Tamaño de la muestra: ¿Por qué 8/8 y 720/800 no son lo mismo?

El cuadro de éxito pleno que surge en una racha de ocho de ocho, aunque parezca impecable desde el punto de vista numérico, es una de las estructuras más engañosas en el análisis de datos. Que un evento se haya producido ocho veces en el pasado y haya terminado con el mismo resultado en las ocho ocasiones ofrece una base estadísticamente débil respecto a la probabilidad del noveno evento futuro. La confianza estadística no depende únicamente del porcentaje de acierto, sino directamente de cuántas observaciones independientes han dado lugar a dicho porcentaje.

Por ejemplo, que al lanzar una moneda salga cara tres veces consecutivas no demuestra que la moneda esté trucada. De manera similar, las rachas registradas en un conjunto de datos reducido están lejos de reflejar el potencial real de rendimiento de los equipos o de las cuotas. A medida que aumenta el tamaño de la muestra, el efecto de las desviaciones aleatorias disminuye y se fortalece la capacidad de los datos para representar el universo completo.

Al examinar los datos deportivos, el objetivo principal es descartar resultados fortuitos mientras se sacan a la luz patrones sostenibles. Los porcentajes elevados que se observan en conjuntos de datos pequeños suelen ser producto del factor suerte o de fluctuaciones de forma a corto plazo. Por este motivo, en el análisis de cuotas es una necesidad analítica centrarse en el número de observaciones en lugar de fijarse únicamente en el porcentaje de acierto.

Debilidad estadística de las muestras pequeñas y riesgo de desviación

El concepto conocido en la literatura estadística como la ley de los números pequeños explica la falsa creencia de las personas de que las muestras pequeñas representan fielmente el universo general. Supongamos que el Equipo A ha superado la línea de Más de 2,5 goles en sus últimos 8 partidos. Esta situación puede ser el resultado permanente del estilo de juego de dicho equipo, pero también puede deberse enteramente a circunstancias casuales del calendario.

En las muestras pequeñas, un solo dato atípico altera el porcentaje total de forma drástica. Cuando se produce un único resultado diferente en una racha de ocho partidos, el porcentaje de acierto cae de golpe al 87,5 %. En cambio, en un conjunto de datos de 800 partidos, un solo resultado atípico apenas afecta a la media general y la mantiene en un nivel del 89,88 %.

Una sensibilidad tan elevada demuestra lo frágiles que son las deducciones realizadas con conjuntos de datos reducidos. Si la varianza de los datos utilizados en los procesos de toma de decisiones es alta, el margen de error de los pronósticos realizados aumenta en la misma proporción. Al realizar un análisis, el primer objetivo debe ser reducir la varianza para elevar el nivel de confianza estadística.

Mismo porcentaje, distinto volumen: Intervalo de confianza y fiabilidad de los datos

Un porcentaje de acierto del 90 % puede significar 9 victorias en 10 partidos, o bien 900 victorias en 1000 partidos. Aunque sobre el papel ambos porcentajes parezcan matemáticamente iguales, existe un abismo entre ellos en términos de confianza estadística. Mientras que en el primer ejemplo el error estándar es muy elevado, en el segundo ejemplo el error estándar se aproxima a cero.

En los cálculos matemáticos, a medida que el volumen de datos se amplía, el intervalo de confianza se estrecha. Supongamos que para un dato con un éxito de 9 en 10 partidos, la franja de probabilidad real oscila en un rango amplio entre el 55 % y el 99 %. Por el contrario, en un conjunto de datos con 900 aciertos en 1000 partidos, la franja de probabilidad real se reduce a un margen sumamente estrecho de entre el 88 % y el 92 %.

Al evaluar los encuentros, ver al instante esta diferencia de volumen agiliza el proceso analítico. De hecho, al utilizar Oto Analiz, el usuario solo tiene que seleccionar el partido; el sistema mide todos los mercados de ese partido disponibles en los datos de una sola vez y muestra la muestra para cada uno. De este modo, la persona que realiza el análisis puede determinar de inmediato en cuántos partidos de historial se basa el porcentaje que está considerando.

Métrica fundamentales que deben buscarse junto con un porcentaje al interpretarlo

Al observar una tabla estadística, centrarse únicamente en el porcentaje de acierto implica perderse la mayor parte del panorama. La métrica más crítica que debe figurar justo al lado del porcentaje es el valor N, que representa el número total de observaciones. Ningún dato porcentual en el que no se especifique el valor N tiene sentido desde el punto de vista analítico.

Durante el proceso de análisis, al evaluar un porcentaje se deben buscar obligatoriamente estos cuatro componentes fundamentales:

• Número total de observaciones (valor N)
• Intervalo de tiempo en el que se han recopilado los datos y su vigencia
• Desviación estándar y varianza del porcentaje entre periodos
• Homogeneidad y representatividad del conjunto de datos

La segunda métrica de importancia es la distribución temporal de los datos. Que una muestra de 800 partidos pertenezca a los últimos dos años o a los últimos diez determina directamente la vigencia de los datos. Los datos que no están distribuidos de forma homogénea en sí mismos y que han sufrido cambios estructurales con el tiempo pueden resultar engañosos, incluso aunque posean un volumen elevado.

Asimismo, deben examinarse la varianza y la desviación estándar de los datos. Si el porcentaje de acierto de un mercado parece elevado, pero su fluctuación entre periodos es extremadamente alta, se puede hablar de inestabilidad. Durante el proceso de análisis, el porcentaje de acierto, el número de observaciones, el intervalo de tiempo y la magnitud de la desviación deben evaluarse conjuntamente.

Enfoques de fijación de umbrales y estándares en el filtrado de datos

Al realizar un análisis, resulta necesario establecer determinados valores umbral para decidir qué conjunto de datos se considerará fiable. Los filtros demasiado estrechos hacen caer en la trampa de la muestra pequeña, mientras que los filtros demasiado amplios provocan que se incluyan en el proceso datos obsoletos. Establecer un umbral equilibrado es la clave de la precisión analítica.

Por lo general, un número de observaciones inferior a 30 entra estadísticamente en la categoría de muestra pequeña y debe abordarse con gran cautela. Las muestras de entre 30 y 100 ofrecen un nivel medio de confianza, mientras que las observaciones homogéneas de 100 o más constituyen una base estadística sólida. Al configurar los filtros, debe tenerse en cuenta esta graduación.

La siguiente tabla resume las cualidades estadísticas y los enfoques de evaluación que ofrecen los diferentes tamaños de muestra:

Escenario paso a paso: Análisis práctico de la comparación entre 8/8 y 720/800

Con el fin de concretar la cuestión, examinemos paso a paso un escenario hipotético de liga con dos conjuntos de datos diferentes. En el primer escenario, supongamos que en los últimos 8 partidos entre el Equipo A y el Equipo B se ha producido siempre una victoria local. En el segundo escenario, supongamos que en 720 de los 800 partidos históricos disputados en un rango de cuotas similar se obtuvo una victoria local.

En el primer escenario, el porcentaje de acierto parece pleno (8/8). Sin embargo, dado que aquí N=8, el error estándar es sumamente elevado. Factores coyunturales como tarjetas rojas, decisiones arbitrales o lesiones sufridas por alguno de los equipos en esos partidos pueden haber creado esta racha de 8 encuentros. La probabilidad de que esta racha se rompa en el siguiente partido es estadísticamente bastante alta.

En el segundo escenario, el porcentaje de acierto se sitúa en el 90 % (720/800). Aunque a simple vista sea un porcentaje inferior al éxito pleno, al ser N=800, los datos obtenidos poseen una fuerza estadística enorme. La experiencia de 800 partidos distintos ya ha asimilado decenas de variables como condiciones meteorológicas, lesiones o cambios de entrenador. Por tanto, este dato del 90 % es un indicador infinitamente más fiable que el cuadro de 8/8.

¿Cuál debe ser la lógica de análisis en caso de muestras pequeñas?

En determinados casos, puede no ser posible acceder a conjuntos de datos amplios. Puede que se estén disputando las primeras jornadas de la liga o que los dos equipos se enfrenten por primera vez en su historia. En tales situaciones donde el volumen de datos es insuficiente, en lugar de abandonar por completo el enfoque analítico, es preciso cambiar de método.

Cuando se enfrente a una muestra pequeña, en lugar de conceder un gran peso a las cuotas individuales, se debe recurrir a promedios más amplios de la liga o a datos de equipos con un perfil similar. Asimismo, en los puntos donde los datos cuantitativos resulten insuficientes, deben incluirse en el análisis factores cualitativos como el estado de las lesiones, la adaptación táctica y las condiciones del terreno de juego.

Además de los análisis manuales, las búsquedas sistemáticas también resultan de ayuda en este proceso. Por ejemplo, JARVIS selecciona diariamente los partidos y mercados más respaldados por datos históricos; junto a cada pronóstico figuran la muestra y el porcentaje de confianza. De este modo, en lugar de partidos que trabajan con datos pequeños e insuficientes, se pueden distinguir fácilmente los encuentros que cuentan con un volumen de datos adecuado.

Errores frecuentes en el análisis centrado en la muestra

El error cometido con más frecuencia en la evaluación de la muestra es aceptar las rachas de forma a corto plazo como una tendencia permanente. Que los últimos 4 partidos de un equipo hayan terminado consecutivamente con una anotación elevada no demuestra que dicho equipo vaya a mantener un promedio alto de goles a lo largo de toda la temporada. En la lectura estadística, no se deben confundir las rachas a corto plazo con los promedios a largo plazo.

Otro error común es utilizar una muestra sesgada (sesgo de selección). Seleccionar únicamente un grupo reducido de datos que cumpla una condición específica y juzgar el conjunto general invalida el análisis. Por ejemplo, tomar como base únicamente 5 partidos jugados en días soleados para calcular la expectativa general de goles de un equipo ofrece una conclusión errónea.

Podemos resumir los errores más frecuentes de la siguiente manera:

• Confiar en exceso en porcentajes de éxito pleno como un 8 de 8 en muestras pequeñas.
• Ignorar el periodo de tiempo en el que se han recopilado los datos y su vigencia.
• Tomar decisiones basándose únicamente en los porcentajes sin tener en cuenta el valor del número de observaciones (N).
• No tener en cuenta el efecto distorsionador de los valores atípicos en conjuntos de datos reducidos.

Límites del análisis de muestras y casos en los que el método no funciona

Por elevado que sea el tamaño de la muestra, los modelos estadísticos también tienen límites determinados. Dado que el mundo del deporte posee una estructura dinámica, los datos de 1000 partidos pasados no pueden prever por completo un cambio radical en la actualidad. En los periodos en los que se producen rupturas estructurales, el valor del volumen de datos históricos disminuye.

Por ejemplo, si el director técnico, la plantilla de jugadores o la filosofía de juego de un equipo cambian de arriba abajo, la muestra histórica de 200 partidos perteneciente a ese equipo puede perder su validez. Cuando las dinámicas de la nueva etapa no coinciden con el conjunto de datos anterior, una muestra grande puede arrastrar al usuario a una falsa sensación de seguridad.

Asimismo, en situaciones extraordinarias como modificaciones en las reglas, actualizaciones en el formato de la liga o decisiones de jugar a puerta cerrada, la representatividad de los datos históricos se debilita. El análisis estadístico cobra sentido mediante la combinación de los datos numéricos y las condiciones reales que se dan sobre el terreno de juego. Por sí solo, el volumen numérico resulta insuficiente para explicar la naturaleza dinámica del fútbol.

Artículos relacionados

• ¿Cómo interpretar los resultados históricos que parecen 100 % precisos?
• ¿Cómo realizar un análisis de apuestas basado en datos? Sistema de análisis de ejemplo de principio a fin