El modelo de Poisson representa la probabilidad de observar un número de sucesos en un intervalo definido cuando se adopta una distribución de conteos con una media llamada λ (lambda). En fútbol puede servir para estudiar goles como hipótesis de trabajo, pero el modelo no convierte por sí solo una estimación de goles en un pronóstico fiable.
Una distribución para contar sucesos
Mientras la binomial pregunta cuántos éxitos aparecen en un número fijo de pruebas binarias, Poisson describe cuántos acontecimientos contamos en un periodo o espacio delimitado: por ejemplo, goles de un equipo durante un partido. No exige fijar un número de intentos; se especifica una media de sucesos por intervalo. Esa media se representa mediante λ, que debe ser no negativa.
En la versión clásica, el proceso presupone una intensidad estable en el intervalo y un patrón de ocurrencias compatible con incrementos independientes. El modelo implica que la media y la varianza del recuento son iguales a λ. Si los datos presentan mucha más dispersión de la que permite esa hipótesis, Poisson simple puede ajustarse mal.
Para k sucesos, con k entero no negativo, la fórmula es P(X = k) = e−λ × λk / k!. La constante e es aproximadamente 2,71828 y k! es el factorial. Cada resultado de la fórmula es una probabilidad, no un número de goles que tenga que ocurrir. La suma de probabilidades de k = 0, 1, 2, … es 1 bajo este modelo.
Ejemplo resuelto: goles del equipo local
Ejemplo ficticio de fútbol. Un analista propone, sin atribuirlo a datos reales, que la cantidad de goles del equipo local durante 90 minutos definidos se aproxima por una Poisson con λ = 1,4 goles por partido. Queremos evaluar tres escenarios. Esta cifra es un parámetro inventado y no procede de una competición concreta.
1. Cero goles. Como 0! = 1 y 1,4⁰ = 1, P(X = 0) = e−1,4 ≈ 0,2466, o 24,66 %. Incluso si la media del modelo es 1,4 goles, quedarse sin marcar sigue siendo un resultado posible con una probabilidad apreciable.
2. Exactamente un gol. P(X = 1) = e−1,4 × 1,4 ≈ 0,3452, o 34,52 %. No se obtiene multiplicando 24,66 % por la probabilidad de que marque en un tiro; se usa el parámetro del conteo completo.
3. Al menos dos goles. Como los recuentos cero, uno y dos o más forman una partición, P(X ≥ 2) = 1 − P(X = 0) − P(X = 1) ≈ 1 − 0,2466 − 0,3452 = 0,4082, o 40,82 %. La suma debe realizarse con valores sin redondear y redondearse únicamente al final.
Si suponemos λ = 0,8 en otro escenario inventado, la probabilidad de no marcar pasa a e−0,8 ≈ 44,93 %. La conclusión depende de cómo se ha estimado λ: cambiar la media puede cambiar considerablemente las probabilidades.
Del conteo de goles al marcador: supuestos adicionales
Para hablar de un resultado 1–0 necesitamos dos recuentos: goles locales y visitantes. Si además suponemos que ambos son Poisson con parámetros propios y son independientes entre sí, podríamos multiplicar la probabilidad local de marcar un gol por la visitante de marcar cero. Esa independencia entre marcadores no está garantizada: una expulsión, un gol temprano o un cambio táctico pueden alterar a ambos equipos. Si no se justifica, la multiplicación solo describe un modelo simplificado.
El partido tampoco tiene necesariamente una intensidad constante. El tiempo añadido, las sustituciones, el estado del marcador, la calidad del rival y las ocasiones generadas pueden variar dentro del encuentro. Modelos deportivos más complejos permiten distintas intensidades, dependencia o correcciones por dispersión, pero deben contrastarse con datos fuera de muestra y fechas reales de disponibilidad de información.
- Error: leer λ = 1,4 como promesa de uno o dos goles.
- Error: confundir xG de tiros observados con el parámetro prospectivo λ sin validar su relación.
- Error: multiplicar marcadores de ambos equipos como si el comportamiento conjunto fuera necesariamente independiente.
Qué recordar: Poisson transforma una media supuesta en una distribución completa de conteos. Su utilidad deportiva depende menos de lo elegante de la fórmula que de la calidad de λ y de la comprobación de los supuestos.
Conceptos relacionados
- Distribución binomial
- Goles esperados o xG
- Dependencia y correlación
- Validación fuera de muestra