El 20% de eficiencia de tiro es uno de los números más malinterpretados del deporte profesional. Aparece en las apps de apuestas, se cita en los comentarios del partido y se usa para justificar decisiones con dinero real. El problema es que ese número, por sí solo, no dice prácticamente nada útil.
Puede representar a un tirador de élite en una racha fría temporal. Puede representar a un jugador con pésima selección de tiro que simplemente tuvo suerte en los dos o tres que metió. Puede ser el resultado estadístico completamente esperado de quien solo ha intentado diez tiros en toda la temporada. Sin contexto —ubicación, volumen, calidad de la oportunidad— el porcentaje bruto es un número que parece preciso y en realidad no informa.
Este artículo examina los dos marcos analíticos que sí capturan esa información: los modelos bayesianos jerárquicos en baloncesto y el Expected Goals (xG) en fútbol. Ambos responden a la misma pregunta fundamental: ¿cuánto de lo que veo en esta estadística es señal real y cuánto es ruido aleatorio?
El ProblemaEl número que parece claro pero no lo es
Imagina dos jugadores de baloncesto. El primero convierte 3 de 15 intentos de triple: un 20% de eficiencia. El segundo convierte 5 de 15: un 33%. A simple vista, el segundo es mucho mejor tirador. Pero estadísticamente, con tan pocos intentos, los intervalos de credibilidad de ambos se superponen completamente. Son indistinguibles. Un análisis de 2025 publicado en Computational Statistics (Springer Nature) confirma que estas diferencias observadas en muestras de 15 intentos se explican por varianza aleatoria, no por diferencias reales de habilidad.
El mismo problema afecta al fútbol, con consecuencias más directas para los mercados de apuestas. Un equipo que termina un partido con 20 disparos parece más peligroso que uno con 8. Pero si los 20 disparos fueron intentos de larga distancia con baja probabilidad de conversión y los 8 fueron tiros dentro del área en situaciones de uno contra uno con el portero, la realidad es exactamente la contraria.
Los datos de xG lo cuantifican con precisión: los disparos desde dentro del área de penalti tienen una probabilidad de conversión superior al 60%, mientras que los intentos de larga distancia tienen menos del 5% según modelos de analítica avanzada. Un equipo con 20 disparos de larga distancia genera menos peligro esperado que uno con 5 tiros dentro del área. Las estadísticas brutas ocultan esta brecha de calidad de forma sistemática.
En el mercado mexicano de apuestas deportivas —que alcanzará USD 0.97 mil millones en 2026 con el 63.92% de actividad en dispositivos móviles y el 80% en canales digitales— las apps de apuestas presentan mayoritariamente estadísticas superficiales: disparos totales, porcentaje de posesión, goles marcados. Son interfaces optimizadas para la velocidad de consumo, no para la comprensión estadística. El resultado es que millones de usuarios toman decisiones con información que parece rigurosa pero carece del contexto que la haría útil.
EstadísticaPor qué las muestras pequeñas mienten
La NBA es el laboratorio más riguroso para estudiar la estabilización estadística en deportes profesionales. Y sus datos sobre el tiro de tres puntos son reveladores: se necesitan aproximadamente 750 intentos de triple para que el porcentaje de un jugador se estabilice estadísticamente, con un umbral de fiabilidad de 0.7. Este dato, documentado en análisis de FanSided, tiene una implicación directa que pocas personas procesan: el récord de intentos de triple en una sola temporada de la NBA es 678.
Eso significa que prácticamente ningún jugador —ni siquiera los que intentan más triples en toda la liga— alcanza el umbral estadístico de fiabilidad en una sola temporada. Cada porcentaje de tiro de tres puntos que ves en el marcador, en las estadísticas de temporada, en los análisis de mediotemporada, está basado en una muestra insuficiente para ser concluyente por sí sola.
La consecuencia práctica para las apuestas es directa. Cuando un tirador especialista de la NBA ha intentado 80 triples en lo que va de temporada y lleva un 28%, ese número está dominado por varianza. No es una señal sobre su habilidad real. Podría subir a 36% en los próximos 80 intentos —lo que haría que su número final se acercara a su verdadera capacidad— o podría bajar a 24%. Los dos escenarios son igualmente consistentes con los datos disponibles.
Los mercados de apuestas que sobrerreaccionan a estas rachas frías o calientes en muestras pequeñas están cometiendo el error estadístico más básico: confundir varianza con señal.
| Intentos realizados | % observado | Fiabilidad estadística | Interpretación |
|---|---|---|---|
| 15 | 20% | Muy baja | Indistinguible de 33% o 15% |
| 80 | 28% | Baja | Intervalo real: aprox. 20–36% |
| 300 | 32% | Moderada | Señal creciente, prior sigue importando |
| 750+ | 35% | Alta (0.7) | Fiabilidad estadística alcanzada |
La corrección bayesiana: shrinkage hacia la verdad
La estadística bayesiana ofrece la solución formal a este problema. En lugar de tratar cada observación como si surgiera del vacío, los modelos bayesianos combinan la evidencia observada con un conocimiento previo (prior) sobre lo que es probable. En el caso del tiro de tres puntos en la NBA, ese prior es la media de la liga: aproximadamente el 35%.
La fórmula empírica estándar para estimar el verdadero porcentaje de triples de un jugador funciona con 150 intentos “fantasma” a la media de la liga:
Estimación = (% observado × intentos reales + 35% × 150) ÷ (intentos reales + 150)
Por debajo de 150 intentos reales, la media de la liga domina la estimación. El dato observado aporta información marginal.
Veamos el impacto concreto. Un jugador que lleva 10 intentos de triple con un 20% observado:
- % observado: 20%
- Estimación bayesiana: (20% × 10 + 35% × 150) / (10 + 150) = (2 + 52.5) / 160 = 34.1%
Con solo 10 intentos, la estimación bayesiana ignora casi completamente el porcentaje observado y retorna al prior. La información observada es tan escasa que no puede mover significativamente la estimación. Este fenómeno se llama shrinkage: la regresión hacia la media como comportamiento estadísticamente correcto ante muestras pequeñas.
A medida que aumentan los intentos reales, el dato observado va ganando peso. Con 300 intentos y un 32% observado, la estimación bayesiana sería aproximadamente 33.1% —mucho más cercana al dato real, pero todavía ajustada hacia la media. Solo con 750+ intentos el jugador “se gana” el derecho estadístico a que su porcentaje observado sea tomado como señal fidedigna.
El modelo bayesiano no es una corrección académica: es la única forma de tomar decisiones racionales basadas en datos de tiro con muestras del tamaño que aparecen en la práctica deportiva y en los mercados de apuestas en tiempo real.
FútbolxG: el equivalente futbolístico del ajuste bayesiano
En fútbol, el Expected Goals (xG) cumple la misma función que el ajuste bayesiano en baloncesto: separa la calidad real de la oportunidad del resultado binario que aparece en el marcador. El xG asigna a cada disparo una probabilidad de conversión basada en ubicación, ángulo, tipo de asistencia y contexto defensivo, generando una medida de peligro real que los goles marcados —en muestras pequeñas— no capturan de forma fiable.
El hallazgo más importante sobre el xG a nivel de jugador es estadísticamente demoledor para quienes apuestan basándose en la forma goleadora reciente: el R² interanual del ratio goles/xG es aproximadamente cero. Esto significa que el sobrerendimiento o subrendimiento de un jugador respecto a su xG en una temporada no predice absolutamente nada del siguiente año. Toda la variación es atribuible a aleatoriedad.
Los datos de la Liga MX Clausura 2025 ilustran esto de forma directa. En la Jornada 7, León lideraba la liga con una eficiencia de tiro del 57.1%, mientras Santos Laguna registraba la tasa más baja: 21.1%. Sin contexto de xG, la diferencia parece enorme y estructural. Pero la tasa de conversión de Santos podría reflejar simplemente que sus disparos son de alta calidad pero en situaciones de baja probabilidad, o que ha tenido una racha de mala fortuna estadísticamente esperada en ese volumen de muestra.
La Liga MX promedia 3.09 goles por partido —un gol cada 29 minutos— lo que proporciona la línea base necesaria para evaluar si la eficiencia de un equipo está genuinamente por encima o por debajo de la norma. Pero incluso esa línea base requiere la corrección por calidad de tiro para ser interpretable. Guadalajara y Pumas, con xG significativamente superior a sus goles reales en el mismo torneo según datos de elfutbolero.com.mx, son señales bayesianas claras: su capacidad real de generar ocasiones es más fuerte de lo que indica el marcador, y los mercados que no incorporan xG están sobrevalorando la diferencia.
Un avance reciente publicado en PMC en 2024 introduce el framework Bayes-xG, que añade una dimensión adicional: la identidad del jugador. El mismo disparo ejecutado por un delantero de élite tiene una probabilidad de conversión real mayor que el mismo disparo ejecutado por un mediocampista. Los modelos xG estándar que ignoran quién dispara sistemáticamente malprecian la calidad del tiro en situaciones donde la identidad del ejecutante es relevante.
MercadosCómo los mercados de apuestas malprecian la calidad del tiro
Los mercados de apuestas deportivas tienen un sesgo sistemático y documentado: sobrerreaccionan al resultado reciente y subreaccionan a la calidad subyacente. Un equipo que ha marcado tres goles en sus últimos dos partidos verá su cotización comprimida en el siguiente, independientemente de si esos goles vinieron de situaciones de alta calidad o de tiros aleatorios que cayeron dentro.
La mecánica es comprensible: las casas de apuestas ajustan líneas para equilibrar el volumen de apuestas en ambos lados, y el apostador promedio apuesta lo que ha visto. Lo que ha visto son goles. No xG. No intervalos de credibilidad bayesianos. El mercado coti goles marcados, no calidad subyacente de disparos, y eso crea desfases explotables para quienes tienen acceso a los datos correctos.
Sin embargo, hay una trampa importante que el análisis honesto no puede ignorar. La estrategia de fade-the-public —apostar en contra del equipo que recibe mayor porcentaje de apuestas del público— funcionó con cierta consistencia en Estados Unidos antes de 2018. Desde la legalización masiva de apuestas deportivas en ese año, las casas han adaptado sus modelos para compensar los desequilibrios del juego recreativo. La ventaja estructural de esa estrategia se ha erosionado significativamente.
No es el porcentaje de tickets públicos. Es la discrepancia entre el porcentaje de tickets (número de apuestas) y el porcentaje de dinero apostado. Cuando el 70% de los tickets están en el equipo A pero solo el 45% del dinero, los apostadores profesionales —que apuestan cantidades mayores— están del lado contrario. Ese es el indicador real.
Los porcentajes de tickets públicos provienen de un único sportsbook recreativo, excluyen el dinero “sharp”, el volumen de parlays y la acción de sindicatos profesionales. Usarlos como señal primaria sin la corrección del porcentaje de dinero es otro caso de confundir ruido con señal.
La ventaja matemática estructural de la casa —aproximadamente un 5% integrado en cada línea— es independiente de cómo se presenten las estadísticas. Ningún análisis de calidad de tiro elimina el vig. Lo que sí puede hacer es identificar las pocas situaciones donde el precio de mercado se desvía lo suficiente de la probabilidad real como para ofrecer valor esperado positivo.
Aplicación PrácticaDel modelo a la decisión: qué preguntar antes de apostar
El framework Bayes-xG no requiere ser estadístico para aplicarse. Requiere hacerse las preguntas correctas antes de interpretar cualquier número de eficiencia de tiro.
Las tres preguntas que transforma un porcentaje en información útil
- ¿Cuántos intentos? Por debajo de 150 intentos en baloncesto, el prior (media de la liga) domina la estimación bayesiana. El número observado es básicamente ruido. En fútbol, la misma lógica aplica a nivel de temporada: el xG acumulado en 5 partidos tiene márgenes de incertidumbre enormes.
- ¿Desde dónde? Un 20% en tiros de larga distancia en baloncesto puede ser perfectamente normal o incluso bueno dependiendo del volumen. Un 20% de conversión en disparos desde dentro del área en fútbol —donde el xG medio supera el 60%— es un subrendimiento significativo con alta probabilidad de regresión positiva.
- ¿Cuál es el xG subyacente? Para equipos de fútbol: ¿están convirtiendo por encima o por debajo de su xG acumulado? Los equipos con xG superior a sus goles reales son candidatos a regresión positiva. Los mercados tardan en ajustar esto porque el precio inmediato responde a goles marcados, no a calidad de ocasiones.
La asimetría más valiosa en los mercados actuales se encuentra en equipos con xG superior a sus goles reales que además tienen varianza alta partido a partido. Dos equipos pueden tener idéntico xG medio por partido —digamos, 1.8 por partido— pero uno puede concentrar ese xG en pocos disparos de muy alta calidad (baja varianza) y el otro distribuirlo en muchos disparos de calidad media (alta varianza). Sus probabilidades de marcar 3 o más goles en un partido son sustancialmente distintas, aunque el xG medio sea el mismo. Los modelos que no incorporan esta varianza explícitamente están mal calibrados para apuestas en líneas de total de goles.
El framework Bayes-xG (PMC 2024) agrega la dimensión del ejecutante: no es lo mismo que un delantero centro especialista ejecute un remate de cabeza desde el punto de penalti que un lateral que llegó en una jugada de córner. El xG estándar trata ambas situaciones de forma idéntica si la posición y el ángulo coinciden. El modelo bayesiano corregido por identidad del jugador produce estimaciones más precisas para situaciones donde el historial individual del ejecutante es relevante.
Asimetría de InformaciónLa brecha entre lo que saben las casas y lo que ves en tu app
Las plataformas de analítica deportiva modernas registran más de 3.000 eventos por partido con actualizaciones cada 30 segundos: posición de cada jugador, presión defensiva en el momento del disparo, velocidad del balón, posición del portero. Estos datos alimentan los modelos xG de las casas de apuestas y se usan para ajustar líneas en tiempo real durante los partidos de apuestas en vivo.
Lo que el apostador promedio ve en su app es: disparos totales, porcentaje de posesión, goles. La brecha entre esos dos universos de información es estructural e intencional. Las casas de apuestas tienen incentivos para ajustar sus modelos con rapidez, pero no para compartir la información que los alimenta.
El mercado mexicano amplifica el impacto de esta asimetría. Con 60.1 millones de espectadores de Liga MX y un crecimiento proyectado al 15.11% CAGR hasta alcanzar USD 1.96 mil millones para 2031, se trata de uno de los mercados de apuestas deportivas de mayor crecimiento en el mundo, y uno donde la penetración de analítica avanzada entre los apostadores es todavía muy baja. Las apps de apuestas optimizan su UX para la velocidad de consumo en móvil, no para la profundidad analítica.
El objetivo realista para el apostador con criterio analítico no es eliminar esta asimetría —es estructuralmente imposible sin acceso al nivel de datos que tienen las propias casas— sino reducirla lo suficiente como para identificar las situaciones donde la diferencia de información crea una discrepancia de precio explotable. El xG es el instrumento más accesible para ese propósito en fútbol. Los modelos bayesianos lo son en baloncesto. Ambos son defensas efectivas contra el error más costoso: tomar el porcentaje bruto como información suficiente.
Datos y Referencias
- FanSided: “How Long Does it Take for Three-Point Shooting to Stabilize?” — ~750 intentos para fiabilidad 0.7; récord de temporada: 678 intentos
- Counting the Baskets: estimación bayesiana con 150 intentos fantasma — fórmula de shrinkage para % de triples NBA
- Julián Gerez: Variance and xG (2025) — R² interanual de ratio goles/xG ≈ 0.00 a nivel de jugador
- Springer Nature / Computational Statistics (2025) — análisis de varianza en muestras de tiro; diferencias observadas en n=15 atribuibles a aleatoriedad
- Córdoba Hoy: Analítica avanzada en apuestas de fútbol (2026) — xG >60% dentro del área, <5% de larga distancia
- TUDN: Radar Liga MX, estadísticas Jornada 7 Clausura 2025 — León 57.1%, Santos Laguna 21.1% de eficiencia de tiro
- América y Ya: Predicciones Liga MX 2026 — 3.09 goles por partido en Liga MX (un gol cada 29 minutos)
- elfutbolero.com.mx — datos de xG por equipo Liga MX Clausura 2025; Guadalajara y Pumas con xG superior a goles reales
- Framework Bayes-xG (PMC 2024) — identidad del ejecutante como variable en modelos de conversión de disparos