Modelo de Poisson en la Serie A: cómo estimar goles por partido
El modelo que convierte medias en probabilidades
La primera vez que programé un modelo de Poisson para la Serie A estaba en la cocina de mi piso de Madrid, con una hoja de cálculo abierta y tres cafés de más. Lo que me empujó a hacerlo no fue la ambición matemática, fue la frustración: llevaba un mes apostando Over 2,5 a cuotas que me parecían buenas y perdiendo sistemáticamente. Quería entender por qué. El modelo de Poisson me dio la respuesta: el mercado no era tonto, era yo quien estaba tratando las medias ofensivas como si fueran garantías.
Poisson es la herramienta más usada por los apostantes cuantitativos por una razón simple: transforma medias de gol en probabilidades discretas de cada marcador posible. Si un equipo marca 1,8 goles de media y el otro 1,2, Poisson te dice la probabilidad de cada resultado: 0-0, 1-0, 0-1, 1-1, 2-0, etcétera. Con esas probabilidades puedes calcular probabilidades de mercados derivados —Over 2,5, BTTS, 1X2— y compararlas con las cuotas de las casas.
No es el modelo perfecto. Tiene limitaciones importantes que voy a comentar más abajo. Pero es el punto de entrada natural a los modelos cuantitativos, y entenderlo bien me ha ahorrado muchas apuestas mal planteadas.
Qué es realmente la distribución de Poisson
La distribución de Poisson modela eventos que ocurren con una frecuencia media conocida en un intervalo de tiempo o espacio, asumiendo que cada evento es independiente de los anteriores. En el contexto del fútbol, el «evento» es marcar un gol, y el «intervalo» es un partido completo de 90 minutos. Dado un parámetro lambda que representa la media esperada de goles del equipo, Poisson calcula la probabilidad de que ese equipo marque exactamente 0, 1, 2, 3, 4 o más goles.
La fórmula es simple: P(X=k) = (lambda^k × e^(-lambda)) / k!, donde X es el número de goles, k es el valor concreto que nos interesa, e es el número de Euler y lambda es la media esperada. No hay que memorizarla para apostar: cualquier hoja de cálculo la tiene integrada como función POISSON o POISSON.DIST.
Los supuestos que hacen funcionar Poisson son tres. Primero, independencia: cada intento de gol es independiente de los anteriores, algo que en fútbol es una aproximación aceptable pero no del todo real. Segundo, tasa constante: la media de gol es la misma durante todo el partido. Tercero, goles discretos: no hay medio goles ni cuartos de gol, solo valores enteros.
Estos supuestos son la parte floja del modelo. En la realidad, si un equipo marca un gol temprano, su probabilidad de marcar otro cambia (rompiendo la independencia). Si un equipo va perdiendo 2-0 al minuto 70, su tasa de gol se acelera (rompiendo la tasa constante). Pero como aproximación de partida, Poisson funciona razonablemente bien, y eso explica por qué sigue siendo la columna vertebral de muchos modelos cuantitativos de fútbol.
Los datos que alimentan un modelo de Serie A
Para aplicar Poisson a un partido concreto necesitas dos parámetros lambda: el del equipo local y el del equipo visitante. Cada uno se construye combinando varios inputs.
El punto de partida es el promedio de goles por partido de la Serie A. En 2025-26, ese valor es 2,56 goles por partido entre los dos equipos, es decir, aproximadamente 1,28 goles por equipo por partido de media. Este número es tu baseline.
A partir de ese baseline, ajustas por fuerza ofensiva y defensiva de cada equipo. La fuerza ofensiva del equipo local se calcula como el ratio entre sus goles marcados en casa y el promedio de goles marcados por locales en la liga. Un equipo que marca 1,8 goles por partido como local mientras la media liguera es de 1,4, tiene una fuerza ofensiva local de 1,8/1,4 = 1,29. La fuerza defensiva del equipo visitante se calcula de forma simétrica.
La media esperada del local en el partido se calcula multiplicando el baseline por las dos fuerzas: lambda_local = media_liguera × fuerza_ofensiva_local × fuerza_defensiva_visitante. Y análogo para el visitante. Con ambas lambdas, aplicas Poisson a cada una y combinas las probabilidades multiplicando, suponiendo independencia.
Ese proceso produce una matriz de probabilidades de todos los marcadores posibles. A partir de ahí, sumando las casillas adecuadas, obtienes la probabilidad de Over 2,5, BTTS, 1X2 o cualquier otro mercado.
Un ejemplo numérico paso a paso
Vamos a aplicar el modelo a un partido real: Inter contra Como. Es un cruce interesante porque tiene el mejor ataque de la liga (Inter con 2,4 goles por partido, 65 en 29) contra la mejor defensa (Como con 22 goles encajados en 30 partidos, media de 0,73).
Baseline de goles liga por equipo: 1,28. Asumimos un baseline para casa ligeramente más alto (1,35) y para fuera ligeramente más bajo (1,20), porque en la Serie A el factor campo pesa.
Inter como local: su fuerza ofensiva es 2,4 / 1,35 = 1,78. Como visitante: su fuerza defensiva es 0,73 / 1,35 = 0,54 (Como encaja mucho menos que la media de visitantes). Lambda del Inter = 1,35 × 1,78 × 0,54 = 1,30.
Como visitante: supongamos que marca 1,1 goles por partido como visitante. Su fuerza ofensiva visitante es 1,1 / 1,20 = 0,92. Inter como local encaja 0,9 goles por partido en casa. Fuerza defensiva local del Inter = 0,9 / 1,20 = 0,75. Lambda de Como = 1,20 × 0,92 × 0,75 = 0,83.
Aplicando Poisson a esos dos valores, la probabilidad de 0 goles Inter = e^(-1,30) = 27,3%; 1 gol = 35,5%; 2 goles = 23,0%; 3 goles = 10,0%. Para Como: 0 goles = 43,6%; 1 gol = 36,2%; 2 goles = 15,0%; 3 goles = 4,2%.
Con esas probabilidades puedes calcular, por ejemplo, que la probabilidad de Over 2,5 es aproximadamente el 44%, lo que implica una cuota justa de 2,27. Si el mercado abre Over 2,5 a 2,00 o menos, no hay valor. Si abre a 2,40 o más, empieza a haber edge. Ese es el ejercicio fundamental del value betting aplicado con Poisson.
Las limitaciones del modelo
Poisson es una herramienta potente pero tiene varios problemas que hay que conocer antes de apostar dinero basándose en él.
El primero es que subestima sistemáticamente los empates. En realidad, los marcadores como 1-1 ocurren con más frecuencia de la que Poisson proyecta, porque en el fútbol hay correlación entre los goles: un equipo que marca a menudo reacciona al gol del otro, y los partidos tienden a estabilizarse más en empate que en victoria clara. Para corregir esto existen variantes como Poisson bivariado o modelos de Skellam que introducen correlación entre los dos equipos.
El segundo problema es que no captura dinámica intra-partido. Si Inter marca en el minuto 5, el partido cambia: Inter relaja, Como se abre, llegan más goles pero no necesariamente en la forma que Poisson proyecta. El modelo asume un partido estático, lo cual es una simplificación gruesa.
El tercer problema son las lesiones y bajas clave. Un modelo de Poisson calibrado sobre medias de temporada no sabe que hoy Lautaro no juega. El usuario tiene que ajustar los lambdas manualmente cuando hay bajas relevantes, y ese ajuste es más arte que ciencia.
El cuarto problema son los penaltis. El xG de un penalti es fijo (alrededor de 0,76), pero en Poisson esos 0,76 entran como parte del lambda normal, sin distinguir. Un equipo que tira un penalti cada dos partidos tiene un lambda inflado respecto a su juego real.
Unos investigadores de la DeGroote School of Business dijeron algo que aplica aquí: la inteligencia artificial y los modelos estadísticos no han hecho que las apuestas sean más justas, las han hecho más inteligentes, más rápidas y mucho más asimétricas. Poisson te da herramientas, pero los grandes operadores usan modelos mucho más sofisticados que incluyen correlaciones, ajustes intra-partido y análisis de momento. El valor sigue existiendo para el apostante particular, pero hay que ser humilde sobre los límites de cada modelo.
Para profundizar en otras herramientas analíticas complementarias a Poisson, como xG y PPDA, puedes consultar mi guía de xG y analítica avanzada en la Serie A.
¿Con cuántos partidos previos debo calibrar un modelo Poisson para Serie A?
Un modelo Poisson funciona razonablemente bien con las últimas 10-15 jornadas de la temporada en curso como input principal, complementado por la media de la temporada anterior como ajuste hacia la media liguera histórica. Usar menos partidos aumenta el ruido estadístico. Usar más partidos incorpora datos obsoletos de plantillas antiguas que ya no reflejan al equipo actual.
¿Poisson sirve para mercados de hándicap asiático?
Sirve pero con ajustes. Poisson te da probabilidades de cada marcador exacto, y a partir de ellas puedes derivar probabilidades de diferencias de goles. Para hándicaps con cuartos (-0,25, -0,75) necesitas calcular por separado las probabilidades de empate y de diferencia exacta. El resultado no es tan directo como para Over/Under o 1X2, pero es perfectamente aplicable.
Creado por la redacción de «Apuestas Serie a Italia».
