Mundial 2026: lo que Elo y Poisson revelan sobre el campeón

El problema de predecir lo impredecible

Con 48 selecciones compitiendo en el Mundial 2026 —el torneo más grande de la historia— la pregunta parece imposible: ¿quién va a ganar? No hay forma de saberlo con certeza. Pero hay formas mucho más inteligentes de estimarlo que confiar en el instinto o en la narrativa del momento.

Un equipo de analistas publicó recientemente en Towards Data Science un modelo que combina tres herramientas estadísticas para simular el torneo completo 10,000 veces y calcular la probabilidad de que cada selección levante el trofeo. El método es riguroso, replicable y —lo más valioso para cualquier líder de negocio— completamente trasladable fuera del fútbol.

Elo: la reputación como número verificable

El primer componente del modelo es el rating Elo, un sistema diseñado originalmente para el ajedrez que hoy se aplica en deportes, plataformas de crédito, motores de recomendación y procesos de selección de talento.

La lógica es directa: cada equipo tiene un puntaje. Cuando gana, sube. Cuando pierde, baja. La variación depende de qué tan sorpresivo fue el resultado. Vencer a una selección débil suma poco; vencer a una potencia suma mucho. Es el historial verificado, no la reputación declarada, lo que determina el score.

Para el Mundial 2026, los ratings Elo posicionan a selecciones como Francia, Brasil, Argentina, España e Inglaterra entre las favoritas. No por nombre ni por nostalgia, sino por desempeño acumulado y medido partido a partido.

En términos de negocio, esto equivale a construir un score de capacidad competitiva real. No lo que una empresa dice que puede hacer: lo que ha demostrado, trimestre tras trimestre, con datos auditables.

Poisson: cuántos goles —o ventas— se pueden esperar

El segundo componente es la distribución de Poisson, un modelo estadístico que describe la frecuencia de eventos raros e independientes en un período de tiempo.

En fútbol: los goles de un partido siguen casi perfectamente una distribución de Poisson. Si históricamente un equipo anota un promedio de 1.7 goles contra rivales de nivel similar, Poisson permite calcular la probabilidad de que anote 0, 1, 2, 3 o más en un partido concreto. Lo mismo para el rival. Con eso se construye la distribución de resultados posibles de cualquier cruce antes de que se juegue.

En negocios, el mismo modelo aparece en escenarios muy concretos:

• ¿Cuántos tickets de soporte llegarán esta semana?
• ¿Cuántas devoluciones esperamos en un día de alta demanda?
• ¿Cuántos pedidos urgentes procesará el almacén en el turno nocturno?

Si tienes histórico, tienes distribución. Si tienes distribución, puedes planificar con lógica probabilística en lugar de suponer un número plano y rezar para que se cumpla.

10,000 simulaciones: pensar en escenarios, no en puntos únicos

Aquí es donde el modelo se vuelve especialmente poderoso. Con los ratings Elo y las distribuciones de Poisson definidos, el equipo simuló el torneo completo 10,000 veces: fase de grupos, octavos, cuartos, semis, final. En cada iteración los resultados varían conforme a las probabilidades calculadas para cada partido.

El resultado no es una predicción puntual —"Brasil va a ganar"— sino una distribución de probabilidades: Brasil gana en el 17% de las simulaciones, Francia en el 15%, Argentina en el 12%, y así con cada selección. No un ganador declarado, sino un mapa de riesgo con frecuencias reales.

Esto es una simulación de Monte Carlo. Y es exactamente lo que las empresas medianas deberían hacer —pero rara vez hacen— cuando planifican ventas, inventario, flujo de caja o expansión.

La mayoría de los planes de negocio en LATAM se construyen sobre un escenario único: el esperado. Algunas empresas más sofisticadas construyen tres: optimista, base y pesimista. Pero la simulación de Monte Carlo hace algo diferente: genera miles de versiones del futuro ponderadas por la probabilidad real de cada variable, y muestra el rango completo de resultados posibles con su frecuencia relativa. La diferencia entre suponer y cuantificar.

Lo que el modelo del Mundial tiene que ver con tu operación

Los métodos no cambian cuando cambias el contexto. Solo cambian los datos de entrada.

Si eres una distribuidora en Colombia con 40 rutas de despacho: Poisson puede ayudarte a anticipar cuántos pedidos urgentes llegarán por canal cada semana. Elo puede ayudarte a ranquear clientes por comportamiento histórico real —frecuencia de compra, cumplimiento de pago, variación de ticket— en lugar de intuición del equipo comercial.

Si estás proyectando inventario para el segundo semestre: un modelo determinístico te dice cuánto pedir. Una simulación de Monte Carlo te dice cuál es la probabilidad de quedarte corto, cuál es el costo esperado de ese riesgo, y qué nivel de stock minimiza la pérdida total esperada. No el promedio: el riesgo asimétrico.

Si estás evaluando una expansión a una nueva plaza en México o Argentina: Monte Carlo puede correr 10,000 versiones de tu modelo financiero con variaciones reales en ticket promedio, conversión, costos de adquisición y tiempo de maduración —y mostrarte no solo si el proyecto es rentable en promedio, sino qué tan probable es que quiebre en el peor escenario del cuartil inferior.

Estas no son herramientas reservadas para bancos de inversión o startups con equipos de doctorados. Son metodologías que hoy se implementan sobre los datos que ya existen en un ERP, un CRM o incluso en hojas de cálculo consolidadas correctamente.

El fútbol como espejo de la incertidumbre real

¿Quién va a ganar el Mundial 2026? El modelo señala que hay cuatro o cinco selecciones con probabilidades genuinas, y que una sorpresa —un equipo sin historial de campeonato llegando a la final— no es improbable sino estadísticamente esperable. La historia del torneo lo confirma.

Eso es exactamente lo que ocurre en los mercados donde operan las empresas medianas latinoamericanas: hay jugadores favoritos, pero los resultados reales se distribuyen de forma mucho más amplia de lo que los planes de negocio convencionales reconocen.

Trabajar con modelos probabilísticos no elimina la incertidumbre. La cuantifica. Y esa diferencia —entre no saber y saber cuánto no sé— es lo que separa a un gerente que reacciona del que anticipa.

El siguiente paso práctico

Si tu empresa tiene datos históricos pero todavía toma decisiones sobre supuestos planos o escenarios únicos, el problema no es la falta de información: es cómo está estructurado el análisis. La metodología existe, la tecnología es accesible y el diferencial está en aplicarla a tu operación específica.

En Xenturia trabajamos con empresas medianas en LATAM para convertir datos dispersos en modelos de decisión accionables. Si el modelo del Mundial te generó preguntas sobre tus propias proyecciones, vale la pena conversarlo.