Cómo funciona realmente la 'Supercomputadora del Fútbol': la simulación de Monte Carlo explicada

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

Sin embargo, no hay una máquina del tamaño de una habitación zumbando en algún sótano. El "supercomputador" del fútbol es un modelo estadístico, y el método detrás de él es algo que su laptop podría ejecutar. 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 apenas unas siete semanas de vida. Comenzó el 21 de agosto, Arsenal son los campeones defensores, y Coventry City, Ipswich Town y Hull City han ascendido. Es justo ahora cuando las proyecciones empiezan a volar por ahí, y justo ahora cuando es más fácil malinterpretarlas.

Síguenos y sabrás cómo se construye una simulación de temporada, qué significa realmente un "35% de probabilidad de título", por qué el modelo y las casas de apuestas no están de acuerdo, y a cuál de los dos conviene confiar en cada momento.

A cualquiera que disfrute de una apuesta le gustará 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 se le puso el nombre del Casino de Monte Carlo, en Mónaco, como guiño a las costumbres de juego de su tío.

El truco suena al revés: usas el azar para responder una pregunta que no tiene nada de aleatoria. Algunos problemas son demasiado enredados para una fórmula limpia, y una temporada de fútbol es uno de ellos. Veinticinco equipos, 380 partidos, cada resultado alimentando a todos los demás, desempates definidos por la diferencia de goles. Nadie está escribiendo una ecuación limpia para "cuáles son las probabilidades de que Coventry se mantenga arriba".

Por lo tanto, no te molestas. Juegas la temporada al azar, pero según probabilidades razonables, y lo haces miles de veces. Luego, cuentas.

Esa es la supercomputadora. Todo lo demás se trata de qué tan buenas son las probabilidades que entran, y ahí es donde reside la verdadera discusión.

Cada simulación arranca con un número para cada equipo. Algunos modelos emplean una sola puntuación de potencia, como las ratings Elo, pero la mayoría de los modelos de fútbol la dividen en fuerza ofensiva y fuerza defensiva. Estas salen de 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 pilar moderno. Cada disparo recibe una probabilidad entre 0 y 1 de entrar, basada en la distancia, el ángulo, la parte del cuerpo, el tipo de asistencia y así sucesivamente. Suma los disparos y tienes el xG del equipo para el partido o la temporada. Una oportunidad de 0.3 xG entra aproximadamente el 30% de las veces en muchas repeticiones, lo cual no te dice nada sobre si un disparo individual concreto va a entrar. Como elimina la suerte en el remate final, el xG es una guía más estable del nivel real de un equipo que los goles por sí solos, por lo que la mayoría de las ratings se apoyan en él de forma crucial. Nuestra guía para 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 Revista de la Sociedad Estadística Real en 1997. Ajustaron un modelo de regresión Poisson al fútbol de liga y copa inglés de 1992 a 1995 y lo contrastaron con las cuotas de los bookmakers de 1995/96. El paper estaba abiertamente orientado a encontrar huecos en el mercado de apuestas de fútbol, y reportó un retorno positivo en esa prueba. Los mercados de los años 90 eran un blanco más blando que los de hoy, pero los huesos de ese modelo siguen dentro de la mayoría de las predicciones públicas.

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

Con las valoraciones en su lugar, 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 con qué frecuencia ocurre un evento raro en un periodo fijo, y los goles en un partido de fútbol encajan bien con este modelo.

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

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

El promedio de la liga establece la línea base. Los primeros 50 partidos de la Premier League en la temporada 2026/27 produjeron 141 goles, 2.82 por partido, o unos 1.41 por lado.

Supongamos que el modelo espera que el equipo local marque 1.8 goles y el visitante 1.0. El equipo local se queda en cero con una probabilidad de e^-1.8, aproximadamente 16.5%, marca un gol el 29.8% de las veces y dos goles el 26.8% de las veces. Calcula todas las posibles marcadores desde el 0-0 hasta el 9-9, súmalos, y obtienes:

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

Esa forma debería resultarte familiar. Aquí está lo que el modelo de Opta publicó para un puñado de partidos el 9 de octubre de 2026:

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

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

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

1. Clasificar a cada equipo con base en resultados, xG y todo lo demás que se incluya.
2. Fijar la cuota de 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 tabla. Los partidos ya jugados se quedan exactamente como ocurrieron.
4. Repetir toda la temporada miles de veces. 10,000 simulaciones es una elección común, y cada simulación es una posible versión de la 2026/27.
5. Contar. La probabilidad de título es el porcentaje de simulaciones en las que un equipo terminó primero. La probabilidad de descenso es el porcentaje en las que terminó en el 18, 19 o 20.

Esos famosos porcentajes son solo conteos. Gana la liga en 4,300 de 10,000 temporadas simuladas y estás en 43%. Con 50 de los 380 partidos jugados para el 20 de septiembre, un modelo de la Premier League está reproduciendo alrededor de 330 partidos en cada simulación.

Abajo está una versión funcional para una liga ficticia de cuatro equipos que juega en casa y fuera. Toma un minuto en leerse:

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 apenas el 53% de las temporadas. Los Blues toman alrededor del 31%, los Whites alrededor del 11% y los Greens alrededor del 4-5%. Los Reds ganan a los Greens en casa el 70% de las veces, y en una temporada corta, el mejor equipo sigue fallando casi la mitad de las veces. Así de ruidoso es el fútbol.

Una probabilidad de título del 25% no significa que el equipo deba ganar. Significa que gana una temporada de cada cuatro.

La mayoría de las malinterpretaciones empiezan justo ahí. Si un equipo lidera la lista con un 25%, se convierte en "la apuesta de la supercomputadora", pero tres de cada cuatro veces alguien más levanta el trofeo. Un equipo con un 10% de probabilidad de descenso se etiqueta como "seguro" en los titulares, pero en una de cada diez temporadas, ese mismo plantel con esa misma agenda de partidos termina descendiendo.

Los números iniciales son en su mayoría de la temporada pasada

Con siete semanas de juego, la tabla real apenas ha movido la aguja. Lo que estás viendo ahora es principalmente la visión previa del modelo sobre cada equipo, con algunos resultados revueltos. Para abril, todo se invierte: los puntos reales dominan y las valoraciones solo deciden el puñado de partidos restantes. Por eso, las proyecciones iniciales fluctúan tanto después de cada jornada.

Pequeños cambios en la valoración, grandes oscilaciones

Las sumas de puntos se agrupan muy de cerca. Ajustar la valoración de un equipo apenas un poco puede mover su probabilidad de título varios puntos porcentuales, porque un par de victorias adicionales a lo largo de la temporada pueden ser toda la diferencia entre el primero y el tercer puesto.

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  (aproximadamente ±1 punto)
p = 0.5, N = 1,000   →  1.6 puntos  (aproximadamente ±3 puntos)

Pero eso solo cubre el ruido de los dados. Si te equivocas en 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 retrotest y luego pierden dinero real.

Lo raro no es imposible

Leicester City empezó la temporada 2015/16 como outsiders a 5000-1 en las casas de apuestas y fue confirmado campeón el 2 de mayo de 2016, con Jamie Vardy anotando 24 goles en la liga para Claudio Ranieri en el camino. Una apuesta a 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 los porcentajes de un modelo frente a las cuotas de un bookmaker, casi nunca coinciden. Tres factores explican esa brecha.

El margen

Las probabilidades de un modelo suman exactamente el 100%. Las probabilidades implícitas de un bookmaker suman más, y en los mercados de favoritos al título suelen superar ampliamente el 100%. Eso es el overround. Para comparar en igualdad de condiciones, 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 estas en la mayoría de los resultados, porque el margen tiene que salir de algún lugar. Nuestra guía sobre cómo quitar el margen del bookmaker compara cuatro formas de extraerlo de una cuota.

Los datos de entrada

El modelo solo sabe lo que está en sus valoraciones. El mercado sabe sobre la lesión de isquio que se metió en el entrenamiento del jueves, el entrenador que está a un paso de ser despedido, la rotación antes de una noche europea y la ventana de fichajes de enero que aún no ha ocurrido. Los bookmakers también están gestionando el riesgo y reaccionando a hacia dónde va el dinero. Algunos modelos públicos hacen lo contrario y mezclan las cuotas del mercado en sus valoraciones, por lo que están copiando parcialmente al mismo mercado con el que se les compara.

Los outsiders

Los bookmakers suelen cotizar los outsiders más cortos que su verdadera probabilidad. Eso es el bien documentado sesgo favorito-outside, y por sí solo significa que los outsiders a menudo parecen tener menos valor en la casa que lo que sugiere el modelo.

Lo consideramos una verificación de sentido común, no un tipster. Es brillante para mostrarte qué tan probable debe ser realmente un precio para que te lo creas. Es pésimo para decirte algo que el mercado ya no sabe.

Comienza con la conversión. Un modelo que le da a un equipo un 4% de probabilidad para el título está diciendo que las cuotas justas son de 25.0, o 24/1. Si el mejor precio disponible es 20/1, la casa de apuestas está implicando aproximadamente un 4.8% (1 ÷ 21). Esa diferencia se encuentra bien dentro del margen de error del modelo, así que no es una apuesta. Solo actúa cuando la brecha sea mayor que tu confianza en las valoraciones detrás de ella.

Luego pregúntate por qué existe esa brecha. Los modelos y las casas de apuestas se alimentan de los mismos resultados públicos, por lo que una desacuerdo marcado suele significar que el modelo está perdiendo algo: una lesión, un nuevo entrenador, una remodelación del plantel. Encuentra la razón antes de buscar tu billetera.

Semana a semana, las cifras por partido son la herramienta más útil. Una victoria local del 54.1% tiene un precio justo de aproximadamente 1.85. Si te ofrecen algo cómodamente más alto, merece una mirada seria; si te ofrecen algo más corto, el modelo te está diciendo que pases. Para los mercados del título y la permanencia en sí, nuestra guía de apuestas al título de la Premier League y la guía de apuestas a la descenso analizan en detalle a los contendientes de la temporada 2026/27.

¿Te atreves a 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 de apuestas muestra hacia dónde llevan los modelos serios.

Nuestro veredicto: la supercomputadora es una traductora excepcional, pero una pobre oráculo. Úsenla para convertir opiniones en precios, no para elegir ganadores por usted.

• Convierta cada porcentaje en cuotas justas antes de mirar a un bookmaker. Es una suma de diez segundos, y evita que un número llamativo se pase por valor.
• Ignore los cambios de título en la primera parte de la temporada. En septiembre y octubre, los resultados son en su mayoría las valoraciones de la temporada anterior, y el mercado ya ha incorporado los cambios del verano.
• Nunca trate 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 reflejar eso.
• Respete las colas. Un equipo al "1%" todavía gana unas 100 de cada 10,000 temporadas. Leicester con cuotas de 5000-1 es el recordatorio.
• Desconfíe de las grandes brechas entre el modelo y el mercado. Las brechas pequeñas son ruido; las grandes suelen significar que el modelo ha pasado por alto noticias de los equipos. Investigue antes de apostar.
• Apóyese en las cifras por partido. Las probabilidades de un partido individual son más ajustadas y mucho más fáciles de comparar con un precio que los pronósticos de toda la temporada.

Sea lo que apueste, apueste una unidad fija y sensata, y evalúese a sí mismo en una larga serie de apuestas, no en 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 crear un modelo de apuestas deportivas: la guía completa
• La IA en las apuestas deportivas: ¿puede el aprendizaje automático vencer a los bookmakers?
• Ratings Elo explicados: 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.