Calibración de probabilidades en modelos predictivos de apuestas deportivas
No basta con acertar al ganador
Un modelo puede distinguir correctamente entre resultados más y menos probables y, aun así, producir porcentajes poco fiables. La calibración analiza si las probabilidades estimadas coinciden con la frecuencia observada en eventos reales.
Si un sistema asigna un 60 % de probabilidad a un conjunto amplio de eventos similares, aproximadamente seis de cada diez deberían ocurrir a largo plazo. Cuando solo ocurren cuatro, el modelo está mostrando demasiada confianza. Si ocurren ocho, puede estar siendo demasiado conservador.
Diferencia entre precisión y calibración
La precisión responde a preguntas como cuántos ganadores identificó correctamente el modelo. La calibración estudia la calidad de los porcentajes.
Imaginemos dos sistemas que aciertan siete de diez partidos. El primero asignó probabilidades cercanas al 70 % en esos casos. El segundo afirmó que cada resultado tenía un 95 % de posibilidades. Aunque ambos consiguieron el mismo número de aciertos, el segundo expresó una seguridad que los datos no justificaban.
Cómo se utiliza una curva de calibración
Los pronósticos pueden agruparse por intervalos. Por ejemplo, se reúnen todos los eventos estimados entre el 50 % y el 60 % y se comprueba cuántos terminaron ocurriendo.
Después se comparan los porcentajes previstos con los reales. Si ambos valores quedan cerca, el modelo presenta una calibración razonable en ese intervalo. Si la diferencia es grande, existe un sesgo que debe revisarse.
Esta representación suele conocerse como curva de calibración o diagrama de fiabilidad.
Problemas provocados por muestras pequeñas
Un grupo de diez partidos no permite obtener conclusiones firmes. Un solo resultado modifica la frecuencia en diez puntos porcentuales.
Por eso la calibración necesita una cantidad amplia de eventos y debe revisarse en distintos periodos. También conviene separar competiciones, mercados o tipos de predicción. Un modelo puede funcionar bien en fútbol y mostrar desviaciones importantes al aplicarse a hockey.
Cambios de contexto
Las probabilidades pueden perder calibración cuando cambia el entorno. Una nueva temporada, modificaciones reglamentarias, calendarios distintos o alteraciones en la calidad de los datos afectan al comportamiento del sistema.
Un modelo entrenado con varias temporadas anteriores no queda validado para siempre. La comparación entre probabilidades previstas y resultados observados debe repetirse con información reciente.
Métodos de ajuste
Existen técnicas que modifican las probabilidades después del entrenamiento. Algunas utilizan una función logística; otras construyen una relación más flexible entre la estimación original y la frecuencia real.
El ajuste debe realizarse con datos separados de los utilizados para entrenar el modelo principal. Si se emplean los mismos eventos, la mejora puede ser aparente y no repetirse con partidos futuros.
Un porcentaje no es una certeza
Una estimación del 70 % todavía deja un 30 % de probabilidad para otros resultados posibles. La calibración no elimina la incertidumbre, sino que intenta representarla de una manera más fiel.
Por eso un buen modelo no es el que siempre muestra cifras extremas, sino el que diferencia correctamente entre eventos muy inciertos y situaciones donde existe una ventaja probabilística más clara.