Si ya armaste un Poisson simple para goles, el modelo Dixon–Coles (DC) es el siguiente paso para mejorar pronósticos en fútbol cuando el marcador probable es bajo (0–0, 1–0, 1–1). En criollo: mantiene la lógica de tasas de gol por equipo, pero corrige la dependencia entre goles y ajusta la probabilidad de empates y mínimas, donde el Poisson independiente se queda corto o largo. Si todavía no tenés la base, repasá primero la guía de Poisson con planilla en este paso a paso.

Qué resuelve Dixon–Coles (y por qué importa)

Un Poisson independiente asume que los goles del local y del visitante se generan sin influenciarse. En la cancha, un gol temprano cambia ritmo, riesgo y minutaje de ataque; los ceros prolongados hacen lo mismo. DC agrega un parámetro de dependencia que corrige la masa de probabilidad en 0–0, 1–0, 0–1 y 1–1. Eso vuelve más realista tu distribución de marcadores y, por ende, tus mercados derivados (1X2, BTTS y totales).

Si venís trabajando con xG, esta nota de contexto ayuda a conectar modelos de goles y valor de pronósticos: ¿Puede el xG predecir y generar beneficio?

Componentes del modelo (visión práctica)

  • Fuerza ofensiva/defensiva por equipo: coeficientes que multiplican el gol promedio de liga.
  • Efecto localía: factor adicional sobre el equipo local.
  • Ponderación temporal: pesos exponenciales a partidos recientes para capturar forma.
  • Parámetro de dependencia (ρ): corrección DC que reescala probabilidades de marcadores bajos.

Con eso obtenés tasas esperadas λ (local) y μ (visita) y una corrección multiplicativa para las celdas sensibles (0–0, 1–0, 0–1, 1–1).

Estimación: paso a paso

1) Datos y preparación

  • Historial de goles (o xG) por equipo con fecha, localía y rival.
  • Promedio de gol de la liga por temporada (o tramo) como base.
  • Ventana móvil y decay exponencial (por ejemplo, 0.95–0.99 por mes) para ponderar recencia.

2) Verosimilitud con corrección DC

Maximizás la verosimilitud conjunta de resultados asumiendo Poisson para cada lado, más el factor ρ en las celdas bajas. En términos prácticos: ajustás ataque/defensa y localía como en Poisson bivariante, pero añadís ρ que penaliza o refuerza empates y mínimos.

3) Ponderación temporal

Asigná un peso w a cada partido según antigüedad. Mejora estabilidad en ligas con planteles que rotan o en periodos con técnico nuevo. Si querés un marco de lectura de datos para no sesgarte con muestras chicas, apoyate en esta guía de interpretación estadística.

4) Validación

  • Calibración por bins de probabilidad: lo que tu modelo dice 0–0 al 32%, ¿aparece ~32%?
  • Métricas como Brier/Log-loss vs. Poisson simple.
  • Sensibilidad de ρ: revisá cómo cambia la masa en 0–0, 1–0 y 1–1.

Para una referencia académica accesible (Maher 1982; Dixon–Coles 1997) tenés este TFG con derivaciones y ejemplos: revisión técnica de modelos de goles.

De la distribución a los mercados (1X2, BTTS y totales)

Con la matriz de marcadores ajustada por DC podés sumar:

  • 1X2: p(ganar/empatar/perder) = sumas por triángulos de la matriz.
  • BTTS (ambos marcan): 1 − p(filas 0) − p(columnas 0) + p(0–0) con corrección DC aplicada.
  • Totales: p(Over/Under) sumando celdas por umbral (ej.: ≤2 para Under 2.5).

Luego convertís probabilidad en precio (cuota justa = 1/p) y comparás contra la cuota del mercado. Si tu probabilidad supera a la implícita por 3–5 puntos porcentuales, hay edge. Para estandarizar ese proceso, repasá value betting: del número al ticket.

Checklist de implementación

  1. Modelá tasas (ataque/defensa/localía) con decay y regularización suave.
  2. Estimá ρ y verificá su efecto sobre 0–0, 1–0, 1–1.
  3. Backtest con ventanas rodantes; compará vs. Poisson simple.
  4. Calibrá por bins y medí Brier/Log-loss; evitá sobreajuste.
  5. Mapeá a 1X2, BTTS y totales; convertí a cuotas y defendé precio.

Errores comunes (y cómo evitarlos)

  • Muestra corta: ρ inestable. Usá ligas completas o combiná temporadas con ponderación.
  • No ajustar por localía y fixture: la tasa de gol cambia por viaje, clima y canchas; sin eso, el sesgo se filtra al precio.
  • Ignorar cambios de plantel/técnico: actualizá ponderación al detectar rupturas.
  • Validar contra resultados brutos sin mirar proceso: cruzá métricas y contexto para no “sobrecreer” en outliers.

Si querés una introducción en español a la lógica de Poisson (por qué sirve y sus límites) antes de pasar a DC, esta lectura es clara y didáctica: Poisson para predicción de goles.

Mini–guía operativa (del modelo al ticket)

  1. Armá λ y μ con ataque/defensa/localía y decay por fecha.
  2. Aplicá corrección DC (ρ) a 0–0, 1–0, 0–1, 1–1.
  3. Construí matriz de marcadores, derivá 1X2/BTTS/totales.
  4. Convertí a cuotas, compará con mercado y registrá cada apuesta (probabilidad, cuota tomada, cierre).
  5. Iterá semanalmente: recalibrá ρ y controlá CLV y calibración.

Para cerrar

El modelo Dixon–Coles es un upgrade medible sobre Poisson cuando el partido “huele” a marcador corto. Te da una distribución más honesta en empates y 1–0/0–1, y por arrastre, mejores precios en 1X2, BTTS y totales. Con datos limpios, ponderación temporal y validación seria, vas a detectar valor con más consistencia y, sobre todo, vas a confiar más en tu número cuando toque decidir.