Por qué transformar cuotas fútbol peruano en probabilidades antes de apostar
Convertir cuotas en probabilidades y ajustar por contexto local permite identificar apuestas de valor en Liga 1, Liga 2, Copa Perú y competiciones internacionales con clubes peruanos. Las casas añaden un margen (vig) que inflará las probabilidades implícitas; eliminar ese margen y comparar con un modelo propio revela cuándo la cuota ofrece ventaja matemática.
Paso 1: quitar el margen de la casa y obtener probabilidades implícitas
Proceso básico:
- Convertir cada cuota decimal a probabilidad implícita: prob = 1 / cuota.
- Sumar todas las probabilidades (S) y normalizar: prob_ajustada = prob / S para quitar el vig.
Ejemplo: cuotas 2.20 (local), 3.40 (empate), 3.60 (visitante) → probabilidades 0.4545, 0.2941, 0.2778 (S ≈ 1.0264) → normalizadas ≈ 0.443, 0.287, 0.271. Estas probabilidades normalizadas son la base para comparar con tu propio modelo.
Paso 2: construir probabilidades propias con datos simples y contexto local
Un modelo práctico mezcla forma reciente, una versión simplificada de xG y rendimiento local/visitante. Propuesta de ponderación inicial (ajustable):
- Forma reciente (últimos 6 partidos): 40% — puntos por partido y fuerza de rivales.
- xG simplificado: 30% — (goles marcados del equipo + goles concedidos del rival) / 2.
- Rendimiento local/visitante: 20% — diferencias claras en casa y fuera.
- Lesiones/rotación y motivación: 10% — ajustes puntuales según ausencias o calendario.
Método rápido para xG simplificado: xG_equipo = (goles marcados por partido del equipo + goles concedidos por partido del rival) / 2. Convierte xG a probabilidad de gol con Poisson o reglas empíricas.
Cómo incluir factores locales: altitud, distancia de viaje, calendario y bajas
- Altitud: estadios >2,000–3,000 m suelen favorecer al local; aplicar un multiplicador conservador (+5–12%) y calibrar con históricos.
- Distancia de viaje: viajes largos restan rendimiento; usar un -3–8% según duración del traslado.
- Calendario y congestión: penalizar cuando hay poco descanso o rotaciones esperadas.
- Lesiones y sanciones: ajustar probabilidades ofensivas/defensivas si faltan titulares clave.
Aplica estos ajustes de forma conservadora y documenta cada cambio para calibrarlo con datos reales.
Paso 3: calibrar el modelo con resultados históricos y medir su precisión
Valida tus probabilidades con datos reales para saber si confiar en ellas. Procedimiento práctico:
- Recolección: ideal 300–500 partidos; si no es posible, combina temporadas y partidos internacionales con clubes peruanos para ampliar la muestra.
- Métrica principal: Brier score = promedio[(p_i − o_i)^2], donde o_i = 1 si ocurre el evento. Valores más bajos indican mejor calibración. Compara tu Brier con el del mercado (probabilidades normalizadas).
- Calibración por bins: agrupa predicciones (0–0.1, 0.1–0.2, …) y compara la frecuencia real con la probabilidad media para elaborar una curva de confiabilidad.
Acciones según resultados:
- Si sobreestimas: aplicar un ajuste sencillo p_corr = (1 − w) p + w base_rate, con w = 0.10–0.20 inicialmente.
- Para soluciones formales: usar regresión logística o isotonic regression si hay suficiente data.
- Recalibrar por subgrupos (altitud, copas, equipos con poca muestra) para evitar sesgos por contexto.
- Validar con backtests por temporada y usar AUC y sharpness como métricas complementarias. Evitar overfitting documentando cambios.
Paso 4: aplicar el modelo a 1X2, Más/Menos goles y Ambos Marcan; ejemplos y gestión del riesgo
Transforma probabilidades en decisiones concretas evaluando EV y tamaño de apuesta. Regla básica del EV por unidad: EV = p * cuota − 1. Si EV > 0 existe ventaja teórica.
- Staking: usa Kelly para dimensionar apuesta, pero recorta a una fracción (25–50%) para mayor seguridad; en edges pequeños reduce aún más.
- Evitar apostar cuando falte alineación confirmada, haya baja liquidez, o edge muy pequeño que no cubra la varianza y comisiones.
- Registra todas las apuestas: fecha, evento, cuota, stake, probabilidad propia, EV y notas contextuales.
Ejemplos prácticos aplicados a partidos peruanos (hipotéticos)
Ejemplo 1 — Mercado 1X2 (Melgar vs Sporting Cristal):
- Mercado: Melgar 2.50, Empate 3.20, Cristal 2.80. Probabilidad implícita normalizada aproximada similar al ejemplo.
- Modelo: P(local)=0.42; ajustes: +0.08 por altitud, −0.03 por viaje/descanso, −0.02 por baja → P(local)=0.45.
- EV_local = 0.45 2.50 − 1 = +0.125 → +12.5% edge. Kelly simplificado sugiere f ≈ 8.3%; con fracción de Kelly (25–50%) apostar 2.1%–4.2% del bankroll.
Ejemplo 2 — Over/Under 2.5 goles:
- λ_local = 1.4, λ_visitante = 1.1 → λ_total = 2.5. Poisson(2.5): P(>2.5) ≈ 0.456.
- Si la casa paga 2.20 (implicada ≈ 0.455), el edge es prácticamente nulo (EV ≈ +1%). Decisión: evitar o apostar muy pequeño.
Ejemplo 3 — Ambos Marcan (BTTS):
- P_A = 1 − e^−1.4 ≈ 0.753; P_B = 1 − e^−1.1 ≈ 0.667; asumiendo independencia P(BTTS) ≈ 0.50.
- Corrige por correlación (resta conservadora 3–7%). Si la probabilidad corregida supera la implícita del mercado, hay valor; si no, abstenerse.
Checklist rápido antes de apostar
- Confirmar alineaciones 60–30 minutos antes.
- Verificar altitud y aplicar ajuste calibrado.
- Evaluar logística: horas de vuelo, cambios horarios o viajes largos.
- Comparar probabilidad propia con la implícita normalizada y calcular EV.
- Establecer umbrales mínimos de EV para entrar (por ejemplo >5–8% para apuestas regulares).
- Revisar liquidez y límites de stake; evitar mercados con baja profundidad.
- Registrar cada apuesta con contexto (altitud, lesiones, clima).
Cierre práctico y próximos pasos
Aplica lo aprendido de forma ordenada: comienza con muestras pequeñas, registra todo y revisa la calibración con regularidad. Mantén los ajustes por factores locales conservadores hasta que la validación histórica confirme su magnitud real. Prioriza la disciplina de staking y la gestión de bankroll por encima de la búsqueda de ganancias rápidas.
Tu modelo no es una receta fija: es una herramienta viva que mejora con datos, pruebas y honestidad sobre sus límites. Sigue iterando (y reduciendo la complejidad si no aporta mejoras claras), sé crítico con tu propio sesgo y evita apuestas cuando la información clave sea incierta. Con metodología, paciencia y registro riguroso, tendrás más probabilidades de transformar un buen método en una ventaja sostenible en el contexto del fútbol peruano.