El 19 de julio, en el MetLife Stadium de Nueva Jersey, España derrotó a Argentina por 1-0 en la final del Mundial 2026. Ferran Torres marcó el único gol ante unas 80.000 personas, y ese tanto bastó para frustrar el intento de Lionel Messi de revalidar el título. Para quien trabaja estimando probabilidades, la escena resume mejor que cualquier tratado por qué el fútbol resulta tan esquivo: la distancia entre un remate que entra y otro que se va al poste es mínima, y a veces equivale a una Copa del Mundo.

Esa fragilidad explica por qué el debate sobre las predicciones futbolísticas suele ser tan ruidoso como poco útil. Cada jornada aparecen decenas de voces que aseguran haber visto venir un resultado, y casi ninguna enseña el historial completo de lo que dijo antes del partido. Entre el entusiasmo y el escepticismo hay un terreno intermedio, el de los modelos estadísticos bien construidos, y conviene saber qué los separa de un simple ejercicio de adivinación con buena presentación.

Qué significa realmente acertar en un deporte de pocos goles

En el baloncesto o el tenis, el favorito suele imponerse con regularidad porque el juego produce muchos puntos y el azar se diluye. El fútbol funciona al revés. Un partido normal se resuelve con dos o tres goles, y cada uno depende de rebotes, decisiones arbitrales o un error puntual. Además hay tres desenlaces posibles en lugar de dos, y el empate, ese resultado que casi nadie quiere elegir, aparece con una frecuencia que ningún modelo serio puede ignorar.

De ahí nace el primer malentendido. Un buen modelo no «acierta» o «falla» partidos; asigna probabilidades. Decir que un equipo tiene un 55 % de opciones de ganar no equivale a afirmar que ganará, y por eso una derrota de ese equipo no refuta la estimación. Lo que sí la pondría a prueba es la repetición: si el mismo modelo asigna un 55 % a mil partidos distintos, alrededor de 550 deberían terminar con victoria del equipo señalado. Esa es la vara de medir correcta, y exige paciencia, algo que el ciclo de noticias deportivas raramente concede.

Los ingredientes de un modelo con fundamento

La idea de describir los goles con una distribución de Poisson tiene décadas. El estadístico Michael Maher la aplicó al fútbol en 1982, asignando a cada equipo una capacidad ofensiva y otra defensiva. Quince años más tarde, Mark Dixon y Stuart Coles publicaron en el Journal of the Royal Statistical Society (serie C, 1997) el trabajo que sigue siendo referencia obligada: ajustaban la probabilidad de los marcadores más bajos, como el 0-0 o el 1-1, que el modelo básico trataba de forma poco realista, y daban más peso a los partidos recientes que a los antiguos. Buena parte de los sistemas actuales descienden, de un modo u otro, de esa arquitectura.

Goles esperados y calidad de las ocasiones

Los goles marcados son un indicador ruidoso de la calidad real de un equipo. Un conjunto puede ganar tres partidos seguidos por la mínima gracias a cuatro remates afortunados. Por eso los modelos modernos incorporan los goles esperados, o xG, una métrica que estima la probabilidad de que cada disparo termine en gol según su posición, el ángulo o el tipo de pase previo. Sumados a lo largo de un partido, esos valores describen mejor el dominio real que el marcador final. No son infalibles, porque dependen del proveedor de datos y de cómo se haya entrenado el modelo que los calcula, pero reducen buena parte del ruido de las muestras cortas.

Ratings que se actualizan con cada resultado

Otra familia de herramientas recurre a los sistemas de puntuación tipo Elo, heredados del ajedrez, que ajustan la valoración de cada equipo tras cada partido en función de la sorpresa del resultado. Ganar a un rival muy superior mueve la aguja mucho más que vencer a un colista. Combinados con los goles esperados, permiten comparar equipos de ligas distintas o seguir la evolución de una plantilla a lo largo de una temporada sin depender de impresiones subjetivas.

El enemigo silencioso: el sobreajuste

Cualquier analista puede construir un modelo que explique perfectamente el pasado. Basta con añadir variables hasta que la curva encaje con los resultados ya conocidos. El problema aparece cuando ese mismo modelo se enfrenta a partidos que todavía no se han jugado: lo que parecía una señal era, en gran parte, ruido memorizado. Es el sobreajuste, y probablemente la causa más habitual de que una estrategia brillante sobre el papel se desmorone en la práctica.

La defensa es metodológica. Un modelo serio se evalúa con partidos que no ha visto durante el entrenamiento, y lo hace respetando el orden del tiempo: se entrena con datos hasta una fecha y se prueba con lo que ocurrió después, nunca al revés. También hay que vigilar la filtración de información, es decir, usar sin querer datos que en el momento real de la predicción no estaban disponibles, como una alineación confirmada horas más tarde o una cuota de cierre. Un historial retrospectivo que no explique cómo evitó estos errores merece, como mínimo, cierta desconfianza.

Calibración antes que porcentaje de aciertos

El porcentaje de aciertos es la cifra favorita del marketing y una de las menos informativas. Acertar el 60 % de los partidos eligiendo siempre al favorito claro es fácil; lo difícil es saber cuánto de favorito es cada uno. Por eso la comunidad estadística prefiere medidas que premian la calidad de la probabilidad y no solo la elección del ganador.

La más conocida es la puntuación de Brier, ideada por el meteorólogo Glenn Brier en 1950 para evaluar previsiones del tiempo y hoy usada en cualquier disciplina que trabaje con probabilidades. Calcula el error cuadrático medio entre lo que se predijo y lo que ocurrió, de modo que quien dijo un 90 % y falló recibe un castigo mucho mayor que quien dijo un 55 % y falló. Algo parecido hace la pérdida logarítmica. Y junto a ellas está la calibración: cuando un sistema declara un 70 %, ¿se cumple en torno al 70 % de las veces a lo largo de cientos de casos? Un modelo bien calibrado puede equivocarse en un partido concreto sin dejar de ser fiable.

En la práctica, esto obliga a trabajar con volumen. Hacen falta varios cientos de predicciones para que una curva de calibración empiece a ser legible, y todavía más si se quieren separar categorías, como los favoritos claros de los partidos igualados. Por eso las evaluaciones rápidas, de un fin de semana o de un mes, dicen casi siempre más sobre la suerte que sobre la calidad del método.

Del laboratorio al lector

Todo este aparato técnico importa porque, al final, el público no consume ecuaciones sino conclusiones. Quien busca pronósticos de fútbol suele encontrarse con una avalancha de elecciones sin contexto, sin probabilidades asociadas y sin ningún registro verificable de lo que se dijo antes del pitido inicial. Un producto honesto debería ofrecer lo contrario: la estimación, el razonamiento que la sostiene, el momento exacto en que se publicó y el resultado posterior, acierte o falle.

Esa trazabilidad es lo que permite al lector juzgar por sí mismo. Si una fuente corrige sus picks tras el partido, borra los que salieron mal o los reformula cuando conviene, el historial pierde cualquier valor. Si, en cambio, se mantiene fijo desde la publicación y se mide con criterios estadísticos estables, el lector tiene al menos una base para decidir cuánto confiar en ella. No elimina el riesgo, pero lo vuelve visible, y eso ya es bastante más de lo que ofrece la mayoría.

La cuota como termómetro del mercado

Las cuotas de las casas de apuestas son, sin más, probabilidades con una comisión incorporada, y saber leerlas es una habilidad básica para cualquiera que evalúe un modelo. La probabilidad implícita de una cuota se obtiene dividiendo uno entre su valor. Si en un partido hipotético las cuotas son 2,10 para el local, 3,40 para el empate y 3,60 para el visitante, las probabilidades implícitas son aproximadamente el 47,6 %, el 29,4 % y el 27,8 %. Sumadas dan un 104,8 %. Ese exceso del 4,8 % es el margen de la casa, el sobrecoste que paga quien apuesta.

Para conocer lo que el mercado realmente piensa hay que retirar ese margen, repartiéndolo de forma proporcional. Con los mismos números, las probabilidades limpias quedan en torno al 45,4 %, el 28,0 % y el 26,5 %. Esa es la referencia con la que debería compararse cualquier modelo: no la cuota bruta, sino la estimación del mercado una vez corregida. Si una predicción coincide siempre con el mercado, no aporta nada nuevo; si se aparta de él con frecuencia sin justificación, probablemente esté equivocada.

Cuando el modelo supera al mercado: el caso Kaunitz

Existe al menos un trabajo académico que intentó demostrar que el mercado tiene fisuras explotables. Un equipo dirigido por Lisandro Kaunitz, de la Universidad de Tokio, construyó un rastreador que recopilaba cuotas de numerosas casas de apuestas y partía de una premisa sencilla: el promedio de todas ellas es una estimación muy buena de la probabilidad real. Cuando alguna casa ofrecía una cuota suficientemente superior a ese promedio, apostaban.

Sobre cuotas históricas de cierre de 479.440 partidos entre 2005 y 2015, la estrategia habría arrojado un rendimiento del 3,5 %, mientras que apostar al azar en esos mismos encuentros perdía alrededor del 3,2 %. Con dinero real durante cinco meses, 265 apuestas dejaron un beneficio del 8,5 %, aunque la propia muestra reducida invita a la cautela. Y entonces ocurrió lo más revelador: pocos meses después, varias casas limitaron drásticamente sus cuentas, con topes de apuesta y revisiones manuales previas, hasta hacer inviable la estrategia. La lección es doble. Existen ventajas pequeñas y mensurables, y el mercado reacciona con rapidez cuando alguien las aprovecha de forma sistemática.

La información que el modelo no ve

Ningún modelo conoce, por sí solo, que el delantero titular se retiró lesionado en el calentamiento, que el entrenador va a rotar a media plantilla tras una eliminatoria europea o que un equipo salvado matemáticamente llega sin nada en juego a la última jornada. Esa información, de enorme valor, llega tarde y de forma desordenada, y es en ese tramo donde el juicio humano complementa a las matemáticas.

Un sistema maduro acepta esa limitación y define cuándo y cómo incorpora las novedades. Algunos se publican con mucha antelación y asumen que no podrán reaccionar a las bajas de última hora; otros esperan a conocer las alineaciones y sacrifican las cuotas más favorables. Ninguna de las dos opciones es mejor en abstracto, pero un servicio serio debe explicar cuál ha elegido, porque de esa decisión depende cómo debe interpretarse cada predicción y cuándo tiene sentido actuar sobre ella.

Señales de alarma en los discursos más repetidos

Hay formulaciones que deberían encender una luz roja en cualquier lector. Las promesas de aciertos garantizados no tienen sustento estadístico, porque ningún modelo puede eliminar la varianza de un deporte con tan pocos goles. Tampoco la tienen los historiales que solo enseñan rachas, las capturas seleccionadas de picks ganadores o las estadísticas calculadas sobre una muestra de apenas unas semanas, un periodo en el que la suerte pesa más que cualquier habilidad.

Conviene sospechar, asimismo, de quienes muestran un porcentaje de aciertos sin indicar las cuotas medias a las que se apostó. Y de quienes hablan de beneficios sin precisar el tamaño de las apuestas, la comisión descontada o el periodo exacto. Cuando faltan esos datos, el número que se exhibe carece de significado: puede ser real, pero el lector no tiene forma de comprobarlo.

Cómo leer un historial sin dejarse engañar

El mejor ejercicio para entender una cifra de aciertos es calcular el umbral de rentabilidad. A cuota 1,50, hay que acertar más del 66,7 % de las veces solo para no perder dinero. A cuota 2,00, basta con superar el 50 %. A cuota 3,00, el listón baja al 33,3 %. Por eso un 60 % de aciertos puede ser un historial ruinoso en un caso y excelente en otro: todo depende de las cuotas a las que se obtuvo.

También hay que mirar el tamaño de la muestra. Una racha de veinte aciertos seguidos, o un mes brillante, es perfectamente compatible con el puro azar. La señal estadística solo empieza a emerger con cientos de eventos, y aun así debe interpretarse con cautela. De ahí que los analistas más rigurosos reporten sus resultados en periodos largos, con intervalos de confianza, y asuman que dos años buenos no demuestran una ventaja permanente.

El juego como entretenimiento, nunca como ingreso

Conviene cerrar con una precisión que cualquier modelo serio acabaría subrayando. Incluso el mejor sistema estadístico solo ofrece probabilidades, y a corto plazo la varianza puede imponerse durante semanas enteras. Por eso las apuestas deben tratarse como un entretenimiento con coste, nunca como una fuente de ingresos ni como una vía para recuperar pérdidas. Quien decida participar debería fijar de antemano un presupuesto que pueda permitirse perder, mantenerlo estable y detenerse si el juego deja de ser un pasatiempo. Es una actividad solo para mayores de edad, y quien note que pierde el control puede acudir a los servicios de ayuda de su país.

Lo que deja una final decidida por un gol

Volvamos a Nueva Jersey. Un resultado de 1-0 puede interpretarse como la prueba de que el fútbol es impredecible o, mirado con más calma, como un recordatorio de lo que de verdad significa una probabilidad. Ningún modelo sensato habría presentado esa final como un trámite, y precisamente por eso las estimaciones honestas se expresan en porcentajes y no en certezas. Cuando el desenlace depende de un único remate, la humildad estadística deja de ser una pose para convertirse en el único enfoque defendible.

Lo que distingue a un trabajo serio no es acertar más que nadie en una semana, sino ser capaz de enseñar cómo funciona, qué mide, dónde falla y qué resultados ha obtenido con el paso del tiempo. Esa transparencia es incómoda, porque obliga a mostrar también los errores, pero es la única que permite al lector separar la información del ruido. En un ecosistema saturado de promesas, la forma más fiable de valorar cualquier propuesta es la más antigua: pedir las pruebas y esperar a que la muestra sea suficientemente larga.