Separa afición y valoración
Conocer una plantilla y estimar bien su probabilidad son habilidades distintas. Seguir a tu equipo puede ayudarte a detectar un cambio de función, pero también hacer que un clutch memorable parezca más representativo que una derrota normal. Trátalo como un posible error del proceso, no como diagnóstico de todo aficionado. La pregunta práctica es si tu estimación cambia al ver los nombres. Puedes investigarlo con una previsión escrita antes de mirar las cuotas y un registro coherente de la información que cambió tu opinión.
Un ejemplo hipotético de precio
Los precios y probabilidades siguientes son inventados para explicar un margen asimétrico. No auditan ningún equipo ni operador. La probabilidad supuesta del favorito es 0.7042. Llamar sesgada a una cuota solo tiene sentido respecto a esa hipótesis. Observar dos precios no revela la probabilidad verdadera ni prueba que el dinero de aficionados causara la diferencia. Retirar margen también requiere un modelo; la diferencia entre estimaciones proporcional y aditiva mide sensibilidad a hipótesis, no un impuesto al aficionado observado.
ASIGNACIÓN ASIMÉTRICA DEL MARGEN: FAVORITO PÚBLICO vs UNDERDOG Probabilidades supuestas para este ejemplo: P(Favorito) = 0.7042 -> precio justo = 1 / 0.7042 = 1.420 P(Underdog) = 0.2958 -> precio justo = 1 / 0.2958 = 3.381 Precios publicados: Favorito: 1.30 implícita = 1 / 1.30 = 0.7692 Underdog: 3.40 implícita = 1 / 3.40 = 0.2941 Overround total = 0.7692 + 0.2941 = 1.0633 (6.33% de margen de la casa) Dónde está realmente el margen: EV del favorito por unidad = 0.7042 x 1.30 - 1 = -0.0845 (-8.45%) EV del underdog por unidad = 0.2958 x 3.40 - 1 = +0.0057 (+0.57%) Eliminación proporcional ingenua del vig sobre los precios publicados: Fav sin vig = 0.7692 / 1.0633 = 0.7234 -> 1.382 Dog sin vig = 0.2941 / 1.0633 = 0.2766 -> 3.615 => La eliminación proporcional del vig SUBESTIMA el impuesto al favorito (1.382 vs real 1.420) y hace que el underdog parezca peor de lo que es (3.615 vs real 3.381). Todo el margen de 6.33%, y más, se carga al favorito.
Si el precio ofrecido es igual al precio justo multiplicado por (1 − s), donde s es la fracción de shading, entonces el valor esperado por unidad apostada es exactamente −s. Demostración: EV = p × justo × (1 − s) − 1, y como p × justo = 1, EV = (1 − s) − 1 = −s. Aplicar shading de 1.42 a 1.30 es un recorte de precio de 8.45%, así que cada unidad apostada a ese precio pierde en promedio 8.45 centavos. Tu lectura del equipo no cambia esto. Aunque el equipo de marca famosa gane, te pagaron a un precio que pierde dinero sobre la población de apuestas similares.
En este ejemplo, ganar a menudo no salva una cuota corta. El favorito supuesto gana unas siete veces de diez, pero necesita 76.923077% a 1.30 para equilibrar. El no favorito a 3.40 tiene EV condicional +0.572%, con p = 0.2958. Ese pequeño valor desaparece si la estimación resulta algo optimista. Por tanto, el ejemplo no justifica apostar automáticamente contra marcas famosas. La comparación relevante es probabilidad multiplicada por cuota ejecutable, con costes e incertidumbre, para cualquiera de los lados.
Qué significa repetir el precio
Supón, solo como modelo, igual probabilidad y cuota en 200 apuestas independientes. Con una fracción del 2% de la banca corriente, la riqueza esperada se multiplica por (1 + 0.02 × EV)^200. La riqueza logarítmica esperada suma 200 veces p ln(1 + 0.02(d − 1)) + (1 − p) ln(0.98). Exponenciarla produce una referencia geométrica, no la mediana exacta de una muestra finita. El drawdown realizado depende además del orden de resultados. No llames a una pérdida final proyectada drawdown máximo medido.
Una revisión ciega que conserva contexto
En un ejercicio ciego, llama Alpha y Beta a los equipos y asigna etiquetas independientemente de sus nombres. Construye el vector con datos disponibles antes del partido. El ejemplo supone seis diferencias estandarizadas y seis pesos; muestra explícitamente el compuesto. Son valores didácticos elegidos. No se afirma que una ventana de tres meses o pesos concretos sean óptimos.
Hypothetical inputs; no fitted historical dataset is claimed
D = .25*.70 + .20*.60 + .15*.35 + .15*.25 + .10*.30 + .15*(-.45)
D = .3475
k = 1.9
p_Alpha = 1 / (1 + exp(-k*D)) = .659316545247
p_Beta = .340683454753
EV_Alpha(1.30) = -.142888491179
EV_Beta(3.40) = +.158323746160Estos pesos y la escala logística son entradas didácticas arbitrarias. No forman un modelo validado y la salida no es una probabilidad calibrada. En una evaluación real, medidas superpuestas como conversión tras primera baja y conversión de 5 v4 pueden duplicar información. Ajusta transformaciones y coeficientes con datos de entrenamiento y evalúa calibración en partidos posteriores separados. Mantén coherencia en plantilla, rivales, versión del mapa y disponibilidad temporal. Elimina nombres y logos solo cuando no borres información necesaria. Una puntuación ciega con la plantilla equivocada sigue siendo errónea.
Fija la previsión antes de revelar nombres y cuotas. Después separa las correcciones factuales de las preferencias: un suplente confirmado puede justificar una entrada nueva; admirar a un jugador no. Guarda ambas versiones y el motivo de revisión. No llames ciego al proceso si estadísticas distintivas ya identificaban al equipo. Otra persona puede ayudar con el anonimato, sin garantizar protección frente a errores compartidos del modelo. El objetivo es exponer cambios de criterio, no fabricar razones para apostar al rival.
Exclusión y auditoría honesta
Si los partidos de un equipo te llevan a ignorar límites o revisar probabilidades sin pruebas, exclúyelos en tu plan escrito. La exclusión puede abarcar ambos lados y totales relacionados, pues apostar contra tu equipo no elimina el vínculo emocional. Elige una fecha de revisión en vez de prometer que doce meses curan el sesgo. Incumplir la regla es motivo para parar y revisar el proceso, no para hacer una apuesta de recuperación. Ver el partido sin posición financiera sigue siendo una forma de apoyar.
Audita por separado calibración, precio conseguido, beneficio realizado, costes e incumplimientos. El CLV frente a una referencia documentada aporta evidencia de precios, pero no prueba rentabilidad ni eliminación del sesgo. Las diferencias entre grupos pueden venir de cuotas, competición, selección o incertidumbre. No hagas un diagnóstico psicológico comparando dos medias. Fija la clasificación antes de la próxima muestra, incluye previsiones sin apuesta e informa del número de observaciones por grupo. El resultado práctico puede ser reducir el alcance o no apostar en partidos de tu equipo.
La revisión también debe admitir una respuesta inconclusa. Si el grupo de tu equipo contiene pocos partidos, conserva la incertidumbre en vez de inventar una tasa de éxito. Registra una revisión cuando puedas identificar su motivo factual. Cambiar la clasificación o la ventana tras perder puede hacer que cualquier proceso parezca exitoso. Conserva la versión anterior para distinguir previsiones mejores de explicaciones más cómodas de los mismos resultados.
