los datos empíricos muestran que la distribución de goles por partido en ligas profesionales se ajusta razonablemente bien a una Poisson con lambda específica estimada por equipo, aunque hay desviaciones documentadas en resultados bajos (0-0, 1-0, 0-1, 1-1) que modelos avanzados como Dixon-Coles corrigen.
¿Qué ajustes hay que hacer para evitar correlación goleadora?
El ajuste más usado es el factor Dixon-Coles, publicado en 1997, que reajusta al alza las probabilidades de resultados bajos (0-0, 1-0, 0-1, 1-1) para compensar la correlación que la Poisson independiente subestima. Otros ajustes incluyen segmentación temporal del partido (primera vs segunda parte), ponderación por calidad individual de ejecutores, factores de correlación por eventos dentro del partido (expulsiones, penaltis) y métodos bayesianos que combinan prior histórico con data actual en muestras pequeñas.
Creado por la redacción de «Apuestas Ligas de Futbol».
