¿Cómo interpretar los resultados históricos que parecen de pleno acierto?

La realidad detrás de las tablas de datos históricos aparentemente perfectas

Los grupos de resultados con rachas verdes consecutivas en las tablas o las estadísticas históricas que parecen totalmente impecables generan a primera vista la sensación de ofrecer una lógica inquebrantable. La mayor ilusión con la que se encuentra una persona que realiza análisis basados en datos es el supuesto de que un filtro que ha mostrado un éxito pleno en el pasado mantendrá exactamente ese mismo rendimiento en el futuro. Este tipo de tablas perfectas suele formarse de manera puntual mediante la conjunción de condiciones muy específicas.

Al examinar conjuntos de datos en los procesos de análisis, lo primero que debe hacer es cuestionar la profundidad de datos existente detrás de esa tabla perfecta. Tal como destacamos en la plataforma OranAnalizTV, el hecho de que un filtro o un conjunto de parámetros haya obtenido un acierto pleno en el pasado no significa que se haya convertido en una ley matemática. En la mayoría de los casos, esto no es más que una racha casual acaecida en un intervalo de tiempo reducido.

Comprender bajo qué condiciones de contexto se configuran unos porcentajes de acierto muy elevados le permite al analista mantenerse imparcial. Por ejemplo, los resultados impecables obtenidos en solo 5 partidos durante las jornadas iniciales de la liga o dentro de un rango de cuotas determinado constituyen, en realidad, datos que aún no han madurado desde el punto de vista estadístico. Al interpretar los datos, es necesario distinguir si la tabla que observamos representa una tendencia real o una fluctuación temporal.

La trampa de las muestras pequeñas y las series aleatorias

En la disciplina estadística, trabajar con grupos de muestra reducidos conduce con frecuencia a los analistas a cometer errores de interpretación estadística. En datos que no han alcanzado un volumen numérico suficiente, pueden darse situaciones tan naturales como que una moneda salga cara 5 veces consecutivas. Esto no demuestra que la moneda esté trucada, sino que el número de intentos es insuficiente.

En el análisis de partidos se desarrolla un proceso similar. Supongamos que un parámetro de cuotas determinado para el equipo local ha resultado en pleno acierto en sus últimos 4 partidos. Este conjunto de datos de 4 partidos carece de la masa estadística necesaria para formular un pronóstico sólido sobre el quinto partido futuro. Mientras no entre en juego la ley de los grandes números, los porcentajes obtenidos pasan a ser estadísticas engañosas.

Para poder establecer un intervalo de confianza en la disciplina de lectura de datos, es imprescindible ampliar el tamaño de la muestra. Conforme se expanden los conjuntos numéricos, las desviaciones temporales desaparecen y el sistema se aproxima a su media real. Por esta razón, mientras el número de partidos que respalda un análisis no alcance niveles de 100 o 500, se debe actuar con cautela ante las cuotas o porcentajes elevados que se presenten.

Sesgo de selección: limitar los datos en función del resultado deseado

El sesgo de selección es la situación en la que quienes analizan restringen los datos, de forma consciente o inconsciente, con el fin de confirmar la hipótesis que tienen en mente. Incluir en el filtro únicamente los parámetros que ofrecen resultados favorables y excluir los desfavorables genera modelos impecables sobre el papel, pero inútiles en la práctica. Esta es la ilusión más peligrosa en los procesos de lectura de datos históricos.

Para explicarlo con un ejemplo: imaginemos a un analista que añade a su filtro únicamente aquellos partidos en los que el tiempo es lluvioso, el rango de cuotas se sitúa entre 1,40 y 1,45, y ambos equipos han marcado en los últimos 2 partidos. Supongamos que este filtro excesivamente reducido ofreció un éxito pleno en 6 partidos del pasado. Cuanto más se restrinjan artificialmente las condiciones del filtro, mayor será el riesgo de sobreajuste (overfitting).

En lugar de moldear los datos en función del resultado, se debe permitir que los datos hablen por sí mismos. A medida que aumenta el número de parámetros utilizados en los sistemas de filtrado, la validez general del modelo disminuye. Un modelo saludable debe poseer una estructura que mantenga simple el número de variables y ofrezca resultados estables en grupos amplios de partidos.

Elementos fundamentales que otorgan fiabilidad a un análisis de cuotas históricas

El criterio más fundamental que determina la fiabilidad en los análisis de cuotas históricas es si los parámetros se basan o no en una causalidad racional. Los modelos basados únicamente en coincidencias numéricas aleatorias se desmoronan a la primera gran fluctuación de datos. Un enfoque analítico correcto exige combinar los datos numéricos con la lógica del terreno de juego.

El segundo elemento es que el intervalo de tiempo y la distribución por ligas sean equilibrados. Un amplio conjunto de datos recopilado de diferentes ligas y periodos proporciona el entorno más idóneo para poner a prueba la solidez del modelo. En este sentido, la plataforma JARVIS selecciona diariamente los partidos y mercados mejor respaldados por los datos históricos; junto a cada pronóstico figuran la muestra y el porcentaje de confianza, aunque el sistema no ofrece en ningún caso garantías de ganancias.

Asimismo, resulta de gran importancia presentar y probar de forma transparente los datos generados por el sistema. Un modelo de datos fiable debe ser capaz de trazar una curva de rendimiento constante sin depender de un único partido ni de un periodo reducido. La siguiente tabla muestra conceptualmente cómo varía la fiabilidad de los datos según el tamaño de la muestra:

La importancia de un lenguaje honesto y de la transparencia en las presentaciones de cuotas o porcentajes elevados

El lenguaje elegido al compartir resultados estadísticos con el público o con uno mismo constituye la base de la ética en la lectura de datos. Discursos engañosos y orientados al marketing, como la promesa de resultados garantizados, anulan por completo el concepto de probabilidad inherente a la naturaleza de los datos. En la estadística deportiva siempre existe un margen de desviación y un grado de incertidumbre determinados.

Al presentar los porcentajes de acierto, es necesario mostrar con la misma claridad no solo los partidos acertados, sino también los casos fallidos. Por ejemplo, indicar explícitamente si un filtro cuyo porcentaje de acierto histórico se expresa en un 80 % proviene en realidad de una serie reducida de 5 partidos o de un historial de 500 partidos es un requisito del análisis honesto. La escuela de OranAnalizTV busca definir con claridad los límites matemáticos de las cifras en lugar de atribuirles significados exagerados.

Un enfoque analítico honesto dota al usuario de la capacidad de realizar sus propios análisis en lugar de ofrecerle ideas preconcebidas. De hecho, en el servicio JARVIS, al realizar exploraciones centradas en datos históricos, se muestra claramente el tamaño de la muestra para cada mercado y se anima al usuario a filtrar los datos bajo su propio criterio; el sistema no garantiza un resultado definitivo bajo ninguna circunstancia.

Un escenario de análisis de resultados históricos paso a paso

Examinemos a través de un escenario paso a paso cómo poner a prueba en el mundo práctico un filtro estadístico desarrollado. Supongamos que en nuestro escenario construimos un modelo que se fija en aquellas situaciones en las que la cuota a la victoria del equipo local es de 1,70. En una primera fase, extraemos de la base de datos los partidos históricos que presentan esta cuota para generar el conjunto de datos brutos.

En el segundo paso, dividimos el conjunto de datos en intervalos temporales. Digamos que disponemos de un conjunto de datos total de 150 partidos. Reservamos los primeros 100 partidos de estos 150 para entrenar el modelo, y los 50 partidos restantes para probar su rendimiento. Aunque el modelo muestre un éxito muy elevado en los primeros 100 partidos, si no logra mantener ese mismo rendimiento en los 50 partidos reservados, significa que existe un error de sobreajuste en el modelo.

En el tercer paso, evaluamos con honestidad los criterios secundarios que hemos añadido a nuestro filtro. Por ejemplo, si al incluir la condición de equipos invictos en sus últimos 3 partidos el número de la muestra se reduce de 150 a 12, estaremos creando una ilusión de éxito artificial. En el cuarto paso, verificamos si el modelo genera valor real comparando el porcentaje de acierto obtenido con la probabilidad implícita que ofrece la cuota de mercado (por ejemplo, 1 entre 1,70 = 58,8 %).

Errores frecuentes de interpretación estadística al leer datos históricos

Uno de los principales errores en los que se suele caer al analizar datos históricos es dar por sentado que las series numéricas son independientes del tiempo. Las dinámicas de la liga de hace dos años y el entorno competitivo actual no son idénticos. Al evaluar los datos históricos se deben tener en cuenta factores como las plantillas, los cambios reglamentarios y las transformaciones tácticas.

Otro error habitual consiste en caer en trampas psicológicas conocidas como la racha ganadora o la falacia del jugador. Suponer que, tras una serie de partidos que alcanzan un marcador determinado, la racha debe romperse o continuar del mismo modo en el siguiente encuentro es incorrecto desde el punto de vista matemático. Cada partido entraña probabilidades independientes.

Las principales deficiencias en las que incurren con frecuencia los analistas pueden resumirse de la siguiente manera:

• Generalizar muestras reducidas con un volumen de datos insuficiente y darles carácter de regla fundamental.
• Modificar constantemente los parámetros de los filtros en función del resultado para generar tablas de éxito artificiales.
• Calcular probabilidades sobre la cuota bruta sin tener en cuenta el margen de beneficio integrado en las cuotas de mercado.
• Confundir las fluctuaciones periódicas de forma durante la temporada con tendencias estadísticas a largo plazo.

Límites del método: situaciones en las que los datos históricos resultan insuficientes

Por muy avanzados que sean los métodos de lectura de datos históricos, no pueden eliminar por completo el factor sorpresa inherente al deporte. Las cifras presentes en la base de datos son un resumen de rendimientos pasados; no pueden simular de forma directa los factores humanos y ambientales que acontecen sobre el terreno de juego. Esta situación marca el límite más evidente del método.

Dinámicas como las lesiones ocurridas antes del partido, los cambios repentinos en las condiciones meteorológicas, los relevos de entrenador o las decisiones arbitrales no se pueden reflejar al instante en los modelos numéricos. El análisis de cuotas históricas resulta insuficiente para prever este tipo de acontecimientos de última hora. Por ello, el análisis de datos no constituye por sí solo un mecanismo de decisión, sino una brújula de apoyo.

Los escenarios principales en los que los datos históricos dejan de ser explicativos por sí solos son los siguientes:

• En las transiciones de temporada, cuando la estructura de las plantillas y las filosofías de juego de los equipos cambian de manera radical.
• En partidos de copa o de exhibición donde los niveles de motivación no son equivalentes.
• En caso de condiciones climáticas y del terreno de juego extremadamente desfavorables al inicio del encuentro.
• En lances del juego que alteran por completo el desarrollo del partido, como las tarjetas rojas mostradas en los primeros minutos.

Artículos relacionados

• Tamaño de la muestra: ¿Por qué 8/8 no es lo mismo que 720/800?
• ¿Gana siempre el equipo favorito? Situaciones en las que las cuotas bajas pueden ser engañosas