Bueno. Esta semana el modelo acertó la mitad de los partidos, que suena a "meh" hasta que te sientas con los datos y ves que en dos de los tres fallos, el fútbol hizo lo que el fútbol hace: reírse de las probabilidades en tu cara. Vamos a desmenuzar esto sin excusas pero también sin autoflagelación barata. Aquí nadie se golpea el pecho, aquí se lee.
Lo que acertamos
Marseille 4-0 Strasbourg. El modelo le dio 48% a Marseille, no una aplastante mayoría, apenas un poquito de ventaja. Y el equipo respondió con un partido donde el xG (2.35 a 0.19) confirma que no fue casualidad ni un día de gloria random: dominaron el juego de principio a fin. El marcador final infló el resultado —4 goles con 2.35 de xG es sobre-rendimiento de finalización, no de creación— pero la lectura de "quién controla este partido" fue correcta.
Real Betis 1-0 Real Sociedad. Aquí el modelo confió fuerte, 59%, y el partido le dio la razón con un xG de 1.70 contra 1.14. Betis fue mejor, ganó, y el marcador ajustado (predijimos 2-1, salió 1-0) es solo un tema de conversión, no de lectura del partido.
Arsenal 3-0 Coventry City. Con 82% de probabilidad esto era casi un hecho anunciado, y el xG (1.85 vs 0.56) lo confirma sin dramatismo: Arsenal fue ampliamente superior. Cuando el modelo está tan seguro y acierta, no hay mucho que analizar — es el equivalente futbolístico de predecir que el sol sale por el este.
Tres de tres en los partidos donde el modelo tenía mayor confianza (48%, 59%, 82%). Eso importa. No es solo que acertamos, es que acertamos en el orden correcto de certeza. Un modelo que funciona no es el que nunca falla — es el que falla menos cuando dice estar más seguro.
Donde nos equivocamos
Aquí es donde toca ser honesta de verdad, no la honestidad de manual que dice "aprendimos mucho" y no dice nada.
Udinese 1-1 Como. Le dimos a Como 55% de ganar, y el partido terminó empatado. Pero miren el xG: 2.12 para Udinese contra 2.39 para Como. Es decir, el partido fue reñido, exactamente como el modelo predijo (18/27/55 no es una locura de confianza ciega), y el resultado de empate cayó dentro de lo razonable. Esto no es un fallo de lectura, es un fallo de resultado. El modelo dijo "esto va a estar peleado y Como tiene algo de ventaja" y así fue. El marcador exacto no llegó, pero la dinámica del partido sí. Esto es varianza pura funcionando como se supone que funciona.
Inter Miami 1-2 Toronto. Este me duele más porque el xG cuenta una historia distinta al resultado. Inter Miami dominó con un xG de 1.83 contra apenas 0.51 de Toronto. Casi cuatro veces más peligro generado, y perdieron. El modelo le dio 69% a Inter Miami, una confianza alta, y el partido en el campo le dio la razón al modelo en términos de quién jugó mejor. Lo que pasó fue conversión: Toronto fue extremadamente eficiente con poco, Inter Miami desperdició su dominio. Esto es el 31% haciendo acto de presencia — no es que el modelo no viera el partido, es que el fútbol no siempre premia a quien lo merece. Frustrante, sí. Un error del modelo, no.
León 2-0 Monterrey. Este es el más interesante de los tres. Monterrey era favorito con 45%, León apenas con 30%. Y el xG real (1.71 a 1.31) muestra que León sí generó más peligro — el partido estuvo cerca en creación de ocasiones, pero no tan parejo como sugiere el marcador. Aquí sí hay una pista de que el modelo pudo estar subestimando a León como local, o sobrestimando la superioridad de Monterrey basándose en datos que no capturaron bien el momento de ambos equipos. Este es el fallo que más vale la pena revisar puertas adentro.
Lo que aprendemos
Tres cosas, sin adornos:
Primero: cuando el modelo tiene alta confianza (Arsenal al 82%, Betis al 59%), acierta. Eso es una señal de que el sistema lee bien los partidos claros. El problema —como siempre— está en los partidos parejos, donde un gol de más o de menos cambia todo el resultado sin cambiar la verdad del juego.
Segundo: dos de nuestros tres fallos (Udinese-Como e Inter Miami-Toronto) no fueron fallos de lectura sino fallos de resultado. El xG lo confirma: en ambos casos el equipo "equivocado" según el modelo fue superior en el campo. Esto no es que el modelo estuviera mal, es que el fútbol tiene ese margen de caos que ningún algoritmo va a eliminar nunca, y quien te diga lo contrario te está vendiendo humo.
Tercero: León-Monterrey es la excepción que sí amerita autocrítica. Cuando el xG y el marcador ambos contradicen al modelo, ahí sí hay trabajo de ajuste por hacer, probablemente en cómo pesamos la localía o el momento reciente de los equipos mexicanos.
El marcador de la casa
Vamos 4 de 10 en la temporada, 40% de aciertos, con un Brier de 0.672 — apenas por encima del azar puro (0.667). Sí, leíste bien: estamos casi empatados con tirar una moneda. No es un buen número y no lo vamos a disfrazar de otra cosa. Pero un dato así, tan pegado al azar, también nos dice algo: el fútbol en las categorías donde jugamos esta temporada ha sido brutalmente parejo, y todavía es pronto para el tamaño de muestra que necesitamos para saber si el modelo funciona o si simplemente tuvimos una racha de partidos donde ganó el que no tenía que ganar.
Un 60% que falla no es una mentira, es una promesa que se cumple cuatro de cada diez veces — y esta semana nos tocó ver el resto de la distribución trabajando horas extra. Seguimos aquí, mirando los números sin pestañear, porque en esta casa la incomodidad de un mal Brier no se esconde debajo de la alfombra. Se publica. Con nombre y apellido.