Cómo funciona realmente el 'Superordenador del fútbol': la simulación de Monte Carlo explicada

El superordenador predice la carrera por el título de la Premier League. El superordenador dicta sentencia sobre el descenso. Ya conocéis los titulares. Aparecen semana tras semana con una columna de porcentajes junto a cada club, y el sábado ya se citan en la taberna como si fueran tablas de piedra.

Sin embargo, no hay ninguna máquina del tamaño de una habitación zumbando en algún sótano. El "superordenador" del fútbol es un modelo estadístico, y el método que hay detrás es algo que podría ejecutar tu portátil. El nombre es puro marketing. Lo que hay debajo es astuto y sorprendentemente simple, y creemos que todos los apostadores deberían entenderlo.

La temporada 2026/27 tiene unas siete semanas de edad. Comenzó el 21 de agosto, Arsenal son los campeones vigentes, y Coventry City, Ipswich Town y Hull City han ascendido. Es justo el momento en que las predicciones empiezan a volar por ahí, y justo el momento en que es más fácil malinterpretarlas.

Si te quedas con nosotros, sabrás cómo se construye una simulación de temporada, qué significa realmente un "35% de posibilidades de título", por qué el modelo y las casas de apuestas no están de acuerdo, y a cuál de los dos conviene confiar cuando.

A cualquiera que disfrute de una apuesta le encantará el nombre. Los métodos de Monte Carlo son una familia de cálculos basados en el muestreo aleatorio repetido. El matemático polaco Stanislaw Ulam fue quien ideó el concepto, y lleva el nombre del Casino de Monte Carlo, en Mónaco, como guiño a las aficiones de juego de su tío.

El truco parece ir en contra de la lógica: usas el azar para responder a una pregunta que no tiene nada de aleatoria. Hay problemas demasiado enrevesados para una fórmula limpia, y una temporada de fútbol es uno de ellos. Veinticinco equipos, 380 partidos, cada resultado influye en todos los demás, desempates por diferencia de goles. Nadie se está escribiendo una ecuación clara para "cuál es la probabilidad de que Coventry se salve del descenso".

Por eso no te molestas. Simulas la temporada al azar, pero siguiendo probabilidades razonables, y lo haces miles de veces. Luego, cuentas.

Esa es la supercomputadora. Todo lo demás depende de lo buenas que sean las probabilidades de entrada, y ahí es donde reside la verdadera discusión.

Cada simulación parte de un número para cada equipo. Algunos modelos usan una única valoración de poder, como las puntuaciones Elo, pero la mayoría de los modelos de fútbol la dividen en una fuerza de ataque y una fuerza de defensa. Estas salen de los resultados pasados, cada vez más de los goles esperados, y en algunos modelos de una mezcla con las cuotas del mercado.

Los goles esperados son el hueso vertebral moderno. Cada disparo tiene una probabilidad entre 0 y 1 de acabar en la red, basada en la distancia, el ángulo, la parte del cuerpo que golpea, el tipo de asistencia y así sucesivamente. Suma los disparos y tienes el xG de un equipo para el partido o la temporada. Un disparo con 0,3 xG acaba en la red aproximadamente un 30% de las veces tras muchos repeticiones, lo cual no te dice nada sobre si un disparo concreto irá o no. Como elimina la suerte en la definición, el xG es una guía más fiable del nivel real de un equipo que los goles por sí solos, por lo que la mayoría de las valoraciones se apoyan en él con fuerza. Nuestra guía sobre cómo construir un modelo de apuestas deportivas profundiza en cómo elegir tus entradas.

El abuelo académico de todo esto es Dixon y Coles, publicado en la Journal of the Royal Statistical Society en 1997. Ajustaron un modelo de regresión de Poisson al fútbol de liga y copas de Inglaterra de 1992 a 1995 y lo contrastaron con las cuotas de los bookmakers de la temporada 1995/96. El artículo se centraba abiertamente en encontrar huecos en el mercado de apuestas al fútbol, y reportó un retorno positivo en esa prueba. Los mercados de los años 90 eran un objetivo más blando que los de hoy, pero los cimientos de ese modelo siguen dentro de la mayoría de las predicciones públicas.

Las valoraciones tampoco se quedan quietas. Un buen modelo las actualiza a medida que avanza la temporada, de modo que los partidos recientes pesan más que los de la primavera pasada.

Con las valoraciones en su sitio, cada partido se convierte en una cifra de goles esperados para ambos equipos, y esas cifras se transforman en probabilidades mediante la distribución de Poisson. Es la forma estándar de modelar la frecuencia con la que ocurre un evento raro en un periodo fijo, y los goles en un partido de fútbol encajan perfectamente.

P(el equipo marca k goles) = e^(-λ) × λ^k / k!

λ_local = media_liga × ataque_local × defensa_visitante × ventaja_local
λ_visitante = media_liga × ataque_visitante × defensa_local ÷ ventaja_local

La media de la liga marca la base. Los primeros 50 partidos de la Premier League de 2026/27 produjeron 141 goles, 2,82 por partido, o unos 1,41 por equipo.

Supongamos que el modelo espera que el equipo local marque 1,8 y el visitante 1,0. El local no marca con una probabilidad de e^-1,8, aproximadamente el 16,5%, marca un gol el 29,8% de las veces y dos goles el 26,8% de las veces. Calcula todas las marcaciones desde el 0-0 hasta el 9-9, súmalas y obtienes:

Victoria local  ≈ 56%
Empate      ≈ 23%
Victoria visitante  ≈ 21%

Esa forma debería resultarte familiar. Esto es lo que el modelo de Opta publicó para una serie de partidos el 9 de octubre de 2026:

Probabilidades de victoria de Opta a fecha de 9 de octubre de 2026.

La Poisson simple tiene un defecto famoso. Trata los goles de los dos equipos como independientes, lo que subestima los empates con pocos goles como el 0-0 y el 1-1. Dixon y Coles añadieron una corrección para las cuatro marcaciones más bajas (0-0, 1-0, 0-1 y 1-1), y la mayoría de los modelos serios incorporan ahora algo similar.

Aquí está la parte de Monte Carlo. Es un bucle de cinco pasos:

1. Valorar a cada equipo con los resultados, los xG y lo que sea que entre en el modelo.
2. Poner precio a cada partido restante con el modelo de partido de arriba.
3. Jugar cada partido una vez al azar, sacando un marcador de esas probabilidades y sumando los puntos a la clasificación. Los partidos ya jugados se quedan exactamente como ocurrieron.
4. Repetir toda la temporada miles de veces. 10.000 simulaciones es una opción común, y cada una es una posible versión de la 2026/27.
5. Contar. La probabilidad de título es la parte de simulaciones en las que un equipo acaba primero. La probabilidad de descenso es la parte en las que acaba 18º, 19º o 20º.

Esos famosos porcentajes son solo recuentos. Gana la liga en 4.300 de las 10.000 temporadas simuladas y estás en un 43%. Con 50 de los 380 partidos jugados a fecha del 20 de septiembre, un modelo de la Premier League está reproduciendo unos 330 partidos en cada simulación.

A continuación tienes una versión funcional para una liga ficticia de cuatro equipos que juega en casa y fuera. Se lee en un minuto:

import random, math
random.seed(7)
teams = {"Reds": (1,9, 0,9), "Blues": (1,7, 1,0), "Whites": (1,4, 1,2), "Greens": (1,2, 1,3)}  # (ataque, defensa)
AVG, HOME = 1,35, 1,15

def poisson(lam):
    L, k, p = math.exp(-lam), 0, 1,0
    while True:
        p *= random.random()
        if p <= L:
            return k
        k += 1

def play(h, a):
    lam_h = AVG * (teams[h][0] / AVG) * (teams[a][1] / AVG) * HOME
    lam_a = AVG * (teams[a][0] / AVG) * (teams[h][1] / AVG) / HOME
    return poisson(lam_h), poisson(lam_a)

fixtures = [(h, a) for h in teams for a in teams if h != a]
N, titles = 10_000, dict.fromkeys(teams, 0)
for _ in range(N):
    pts, gd = dict.fromkeys(teams, 0), dict.fromkeys(teams, 0)
    for h, a in fixtures:
        x, y = play(h, a)
        gd[h] += x - y; gd[a] += y - x
        if x > y: pts[h] += 3
        elif x < y: pts[a] += 3
        else: pts[h] += 1; pts[a] += 1
    champion = max(teams, key=lambda t: (pts[t], gd[t], random.random()))
    titles[champion] += 1
print({t: titles[t] / N for t in teams})

Ejecútalo y los Reds, cómodamente el mejor equipo sobre el papel, ganan el título en solo alrededor del 53% de las temporadas. Los Blues se llevan aproximadamente el 31%, los Whites alrededor del 11% y los Greens entre el 4 y el 5%. Los Reds ganan a los Greens en casa el 70% de las veces, y en una temporada corta el mejor equipo se queda fuera casi la mitad de las veces. Así de ruidoso es el fútbol.

Un 25% de posibilidades de título no significa que el equipo deba ganar. Significa que gana una temporada de cada cuatro.

La mayoría de los malentendidos empiezan justo ahí. Si un equipo aparece en la primera posición con un 25%, se convierte en "la apuesta del superordenador", pero en tres de cada cuatro ocasiones, otro es el que levanta la copa. Un equipo con un 10% de posibilidades de descender se etiqueta como "seguro" en los titulares, pero en una de cada diez temporadas, ese mismo equipo con esa misma agenda de partidos acaba descendiendo.

Los números iniciales son sobre todo de la temporada pasada

A las siete semanas, la tabla real apenas ha movido la aguja. Lo que estás viendo ahora es, en su mayor parte, la visión previa del modelo de cada equipo, con un puñado de resultados añadidos. En abril se invierte: los puntos reales dominan y las valoraciones solo deciden el puñado de partidos restantes. Por eso las proyecciones iniciales fluctúan tras cada jornada.

Pequeños cambios en la valoración, grandes oscilaciones

Los totales de puntos se agrupan con mucha estrechez. Un ligero ajuste en la valoración de un equipo puede mover su posibilidad de título varios puntos porcentuales, porque un par de victorias extra a lo largo de la temporada pueden ser toda la diferencia entre el primero y el tercero.

Más simulaciones no arreglan un modelo malo

El ruido de la muestra sí se reduce al añadir simulaciones, y la matemática es bastante simple:

error estándar = √( p × (1 − p) ÷ N )

p = 0,5, N = 10,000  →  0,5 puntos  (aprox. ±1 punto)
p = 0,5, N = 1,000   →  1,6 puntos  (aprox. ±3 puntos)

Pero eso solo cubre el ruido de los dados. Si te equivocas con las valoraciones, un millón de simulaciones te dará una respuesta incorrecta muy precisa. Es la misma trampa que atrapa a los modelos de apuestas que se ven brillantes en pruebas retrospectivas y luego pierden dinero real.

Lo raro no es imposible

Leicester City empezó la 2015/16 como outsiders a 5000-1 en las casas de apuestas y fueron confirmados campeones el 2 de mayo de 2016, con Jamie Vardy anotando 24 goles en liga para Claudio Ranieri en el camino. Una cuota de 5000-1 implica aproximadamente un 0,02%, o unos dos títulos en 10,000 temporadas simuladas. Cuando un modelo imprime "<1%", léelo como "raro" y nunca como "imposible".

Si pones las probabilidades de un modelo frente a las cuotas de un bookmaker, rara vez coinciden. Tres factores explican esa diferencia.

El margen

Las probabilidades de un modelo suman exactamente un 100%. Las probabilidades implícitas de un bookmaker suman más, y en los mercados de campeón suelen superar con creces el 100%. Eso es el overround. Para comparar lo comparable, convierte los números del modelo en cuotas justas:

cuota decimal justa = 1 ÷ probabilidad

Man Utd 54,1%  →  1 ÷ 0,541 ≈ 1,85  (alrededor de 17/20)
Empate    23,6%  →  1 ÷ 0,236 ≈ 4,24  (alrededor de 13/4)
Spurs   22,3%  →  1 ÷ 0,223 ≈ 4,48  (alrededor de 7/2)

Las cuotas reales serán más cortas que esas en la mayoría de los resultados, porque el margen tiene que salir de algún sitio. Nuestra guía sobre cómo quitar el margen del bookmaker compara cuatro formas de eliminarlo de una cuota.

Los datos de entrada

El modelo solo sabe lo que hay en sus valoraciones. El mercado sabe sobre el esguince de isquio en el entrenamiento del jueves, el técnico que está a un paso de ser destituido, la rotación antes de una noche europea y la ventana de fichajes de enero que aún no ha llegado. Los bookmakers también están gestionando el riesgo y reaccionando a dónde va el dinero. Algunos modelos públicos dan la vuelta y mezclan las cuotas del mercado en sus valoraciones, por lo que están copiando en parte el mismo mercado con el que se les compara.

Los favoritos largos

Los bookmakers suelen dar cuotas más cortas a los favoritos largos que su verdadera probabilidad. Es el bien documentado sesgo favorito-favorito largo, y por sí solo significa que los equipos menos favoritos suelen parecer peor apuesta en el book que lo que sugiere el modelo.

Trátalo como un comprobador de cordura, no como un tipster. Es brillante para mostrarte cuánta probabilidad te está pidiendo realmente que creas una cuota. Es pésimo para decirte algo que el mercado no sepa ya.

Empieza por la conversión. Un modelo que da a un equipo un 4% para el título está diciendo que la cuota justa es 25,0, o 24/1. Si la mejor cuota que hay por ahí es 20/1, la casa está implicando alrededor de un 4,8% (1 ÷ 21). Esa diferencia se sitúa bien dentro del margen de error del modelo, así que no es una apuesta. Solo actúa cuando la diferencia sea mayor que tu confianza en las valoraciones que hay detrás.

Luego pregúntate por qué existe esa diferencia. Los modelos y las casas se alimentan de los mismos resultados públicos, así que un desacuerdo marcado suele significar que al modelo se le escapa algo: una lesión, un nuevo técnico, una remodelación de la plantilla. Encuentra la razón antes de sacar la cartera.

De una semana a otra, las cifras por partido son la herramienta más útil. Una victoria local del 54,1% se traduce en una cuota justa de alrededor de 1,85. Si te ofrecen algo cómodamente más alto, merece una mirada seria; si te ofrecen algo más corta, el modelo te está diciendo que pases. Para los propios mercados del título y la permanencia, nuestra guía de apuestas al título de la Premier League y nuestra guía de apuestas a la descenso pasan por los contendientes de la 2026/27 en detalle.

¿Apetece ir más allá? Construye el tuyo. El código de juguete de arriba es un punto de partida funcional, y nuestro artículo sobre si el aprendizaje automático puede vencer a las casas muestra hacia dónde llevan los modelos serios.

Nuestro veredicto: el superordenador es un traductor de lo más excelente, pero un oráculo deficiente. Úsalos para convertir opiniones en precios, no para elegir ganadores por ti.

• Convierte cada porcentaje en cuotas justas antes de mirar a un bookmaker. Es una suma de diez segundos que evita que un número llamativo se pase por valor.
• Ignora los cambios en las apuestas al título a principio de temporada. En septiembre y octubre, los resultados son en su mayoría las valoraciones de la temporada anterior, y el mercado ya ha tenido en cuenta los cambios del verano.
• Nunca trates el porcentaje más alto como una apuesta segura. Un favorito al 30% se queda sin el título siete de cada diez veces, y el precio tiene que reflejarlo.
• Respeta las colas. Un equipo al "1%" aún gana unas 100 temporadas de cada 10.000. Leicester a 5000-1 es la prueba.
• Desconfía de las grandes diferencias entre el modelo y el mercado. Las pequeñas son ruido; las grandes suelen significar que el modelo se ha dejado atrás la actualidad de los equipos. Investiga antes de apostar.
• Apóyate en las cifras por partido. Las probabilidades de un partido único son más precisas y mucho más fáciles de contrastar con un precio que las apuestas al título a lo largo de toda la temporada.

Sea lo que apuestes, juega una unidad fija y sensata, y juzga tu rendimiento a lo largo de una larga serie de apuestas, no de un fin de semana.

• Guía de apuestas al título de la Premier League 2026/27
• Apuestas al descenso en la Premier League 2026/27
• Cómo construir un modelo de apuestas deportivas: la guía completa
• La IA en las apuestas deportivas: ¿puede el aprendizaje automático vencer a los bookies?
• Las puntuaciones Elo explicadas: cómo las matemáticas del ajedrez clasifican a los equipos de fútbol

18+. Apuesta de forma responsable. Para obtener ayuda gratuita y confidencial, visita BeGambleAware.org.