Distribución de Poisson: el motor matemático detrás de los golesPoisson Distribution: the mathematical engine behind football goals
Cómo una fórmula de 1837 calcula probabilidades de Over/Under y BTTS — y por qué todos los bookmakers la usan.How an 1837 formula calculates Over/Under and BTTS probabilities — and why every bookmaker uses it.
22 JULIO, 2026JULY 22, 2026
EDUCACIÓN · MODELOSEDUCATION · MODELS
8 min de lectura8 min read
NIVEL INTERMEDIOINTERMEDIATE LEVEL
Cuando ves una cuota de Over 2.5 a 1.85 en un partido, alguien la ha calculado. No es intuición ni experiencia — es matemática. Detrás de cada línea de goles hay una distribución de Poisson, una fórmula inventada en 1837 que resulta ser sorprendentemente buena modelando cuántos goles marca un equipo de fútbol. En AIBG PICKS la usamos como base de nuestros 106 features predictivos y en 632 picks verificados con +7.16% de ROI. Aquí te explicamos cómo funciona.
Qué es la distribución de Poisson
La distribución de Poisson modela el número de veces que ocurre un evento en un intervalo de tiempo fijo, cuando ese evento tiene una tasa promedio constante y cada ocurrencia es independiente de las demás. En fútbol: los goles ocurren a lo largo de 90 minutos, con cierta frecuencia media, y (en una primera aproximación) son independientes entre sí.
El único parámetro que necesitas es λ (lambda), la media de goles esperados. A partir de λ, la fórmula te da la probabilidad de que ocurran exactamente k goles:
No te asustes por los símbolos. En la práctica, con λ = 2.5 goles esperados en un partido:
| Goles (k) |
Cálculo |
Probabilidad |
| 0 |
e-2.5 × 1 / 1 |
8.2% |
| 1 |
e-2.5 × 2.5 / 1 |
20.5% |
| 2 |
e-2.5 × 6.25 / 2 |
25.6% |
| 3 |
e-2.5 × 15.6 / 6 |
21.4% |
| 4 |
e-2.5 × 39.1 / 24 |
13.4% |
| 5+ |
resto |
11.0% |
| P(Under 2.5) = 0 + 1 + 2 goles |
54.3% |
| P(Over 2.5) = 3+ goles |
45.7% |
Del λ al Over/Under: cómo funciona en la práctica
La clave está en separar el λ por equipo. No calculas la media del partido completo — calculas cuántos goles esperas del local (λ_home) y cuántos del visitante (λ_away) por separado, usando sus estadísticas de ataque y defensa, factores de liga, ventaja local y forma reciente.
Ejemplo real de cálculo
Partido: Equipo A (fuerte ataque) vs Equipo B (defensa media)
λ_home = 1.9 (media de goles que marca Equipo A en casa)
λ_away = 1.3 (media de goles que marca Equipo B fuera)
λ_total = 3.2 goles esperados en el partido
Con λ = 3.2: P(Under 2.5) = P(0) + P(1) + P(2) = 4.1% + 13.0% + 20.9% = 38.0%
→ P(Over 2.5) = 62.0%
Si el bookmaker ofrece Over 2.5 @ 1.72 (implica 58.1%) → Edge = +3.9% ✓
Ese edge de +3.9% es real y sistemático. Con suficiente muestra, converge. En AIBG-126 calculamos esto para los 388+ partidos que tenemos en nuestra base de datos de cuotas en directo cada mañana.
Poisson para BTTS: probabilidad de que marquen los dos
El mercado BTTS (Both Teams to Score) es donde Poisson brilla con más elegancia. La clave: la probabilidad de que un equipo NO marque ningún gol es exactamente P(k=0) = e-λ. Y para que haya BTTS Yes, los dos equipos deben marcar al menos uno.
Cálculo BTTS completo
λ_home = 1.5, λ_away = 1.2
P(BTTS Yes) = (1 − 0.223) × (1 − 0.301) = 0.777 × 0.699 = 54.3%
Si el bookmaker ofrece BTTS Yes @ 1.90 → implícita = 52.6%
Edge = 54.3% − 52.6% = +1.7% → apuesta válida
En nuestro sistema, BTTS es nuestro mercado de mayor rendimiento histórico, con 55%+ de win rate en la muestra de picks publicados. La razón es exactamente esta: Poisson nos permite detectar cuándo las cuotas de BTTS subestiman la probabilidad de que ambos equipos marquen.
Datos reales de AIBG PICKS: 632 picks verificados
El modelo Poisson es la base, pero nuestro ensemble de 6 modelos de Machine Learning va más allá: xG calibrado por liga, forma ponderada por fuerza del rival, rotaciones, impacto de lesiones y 106 features más. El resultado en datos reales:
Pick real — Over 2.5 con λ alto detectado
PartidoViking FK vs Bodo/Glimt (Eliteserien)
PickOver 2.5 goles
λ modelo3.4 goles esperados → 63.7% Over 2.5
Cuota1.78 (implícita 56.2%) → Edge: +7.5%
ResultadoWON — marcador final 3-1 ✓
Las limitaciones de Poisson que debes conocer
Poisson es poderosa pero no perfecta. Sus principales limitaciones en el fútbol:
Cuando Poisson falla
1. Independencia entre goles: Poisson asume que cada gol es independiente. Pero en fútbol, el primer gol cambia la táctica de ambos equipos — el que gana defiende, el que pierde ataca. Esto crea correlación que Poisson ignora. La corrección Dixon-Coles (tema del próximo post) aborda parcialmente esto.
2. Sobredispersión: En la realidad, hay más partidos de 0-0 y más de 4+ goles de lo que Poisson predice. Los partidos tienen más varianza que λ. AIBG-126 calibra este efecto liga por liga.
3. Tarjeta roja: Una expulsión cambia completamente el λ esperado a mitad de partido. Poisson pre-partido no puede incorporarlo — hay que ajustar si el modelo está evaluando in-play.
4. Motivación y contexto: Un equipo ya clasificado que descansa titulares no tiene el mismo λ que el calculado con datos históricos normales. Aquí entra el contexto cualitativo.
Cómo AIBG-126 lo compensa: Nuestro modelo combina Poisson con xG (expected goals reales por partido), modelos de regresión por liga, pesos adaptativos y un meta-learner LightGBM que pondera los 6 sub-modelos según su historial reciente. No confiamos en Poisson puro — es una pieza de un ensemble más sofisticado.
Cómo usar Poisson tú mismo: 3 pasos concretos
No necesitas escribir código. Con una calculadora o Excel puedes estimar probabilidades de Over/Under en cualquier partido:
Tutorial rápido
Paso 1 — Calcula el λ de cada equipo. Promedia los goles marcados por el local en sus últimos 5 partidos en casa, y los goles marcados por el visitante fuera. Súmalos: ese es tu λ_total.
Paso 2 — Calcula P(0), P(1), P(2) con la fórmula. P(0) = e-λ, P(1) = λ × e-λ, P(2) = (λ²/2) × e-λ. Suma esos tres: eso es P(Under 2.5). Resta de 1: P(Over 2.5).
Paso 3 — Compara con la cuota. Convierte la cuota del bookie a probabilidad (1/cuota). Si tu P(Over 2.5) es mayor que la del bookie, hay edge potencial. Si la diferencia supera el 5%, el pick tiene valor matemático real.
Regla práctica: Si λ > 3.0 y el bookie ofrece Over 2.5 por encima de 1.75, suele haber edge. Si λ < 2.0 y ofrecen Under 2.5 por encima de 1.90, el Under tiene valor. Estas son reglas de dedo — siempre verifica con el cálculo real antes de apostar.
¿Quieres ver Poisson aplicado a picks reales?
En AIBG PICKS publicamos cada pick con la probabilidad real del modelo, la implícita del bookie y el edge exacto. Los Over/Under y BTTS son nuestros mejores mercados — con 632 picks y +7.16% de ROI. Gratis en Telegram.
Volver al Blog
Every Over/Under line you see at a bookmaker was calculated using the same formula — a mathematical distribution invented in 1837 by French mathematician Siméon Denis Poisson. It turns out that football goals follow a Poisson process surprisingly well: they happen at a roughly constant rate, and each goal is (approximately) independent of the others. At AIBG PICKS, it's the foundation of our predictive engine across 632 verified picks with +7.16% ROI. Here's how it works.
What is the Poisson distribution?
The Poisson distribution models the number of times a random event occurs in a fixed interval when that event has a constant average rate and each occurrence is independent of the others. In football: goals happen over 90 minutes, at some mean frequency, and are (as a first approximation) independent of each other.
The only parameter you need is λ (lambda), the mean number of expected goals. From λ, the formula gives you the probability that exactly k goals occur:
Don't be intimidated by the symbols. In practice, with λ = 2.5 expected goals in a match:
| Goals (k) |
Calculation |
Probability |
| 0 |
e-2.5 × 1 / 1 |
8.2% |
| 1 |
e-2.5 × 2.5 / 1 |
20.5% |
| 2 |
e-2.5 × 6.25 / 2 |
25.6% |
| 3 |
e-2.5 × 15.6 / 6 |
21.4% |
| 4 |
e-2.5 × 39.1 / 24 |
13.4% |
| 5+ |
remainder |
11.0% |
| P(Under 2.5) = 0 + 1 + 2 goals |
54.3% |
| P(Over 2.5) = 3+ goals |
45.7% |
From λ to Over/Under: how it works in practice
The key is separating λ by team. You don't calculate the average for the whole match — you calculate how many goals you expect from the home team (λ_home) and the away team (λ_away) separately, using their attack and defence statistics, league factors, home advantage, and recent form.
Real calculation example
Match: Team A (strong attack) vs Team B (average defence)
λ_home = 1.9 (average goals Team A scores at home)
λ_away = 1.3 (average goals Team B scores away)
λ_total = 3.2 expected goals in the match
With λ = 3.2: P(Under 2.5) = P(0) + P(1) + P(2) = 4.1% + 13.0% + 20.9% = 38.0%
→ P(Over 2.5) = 62.0%
If bookmaker offers Over 2.5 @ 1.72 (implies 58.1%) → Edge = +3.9% ✓
That +3.9% edge is real and systematic. With enough sample size, it converges to profit. In AIBG-126, we run this calculation across all 388+ matches in our live odds database every morning.
Poisson for BTTS: the probability both teams score
The BTTS (Both Teams to Score) market is where Poisson shines most elegantly. The key insight: the probability that a team scores zero goals is exactly P(k=0) = e-λ. For BTTS Yes, both teams must score at least one.
Full BTTS calculation
λ_home = 1.5, λ_away = 1.2
P(BTTS Yes) = (1 − 0.223) × (1 − 0.301) = 0.777 × 0.699 = 54.3%
If bookmaker offers BTTS Yes @ 1.90 → implied probability = 52.6%
Edge = 54.3% − 52.6% = +1.7% → valid bet
In our system, BTTS is our historically strongest market with 55%+ win rate on published picks. The reason is precisely this: Poisson lets us detect when BTTS odds underestimate the probability of both teams scoring.
Real AIBG PICKS data: 632 verified picks
Poisson is the foundation, but our 6-model Machine Learning ensemble goes further: xG calibrated by league, form weighted by opponent strength, rotation adjustments, injury impact, and 106+ features. The result in real data:
Real pick — Over 2.5 with high λ detected
MatchViking FK vs Bodo/Glimt (Eliteserien)
PickOver 2.5 goals
Model λ3.4 expected goals → 63.7% Over 2.5
Odds1.78 (implied 56.2%) → Edge: +7.5%
ResultWON — final score 3-1 ✓
Poisson limitations you need to know
Poisson is powerful but not perfect. Its main limitations in football:
Where Poisson breaks down
1. Independence between goals: Poisson assumes each goal is independent. But in football, the first goal changes both teams' tactics — the winner defends, the loser attacks. This creates correlation that Poisson ignores. The Dixon-Coles correction (next post's topic) partially addresses this.
2. Overdispersion: In reality, there are more 0-0 matches and more 4+ goal games than Poisson predicts. Matches have more variance than λ suggests. AIBG-126 calibrates this effect league by league.
3. Red cards: A sending-off completely changes the expected λ mid-match. Pre-match Poisson can't incorporate it — you'd need to adjust if evaluating in-play.
4. Motivation and context: A team already qualified that rests its starters doesn't have the same λ as calculated from historical data. That's where qualitative context comes in.
How AIBG-126 compensates: Our model combines Poisson with real match xG (expected goals), league-specific regression models, adaptive weights, and a LightGBM meta-learner that weights the 6 sub-models by their recent track record. We don't rely on pure Poisson — it's one piece of a more sophisticated ensemble.
How to use Poisson yourself: 3 concrete steps
You don't need to write code. With a calculator or Excel you can estimate Over/Under probabilities for any match:
Quick tutorial
Step 1 — Calculate each team's λ. Average the goals scored by the home team in their last 5 home games, and the goals scored by the away team in their last 5 away games. Add them together: that's your λ_total.
Step 2 — Calculate P(0), P(1), P(2) with the formula. P(0) = e-λ, P(1) = λ × e-λ, P(2) = (λ²/2) × e-λ. Sum those three: that's P(Under 2.5). Subtract from 1: P(Over 2.5).
Step 3 — Compare with the odds. Convert the bookmaker's odds to probability (1/odds). If your P(Over 2.5) is higher than the bookmaker's implied probability, there's potential edge. If the difference exceeds 5%, the pick has real mathematical value.
Practical rule of thumb: If λ > 3.0 and the bookmaker offers Over 2.5 above 1.75, there's usually edge. If λ < 2.0 and Under 2.5 is above 1.90, Under has value. These are rough guides — always verify with the actual calculation before betting.
Want to see Poisson applied to real picks?
At AIBG PICKS we publish every pick with the model's true probability, the bookmaker's implied probability, and the exact edge. Over/Under and BTTS are our strongest markets — with 632 picks and +7.16% ROI. Free on Telegram.
Back to Blog