La mayoría de los apostadores ignoran los mercados de córners. Los ven como aleatorios, como ruido de fondo del partido. Es un error enorme — y es exactamente lo que crea la ineficiencia que los modelos pueden explotar.
Los córners siguen patrones muy predecibles: el equipo que domina el territorio crea más, el que juega en bloque bajo crea menos, el estilo de juego de cada equipo es estable semana a semana. A diferencia de los goles, los córners no dependen de un momento de inspiración ni de un error de portero — dependen del patrón de juego, que es exactamente lo que los modelos de datos pueden cuantificar.
En AIBG PICKS llevamos 783 picks analizados con un ROI global del +5.82% y +48.63 unidades de profit. Los datos de córners forman parte de nuestro sistema de análisis de props — junto con tarjetas, tiros y marcadores exactos. Este artículo explica cómo funciona el modelado de córners, de cero.
¿Qué Genera un Córner?
Un córner se produce cuando el balón sale por la línea de fondo tocado por un defensor. Eso implica que el equipo atacante tuvo que llegar a la zona peligrosa, forzar una acción defensiva, y que el defensor eligió conceder el córner antes que peor. Hay tres grandes ingredientes:
⚽
TerritorIO y Posesión
Equipos con más posesión en campo contrario generan más ataques → más córners. El control del juego es el predictor más fuerte del volumen de saques de esquina propios.
🏹
Tiros al Arco
Un tiro que va al palo o que el portero para y despeja en largo no genera córner. Los tiros cruzados que obligan a desviar sí. El ángulo del disparo importa tanto como el número.
🧱
Bloque Defensivo Bajo
Los equipos que defienden muy atrás, cerca de su línea, conceden más córners — es estadísticamente el bloque más generoso en saques de esquina porque despeja dentro del área constantemente.
⚡
Ritmo del Partido
Los partidos muy abiertos (ambos equipos atacando) generan más córners en ambas porterías. Los partidos de control lento con pocas transiciones producen menos volumen total.
La clave es que estos cuatro factores son medibles y predecibles antes del partido. Las estadísticas históricas de cada equipo — córners generados por partido en casa, córners concedidos fuera — son estables en el tiempo. Eso los hace modelables.
El Modelo: Poisson Aplicado a Córners
Si ya leíste nuestro artículo sobre la distribución de Poisson y los goles (post del 22 de julio), reconocerás el método. Los córners siguen la misma lógica: son eventos discretos, independientes entre sí, y con una tasa media que puede estimarse.
Ejemplo concreto. Supón que estamos modelando un partido de Premier League:
Ejemplo — Premier League
Arsenal (local): promedia 6.8 córners por partido en casa · Wolves (visitante): concede 5.9 córners por partido fuera
Media Premier League: ~5.2 córners concedidos por partido
λ_Arsenal = (6.8 × 5.9) / 5.2 = 7.71 córners esperados
Wolves (visitante): promedia 3.9 córners fuera · Arsenal concede 4.1 en casa
λ_Wolves = (3.9 × 4.1) / 5.2 = 3.07 córners esperados
Total esperado del partido: 7.71 + 3.07 = 10.78 córners
Con λ_total = 10.78, aplicamos Poisson acumulada para estimar la probabilidad de superar cada línea. El resultado es una distribución completa de probabilidades sobre todas las líneas de Over/Under que ofrece el mercado.
Las Líneas: Cómo Leer el Mercado
Los bookmakers ofrecen distintas líneas de Over/Under para córners totales. Las más comunes son 8.5, 9.5, 10.5 y 11.5. También existe el hándicap de córners (Asian-style) donde se descuenta medio córner a uno de los equipos.
Con nuestro λ_total = 10.78 del ejemplo anterior, la tabla de probabilidades quedaría así:
| Línea | Prob. Over | Cuota Justa Over | Prob. Under | Cuota Justa Under |
|---|
| 8.5 | 74.3% | 1.35 | 25.7% | 3.89 |
| 9.5 | 62.1% | 1.61 | 37.9% | 2.64 |
| 10.5 | 49.4% | 2.02 | 50.6% | 1.98 |
| 11.5 | 37.2% | 2.69 | 62.8% | 1.59 |
Si el mercado ofrece Over 10.5 a cuota 2.15 cuando la justa es 2.02 — hay +6.4% de edge. Eso es valor. Si ofrece Over 10.5 a 1.88, la cuota está por debajo de la justa y no hay edge.
Regla práctica: La línea más líquida es 9.5 u 10.5 según la liga. La Premier League y La Liga tienen media ~10 córners por partido. La Bundesliga ~9.5. La Serie A ~9.1. Calibra siempre tu modelo con la media de la liga específica — no existe una media universal.
Factores que Ajustan el Modelo Base
El modelo Poisson básico es un buen punto de partida, pero cuatro factores concretos pueden desviarlo significativamente hacia arriba o hacia abajo:
🔼 Factores que Aumentan el Volumen
Factores Alcistas (suman córners)
Equipo local muy ofensivo: equipos como el City o el Barça en casa, que dominan la posesión en campo contrario, generan 7+ córners de media. Esto puede subir el total 1-2 unidades respecto a la media.
Visitante que defiende muy atrás: el "parking the bus" es uno de los mejores generadores de córners para el local. El visitante que no sale de su área da saques de esquina prácticamente en cada acción defensiva.
Partido urgente: si un equipo necesita ganar (eliminatoria, descenso, cabeza de grupo), abre el juego más — más ataques, más remates, más saques de esquina. Los partidos de 1-0 en el minuto 80 con el local necesitando empatar son una mina de córners finales.
🔽 Factores que Reducen el Volumen
Factores Bajistas (restan córners)
Partido muy físico: los partidos con muchas faltas detienen el juego constantemente. Las faltas cortan las jugadas antes de que lleguen a la zona de tiro — menos oportunidades de córner.
Terrenos de juego pesados: el barro o la lluvia intensa ralentizan el juego, reducen el ritmo de ataque y con él el número de córners. En ligas nórdicas o en épocas de otoño/invierno, ajusta a la baja.
Equipos muy verticales: los equipos que no toquetean sino que van directo al área en transición generan pocos córners — los remates son de primera intención y la mayoría salen fuera o los para el portero lejos de la línea de fondo.
Lo que Muestran los Datos de AIBG
Nuestro sistema de predicción incluye un módulo de props que calcula los córners esperados para cada equipo en función de su historial reciente (últimos 8 partidos, ponderados por rival), el estilo de juego del contrario, y los ajustes de local/visitante de la liga.
~10
Córners/partido — Media Premier League
~9.1
Córners/partido — Media Serie A
~9.5
Córners/partido — Media Bundesliga
En 94.000+ partidos de nuestra base de datos histórica, hemos comprobado que la desviación estándar de córners por partido es aproximadamente ±3.8 unidades. Eso significa que si el modelo dice 10 córners esperados, el resultado real cae entre 6 y 14 en el 68% de los partidos — y entre 2 y 18 en el 95%. Hay varianza, como en cualquier mercado.
Pero la clave no es predecir el número exacto. Es saber si la probabilidad que asigna el modelo a superar una línea es mayor que la que implica la cuota del bookmaker. Eso es lo que decide si hay edge.
Ejemplo Real: Córners + Cuota de Mercado
Aquí es donde el análisis se traduce en acción. No basta con estimar el λ — hay que cruzarlo con lo que ofrece el mercado. Veamos cómo funciona en la práctica:
Análisis Completo — Partido Tipo Premier League
🔢 Modelo λ_total10.78 córners esperados
📊 Prob. Over 10.549.4% (cuota justa: 2.02)
📊 Prob. Under 10.550.6% (cuota justa: 1.98)
💱 Cuota de mercado Over 10.52.15
🔥 Edge calculado+6.4% (valor en Over 10.5)
📌 Cuota mínima para apostar2.02
El partido tiene un total esperado de 10.78 córners. El mercado pone Over 10.5 a 2.15 cuando la cuota justa es 2.02 — hay 6.4% de edge. Si el bookmaker hubiera puesto esa línea a 1.90, no habría apuesta: la cuota estaría por debajo de la justa y apostaríamos contra el valor.
Regla de oro para córners: No apuestes si la cuota de mercado está por debajo de tu cuota justa calculada. El edge mínimo que justifica el riesgo en córners es del +5% — igual que en Over/Under de goles. Por debajo de eso, la varianza se come la ventaja antes de que el tamaño de muestra sea estadísticamente relevante.
Hándicap de Córners: El Mercado Avanzado
Además del Over/Under total, existe el hándicap asiático de córners. Funciona exactamente como el hándicap de goles que explicamos en nuestro post sobre el Hándicap Asiático: se resta o suma una cantidad al equipo que el modelo ve más fuerte en saques de esquina.
En el ejemplo anterior: Arsenal generaría ~7.71 córners y Wolves ~3.07. La diferencia proyectada es de 4.64 córners a favor de Arsenal. Si el mercado ofrece Arsenal -3.5 córners a cuota 1.90, hay que calcular la probabilidad de que Arsenal gane en saques de esquina por 4 o más. Con Poisson, eso es una probabilidad acumulada de la diferencia de dos distribuciones de Poisson — cálculo más complejo pero muy manejable.
El hándicap de córners es especialmente útil cuando hay una asimetría clara de estilos: un equipo dominador de posesión contra uno que defiende en bloque. En esos partidos, el local suele generar el doble de córners que el visitante, y el mercado a veces subestima esa brecha.
Tip Práctico: Lo que Hay que Mirar Antes del Partido
Si quieres incorporar análisis de córners a tu metodología, aquí van los cinco datos que debes buscar para cada partido:
Checklist Pre-Partido — Córners
1. Córners generados por partido (local en casa, visitante fuera). Últimas 6-8 jornadas. Si el local genera 7+ en casa consistentemente, el total proyectado sube.
2. Córners concedidos por partido (misma muestra). Un equipo que concede 6+ fuera es un regalo para el local atacante.
3. Estilo de juego del visitante. ¿Bloque bajo o presión alta? El bloque bajo es el mayor multiplicador de córners del local.
4. Contexto del partido. ¿Hay urgencia para algún equipo? El equipo que necesita remontar abre el juego y genera más córners en la segunda parte.
5. Media de la liga. Ajusta siempre la cuota justa a la media específica de la liga — una línea de 9.5 es más fácil de superar en Premier League (media 10.0) que en Serie A (media 9.1).
¿Quieres Ver Nuestros Análisis de Props en Vivo?
En AIBG PICKS analizamos córners, tarjetas, tiros y marcadores exactos para cada partido relevante. Modelo propio entrenado en 94.000+ partidos. Únete al canal — gratis.
Volver al Blog
Most bettors ignore corners markets. They see them as random noise from the match. That's a massive mistake — and it's precisely what creates the inefficiency that models can exploit.
Corners follow highly predictable patterns: the team dominating territory creates more, the team sitting in a low block creates fewer, and each team's playing style is stable week to week. Unlike goals, corners don't depend on a moment of inspiration or a goalkeeper error — they depend on the pattern of play, which is exactly what data models can quantify.
At AIBG PICKS we've analysed 783 picks with a global ROI of +5.82% and +48.63 units of profit. Corners data feeds our props analysis system — alongside cards, shots, and exact scores. This article explains how corners modelling works, from scratch.
What Generates a Corner?
A corner occurs when the ball goes out over the goal line last touched by a defender. That means the attacking team had to reach the danger zone, force a defensive action, and the defender chose to concede a corner rather than something worse. There are three main ingredients:
⚽
Territory & Possession
Teams with more possession in the opponent's half generate more attacks → more corners. Territorial control is the strongest predictor of corner volume for your own team.
🏹
Shots on Goal
A shot that hits the post or is punched away long doesn't produce a corner. Shots across goal that force defenders to divert do. The angle of the shot matters as much as the count.
🧱
Deep Defensive Block
Teams that defend very deep, near their own line, concede more corners — statistically the most generous defensive shape for set pieces because they're constantly clearing from inside the box.
⚡
Match Tempo
Very open matches (both teams attacking) generate more corners at both ends. Slow-control games with few transitions produce lower total volume.
The key insight is that these four factors are measurable and predictable before the match. Historical stats per team — corners generated per game at home, corners conceded per game away — are stable over time. That makes them modellable.
The Model: Poisson Applied to Corners
If you've read our piece on the Poisson distribution and goals (post from July 22), you'll recognise the method. Corners follow the same logic: they're discrete events, independent of each other, with a mean rate that can be estimated.
A concrete example. Say we're modelling a Premier League match:
Example — Premier League
Arsenal (home): averages 6.8 corners per game at home · Wolves (away): concedes 5.9 corners per game away
Premier League average: ~5.2 corners conceded per game
λ_Arsenal = (6.8 × 5.9) / 5.2 = 7.71 expected corners
Wolves (away): averages 3.9 corners away · Arsenal concedes 4.1 at home
λ_Wolves = (3.9 × 4.1) / 5.2 = 3.07 expected corners
Total match expected: 7.71 + 3.07 = 10.78 corners
With λ_total = 10.78, we apply cumulative Poisson to estimate the probability of exceeding each line. The result is a full probability distribution over all Over/Under lines the market offers.
The Lines: How to Read the Market
Bookmakers offer different Over/Under lines for total corners. The most common are 8.5, 9.5, 10.5, and 11.5. There's also an Asian-style corner handicap where one team's total is discounted by half a corner.
Using our λ_total = 10.78 from the example above, the probability table would look like this:
| Line | Prob. Over | Fair Odds Over | Prob. Under | Fair Odds Under |
|---|
| 8.5 | 74.3% | 1.35 | 25.7% | 3.89 |
| 9.5 | 62.1% | 1.61 | 37.9% | 2.64 |
| 10.5 | 49.4% | 2.02 | 50.6% | 1.98 |
| 11.5 | 37.2% | 2.69 | 62.8% | 1.59 |
If the market offers Over 10.5 at odds 2.15 when the fair price is 2.02 — there's +6.4% edge. That's value. If it offers Over 10.5 at 1.88, the odds are below fair and there's no edge.
Practical rule: The most liquid line is usually 9.5 or 10.5 depending on the league. The Premier League and La Liga average ~10 corners per game. The Bundesliga ~9.5. Serie A ~9.1. Always calibrate your model to the specific league average — there's no universal number.
Factors That Adjust the Base Model
The basic Poisson model is a good starting point, but four specific factors can shift it significantly up or down:
🔼 Bullish Factors (add corners)
Factors That Increase Volume
Very attacking home team: teams like Man City or Barcelona at home, who dominate possession in the opponent's half, average 7+ corners. This can push the total 1-2 units above the league average.
Visitor sitting very deep: "parking the bus" is one of the best generators of corners for the home team. A visiting side that never leaves its own box gives away set pieces on almost every defensive action.
Urgent match context: if a team needs to win (knockout, relegation, top-of-group), they open the game more — more attacks, more shots, more corners. Matches at 1-0 in the 80th minute with the home side needing an equaliser are a goldmine for late corners.
🔽 Bearish Factors (remove corners)
Factors That Reduce Volume
Very physical match: games with lots of fouls stop play constantly. Fouls cut moves short before they reach the shooting zone — fewer opportunities for corners.
Heavy pitches: mud or heavy rain slows the game down, reducing the pace of attack and with it the number of corners. In Nordic leagues or autumn/winter periods, adjust downward.
Very direct teams: teams that bypass build-up and go straight into the box on transitions generate few corners — shots are first-time attempts and most go wide or are caught by the keeper well off the goal line.
What AIBG Data Shows
Our prediction system includes a props module that calculates expected corners for each team based on recent history (last 8 games, weighted by opponent strength), the opponent's playing style, and home/away adjustments for the specific league.
~10
Corners/game — Premier League avg
~9.1
Corners/game — Serie A avg
~9.5
Corners/game — Bundesliga avg
Across 94,000+ games in our historical database, we've verified that the standard deviation of corners per game is approximately ±3.8 units. That means if the model projects 10 corners, the real result lands between 6 and 14 in 68% of games — and between 2 and 18 in 95%. There is variance, as in any market.
But the goal isn't to predict the exact number. It's to know whether the probability your model assigns to exceeding a line is higher than what the bookmaker's odds imply. That's what determines whether there's edge.
Real Example: Corners + Market Odds
This is where analysis translates into action. Estimating λ isn't enough — you need to cross it against what the market is offering. Here's how it works in practice:
Full Analysis — Typical Premier League Match
🔢 Model λ_total10.78 expected corners
📊 Prob. Over 10.549.4% (fair odds: 2.02)
📊 Prob. Under 10.550.6% (fair odds: 1.98)
💱 Market odds Over 10.52.15
🔥 Calculated edge+6.4% (value on Over 10.5)
📌 Minimum odds to bet2.02
The match has a projected total of 10.78 corners. The market puts Over 10.5 at 2.15 when the fair price is 2.02 — that's 6.4% edge. If the bookmaker had priced it at 1.90, there would be no bet: odds below fair means you're betting against value.
Golden rule for corners: Don't bet if the market odds are below your calculated fair odds. The minimum edge that justifies risk in corners is +5% — same threshold as goals Over/Under. Below that, variance eats the advantage before the sample size becomes statistically meaningful.
Corner Handicap: The Advanced Market
Beyond total Over/Under, there's the Asian corner handicap. It works exactly like the goal handicap we covered in our Asian Handicap post: an amount is subtracted from or added to the team the model sees as stronger in set pieces.
In the example above: Arsenal would generate ~7.71 corners and Wolves ~3.07. The projected difference is 4.64 corners in Arsenal's favour. If the market offers Arsenal -3.5 corners at odds 1.90, you need to calculate the probability of Arsenal winning the corner count by 4 or more. With Poisson, that's a cumulative probability from the difference of two Poisson distributions — more complex but very manageable.
Corner handicaps are especially useful when there's a clear stylistic asymmetry: a possession-dominant team against one that defends in a block. In those games, the home side typically generates twice as many corners as the visitor, and the market sometimes underestimates that gap.
Practical Tip: What to Check Before the Match
If you want to incorporate corner analysis into your method, here are the five data points to find for every match:
Pre-Match Checklist — Corners
1. Corners generated per game (home team at home, away team away). Last 6-8 matchdays. If the home side consistently generates 7+ at home, the projected total goes up.
2. Corners conceded per game (same sample). A team that concedes 6+ away is a gift for the home attacker.
3. Visitor's playing style. Low block or high press? The low block is the biggest multiplier of home corners.
4. Match context. Is any team under pressure to score? The team needing to come back opens the game and generates more corners in the second half.
5. League average. Always calibrate your fair odds to the specific league average — a 9.5 line is easier to beat in the Premier League (avg 10.0) than in Serie A (avg 9.1).
Want to See Our Live Props Analysis?
At AIBG PICKS we analyse corners, cards, shots, and exact scores for every relevant match. Our own model trained on 94,000+ games. Join the channel — free.
Back to Blog