Fuerza de Ataque y Defensa: Parametrización de Modelos Poisson en Fútbol

1. Introducción: el Cuello de Botella de la Parametrización en los Modelos de Poisson

En el análisis cuantitativo del fútbol, la distribución de Poisson es la herramienta básica para prever resultados, calcular probabilidades justas en el 1X2, fijar líneas de Hándicap Asiático y construir matrices de resultado exacto. En la formulación de Poisson bivariada estándar, los goles del local ($X$) y del visitante ($Y$) en 90 minutos se modelan como variables aleatorias discretas con intensidades $\lambda$ y $\mu$:

Las matemáticas para convertir $\lambda$ y $\mu$ en probabilidades de mercado son bien conocidas, pero los modeladores principiantes siempre tropiezan con el cuello de botella operativo básico: ¿de dónde salen realmente las intensidades de goles esperados $\lambda$ y $\mu$?

Las heurísticas subjetivas, las narrativas mediáticas y los promedios históricos sin ajustar no tienen en cuenta la dificultad del calendario, la dinámica de la ventaja de local ni las diferencias de eficiencia defensiva. Un ataque que marca tres goles a un equipo en zona de descenso no rendirá lo mismo cuando visite a la defensa menos goleada de la liga.

Esta guía técnica explica la metodología para calcular índices de ataque y defensa a partir de la clasificación, deduce las fórmulas de expectativa conjunta, recorre un ejemplo paso a paso con cifras hipotéticas de los equipos, introduce la ponderación con decaimiento exponencial en el tiempo y compara las estadísticas de goles reales con los modelos de Goles Esperados ($xG$).

2. Constantes de Referencia de la Liga: el Entorno Macro

Antes de evaluar a cada club, el modelo debe calibrar el nivel medio de goles de la competición. Ese nivel cambia entre competiciones y de una temporada a otra, por lo que hay que medirlo en la liga que se modela.

Parámetros de Referencia de la Liga

1. Total de Partidos ($N_{\text{matches}}$): en una liga de 20 equipos a doble vuelta, la temporada tiene $20\times 19=380$ partidos.
2. Total de Goles del Local ($G_{\text{home, total}}$): suma de los goles marcados por todos los locales en el periodo analizado.
3. Total de Goles del Visitante ($G_{\text{away, total}}$): suma de los goles marcados por todos los visitantes.
4. Media de Goles del Local por Partido (${\overline{G}}_{\text{home}}$): $${\overline{G}}_{\text{home}}=\frac{G_{\text{home, total}}}{N_{\text{matches}}}$$
5. Media de Goles del Visitante por Partido (${\overline{G}}_{\text{away}}$): $${\overline{G}}_{\text{away}}=\frac{G_{\text{away, total}}}{N_{\text{matches}}}$$

En la Premier League inglesa, en las temporadas 2023–24 y 2024–25 (760 partidos, football-data.co.uk), las referencias fueron ${\overline{G}}_{\text{home}}\approx 1.66$ y ${\overline{G}}_{\text{away}}\approx 1.45$, con una media de ${\overline{G}}_{\text{total}}\approx 3.11$ goles por partido y un factor local de $1.66/1.45\approx 1.14$.

3. Índices de Fuerza de Ataque ($A_i$)

El Índice de Fuerza de Ataque mide la potencia ofensiva de un equipo frente a la media de la liga en las mismas condiciones (local o visitante). Se define como el cociente entre los goles marcados por el club por partido y la media de goles de la liga:

Fuerza de Ataque como Local ($A_{\text{home},i}$)

Fuerza de Ataque como Visitante ($A_{\text{away},i}$)

Un índice de $1.00$ representa un ataque exactamente medio. Un índice $A=1.35$ significa que el club marca un 35% más de goles que un equipo medio en esa condición, mientras que $A=0.75$ indica un ataque que produce un 25% menos de goles que la media de la liga.

4. Índices de Fuerza Defensiva ($D_i$)

El Índice de Fuerza Defensiva mide la resistencia defensiva frente a la media de la liga. Ojo: los valores más bajos indican una defensa mejor, porque un índice bajo significa menos goles encajados:

Fuerza Defensiva como Local ($D_{\text{home},i}$)

Fuerza Defensiva como Visitante ($D_{\text{away},i}$)

Observe el emparejamiento de los denominadores: al evaluar la defensa del Equipo $i$ como local, dividimos por la media de goles de los visitantes (${\overline{G}}_{\text{away}}$), porque son ellos quienes intentan marcar en el estadio del Equipo $i$. Del mismo modo, la defensa del Equipo $i$ como visitante se escala con la media de goles de los locales (${\overline{G}}_{\text{home}}$).

5. Síntesis de las Intensidades de Goles Esperados ($\lambda$ y $\mu$)

Con los índices de cada equipo calculados, la previsión de goles esperados para un partido entre el Local $H$ y el Visitante $A$ es una síntesis multiplicativa sencilla:

Esta formulación recoge los tres factores principales de la producción de goles en el fútbol:

1. El nivel de goles de referencia según la condición (${\overline{G}}_{\text{home}}$ o ${\overline{G}}_{\text{away}}$).
2. La fuerza ofensiva del equipo que ataca en esa condición ($A_{\text{home},H}$ o $A_{\text{away},A}$).
3. La vulnerabilidad defensiva del rival en esa condición ($D_{\text{away},A}$ o $D_{\text{home},H}$).

6. Ejemplo Paso a Paso: Arsenal contra Liverpool

Para mostrar la aplicación práctica, calculemos los parámetros de Poisson de un gran partido de la Premier League: Arsenal (local) contra Liverpool (visitante).

Datos de la Clasificación (Muestra Hipotética a Mitad de Temporada)

• Medias de la Liga: ${\overline{G}}_{\text{home}}=1.55$ goles/partido, ${\overline{G}}_{\text{away}}=1.20$ goles/partido.
• Arsenal como Local (10 partidos): 26 goles marcados ($2.60$/partido), 8 goles encajados ($0.80$/partido).
• Liverpool como Visitante (10 partidos): 22 goles marcados ($2.20$/partido), 11 goles encajados ($1.10$/partido).

Paso 1: Índices del Arsenal como Local

Paso 2: Índices del Liverpool como Visitante

Paso 3: Goles Esperados ($\lambda$ y $\mu$)

Con $\lambda =1.846$ y $\mu =1.467$ en un modelo de Poisson independiente se obtienen las probabilidades justas $P(\text{Victoria del Arsenal})\approx \mathrm{46,6}\%$, $P(\text{Empate})\approx \mathrm{22,6}\%$ y $P(\text{Victoria del Liverpool})\approx \mathrm{30,8}\%$. Un ajuste de Dixon-Coles trasladaría algo de probabilidad a los empates con pocos goles.

7. Calibración Avanzada: Ponderación con Decaimiento Temporal ($\xi$)

Usar promedios acumulados de la temporada supone estacionariedad: trata el rendimiento de hace seis meses, con el delantero titular lesionado, como tan informativo como el partido del fin de semana pasado. En el modelo clásico de Dixon y Coles (1997), los partidos pasados reciben pesos exponenciales mediante el parámetro de decaimiento $\xi$:

Donde $\mathrm{\Delta }t$ es el tiempo transcurrido, en días o semanas, desde el partido $t$. El valor de $\xi$ se ajusta con partidos pasados. Con $\xi =0.002$ por día, un partido de hace dos semanas pesa unas 1,4 veces más que uno de hace seis meses; con $\xi =0.005$, unas 2,3 veces.

8. Limitaciones: Goles Reales frente a Goles Esperados ($xG$)

Los datos históricos de goles son fáciles de conseguir, pero los goles marcados tienen mucho ruido. En una muestra de 10 partidos como local, un equipo puede marcar 25 goles con solo 15,2 Goles Esperados ($xG$) por suerte en la definición o errores del portero rival. Los analistas cuantitativos sustituyen el recuento de goles por Goles Esperados ($xG$) y Goles Esperados en Contra ($xGA$) al calcular $A_i$ y $D_i$, porque el xG varía menos de un partido a otro que los goles y los índices se estabilizan con menos partidos.

9. La Ventaja de Local No Es Constante

La ventaja de local cambia con el tiempo y hay que volver a estimarla. En los 2.490 partidos de la Premier League entre agosto de 2019 y enero de 2026 (football-data.co.uk), el cociente entre goles del local y del visitante osciló entre 1,01 en 2020–21, cuando se jugó sin público, y 1,34 en 2022–23, con una media de 1,18. La influencia del público en el arbitraje, los viajes y las tendencias tácticas son causas posibles. En la práctica, conviene reestimar la referencia del local en una ventana móvil de temporadas recientes en lugar de usar un promedio de largo plazo.