A menos de un mes del pitazo inicial de la Copa del Mundo 2026, millones de personas en Colombia y en el
mundo ya están haciendo sus predicciones. Se discuten grupos, rivales, quién tiene la delantera más temible y
qué selección llegará más entera a las instancias finales. Las conversaciones son apasionadas, y en buena
parte, intuitivas. Las tiendas de barrio y los sportclubs están llenos de estadísticos innatos, de especialistas en
números, algunos con mucha intuición y agilidad mental, otros con más razonamiento y poder deductivo a partir de datos. Detrás de las cámaras, en las oficinas técnicas de las federaciones y en los cuartos de análisis de los clubes más grandes del mundo, otro partido se juega en silencio: el de los datos.
El fútbol moderno es, sin exageración, uno de los laboratorios más ricos de la estadística aplicada. Hace dos
décadas, la revolución que describió Michael Lewis en Moneyball (“El arte de ganar con todo en contra”, el libro
se puedo conseguir aquí: buscalibre.com.co/libro-moneyball-the-art-of-winning-an-unfairgame/9780393324815/p/1692665 y es una historia acerca de cómo un grupo de apasionados desafió las reglas del béisbol) transformó el béisbol americano: se trataba de un equipo pobre, los Oakland Athletics, que derrotó a rivales millonarios usando modelos estadísticos para identificar jugadores infravalorados, luego de que por un infortunio el equipo perdiera a sus tres mejores jugadores. El fútbol tardó un poco más, pero llegó con fuerza.
Hoy, cada club de primera división en Europa —y varios en Latinoamérica— utiliza plataformas como StatsBomb, Opta o Wyscout (thesports.com/solutions/data-feeds, lsports.eu/risk-management-profitoptimization/, hudl.com/en_gb/products/wyscout) que capturan decenas de miles de eventos por partido: posición del balón, velocidad de cada jugador, ángulo de cada disparo, presión ejercida sobre el portador del balón, distancia recorrida en sprints de alta intensidad. De esa masa de datos emergen métricas que han cambiado la forma de ver el juego.
La más conocida es el Expected Goals o xG (xgscore.io/xg-statistics) pero hay muchas: la probabilidad estadística de que un disparo termine en gol, calculada a partir de la posición, el ángulo, el tipo de asistencia previa y docenas de variables más. Con modelos de regresión logística —y en versiones más sofisticadas, redes neuronales entrenadas sobre millones de acciones históricas— el xG permite separar la suerte del mérito. Un equipo que ganó 1-0 pero acumuló un xG de 0.4 frente a 2.1 del rival probablemente no repita el resultado la siguiente jornada.
Un experimento con números reales! Supongamos que Colombia, basándonos en sus últimos 15 partidos de eliminatoria y Copa América, generó en promedio un xG de 1.4 goles por partido. Si modelamos los goles anotados como una variable aleatoria de Poisson con λ = 1.4 —supuesto razonable y ampliamente validado en la literatura de fútbol analítico—, la probabilidad de que Colombia no anote en un partido dado es e(−1.4) ≈ 0.247 ≈ 0.25 ≈ 1/4: es decir, en otras palabras, aproximadamente 1 de cada 4 partidos termina sin gol. La probabilidad de anotar exactamente 1 gol es 1.4 × e(−1.4) ≈ 0.345 ≈ 1/3, con lo cual, la de anotar 2 o más es el complemento: cerca del 41%. Si el rival tiene un λ ofensivo de 0.8 —consistente con una selección de nivel medio-alto pero no de élite— la probabilidad de que Colombia gane ese partido puede calcularse por simulación de Monte Carlo: corriendo 100,000 partidos bajo estos parámetros, Colombia gana aproximadamente el 52% de las veces, empata el 21% y pierde el 27%.
Este cálculo, que cabe en una página de código en R o Python, es la base de los modelos de predicción de torneos que vemos en medios especializados. No predice el futuro: cuantifica la incertidumbre de forma honesta y accionable. La diferencia entre ese número —52%— y el «yo creo que Colombia va a ganar» no es semántica: es la diferencia entre una decisión fundamentada y una opinión con ruido. Este resultados es sencillo de obtener, te lo muestro y aprendemos juntos pero si lo quieres ver mira: github.com/sierraporta/RandomStuff/blob/main/Goles_Poisson.ipynb.
Para el Mundial, estos modelos se vuelven protagonistas. Grupos de investigadores en universidades europeas y equipos de análisis simulan el torneo completo millones de veces, incorporando el ranking FIFA ajustado, el contexto de los partidos —sede, clima, días de descanso— y la fortaleza relativa de los planteles. El resultado no es una predicción única y arrogante: es una distribución de probabilidad sobre los posibles campeones. Una forma honesta de cuantificar la incertidumbre en lugar de esconderla detrás de un pronóstico.
Pero el fútbol no es solo rendimiento en cancha. Los clubes usan estadística para decidir a quién contratar —y más difícil aún, a quién no contratar aunque la tribuna lo exija—, para diseñar rutinas de entrenamiento que reduzcan el riesgo de lesión muscular, y para definir estrategias de marketing basadas en el comportamiento digital de sus hinchas. La gestión deportiva moderna es, en un porcentaje creciente, gestión de datos.
Todo esto requiere algo que no es magia: es metodología. Saber formular una pregunta con precisión, construir un modelo honesto, interpretar sus resultados con humildad epistémica y tomar decisiones bajo incertidumbre. Son exactamente las habilidades que distinguen a un profesional del dato de alguien que simplemente «trabaja con números.»
El partido del conocimiento también está en curso. La pregunta no es si los datos seguirán siendo determinantes en el deporte —eso ya está decidido— sino si los profesionales de esta región estarán en la cabina de análisis o en las gradas viendo cómo otros toman las decisiones. La estadística aplicada no es el futuro del fútbol: ya es su presente. Y quien quiera entender ese presente —y actuar en él— necesita herramientas reales, no intuiciones cómodas.
