El modelo de Poisson predice goles con notable precisión. Pero tiene un punto ciego que sus creadores ignoraron durante décadas: los marcadores bajos ocurren más de lo que la distribución de Poisson pura predice. En 1997, Mark Dixon y Stuart Coles publicaron un paper que corrigió este sesgo con una elegante modificación matemática. Desde entonces, ningún modelo serio de predicción de fútbol usa Poisson puro. AIBG-126 tampoco.
Este artículo explica por qué existe el sesgo, cómo funciona la corrección, y qué significa para los mercados de apuestas donde el número de goles es bajo.
El Punto Ciego de Poisson
El modelo de Poisson predice los goles de cada equipo de forma independiente. Para estimar cuántos goles marcará el local, usa su fuerza atacante, la debilidad defensiva del visitante y el factor de ventaja de campo. Simple, poderoso y, en general, bastante preciso.
El problema aparece cuando analizas los marcadores reales de miles de partidos y los comparas con lo que Poisson predice. La discrepancia es sistemática y consistente en todas las ligas:
| Marcador |
Frecuencia Real (%) |
Poisson Puro (%) |
Diferencia |
| 0-0 |
8.7% |
6.2% |
+2.5pp (subestimado) |
| 1-0 |
14.2% |
12.5% |
+1.7pp (subestimado) |
| 0-1 |
10.8% |
9.3% |
+1.5pp (subestimado) |
| 1-1 |
13.1% |
12.0% |
+1.1pp (subestimado) |
| 2-1, 2-0, etc. |
Resto |
Resto |
≈ Coincide bien |
La pauta es clara: Poisson subestima sistemáticamente los marcadores con 0 o 1 goles totales por equipo. Para el resto de marcadores (2-1, 3-0, 2-2, etc.), el ajuste es bastante bueno. El problema está específicamente en los cuatro marcadores de baja puntuación: 0-0, 1-0, 0-1 y 1-1.
¿Por qué ocurre esto? La hipótesis más aceptada es que cuando un partido va 0-0 durante los primeros 30-40 minutos, los equipos ajustan su juego. Los defensas se muestran más seguros, la presión sube de forma diferente. Hay una correlación real entre los goles de ambos equipos que Poisson asume que no existe. Y esa correlación es más pronunciada en los marcadores más bajos.
La Corrección Dixon-Coles: El Factor τ y el Parámetro ρ
Dixon y Coles propusieron una solución elegante: mantener el modelo de Poisson para todos los marcadores con ≥2 goles por equipo, y aplicar un factor de corrección τ únicamente a los cuatro marcadores problemáticos.
El parámetro ρ (rho) es negativo, típicamente entre −0.10 y −0.15, y se estima a partir de miles de partidos históricos. Su valor negativo provoca que el factor τ sea mayor que 1 para los cuatro marcadores bajos, aumentando su probabilidad respecto a Poisson puro.
Ejemplo numérico: Bayern Munich vs Wolfsburg
λ (goles esperados Bayern) = 2.1 · μ (goles esperados Wolfsburg) = 0.9 · ρ = −0.13
P(0-0) Poisson puro: e^(-2.1) × e^(-0.9) = 0.122 × 0.407 = 4.97%
Factor τ(0,0): 1 − (2.1 × 0.9 × −0.13) = 1 + 0.246 = 1.246
P(0-0) Dixon-Coles: 4.97% × 1.246 = 6.19% → un 24% más probable que sin corrección
Cuota justa sin D-C: 1/0.0497 = 20.1 · Cuota justa con D-C: 1/0.0619 = 16.2
La diferencia entre cuota justa 20.1 y cuota justa 16.2 es enorme en el mercado de Correct Score. Si la casa de apuestas usa Poisson puro y tú usas Dixon-Coles, hay edge en el 0-0 incluso con cuotas del bookie por encima de 16.
Time-Decay: Los Partidos Recientes Pesan Más
El segundo gran aporte del paper de Dixon-Coles es la ponderación temporal de los datos históricos. La idea es simple: el partido de la semana pasada predice mejor el próximo partido que el resultado de hace seis meses.
El parámetro ξ (xi) controla la velocidad de decaimiento. Con ξ = 0.002, los partidos de hace un año tienen aproximadamente la mitad del peso que los recientes. AIBG-126 usa valores similares según la liga, con decaimiento más agresivo en ligas con más rotación de plantilla o cambio de entrenadores.
0.94
Peso partido hace 30 días
0.70
Peso partido hace 6 meses
0.48
Peso partido hace 1 año
¿Por qué importa? Un equipo que cambió de entrenador en enero y lleva 15 partidos con nuevo estilo de juego no debería ser evaluado con el mismo peso que el primer partido de la temporada. El time-decay de Dixon-Coles hace que el modelo se adapte automáticamente a los cambios de forma sin necesidad de reglas manuales.
Impacto en los Mercados de Apuestas
La corrección Dixon-Coles cambia las probabilidades principalmente en tres tipos de mercado:
1. Correct Score (Marcador Exacto)
Es el mercado donde la corrección tiene mayor impacto. Los cuatro marcadores ajustados (0-0, 1-0, 0-1, 1-1) son precisamente los más apostados en Correct Score. Un modelo sin la corrección D-C subestima la probabilidad de todos ellos, lo que significa que las casas con modelos modernos priceando esos marcadores con D-C tendrán cuotas más bajas. Si la casa usa Poisson puro, hay edge sistemático.
2. Under 0.5 y Under 1.5 Goles
Under 0.5 goles se paga solo si el marcador es exactamente 0-0. Under 1.5 requiere 0-0, 1-0 u 0-1. Ambos mercados dependen directamente de los marcadores que D-C sobrevalora respecto a Poisson. La corrección aumenta la probabilidad estimada de estos unders, mejorando la precisión del edge calculado.
3. BTTS No (Que No Marquen Ambos)
BTTS No se cumple cuando al menos un equipo no marca: marcadores como 1-0, 0-0, 2-0, 0-1, 3-0, etc. Como D-C aumenta la probabilidad de 1-0, 0-1 y 0-0, también mejora la estimación de BTTS No en partidos donde se esperan pocos goles.
Cuando D-C marca más la diferencia
Partidos defensivos: λ + μ < 2.0 goles esperados. La corrección tiene más peso porque los marcadores afectados (0-0, 1-0, 0-1, 1-1) representan una fracción mayor del espacio de resultados.
Cuotas de Under 1.5 alrededor de 3.00-5.00: Ahí es donde la discrepancia entre Poisson puro y D-C genera más edge potencial. Si la cuota es 4.50 y D-C calcula 25% (vs 20% de Poisson), hay edge real de +12.5%.
Partidos de alta puntuación esperada (λ + μ > 3.5): La corrección D-C tiene efecto mínimo. Centrar el análisis en Over 2.5 o BTTS Sí es más eficiente en esos casos.
Dixon-Coles en AIBG-126: Datos Reales del Sistema
AIBG-126 incorpora el modelo de Poisson con corrección Dixon-Coles como uno de los seis modelos de su ensemble de predicción. No es el único modelo, pero es el componente que aporta la mayor precisión en mercados de goles bajos. El ensemble combina sus predicciones con modelos basados en xG, aprendizaje automático (Gradient Boosting, Redes Neuronales) y factores contextuales como lesiones y forma reciente.
657
Picks totales verificados
+7.0%
ROI global del sistema
El sistema filtra los picks por un umbral mínimo de edge calculado con el ensemble completo (que incluye D-C). Los mercados donde D-C tiene más influencia — Under 1.5, BTTS No, y ciertos mercados de Under 2.5 en ligas defensivas — pasan por validación adicional antes de ser publicados.
Ejemplo de pick donde D-C marca la diferencia
PartidoPartido defensivo de liga nórdica
Goles esperadosλ = 0.95 (local) · μ = 0.75 (visitante)
MercadoUnder 1.5 goles
P sin D-C (Poisson puro)35.2% → cuota justa 2.84
P con D-C (corrección)42.1% → cuota justa 2.37
Cuota del mercado2.60 → edge +9.7% con D-C vs edge NEGATIVO sin D-C
La clave: Sin la corrección D-C, este pick parecería tener cuota menor que la justa (2.60 vs 2.84 = edge negativo, no apostar). Con la corrección, la cuota es mayor que la justa (2.60 vs 2.37 = +9.7% edge). La diferencia entre apostar y no apostar viene del modelo, no de la cuota.
Tip Práctico: Cuándo Exigir D-C a Tu Modelo
Si usas un modelo propio o una herramienta de predicción externa, pregunta siempre si incluye corrección Dixon-Coles. Si la respuesta es no, considera estos ajustes empíricos:
Reglas prácticas para apostadores sin D-C
1. Mercados Under 1.5 y Under 0.5: Añade ~20-25% a la probabilidad que calcula tu modelo Poisson puro. Ajuste conservador y empíricamente respaldado.
2. Marcador exacto 0-0: Multiplica la probabilidad Poisson por 1.3-1.4 antes de calcular la cuota justa. En partidos muy defensivos (goles esperados <1.5 totales), el factor puede ser 1.5.
3. 1-0 y 0-1 en Correct Score: Multiplica por 1.15-1.25. El ajuste es menor que el 0-0 pero sigue siendo significativo.
4. Partidos con goles esperados totales >3.5: No apliques corrección. D-C solo importa en los marcadores 0-0, 1-0, 0-1 y 1-1. Si el partido va a ser de muchos goles, Poisson puro es suficiente.
Dato AIBG: Los mercados de Under 1.5 y BTTS No son los que más se benefician de la corrección D-C en nuestro sistema. Si ves un pick de Under en el canal @AIBG126, casi con seguridad el edge está calculado con el ensemble que incluye D-C. La cuota justa que publicamos siempre usa el modelo completo — no Poisson puro.
¿Quieres los picks calculados con Dixon-Coles?
AIBG-126 usa un ensemble de 6 modelos que incluye la corrección Dixon-Coles. Cada pick publicado en el canal incluye la probabilidad real calculada por el sistema completo, la cuota justa y el edge. Gratis en Telegram.
Volver al Blog
The Poisson model is a workhorse of football prediction — elegant, fast, and generally quite accurate. But it has a known blind spot: low-scoring outcomes happen more often than pure Poisson predicts. In 1997, statisticians Mark Dixon and Stuart Coles published a paper that fixed this bias with a small but powerful mathematical correction. Since then, no serious football prediction model has used raw Poisson. Neither does AIBG-126.
This article explains where the bias comes from, how the Dixon-Coles correction works, and what it means for betting markets that hinge on low goal counts.
Poisson's Blind Spot
The Poisson model predicts each team's goals independently using attack strength, defensive weakness, and home advantage. It's clean, interpretable, and performs well — except for one systematic failure that shows up consistently across leagues:
| Scoreline |
Actual Frequency (%) |
Pure Poisson (%) |
Difference |
| 0-0 |
8.7% |
6.2% |
+2.5pp (underestimated) |
| 1-0 |
14.2% |
12.5% |
+1.7pp (underestimated) |
| 0-1 |
10.8% |
9.3% |
+1.5pp (underestimated) |
| 1-1 |
13.1% |
12.0% |
+1.1pp (underestimated) |
| 2-1, 2-0, etc. |
Remainder |
Remainder |
≈ Matches well |
The pattern is clear: Poisson consistently underestimates all four low-scoring scorelines. For everything else — 2-1, 3-0, 2-2 and above — the fit is quite good. The problem is localised to exactly the outcomes where both teams score 0 or 1 goals.
The likely cause: when a match stays 0-0 deep into the first half, both teams adapt their behaviour. Defending becomes more conservative, pressing patterns shift. There's a real statistical dependency between home and away goals in low-scoring contexts that Poisson's independence assumption ignores.
The Dixon-Coles Correction: τ Factor and ρ Parameter
Dixon and Coles proposed an elegant fix: keep standard Poisson for all scorelines with ≥2 goals per team, and apply a correction factor τ only to the four problematic low-scoring scorelines.
The parameter ρ (rho) is negative — typically between −0.10 and −0.15 — and is estimated from thousands of historical matches. Its negative value causes the τ factor to exceed 1 for the four low-scoring lines, bumping their probability above what raw Poisson would give.
Numerical example: defensive match
λ (expected home goals) = 2.1 · μ (expected away goals) = 0.9 · ρ = −0.13
P(0-0) pure Poisson: e^(-2.1) × e^(-0.9) = 0.122 × 0.407 = 4.97%
Correction τ(0,0): 1 − (2.1 × 0.9 × −0.13) = 1 + 0.246 = 1.246
P(0-0) Dixon-Coles: 4.97% × 1.246 = 6.19% → 24% more likely than raw Poisson
Fair odds without D-C: 1/0.0497 = 20.1 · Fair odds with D-C: 1/0.0619 = 16.2
The gap between fair odds of 20.1 and 16.2 is enormous in the Correct Score market. If a bookmaker uses raw Poisson but you use Dixon-Coles, any 0-0 quote above 16 represents genuine positive edge — before any other analysis.
Time-Decay: Recent Matches Carry More Weight
The second major contribution of the Dixon-Coles paper is temporal weighting of historical data. Last week's result predicts next week's match better than the result from six months ago. The model formalises this with an exponential decay function.
The ξ (xi) parameter controls how fast old data fades. With ξ = 0.002, matches from a year ago carry roughly half the weight of recent ones. AIBG-126 uses similar values calibrated per league — faster decay in leagues with high squad turnover or frequent managerial changes.
0.70
Weight: 6 months ago
Why it matters: A team that changed manager in January and has played 15 matches under a new style shouldn't be evaluated with the same weight as their first match of the season. Dixon-Coles time-decay adapts automatically to form changes without needing manual override rules.
Impact on Betting Markets
The Dixon-Coles correction shifts probabilities mainly in three market types:
1. Correct Score
This is where the correction has the biggest impact. The four adjusted scorelines (0-0, 1-0, 0-1, 1-1) are precisely the most popular Correct Score bets. A model without the D-C correction underestimates all of them, meaning bookmakers using modern models will price those lines lower. A bookie still on raw Poisson will systematically overprice 0-0 to 1-1, creating exploitable edge.
2. Under 0.5 and Under 1.5 Goals
Under 0.5 pays only if the final score is 0-0. Under 1.5 requires 0-0, 1-0, or 0-1. Both markets depend directly on the scorelines D-C uprates versus Poisson. The correction increases the estimated probability for these unders, improving the accuracy of the edge calculation.
3. BTTS No (Both Teams to Not Score)
BTTS No covers any scoreline where at least one team doesn't score: 1-0, 0-0, 2-0, 0-1, 3-0, and so on. Since D-C increases the probability of 1-0, 0-1, and 0-0, it also improves BTTS No estimation in low-expected-goals matches.
When D-C matters most
Defensive matches: λ + μ < 2.0 expected total goals. The correction has more weight because the four affected scorelines (0-0, 1-0, 0-1, 1-1) make up a larger proportion of the total probability space.
Under 1.5 odds around 3.00–5.00: That's where the gap between raw Poisson and D-C creates the most exploitable edge. If the market is 4.50 and D-C gives 25% (vs 20% from Poisson), that's a genuine +12.5% edge.
High-expected-goals matches (λ + μ > 3.5): The correction has minimal effect. Focus on Over 2.5 or BTTS Yes in those cases — raw Poisson handles them well.
Dixon-Coles in AIBG-126: Real System Data
AIBG-126 incorporates the Poisson model with Dixon-Coles correction as one of six models in its prediction ensemble. It's not the only model — the ensemble also includes xG-based models, Gradient Boosting, Neural Networks, and contextual factors like injuries and recent form — but D-C is the component that contributes most to accuracy in low-goal markets.
Example pick where D-C makes the difference
Match typeDefensive league fixture, low-scoring context
Expected goalsλ = 0.95 (home) · μ = 0.75 (away)
MarketUnder 1.5 goals
P without D-C (Poisson)35.2% → fair odds 2.84
P with D-C (correction)42.1% → fair odds 2.37
Market odds2.60 → edge +9.7% with D-C vs NEGATIVE edge without D-C
The key point: Without the D-C correction this pick looks like a bad bet (market 2.60 vs fair 2.84 = negative edge, skip it). With the correction, it's a good bet (market 2.60 vs fair 2.37 = +9.7% edge). The difference between betting and passing comes entirely from the model, not the market odds.
Practical Tip: When to Demand D-C from Your Model
If you use your own model or an external prediction tool, always ask whether it includes Dixon-Coles correction. If not, apply these empirical adjustments:
Practical rules for bettors without D-C
1. Under 1.5 and Under 0.5 markets: Add ~20–25% to your raw Poisson probability before calculating fair odds. Conservative and empirically sound.
2. Correct Score 0-0: Multiply your Poisson probability by 1.3–1.4. In very defensive matches (total expected goals <1.5), the multiplier can reach 1.5.
3. Correct Score 1-0 and 0-1: Multiply by 1.15–1.25. The adjustment is smaller than for 0-0 but still meaningful at tight odds.
4. High-scoring expected matches (λ + μ > 3.5): Don't apply any correction. D-C only matters for the four low-score lines. Raw Poisson works fine for open matches.
AIBG fact: Under 1.5 and BTTS No are the markets that benefit most from the D-C correction in our system. When you see an Under pick in the @AIBG126 channel, the edge is almost certainly calculated with the full ensemble including D-C — not raw Poisson. The fair odds published with each pick always use the complete model.
Want picks calculated with Dixon-Coles?
AIBG-126 uses a 6-model ensemble that includes the Dixon-Coles correction. Every pick published in the channel comes with the system's calculated true probability, fair odds, and edge. Free on Telegram.
Back to Blog