¿Qué ligas de fútbol son más (y menos) predecibles?

¿Difieren realmente las ligas en predictibilidad?

Sí — la predictibilidad de las ligas no es uniforme, y los propios registros de 11Stat lo demuestran. En nuestro backtest walk-forward sin fugas, el ROI sobre papel calibrado en tres ligas de muestra resultó así:

Nota importante de honestidad: son muestras pequeñas. La horquilla de +2,8 % a −19,5 % ilustra la dispersión —el hecho de que la precisión del modelo y la varianza de los resultados no son iguales en todas partes— no una clasificación sobre la que debas operar. Un solo trimestre de resultados en una liga no puede decirte dónde vive una ventaja duradera. Lo que sí nos dice es que un modelo de probabilidad de talla única estaría mal calibrado liga por liga, y por eso 11Stat ajusta la calibración por liga.

¿Por qué difieren las ligas de fútbol en predictibilidad?

Varios factores estructurales empujan a una liga hacia o lejos de que el favorito gane como el modelo espera:

• Competitividad (brecha de talento). Cuando unos pocos clubes dominan, los favoritos se imponen con más frecuencia y los resultados parecen más predecibles. Cuando la calidad está comprimida en toda la tabla, aumentan las sorpresas y crece la dispersión.
• Varianza de goles. Las ligas de pocos goles y muy ajustadas producen más resultados a cara o cruz (empates, partidos de un gol), que inflan la varianza en torno a mercados de goles como Más/Menos y Ambos Equipos Marcan.
• Ventaja de local. El tamaño y la estabilidad de la ventaja de local difieren según la liga y la época; donde es grande y constante, los modelos ajustan mejor; donde ha derivado, las hipótesis históricas engañan.
• Calidad de datos y profundidad de la muestra. Las ligas con historiales de partidos y cuotas más profundos y limpios calibran de forma más fiable; los datos escasos o ruidosos amplían la incertidumbre con independencia del fútbol subyacente.

Como estas fuerzas varían, el mismo motor puede parecer bien afinado en una competición e inestable en otra — el argumento a favor de la calibración por liga en lugar de una única curva global.

Qué muestra realmente el backtest walk-forward de 11Stat

Nuestra evidencia principal es un backtest walk-forward, punto en el tiempo —es decir, cada predicción se puntúa usando solo información disponible antes del saque inicial, de modo que no se filtran datos futuros—. Durante la ventana del 22 mar 2026 al 22 jun 2026 (88 días) analizó 2.271 partidos y calificó 2.974 selecciones. Solo 603 de los 2.271 partidos (27 %) tenían cuotas de cierre archivadas, por lo que el ROI se mide sobre ese subconjunto con cobertura de cuotas.

En general: la precisión de la tasa de acierto fue +36,4 % por encima del azar, cuota media 3,90 y ROI sobre papel −13,1 %. Todos los mercados fueron ROI-negativos en este subconjunto — Más/Menos 2.5 y Doble Oportunidad fueron los menos negativos y Más/Menos 6.5 el peor:

Son métricas simuladas/sobre papel en un subconjunto limitado con cobertura de cuotas; describen el comportamiento pasado del modelo y no garantizan nada sobre el futuro.

Cómo modela y calibra 11Stat cada liga

Cada lectura es un consenso multimotor, no una única caja negra: un modelo de goles Poisson/Dixon-Coles, un motor de fuerza Elo/forma, un motor bivariante/de correlación y una simulación Monte Carlo de 10.000 tiradas. Cada predicción se acompaña de una puntuación de concordancia de modelos (N-de-M), calibración por liga y un nivel de confianza/incertidumbre de 0 a 10.

La calibración importa porque las salidas brutas de un modelo rara vez son probabilidades honestas. Aplicamos reescalado de Platt por mercado sobre resultados reales ya cerrados, de modo que un 60 % declarado está diseñado para acercarse al 60 % a largo plazo. Los tamaños de muestra de ajuste se publican: global n=15.958; Resultado del Partido n=802; Más/Menos 2.5, Más/Menos 4.5, Ambos Equipos Marcan y Doble Oportunidad n=760 cada uno; Más/Menos 1.5 y Más/Menos 3.5 n=1.200; goles-por-equipo n=4.560; goles-totales n=3.800; tarjetas n=736; córners n=740. Ajustar por liga es precisamente como absorbemos la dispersión descrita más arriba en lugar de fingir que no existe.

La tesis honesta: calibrado, no ganador del mercado

Esta es la parte que la mayoría de las plataformas no dirá con claridad. 11Stat está bien calibrado —sus probabilidades declaradas siguen las frecuencias del mundo real— pero no bate la línea de cierre de las casas en ROI, y publicamos ese hecho en lugar de ocultarlo. El valor que ofrecemos es una probabilidad transparente y calibrada, registros públicos verificables y seguimiento del valor de línea de cierre, no una ventaja de apuestas capaz de batir el mercado.

11Stat es una plataforma de analítica de datos y educación sobre fútbol, no un servicio de apuestas ni de juego. Nada de lo aquí expuesto es consejo de apuestas, un pronóstico ni un cupón. Cada cifra de ROI y de tasa de acierto es únicamente una métrica de calidad de backtest simulado/sobre papel, y el rendimiento pasado no es indicativo de resultados futuros. Si exploras la plataforma, trata las probabilidades como estimaciones medidas con incertidumbre declarada — léelas, no apuestes por nuestra palabra. Empieza por la página de inicio de 11Stat.

Términos clave definidos

• Calibración. Ajustar las salidas del modelo para que una probabilidad declarada coincida con la frecuencia real a largo plazo (un conjunto de predicciones al 60 % debería acertar alrededor del 60 % de las veces).
• Backtest walk-forward (punto en el tiempo). Evaluar un modelo usando solo datos disponibles antes de cada partido, de modo que ninguna información futura se filtre en las predicciones pasadas.
• Valor de línea de cierre (CLV). Cómo se compara la probabilidad implícita de una predicción con el precio final del mercado antes del saque inicial — una referencia de transparencia, no una promesa de beneficio.
• Puntuación de Brier / ECE. Medidas estándar de calibración y precisión; la puntuación de Brier premia probabilidades nítidas y correctas, y el Error de Calibración Esperado (ECE) mide la brecha entre las frecuencias declaradas y las observadas.
• Concordancia de modelos (N-de-M). Cuántos de los motores independientes de 11Stat coinciden en una lectura, presentado como una puntuación de consenso junto a un nivel de confianza de 0 a 10.

Nota de riesgo: los resultados del fútbol son inciertos; todas las cifras de esta página son analítica simulada/sobre papel y no garantizan nada.