Una lesión puede cambiar las probabilidades de un equipo. Para cuantificar ese efecto hace falta un modelo o datos pertinentes: el nombre del jugador y tu reacción emocional no bastan.
Partir de un escenario coherente
Llamemos A a una victoria y B a la ausencia de un jugador. Supongamos una probabilidad de ausencia del 20 %, una probabilidad de victoria del 40 % si falta y del 65 % si juega.
Antes de conocer la alineación, la probabilidad de victoria es:
P(A) = 0,20 × 0,40 + 0,80 × 0,65 = 60 %.
Si se confirma la ausencia, la probabilidad pasa a ser del 40 % por hipótesis del modelo. Bayes no produce esa bajada de la nada: el efecto de la ausencia ya estaba estimado.
Usar bien la fórmula de Bayes
La fórmula es P(A|B) = P(B|A) × P(A) / P(B). En nuestro ejemplo, P(B|A) = 0,20 × 0,40 / 0,60 ≈ 13,33 %. Al aplicar Bayes se obtiene, efectivamente, el 40 %.
Confundir P(B|A) con P(A|B) invierte dos preguntas distintas: la frecuencia de la ausencia entre las victorias y la frecuencia de victoria cuando el jugador falta.
Estimar el efecto con prudencia
Los partidos sin un jugador pueden coincidir también con rivales, suplentes o calendarios distintos. Una correlación histórica no basta para aislar un efecto causal. Una ausencia ya prevista puede estar incluida en las cuotas.
Guarda la fuente y la hora de la información. Distingue baja confirmada, duda y posible rotación. Usa un intervalo si los datos no justifican una cifra única.
Decidir con la cuota actual
Con un 40 % de probabilidad, la cuota justa sin margen es 2,50. Una cuota todavía a 1,80 sobre ese equipo sería desfavorable según nuestra hipótesis. Una mala noticia no es, por tanto, una oportunidad automática: puede simplemente quitarle el interés a una apuesta.
Compara la cuota aceptada con tu estimación actualizada y revisa después la exposición ya comprometida. No fuerces un ajuste para mantener una selección que te apetecía jugar.
Para leer: métodos avanzados y checklist antes de confirmar. Las cifras representan un escenario ficticio.
Ejemplo: una información incierta
Un rumor anuncia la baja del jugador. Estimas la fiabilidad de la fuente: cuando el jugador falta de verdad, lo anuncia el 90 % de las veces; cuando juega, anuncia erróneamente una baja el 15 % de las veces. La ausencia tenía a priori un 20 % de probabilidades.
- Probabilidad de ausencia tras el rumor:
0,90 × 0,20 / (0,90 × 0,20 + 0,15 × 0,80) = 0,18 / 0,30 = 60 %. - Probabilidad de victoria:
0,60 × 40 % + 0,40 × 65 % = 50 %. - Cuota justa: 2,00.
El rumor lleva la estimación del 60 % al 50 %, no al 40 %: mientras la baja no se confirme, la incertidumbre sigue dentro del cálculo. Si el mercado ya ha bajado a 2,10 la cuota del rival, puede que la información ya esté en el precio.
Errores frecuentes
- Contar dos veces la información: ajustar tu probabilidad cuando la cuota ya se ha movido por el mismo motivo.
- Reaccionar en exceso a los nombres famosos: el efecto de una ausencia depende del sustituto y del sistema, no de la fama.
- Tratar un rumor como una baja confirmada, o al revés.
Ponerlo en práctica con SCANbet
La calculadora de Bayes rehace este cálculo con tus propias cifras. Anota en el comentario de la apuesta la fuente y la hora de la información: el CLV que SCANbet registra después mostrará si reaccionaste antes que el mercado o después.
Preguntas frecuentes
¿Cómo estimar el efecto de un jugador en las probabilidades de victoria?
Comparando partidos con y sin él en contextos comparables, o con un modelo que mida su aportación (minutos, goles esperados, goles encajados). Sé prudente: las muestras son pequeñas y los rivales, distintos.
¿Ha incorporado ya el mercado la lesión?
A menudo, sobre todo si la baja se anunció la víspera en una gran liga. Compara la cuota actual con la de antes del anuncio: si ya se ha movido mucho, tu ventaja probablemente sea pequeña.
¿Qué hacer ante informaciones contradictorias?
Ponderarlas según su fiabilidad, como en el ejemplo, en lugar de elegir la que favorece tu apuesta. Si la incertidumbre sigue siendo grande, no apostar es una decisión válida.