Cómo analizamos la NFL
Los textos se construyen con estadísticas verificables y reglas locales. No se utiliza OpenAI ni una API de pago en esta sección. Una proyección es una estimación con error; no una certeza ni una recomendación rentable demostrada.
Fuentes
- ESPN: calendario, estado, resultados, lesiones reportadas, líneas y anotaciones cuando están disponibles. Acceso público sin clave; no es una API oficial gratuita de NFL con estabilidad garantizada.
- nflverse-data: estadísticas semanales de equipos. Datos con atribución CC BY 4.0; Athletiq calcula agregados y métricas derivadas.
- nflverse/nfldata: histórico de encuentros, marcadores y sedes neutrales.
La página indica la hora de consulta, no pretende que sea la hora exacta de publicación del proveedor. Los datos avanzados se actualizan después de los partidos. Una fuente ausente se muestra como no disponible, nunca como cero.
Qué mide la comparación
Los puntos por partido salen de resultados completos. EPA de pase = passing_epa / (attempts + sacks_suffered), usando la variante QB EPA de nflverse. EPA terrestre = rushing_epa / carries. La defensa se calcula emparejando al rival del mismo partido, no usando las estadísticas ofensivas del propio equipo. Los agregados se ponderan por oportunidades, no promediando porcentajes de partidos.
EPA de pase no equivale a EPA de todas las jugadas: la definición de nflverse ajusta el crédito del quarterback en fumbles del receptor. Los acarreos incluyen scrambles y rodillas al suelo. Solo se incluyen partidos de temporada regular completados antes del día de corte y anteriores a la semana analizada.
Proyección de puntos
Se calcula cuánto anotó cada ataque respecto a lo que permitían sus rivales y cuánto permitió cada defensa respecto a lo que anotaban sus rivales. Se reducen esas diferencias hacia la media con ocho partidos equivalentes. La temporada actual recibe peso n/(n+4), donde n es su muestra de partidos; el resto corresponde al año anterior. La media anotadora usa la temporada actual a partir de 32 partidos de liga; antes utiliza la anterior. La localía se estima del margen histórico local, limitada a 0–4 puntos y anulada en sede neutral.
Sin cuatro partidos actuales u ocho de referencia por equipo, y sin 32 partidos de liga, no se publica proyección. EPA, lesiones y clima aportan contexto, pero no modifican matemáticamente los puntos en esta versión. Los modelos de ganador, spread y over/under se evalúan por separado abajo. Primera mitad todavía no tiene un modelo.
Evaluación retrospectiva 2025
272 encuentros de temporada regular evaluados; 0 excluidos. Cada pronóstico utiliza únicamente semanas anteriores y la temporada previa. No usa la línea de apuestas ni el resultado del partido objetivo.
| Error absoluto medio | Modelo | Referencia simple |
|---|---|---|
| Margen final | 10.43 puntos | 11.13 |
| Total final | 10.55 puntos | 11.01 |
Ganador: 162/269 decisiones sin empate real o proyectado (60.2%). Elegir siempre al local acertó 145/269 sobre la misma muestra. Estos porcentajes describen esa evaluación; no son la probabilidad de un partido futuro.
La referencia simple usa el promedio anotador de liga y el mismo ajuste de localía. Datos históricos corregidos, no capturas de lo que sabía el proveedor en cada fecha. Esta tabla evalúa exclusivamente el modelo heurístico de puntos; el modelo de probabilidades tiene su evaluación separada abajo. Sin snapshots históricos de lesiones, alineaciones o clima. Esto no demuestra rentabilidad de apuestas ni rendimiento futuro. Evaluación generada: 2026-09-06.
Comparación entre ganador, spread y over/under
Se entrenan tres regresiones logísticas independientes. Cada una parte de la probabilidad implícita en las dos cuotas, eliminando proporcionalmente el margen de la casa, y aprende un ajuste estadístico: logit(p) = logit(p de mercado) + a + b × diferencia/10. La diferencia es el margen proyectado para ganador, margen + spread local para ATS, y total proyectado − línea para over/under. Una pendiente negativa es posible: el ajuste se aprende, no se fuerza a seguir la proyección.
Entrenamiento 2012–2021; regularización elegida entre 0, .001, .01, .1 y 1 por log loss de 2022–2023; evaluación posterior 2024–2025. Las cuotas históricas vienen de nflverse/nfldata. Se invierte su signo del spread para usar siempre el hándicap del local. Un partido de entrenamiento sin precios se excluyó; no se completaron cuotas faltantes con -110.
| Mercado | Prueba sin push | Acierto | Brier modelo | Brier mercado | Push |
|---|---|---|---|---|---|
| Ganador | 543 | 68.5% | 0.2061 | 0.2061 | 1 |
| Spread | 539 | 48.8% | 0.2506 | 0.2503 | 5 |
| Over / Under | 541 | 46.4% | 0.2518 | 0.2501 | 3 |
Estos son aciertos de clasificación en todos los partidos evaluables, no una tasa de acierto de apuestas recomendadas. En esta prueba, spread y totales no mejoraron la referencia del mercado. El pick se publica como opción preferida por probabilidad, sin afirmar rentabilidad demostrada.
Cómo se decide la mejor opción
Se evalúan seis alternativas por partido. EV = (1 − probabilidad de push) × (probabilidad condicional × cuota decimal − 1). La probabilidad de push se aprende de líneas enteras del entrenamiento, con suavizado hacia el promedio; las líneas de medio punto tienen push cero. El escenario de error resta a la probabilidad el error de calibración agrupado de validación, con mínimo de 2 puntos porcentuales. Este escenario no es una cota de confianza. El filtro histórico se ordenaba por EV con ese error, sin duplicar partidos; no se suman alternativas correlacionadas como una combinada.
El filtro anterior de rentabilidad exigía que el mercado pudiera superar Brier y log loss de las cuotas sin margen en validación, el dato debe quedar dentro del rango de entrenamiento y el EV debe ser al menos 2%, con EV bajo error positivo. Ese filtro necesitaba al menos 100 selecciones por partido y 20 selecciones semanales en validación, con retorno positivo en ambos grupos. Estos umbrales se conservan como diagnóstico del filtro anterior; ya no bloquean el pick recomendado. La selección actual prioriza EV con preferencia por spread; ML requiere un cruce parejo y EV positivo. Esta política es nueva y no está evaluada por las cifras históricas de esta página.
| Selector | Picks | G-P-Push | Unidades | ROI |
|---|---|---|---|---|
| Validación · por partido | 1 | 1-0-0 | 0.93 | 92.6% |
| Validación · mejor semanal | 1 | 1-0-0 | 0.93 | 92.6% |
| Prueba · por partido | 0 | 0-0-0 | 0.00 | Sin muestra |
| Prueba · mejor semanal | 0 | 0-0-0 | 0.00 | Sin muestra |
Una sola selección ganadora en validación no demuestra una estrategia rentable; cero selecciones de prueba no significa cero riesgo. La comparación semanal supone que las líneas archivadas estaban disponibles simultáneamente, algo que no puede comprobarse. ROI simulado de una unidad por selección y devolución en push, sin costes ni filtros históricos de lesiones. La fuente no contiene capturas sincronizadas del proveedor ni garantiza las mismas condiciones de una apuesta real.
La evaluación de 2025 y una primera versión sin ajuste de mercado ya se inspeccionaron durante el desarrollo; no se afirma independencia completa de la prueba. No se ajustaron parámetros para maximizar su ROI. Las métricas EPA, lesiones y clima siguen siendo contexto; no forman parte del ajuste numérico. Se publican rangos de calibración, coeficientes, cobertura y resultados en el artefacto descargable de cada ficha. Versión nfl-multimarket-v1 · 2026-09-06.
Evaluación anterior: modelo de ganador sin cuotas
Validación del pick de ganador
Regresión logística: p(local) = 1 / (1 + exp(−(a + b × margen/10))). El margen proviene del modelo de puntos; a y b se entrenaron con 2566 partidos sin empate de 2012–2021. Se eligió la regularización por log loss en 2022–2023 y se congeló el modelo antes de evaluar 2024–2025. El umbral de selección de 60% es una regla de publicación, no una tasa de acierto garantizada.
| Período | Todos | Filtro ≥60% | Cobertura |
|---|---|---|---|
| Validación 2022–23 | 351/541 | 198/291 | 53.8% |
| 2024 | 183/272 | 106/148 | 54.4% |
| 2025 | 162/271 | 116/181 | 66.8% |
Prueba conjunta: 345/543 aciertos; elegir siempre al local: 291/543. Brier: 0.226 (referencia 0.249). Log loss: 0.643 (referencia 0.691). Ambos penalizan probabilidades equivocadas; menor es mejor. La probabilidad constante de referencia se estima exclusivamente en entrenamiento.
Probabilidad estimada frente a frecuencia observada · prueba 2024–2025
| Rango | Muestra | Estimado medio | Aciertos |
|---|---|---|---|
| 50–60% | 214 | 54.9% | 57.5% |
| 60–70% | 197 | 64.6% | 63.5% |
| 70–80% | 87 | 74.3% | 67.8% |
| 80–90% | 44 | 83.6% | 84.1% |
| 90–100% | 1 | 90.5% | 100.0% |
Los rangos son cerrados a la izquierda y abiertos a la derecha. Las muestras pequeñas no permiten afirmar precisión estable. Se excluyeron los empates: la probabilidad es condicional a que exista ganador. La prueba contiene 543 partidos sin empate de 544 completados; no hubo exclusiones por falta de proyección.
Limitaciones: el modelo de puntos ya se había inspeccionado sobre 2025, por lo que este experimento no es completamente independiente del trabajo anterior. Datos históricos corregidos, sin capturas originales de cada fecha. No hay prueba de rentabilidad ni ajustes cuantitativos por lesiones, EPA, clima o cambios de plantilla. La tasa histórica del filtro no mide los bloqueos en vivo. La recomendación se suspende con fuentes vencidas, reportes de QB relevantes, historial incompleto, fuera de los siete días previos o después del kickoff; solo aplica a temporada regular 2026.
Las curvas comparan probabilidades con frecuencias observadas, conforme al enfoque de evaluación de calibración. Esto no implica calibración perfecta. Versión nfl-winner-logistic-v1; evaluación 2026-09-06.
Seguimiento durante la temporada
Cada ficha permite descargar los datos y el modelo de su consulta. Esto permite revisar la decisión, pero todavía falta un registro persistente e inmutable de publicaciones previas al kickoff para medir resultados en vivo. Los cambios de quarterback, plantillas y disponibilidad necesitan datos históricos comparables antes de convertirse en ajustes. El ranking completo necesita seguimiento prospectivo; primera mitad requiere un modelo propio.