Incluso antes del saque inicial del 11 de junio, el torneo ya se había disputado decenas de miles de veces. No en un terreno de juego, sino en servidores. Algoritmos simularon cada partido, cada fase de grupos, cada final posible, y dictaron su veredicto: España. Pero ahí está la paradoja de la que nadie habla realmente: el modelo que corona a la Roja también le concede aproximadamente un 84 % de probabilidades de no ganar.
Bienvenidos al Mundial más complejo matemáticamente de la historia, con 48 equipos por primera vez. Más equipos implican más partidos, más escenarios posibles y, mecánicamente, favoritos con probabilidades más bajas. Es precisamente lo que subraya Chris Myson en el análisis publicado por Opta Analyst: «En un cuadro de 48 equipos hay una enorme variedad de resultados posibles y ningún equipo alcanzará porcentajes muy elevados.»
25 000 finales antes de tiempo
El superordenador de Opta — la división de análisis de Stats Perform, referente mundial en datos deportivos — simuló el torneo completo 25 000 veces antes del saque inicial del 11 de junio. No 10 000 veces, como informaron algunos medios: 25 000 simulaciones completas, partido a partido, desde la primera ronda hasta la final del 19 de julio. El resultado de estas simulaciones, publicado el 1 de junio de 2026 según Opta Analyst, es claro: España gana el torneo en el 16,1 % de los escenarios, por delante de Francia (13,0 %), Inglaterra (11,2 %) y Argentina (10,4 %).
¿Qué significan estas cifras en la práctica? Si disputáramos el Mundial 2026 cien veces seguidas en un simulador perfecto, España ganaría unas dieciséis. Francia, trece. Y en aproximadamente el 36 % de los casos, según Opta, un país se convertiría en campeón del mundo por primera vez en su historia.
España presenta además otra particularidad estadística: es el único equipo del torneo que supera el umbral del 50 % de probabilidades de alcanzar los cuartos de final, con exactamente un 52,1 % según Opta. Para la final, la probabilidad cae al 25,6 %. Dicho de otro modo: incluso el gran favorito tiene tres posibilidades de cada cuatro de no disputar la final.
El genio discreto de Siméon-Denis Poisson
Para entender cómo un algoritmo «simula» un partido de fútbol, hay que remontarse a una idea matemática de hace dos siglos. En el siglo XIX, el matemático francés Siméon-Denis Poisson se interesaba por la probabilidad de sucesos raros: ¿cuántas veces se produce un acontecimiento improbable en un intervalo de tiempo dado? Su ley —la distribución de Poisson— responde a esta pregunta con una elegancia notable.
Un gol en fútbol es precisamente ese tipo de suceso: raro, discreto (no se marcan 2,7 goles) y relativamente independiente de un minuto a otro. Si un equipo marca de media 1,8 goles por partido, la ley de Poisson permite calcular la probabilidad exacta de que marque 0, 1, 2, 3 o más en un partido dado. Este marco matemático fue aplicado por primera vez al fútbol por el estadístico M. J. Maher en un artículo fundacional publicado en 1982, que mostraba que «un modelo de Poisson independiente proporciona una descripción razonablemente precisa de los marcadores de fútbol».
La idea central es la siguiente: cada equipo tiene un parámetro de intensidad ofensiva (denotémoslo λ, «lambda») que depende de su potencial ofensivo y de la defensa rival. Se extrae un marcador para el equipo A según su distribución de Poisson y otro para el equipo B según la suya, y así se obtiene un resultado simulado. Repita la operación para cada partido del torneo, vuelva a hacerlo 25 000 veces y obtendrá una distribución de probabilidades para todos los posibles vencedores.
Pero un partido de fútbol no es la suma de dos dados independientes. Cuando un equipo va ganando 1-0, ambos equipos cambian de táctica, lo que modifica las intensidades de gol. Por eso los modelos modernos —como el descrito por Dixon y Coles en el Journal of the Royal Statistical Society— corrigen el modelo de Poisson ingenuo dando más peso a los partidos recientes y ajustando las probabilidades de los marcadores bajos (0-0, 1-0, 0-1, 1-1), que se comportan de manera distinta de lo que predice un modelo demasiado simple.
Monte Carlo en el estadio
Simular un partido está bien. Simular un torneo entero es otra historia. Ahí entra en escena el método de Monte Carlo, un nombre tomado del casino monegasco que refleja bien el espíritu del método. El principio consiste en repetir un proceso aleatorio un número muy elevado de veces para estimar la probabilidad de un resultado global. Para un Mundial de 48 equipos, esto supone simular 104 partidos por torneo, propagando en cada ronda las incertidumbres de la ronda anterior.
Es exactamente lo que describen Andreas Groll, Gunther Schauberger y Gerhard Tutz en su artículo de referencia sobre la predicción de torneos de fútbol: «El Mundial de la FIFA se simula repetidamente y se obtienen probabilidades de victoria para todos los equipos.» El modelo incorpora una regresión de Poisson regularizada —una técnica que evita sobreajustar los datos penalizando un número excesivo de variables— para estimar las intensidades de gol a partir de decenas de covariables: clasificación FIFA, valor de mercado de las plantillas, estado de forma reciente y edad media de los jugadores.
El equipo de la Universidad de Innsbruck, dirigido por Achim Zeileis, realizó una simulación independiente de 100 000 torneos completos que incorporaba las plantillas definitivas, las cuotas de las casas de apuestas y los valores de mercado. El resultado es convergente, aunque ligeramente distinto: España, con un 14,5 %; Inglaterra y Francia, con un 12,4 % cada una. Como recuerda Andreas Groll, estadístico de la TU Dortmund: «La probabilidad de que el gran favorito gane efectivamente el torneo no suele superar el 20 %», según el comunicado de la Universidad de Innsbruck.
¿Ven la paradoja? Tres modelos independientes —Opta, Innsbruck y el modelo de la Universidad de Liverpool, que otorga a España un 26,1 % según su comunicado de investigación— coinciden en el nombre del favorito, pero difieren en cuánto lo favorecen. Esto constituye por sí solo una lección de estadística: el consenso sobre la clasificación no garantiza el consenso sobre las cifras.
El comodín Haaland y el límite de los modelos
Hay una limitación conocida en todos estos modelos: razonan a partir de promedios de los equipos, cuando el fútbol de eliminación directa se decide a menudo por actuaciones individuales excepcionales. Benjamin Holmes, investigador del Centre for Sports Business de la Universidad de Liverpool, lo explica claramente: su modelo simula ahora «las lesiones, las sanciones y quién marca los goles», e incorpora incluso las condiciones meteorológicas y la altitud de los estadios norteamericanos.
Ahí es donde Erling Haaland entra en la ecuación. Un delantero con una tasa de conversión estadísticamente anómala —lo que los científicos de datos llaman a veces un «superatleta»— puede alterar las probabilidades de un equipo en los partidos de eliminación directa, donde un solo gol puede decidirlo todo. Noruega, no especialmente temible en la fase de grupos según los modelos, se convierte en una variable perturbadora en las simulaciones de partidos a partido único.
Y luego está aquello que ningún modelo puede captar: una tarjeta roja en el primer minuto, una ráfaga de viento que desvía un disparo hacia el poste, un guardameta que juega el partido de su vida. La distribución de Poisson modeliza la intensidad media de los goles; no modeliza el caos.
Tal vez esa sea la verdadera lección matemática de este ejercicio: un modelo probabilístico no predice el futuro. Traza un mapa de la incertidumbre. Y en ese mapa, España ocupa la cima, pero el territorio que se le escapa sigue siendo, con diferencia, el más extenso.
