Track record auditable.

Halle se juega sobre césped, superficie donde Zverev (rank #3) tiene ventaja estructural frente a un Hanfmann (#102) cuyo mejor tenis siempre estuvo en tierra batida. La brecha de 99 puestos en el ranking y la forma reciente (+1.3) sostienen el 95% del modelo, aunque el dato de surface no llegó cargado, así que mantengo cierta cautela. La amenaza real es un Zverev que históricamente ha tenido tropiezos en grass contra alemanes locales con saque potente —Hanfmann encaja parcialmente en ese perfil—, pero la diferencia de nivel es demasiado amplia. Ajuste leve a la baja por el cap prudencial y el dato faltante de superficie. Stats clave: Zverev rank #3 vs Hanfmann rank #102 (diff +99) · Prob modelo 95% Zverev · Forma reciente +1.3 a favor de Zverev · Torneo en Halle (césped), superficie favorable a Zverev

Paul (#20) llega como claro favorito ante Van de Zandschulp (#75), con una diferencia de ranking de 55 puestos que el modelo traduce en 95% de probabilidad. La sede en Londres sugiere césped, superficie donde Paul ha mostrado mejor adaptación en los últimos años que el neerlandés, aunque la surface no fue confirmada en el input. Sin señales contextuales en 96h y con advertencia de surface no provista, recorto la base de 85 a 80 para no inflar sobre datos incompletos. La amenaza principal es el saque plano de Van de Zandschulp en pista rápida, capaz de forzar tiebreaks si Paul no rompe temprano. Stats clave: Rank Paul #20 vs Van de Zandschulp #75 (diff +55) · Probabilidad match_winner modelo: 95% · Form_adj +0.008 a favor de Paul · Surface no confirmada — ajuste por superficie no aplicado

Davidovich Fokina llega como #14 ATP frente a un Moutet #32, con una diferencia de 18 puestos que sostiene la lectura del modelo (94.1% al español). La sede en London en junio sugiere césped (probablemente Queen's), pero el dato de surface no fue provisto, así que ajusto a la baja desde la base 85. Sin señales contextuales en 96h, mantengo el favoritismo pero con cautela: Moutet es un jugador zurdo y errático que históricamente complica a favoritos con su variedad, y el césped acorta los puntos y aumenta varianza. Cierro en 80. Stats clave: Davidovich Fokina rank #14 vs Moutet rank #32 · Rank diff -18 favorece al español · Prob base del modelo 94.1% · Surface no confirmada (probable césped, no ajustado)

Shelton (ATP #8) llega como favorito amplio frente a Quinn (#76) en el ATP 500 de Halle, sobre hierba —superficie que premia el saque grande del estadounidense zurdo, una de sus mejores armas. El modelo le asigna 95% por diferencia de ranking (+68) y leve ventaja de forma reciente; sin contexto adverso en 96h, el número se sostiene. La amenaza es doble: la superficie no fue ponderada explícitamente por el modelo (warning de datos) y Quinn también tiene perfil servidor que en hierba puede forzar tie-breaks impredecibles. Ajusto base 85 → 80 para reflejar esa varianza propia de la hierba y la falta de ajuste por surface. Stats clave: Shelton rank ATP #8 vs Quinn #76 (diff +68) · Probabilidad modelo: 95% Shelton · Forma reciente favorable a Shelton (+1.6) · Superficie hierba (Halle) no incorporada al modelo — warning

El torneo de Halle se juega en césped, superficie donde Fritz es un especialista consolidado —top 10 ATP (rank #9) y finalista reciente en Stuttgart, también sobre hierba, lo que confirma su nivel en la transición de gira. El modelo le da 95% al estadounidense con un diferencial de ranking de 44 puestos frente a Marozsán (#53), y el H2H 2-0 a favor de Fritz refuerza la lectura. Ajusto base 85 a 82 por dos motivos: la ausencia de ajuste explícito de surface en el modelo (Halle suele neutralizar parcialmente la diferencia de ranking por lo rápido del bote) y el riesgo de carga mental tras la final perdida en Stuttgart. La amenaza real es el juego ortodoxo de Marozsán con slice y variaciones, que puede incomodar en sets cortos, pero no alcanza para revertir la jerarquía. Stats clave: Fritz rank ATP #9 vs Marozsán #53 (diff -44) · H2H 2-0 a favor de Fritz · Prob modelo Fritz 95% · Fritz finalista reciente en Stuttgart (césped)

El modelo marca una brecha amplia: Cerúndolo está #21 contra el #49 de Brooksby, con un 95% de probabilidad base. La sede en Londres sugiere césped, superficie no provista en el input, lo que abre un margen de incertidumbre relevante: Cerúndolo es históricamente más sólido en tierra y duras, y Brooksby tiene antecedentes competitivos sobre grass. Sin contexto de 96h ni ajuste por superficie aplicado, recorto del 85 base a 78 para reflejar esa ambigüedad. Mantengo el pick por la diferencia de ranking, pero sin inflar la confianza. Stats clave: Cerúndolo ranking ATP #21 vs Brooksby #49 (diff -28) · Probabilidad del modelo 95% a favor de Cerúndolo · Forma reciente ligeramente negativa (form_adj -0.02) · Surface no provista — sin ajuste cuantitativo, posible césped en Londres

Halle se juega sobre césped, superficie donde Medvedev ha mostrado solidez en los últimos años pese a no ser su mejor terreno; aun así, la brecha de ranking es contundente (#13 vs #62) y el modelo le asigna 95% a Medvedev. Atmane es un jugador con saque que puede incomodar en grass, lo que introduce algo más de varianza que en otras superficies y justifica no subir al tope. Sin señales contextuales en 96h, mantengo la base con un leve recorte por la advertencia de surface no incorporada al cálculo. Stats clave: Medvedev rank #13 vs Atmane #62 (diff -49) · Probabilidad modelo: 95% Medvedev · Superficie del torneo: césped (Halle), no incorporada al ajuste · Forma reciente ligeramente negativa (-1.5) ya incluida en la base

Partido en Londres a mediados de junio sugiere fuertemente césped (gira previa a Wimbledon, posiblemente Queen's), aunque la surface no fue confirmada explícitamente en el input. De Minaur (rank #6) llega con una diferencia de 17 puestos sobre Shapovalov (#23) y mejor forma reciente, lo que el modelo traduce en 93.2% base. Ajusto a la baja desde 85 a 80 por la incertidumbre de surface no confirmada y porque Shapovalov, cuando está fino, es históricamente más peligroso en césped que su ranking sugiere —su saque zurdo puede comprimir intercambios. Sin señales contextuales en 96h que muevan más la aguja. Stats clave: Rank ATP: de Minaur #6 vs Shapovalov #23 (diff +17) · Probabilidad modelo: 93.2% para de Minaur · Form adjustment +1.1% a favor del australiano · Surface no confirmada — riesgo de césped favorece estilísticamente a Shapovalov más que el ranking

Tiafoe (ATP #30) llega como favorito amplio frente a Shimabukuro (#147), con una diferencia de ranking de 117 puestos que el modelo traduce en 95% de probabilidad. El torneo se juega en Halle, sobre césped, superficie donde el estadounidense tiene más recorrido en circuito principal que un rival que opera mayormente en Challengers. La amenaza es típica de pasto: un set parejo con saque de Shimabukuro funcionando puede meter ruido, y al no haber dato de surface confirmado en el modelo prefiero recortar levemente. Sin señales contextuales nuevas en 96h, ajusto de 85 a 82 por la advertencia de surface no aplicado. Stats clave: Tiafoe ATP #30 vs Shimabukuro #147 (diff +117) · Probabilidad modelo: 95% Tiafoe · Forma reciente +2.3 a favor de Tiafoe · Torneo en Halle (césped), terreno favorable a jugador top-50 con experiencia ATP

Shelton llega como top 10 (rank #8) frente a Sonego (#39) en arranque de gira de césped en Halle, superficie donde el saque grande del estadounidense es un arma diferencial. El modelo le asigna 95% por la diferencia de ranking (+31) y forma reciente ligeramente a favor, pero ajusto a la baja porque la superficie no fue confirmada en los datos y el césped tiende a comprimir diferencias por la varianza del saque. Sonego es un jugador sólido de primera ronda capaz de robar un set, aunque no suele inquietar a top 10 en superficies rápidas. Sin contexto reciente que altere el cuadro, me quedo cerca de la base pero recortando por la advertencia de surface. Stats clave: Shelton rank ATP #8 vs Sonego #39 (diff +31) · Probabilidad base del modelo: 95% · Ajuste de forma +1.6 a favor de Shelton · Superficie no confirmada (Halle es césped, históricamente alta varianza)

Nakashima (#33 ATP) parte como amplio favorito frente a Buse (#100), con una diferencia de 67 puestos que el modelo traduce en 95% de probabilidad. La sede en Londres sugiere césped, superficie donde el estadounidense suele rendir mejor que el peruano —Buse es jugador de formación en tierra batida y tiene muestra mínima en hierba a nivel ATP. El dato faltante de surface obliga a no inflar y la amenaza real es el ruido propio de la hierba (sets cortos, un break decide). Bajo el cap base 85 a 80 por la advertencia de datos sin contexto reciente que respalde mantener el techo. Stats clave: Ranking ATP: Nakashima #33 vs Buse #100 · Rank diff +67 a favor de Nakashima · Probabilidad del modelo: 95% Nakashima · Sede Londres (hierba probable), superficie poco explorada por Buse

Halle se juega sobre césped, superficie donde Fritz (rank 9) ha mostrado solvencia consistente y supera por amplio margen el perfil de Bergs (rank 42), un jugador más cómodo en pista dura y arcilla. El modelo asigna 95% al estadounidense por la diferencia de ranking de 33 posiciones; sin datos de surface incorporados y sin información contextual en las últimas 96h, prefiero recortar levemente desde la base 85 a 82 porque grass es la superficie con mayor varianza del calendario y Bergs ya ha dado sorpresas puntuales en Round 1. La amenaza concreta es un saque caliente del belga en sets cortos. Sin señal médica ni de fatiga, mantengo el pick al favorito con margen prudente. Stats clave: Fritz rank ATP 9 vs Bergs rank 42 · Diferencial de ranking -33 a favor de Fritz · Probabilidad del modelo 95% para Fritz · Surface no confirmada en el input (asumido grass por sede en Halle)

Humbert llega como claro favorito por ranking (#36 vs #70 de Cilic), con una diferencia de 34 posiciones que el modelo traduce en 95% de probabilidad. La sede londinense sugiere césped —superficie histórica fuerte de Cilic (finalista de Wimbledon 2017, campeón Queen's 2018)— pero el croata viene arrastrando un declive marcado post-lesión de rodilla y a sus 37 años ya no sostiene el nivel de servicio que lo hacía letal en hierba. Sin contexto reciente disponible (partido a más de dos años vista) y sin confirmación de surface, ajusto la base 85 a la baja por prudencia: el upset de Cilic en césped es escenario realista si recupera forma. Mantengo el pick pero con confianza moderada. Stats clave: Humbert ranking #36 vs Cilic #70 · Rank diff +34 a favor de Humbert · Probabilidad modelo 95% · Surface no confirmada (sede London sugiere césped, terreno histórico de Cilic)

Halle se juega sobre hierba, superficie donde Medvedev (rank #13) ha mostrado mejor rendimiento histórico que Etcheverry (rank #57), un jugador formado en clay sudamericano y con escasa adaptación a pasto. El modelo asigna 95% al ruso por una diferencia de ranking de -44, y sin señales contextuales relevantes en las últimas 96h mantengo la lectura cuantitativa. Ajusto levemente a la baja desde 85 por la falta de confirmación de surface en el feed y la varianza inherente de un R1 sobre hierba, donde los servidores agresivos pueden complicar incluso a top-15. La amenaza principal es un Medvedev sin ritmo en el arranque de la gira de césped. Stats clave: Medvedev rank #13 vs Etcheverry rank #57 (diff -44) · Probabilidad modelo: 95% Medvedev · Halle se disputa sobre hierba, superficie débil del argentino · Sin señales de lesión o fatiga en 96h previas

De Minaur (rank #6) llega con un diferencial de 34 puestos sobre Diallo (#40) en lo que sería una primera ronda sobre césped en Londres —superficie no confirmada en el feed, lo cual obliga a moderar—. El modelo le asigna 95% al australiano apoyado en ranking y leve forma reciente (+1.6), pero el céspued tiende a comprimir diferencias por el servicio grande de Diallo (1.98m, uno de los mejores % de aces del circuito en surface rápida). Sin contexto de últimas 96h y sin ajuste de superficie aplicado, recorto la base de 85 a 78 para reflejar esa incertidumbre estructural. Amenaza clara: un set apretado decidido en tiebreak puede dar vida al canadiense. Stats clave: De Minaur rank ATP #6 vs Diallo #40 (diff +34) · Probabilidad base del modelo 95% a De Minaur · Forma reciente ajustada +1.6 a favor del australiano · Surface no confirmada — ajuste por superficie no aplicado

Halle se juega sobre césped, superficie donde Zverev (rank #3) ya tiene rodaje de circuito top y enfrenta a un Kopriva (#101) cuyo terreno natural es la tierra batida, no el pasto. La diferencia de 98 puestos en ranking y la forma reciente del alemán (+1.1 ajuste de forma) explican el 95% del modelo, un escenario de gap clarísimo en R1. Sin señales contextuales en 96h, no toco la base más allá de un leve recorte por la advertencia de surface no confirmada en el feed. La amenaza es baja, pero Zverev arrastra históricamente arranques irregulares en hierba, por lo que mantengo margen. Stats clave: Zverev rank #3 vs Kopriva rank #101 (diff +98) · Probabilidad modelo 95% a favor de Zverev · Ajuste de forma +1.1 favorable a Zverev · Sede Halle (césped), superficie incómoda para perfil de Kopriva

El modelo marca 95% para Nakashima por diferencia de ranking (33 vs 54) y forma reciente, pero la advertencia de surface no provista pesa: este es el primer cruce entre ambos sobre césped y el H2H 1-1 se dio en cancha dura. Fucsovics llega con rodaje previo sobre hierba la semana pasada (incluyendo una victoria), mientras Nakashima aún no compitió en la superficie en 2026 y carga presión defendiendo puntos de cuartos del año pasado. El antecedente de lesión de hombro de Fucsovics en abril genera dudas sobre su tope físico, pero ya volvió a competir. Ajusto la base de 85 hacia abajo a 78 por la ventaja de adaptación del húngaro y la incertidumbre de superficie. Stats clave: Ranking: Nakashima #33 vs Fucsovics #54 (diff +21) · H2H 1-1, ambos en cancha dura — primer choque en césped · Fucsovics con partidos recientes sobre hierba la semana previa · Nakashima sin jugar sobre césped en 2026 · Fucsovics se retiró por lesión de hombro en abril 2026

Sobre césped en Halle, Bellucci (ATP 73) parte como claro favorito ante Bolt (ATP 169), con una diferencia de ranking de +96 que el modelo traduce en 95% de probabilidad. El italiano llega con ritmo competitivo tras alcanzar cuartos en Stuttgart la semana pasada (también sobre hierba), lo que indica adaptación a la superficie. El contexto añade fricción: se enfrentaron el 2 de junio y la carga de revancha es real, además el dato de surface no fue confirmado por el modelo. Ajusto la base de 85 a 80 por esa incertidumbre y por el desgaste físico acumulado de Bellucci tras una semana larga en Stuttgart. Stats clave: Bellucci ATP 73 vs Bolt ATP 169 (diff +96) · Probabilidad modelo: 95% Bellucci · Bellucci viene de cuartos en Stuttgart sobre hierba · H2H reciente: se enfrentaron el 2 de junio de 2026 · Surface no confirmada por el feed del modelo

El modelo da 72% a Collignon apoyado en una diferencia mínima de ranking (84 vs 90) y una leve ventaja de forma reciente en 2026. El contexto refuerza parcialmente: Bautista Agut, a sus 38 años, arrastra molestias de rodilla, viene de un retiro en abril y registra apenas 33% de victorias esta temporada. La amenaza relevante es la superficie —se juega sobre césped en Halle y Collignon prácticamente no tiene rodaje profesional en esta superficie, mientras que RBA históricamente se mueve bien sobre hierba—. Ajusto a la baja de 72 a 68 por la incógnita de superficie no incorporada al modelo (advertencia de datos). Stats clave: Rank ATP: Collignon #84 vs Bautista Agut #90 · Forma 2026 favorable a Collignon (ajuste +1.7) · Bautista Agut con ~33% de victorias en 2026 · RBA retirado de un partido en abril 2026 por molestias · Collignon sin experiencia profesional relevante en césped

El modelo asigna 84.1% al spread +1.5 de Dodgers, sustentado en un Pythagorean win% de 0.696 vs 0.459 de Baltimore y una diferencia esperada de 2.5 carreras a favor del local. Sin contexto adicional de últimas 96h (abridores, bullpen, clima), mantengo la base en 78 pero la recorto a 74 por el cap de varianza inherente a MLB y porque no puedo verificar matchup de pitcheo. Es la exposición más limpia al edge del modelo en este partido. Stats clave: Prob modelo run line +1.5: 84.1% · Pythagorean Dodgers 0.696 vs Orioles 0.459 · Diferencia esperada: 2.5 carreras · Carreras esperadas 5.97 vs 3.47

Los Pirates llegan como favoritos discretos según Pythagorean (0.517 vs 0.395 de Colorado) y la diferencia esperada de -1.53 carreras a favor del visitante se mueve cómoda dentro del colchón del +1.5. En Coors el sigma del margen es amplio (σ=4) por la varianza propia del parque, pero esa misma volatilidad juega a favor del underdog del run line cuando ya parte con ventaja proyectada. El modelo asigna 77.6% y sin contexto contrario en 96h no hay razón para mover la base. Mantengo cerca del piso del cap (78) reconociendo el riesgo inherente de Coors a explosiones ofensivas que disparen el marcador en cualquier dirección. Stats clave: Diferencia esperada -1.53 a favor de Pittsburgh · Pyth Pirates 0.517 vs Rockies 0.395 · Probabilidad modelo run line +1.5: 77.6% · Carreras esperadas: 6.5 PIT vs 4.97 COL

El modelo muestra un partido prácticamente parejo: diferencia esperada de apenas 0.15 carreras a favor de Angels y Pythagorean casi idéntico (0.450 vs 0.436). En ese escenario de margen ajustado, el +1.5 del visitante captura tanto la victoria directa como la derrota por una carrera, lo que el modelo cuantifica en 66%. Sin contexto externo de últimas 96h (abridores, bullpen, clima en Sutter Health) mantengo la base sin ajuste. El riesgo está en una eventual paliza local, escenario que el modelo considera minoritario dado el σ=4 sobre una diferencia casi nula. Stats clave: Diferencia esperada: -0.15 a favor de Angels · Pyth Angels 0.450 vs Pyth Athletics 0.436 · Prob modelo run line +1.5 Angels: 66.0% · Total esperado 10.29 con σ=3.5 (juego competitivo)

El modelo da 67.9% al +1.5 de Cleveland apoyado en una diferencia esperada de apenas -0.36 carreras y Pythagorean casi parejo (0.486 vs 0.449). El contexto matiza en ambos sentidos: Cleveland pierde a José Ramírez, Angel Martínez y DeLauter, lo que recorta su techo ofensivo, pero los Astros también arrastran bajas relevantes en rotación (McCullers, Javier) y Arrighetti permitió 3+ carreras en sus últimas tres salidas. Con margen de 1.5 carreras y σ=4, el cushion absorbe la merma ofensiva visitante. Mantengo 68% — sin convergencia adicional que justifique subir, y el cap de varianza MLB aconseja no estirar. Stats clave: Diferencia esperada -0.36 carreras · Pyth away 0.486 vs home 0.449 · Arrighetti permitió 3+ carreras en últimas 3 salidas · Total esperado 8.59 (juego cerrado proyectado)

El modelo da 66.7% al Brewers +1.5 apoyado en una diferencia esperada mínima de -0.22 carreras y un Pythagorean prácticamente empatado (Atlanta 0.642 vs Milwaukee 0.664), lo que vuelve muy improbable un blowout local. Con σ=4 en la distribución del margen, cubrir +1.5 al equipo levemente favorito por proyección ofensiva (4.34 vs 4.12) es la zona más densa de la curva. Sin contexto de últimas 96h (abridores, bullpen) mantengo la base sin ajuste. Riesgo: Truist suele jugar neutral-hitter y un mal matchup de pitching podría inclinar la diferencia, pero el colchón de 1.5 absorbe la mayoría de escenarios. Stats clave: Diferencia esperada: -0.22 carreras · Pyth Milwaukee 0.664 vs Atlanta 0.642 · Prob modelo Brewers +1.5: 66.7% · Carreras esperadas visitante 4.34 vs local 4.12

El modelo proyecta un partido prácticamente parejo (diferencia esperada de apenas 0.11 carreras a favor de Washington, con Pythagorean 0.517 vs 0.507). En un escenario tan cerrado, el run line +1.5 al visitante captura tanto la victoria directa como cualquier derrota por una sola carrera, lo que el modelo cuantifica en 65.7%. Sin contexto reciente disponible (abridores, bullpen, clima en domo del Trop es neutro), mantengo la base sin ajuste cualitativo. La incertidumbre real está en no conocer la rotación confirmada, pero el colchón de 1.5 carreras absorbe buena parte de ese riesgo. Stats clave: Diferencia esperada -0.11 carreras (partido virtualmente parejo) · Pythagorean Washington 0.517 vs Tampa 0.507 · Probabilidad modelo run line +1.5 Nationals: 65.7% · Carreras esperadas: 5.16 TB vs 5.27 WAS

El modelo asigna 69.7% al +1.5 de Miami como local, sostenido por un Pythagorean prácticamente parejo (0.493 vs 0.433) y una diferencia esperada de apenas 0.57 carreras. En partidos tan ajustados, el colchón de 1.5 en loanDepot park —parque históricamente pitcher-friendly que comprime márgenes— suele ser el mercado más sólido. Sin información de abridores ni bullpen en las últimas 96h, mantengo la base sin ajuste y respeto la varianza inherente del deporte. Stats clave: Probabilidad modelo run line: 69.7% · Diferencia esperada: 0.57 carreras a favor de Miami · Pythagorean: 0.493 Miami vs 0.433 SF · Total esperado contenido: 8.74 en parque pitcher-friendly

La contracara del partido cerrado: con diferencia esperada de solo 0.3 carreras a favor del local, Toronto cubre el +1.5 en 61.8% de los escenarios simulados. Los Pythagorean casi idénticos (0.512 vs 0.479) confirman que no hay un favorito claro y que un escenario de derrota por más de 1 carrera es minoritario. Sin información de abridores ni clima en Wrigley para ajustar, dejo la confianza en la base. La advertencia estándar: Wrigley con viento a favor puede transformar el juego en un slugfest donde las run lines pierden valor predictivo. Stats clave: Probabilidad modelo Blue Jays +1.5: 61.8% · Diferencia esperada: solo 0.3 carreras · Pythagorean prácticamente empatado (0.512 vs 0.479) · Prob moneyline visitante: 46.3% (partido competitivo)

El espejo del pick anterior: con diferencia esperada de 0.04 y carreras esperadas casi idénticas (3.48 vs 3.45), el visitante también tiene cobertura natural en el +1.5. La probabilidad del modelo (64.3%) refleja que un partido tan parejo rara vez se decide por más de una carrera. Sin factores contextuales en 96h no aplico ajuste; el riesgo es que un blowout poco probable rompa la cobertura, pero la simetría estadística justifica publicarlo. Stats clave: Probabilidad modelo run line: 64.3% · Carreras esperadas SD: 3.45 · Diferencia esperada: 0.04 · Pyth away 0.486 (equipo competitivo)

El modelo proyecta a Dodgers con Pythagorean 0.697 contra 0.456 de Baltimore y una diferencia esperada de 2.55 carreras a favor del local, lo que coloca el +1.5 en 84.4% de probabilidad. Sin contexto reciente disponible (rotación, bullpen, lesiones), evito empujar la línea principal y prefiero la cobertura del run line, que aguanta incluso un escenario de derrota ajustada. Mantengo cerca del base 78 pero recorto a 76 por la ausencia de confirmación de abridores, factor crítico en MLB. Stats clave: Prob modelo Dodgers +1.5: 84.4% · Pythagorean Dodgers 0.697 vs Orioles 0.456 · Diferencia esperada +2.55 a favor del local · Carreras esperadas 6.01 vs 3.46

Dodgers como local con ventaja clara en Pythagorean (0.697 vs 0.456) y un run differential proyectado de +2.55 sostienen un moneyline en 62.3%. Sin información contextual de las últimas 96h sobre abridores ni bullpen, no tengo elemento para ajustar al alza. Mantengo en el base 62: hay valor estructural, pero MLB castiga la overconfidence en moneyline sin confirmar el matchup de pitchers. Stats clave: Prob modelo moneyline Dodgers: 62.3% · Pythagorean home 0.697 · Carreras esperadas locales 6.01 · Diferencia esperada +2.55

El espejo del pick anterior y por la misma razón estructural: con carreras esperadas de 4.73 vs 4.74 y sigma de 4, el local cubre el +1.5 en 64.5% de las simulaciones. Chase Field históricamente favorece ofensivas pero el modelo ya integra los run totals esperados. Sin información de abridor confirmado ni estado de bullpen no aplico ajuste contextual; el valor está puramente en la varianza estrecha del margen. Stats clave: ERT local 4.73 vs visitante 4.74 · Pyth local 0.462 · Prob modelo 64.5% · Total esperado 9.47

Partido muy parejo según el modelo: Pythagorean prácticamente idénticos (0.458 visita vs 0.445 local) y diferencia esperada de apenas -0.15 carreras a favor de Angels. En ese escenario el run line +1.5 al visitante captura tanto la victoria directa como las derrotas por una carrera, que con margin σ=4 son el desenlace modal. Sin contexto reciente disponible (abridores, bullpen, clima en Sutter Health Park) mantengo la base en 66% sin ajuste cualitativo. Riesgo principal: una paliza local sin información para descartarla. Stats clave: Diferencia esperada -0.15 a favor de Angels · Pyth Angels 0.458 vs Athletics 0.445 · Probabilidad modelo run line +1.5 = 66.0% · margin_sigma 4 (alta varianza en margen)

Cardinals llegan con mejor perfil ofensivo y defensivo (4.81 carreras esperadas vs 3.86 de Royals, Pythagorean 0.524 vs 0.423), lo que les da el rol de favorito moderado en visita. El run line +1.5 captura ese edge con margen: el modelo asigna 73% a que pierdan por 1 o menos, o ganen directamente. Sin información de abridores confirmados ni contexto de bullpen en las últimas 96h, no puedo reforzar el número, así que aplico un leve descuento de calibración. La diferencia esperada (-0.96) está cómodamente dentro del colchón del +1.5 con σ=4, por lo que el mercado tiene base sólida aún sin convergencia contextual. Stats clave: Pythagorean Cardinals 0.524 vs Royals 0.423 · Diferencia esperada -0.96 (Cardinals favorito leve) · Probabilidad modelo run line +1.5: 73.0% · Carreras esperadas: STL 4.81 / KC 3.86

El modelo asigna 76.5% al run line de Pittsburgh +1.5, sostenido por una diferencia esperada de -1.39 a favor del visitante y un Pythagorean de .507 vs .396 de Colorado. Pittsburgh es favorito directo en moneyline (54.2%), por lo que el colchón de 1.5 carreras suma margen de seguridad relevante en un parque de varianza extrema como Coors, donde los blowouts pueden caer para cualquier lado. Sin contexto reciente disponible (abridores, bullpen, viento) recorto levemente desde la base 77 para no asumir condiciones ideales. Mantengo el pick como el único con edge cuantitativo claro entre los publicables. Stats clave: Prob modelo run line Pirates +1.5: 76.5% · Pythagorean Pirates .507 vs Rockies .396 · Diferencia esperada -1.39 a favor de Pittsburgh · Pirates favoritos en moneyline (54.2%) pese a jugar de visita

El modelo proyecta un partido extremadamente parejo (diferencia esperada 0.1 carreras, Pythagorean 0.491 vs 0.478) en un escenario de bajo scoring donde el run line +1.5 al local tiene base sólida del 65.5%. El problema es que Texas no confirmó abridor y arrastra bajas ofensivas mayores (Seager, Carter, Helman), lo que debería castigar el pick; sin embargo, los Padres llegan con rotación diezmada (Pivetta, Musgrove, Darvish out) y receptores titulares lesionados, así que la asimetría se compensa. Mantengo el 66% sin ajustar: el +1.5 es un mercado robusto frente a la incertidumbre del abridor local porque cubre incluso una derrota cerrada, que es el escenario más probable dado margin σ=4. Stats clave: Diferencia esperada solo 0.10 carreras · Pyth home 0.491 vs away 0.478 · Run line +1.5 prob modelo 65.5% · Total esperado 6.94 (entorno bajo scoring)

El modelo asigna 82.8% a Yankees cubriendo +1.5, apoyado en una diferencia esperada de 2.29 carreras y un Pythagorean local de .667 frente a .440 de Cincinnati. Es el mercado más sólido del partido: incluso en escenarios donde los Reds aguantan el bate, el margen normal-distribuido sigue dejando una cola muy fina de derrota por 2+ del local. Sin contexto de 96h disponible (abridores, bullpen, viento en el Bronx) mantengo el ajuste neutro y aplico un descuento leve al cap base por esa falta de confirmación, particularmente porque la varianza intrínseca de MLB castiga la sobrecarga en favoritos de run line. Stats clave: Prob modelo +1.5 Yankees: 82.8% · Pythagorean Yankees .667 vs Reds .440 · Diferencia esperada: +2.29 carreras · Carreras esperadas: 5.70 vs 3.41

Yankees figuran como favoritos claros con 62.2% en el moneyline, sustentado en una expectativa ofensiva de 5.70 carreras frente a 3.41 del visitante y la ventaja de localía en el Bronx. Es un favoritismo legítimo pero no extraordinario: 38% de probabilidad de no ganar sigue siendo material en un deporte donde el abridor reescribe la jornada. Sin confirmación de rotaciones ni reporte de bullpen en las últimas 96h, no hay base para ajustar al alza; mantengo la confianza en el piso del rango base. Stats clave: Prob modelo ML Yankees: 62.2% · ERT local 5.70 vs visitante 3.41 · Pythagorean gap: .667 vs .440

Partido extremadamente parejo en el modelo: Pythagorean prácticamente idéntico (0.657 local vs 0.660 visitante) y diferencia esperada de apenas -0.03 carreras. En ese escenario el +1.5 del visitante es estructuralmente sólido porque cubre tanto la victoria directa como cualquier derrota por una carrera, que es el desenlace más probable dado el σ=4 del margen. Sin contexto reciente de abridores o bullpen confirmado, mantengo cerca de la base 65 con un leve recorte por la incertidumbre informativa. Stats clave: Probabilidad modelo 64.9% para Brewers +1.5 · Diferencia esperada -0.03 carreras (virtual empate) · Pyth visitante 0.660 vs Pyth local 0.657 · σ de margen = 4, favorece coberturas de 1.5

Mismo razonamiento estructural por el otro lado: con diferencia esperada cercana a cero y margin_sigma de 4, la cobertura de 1.5 para el local también captura más del 64% de los desenlaces simulados. Truist Park no introduce sesgo extremo y el Pythagorean local (0.657) está al nivel del visitante. Sin info de abridores en las últimas 96h aplico un leve descuento sobre la base 64; es un pick de valor estructural, no de convicción direccional. Stats clave: Probabilidad modelo 64.4% para Braves +1.5 · Pyth local 0.657, casi idéntico al visitante · Total esperado 8.35 (ofensivas medianas, no blowout) · Sin contexto de pitcher confirmado en 96h

Partido extremadamente parejo según el modelo: Pythagorean de 0.488 local vs 0.503 visitante y diferencia esperada de apenas -0.14 carreras. En ese escenario, el +1.5 al visitante captura valor porque incluso si Detroit gana, la probabilidad de hacerlo por 2+ carreras es baja (Tigers -1.5 cotiza solo 34%). Sin contexto reciente de abridores ni bullpen, mantengo la base 66% sin ajuste; el riesgo es que un mal abridor de White Sox abra el partido temprano y rompa el margen. Stats clave: Diferencia esperada -0.14 carreras · Pyth home 0.488 vs away 0.503 · Prob modelo Chicago +1.5: 65.9% · Prob Detroit -1.5 solo 34.1%

El mismo escenario de paridad (diff esperada -0.14, ambos Pyth en torno a 0.50) sostiene también el +1.5 al local, con 63.3% modelo. Detroit suma además la ventaja de localía en Comerica, parque que tiende a comprimir carreras y reduce blowouts. Sin información de abridor confirmado ni clima, mantengo base sin ajuste. Pick complementario al anterior: el modelo dice que es muy probable que el partido se decida por 1 carrera independientemente de quién gane. Stats clave: Carreras esperadas 4.27 vs 4.42 · Total esperado 8.69 (bajo) · Prob modelo Detroit +1.5: 63.3% · Comerica Park históricamente pitcher-friendly

El modelo da 69.8% al +1.5 de Miami como local, sostenido en una diferencia esperada baja (0.58 carreras) y un Pythagorean muy parejo (.482 vs .421). En un partido donde el margen proyectado es menor a una carrera y la σ del margen es 4, cubrir el +1.5 tiene fundamento estadístico claro. Sin contexto externo en 96h para reforzar o ajustar, mantengo cerca de la base con un leve recorte por la varianza inherente de MLB y el hecho de que loanDepot tiende a deprimir scoring (totales bajos ayudan al underdog a no quedarse fuera por blowout). Stats clave: Probabilidad modelo 69.8% Marlins +1.5 · Diferencia esperada solo 0.58 carreras · Pythagorean parejo: .482 Miami vs .421 SF · Total esperado 8.6 en park pitcher-friendly

El modelo proyecta un partido parejo con diferencia esperada de apenas 0.31 carreras a favor de Cubs y Pythagorean casi idéntico (.509 vs .475). En ese escenario de baja separación, el run line +1.5 al local captura tanto la victoria directa como las derrotas por un run, que es donde se concentra buena parte de la distribución (σ=4). Sin contexto de 96h —abridores, bullpen o viento en Wrigley— mantengo la base 67 sin ajuste cualitativo. La incertidumbre principal es justamente esa: Wrigley con viento saliendo puede inflar el total y aumentar varianza de margen, pero el colchón de 1.5 absorbe escenarios razonables. Stats clave: Diferencia esperada 0.31 carreras a favor de Cubs · Pyth_home 0.509 vs pyth_away 0.475 (partido parejo) · Probabilidad modelo Cubs +1.5: 67.5% · Total esperado 8.42 con σ=3.5

Espejo del pick anterior: con diferencia esperada cercana a cero y σ de margen en 4 carreras, el +1.5 al local también ofrece valor estadístico (64.3% modelo). Athletics juega en casa con expectativa de 5.11 carreras, lo suficiente para mantenerse dentro de 1 carrera en la mayoría de escenarios. Sin información sobre rotación o estado del bullpen en las últimas 96h, no hay catalizador para ajustar la base. Publico al 64 sin modificar. Stats clave: Carreras esperadas Athletics 5.11 · Diferencia esperada -0.03 · Prob modelo run line +1.5 Athletics: 64.3% · Pythagorean Athletics 0.446

Toronto +1.5 sale con 62.5% en el modelo, coherente con un partido proyectado como casi un coin flip (0.466 ML visitante) y un total esperado bajo de 7.62, escenario que tiende a comprimir márgenes finales. En entornos de pocas carreras, cubrir el +1.5 al visitante tiene piso porque pocas veces el local se escapa por 2+. Sin información de abridores ni bullpen en las últimas 96h, no aplico ajuste cualitativo. El riesgo es que Fenway con viento favorable inflate carreras y abra el margen, pero el modelo ya pondera la varianza. Stats clave: Prob modelo Toronto +1.5: 62.5% · Total esperado: 7.62 carreras · Margen σ=4 amplio vs diff 0.22 · Pyth away 0.466 (partido parejo)

El modelo asigna 66.7% al +1.5 de Boston, sostenido por un Pythagorean prácticamente parejo (0.493 vs 0.466) y una diferencia esperada de apenas 0.22 carreras. En partidos tan ajustados, el run line al equipo local con ventaja de hándicap es históricamente el mercado más estable. Sin contexto reciente disponible (abridores, bullpen, clima en Fenway), no hay base para ajustar al alza ni a la baja, así que mantengo la confianza base. El riesgo real es la varianza pura de MLB y la posibilidad de un blow-out de Toronto, pero la σ=4 ya está incorporada en el cálculo. Stats clave: Prob modelo Boston +1.5: 66.7% · Diferencia esperada: 0.22 carreras · Pyth home 0.493 vs away 0.466 · Total esperado bajo: 7.62

El modelo asigna 71% al run line +1.5 de Seattle, apoyado en una diferencia esperada de apenas 0.71 carreras a favor del local y un Pythagorean prácticamente parejo (0.530 vs 0.458). Con margin sigma de 4, la probabilidad de que Seattle pierda por 2+ es contenida, y juegan en T-Mobile Park, un parque pitcher-friendly que comprime los márgenes de carreras. Sin contexto adicional de últimas 96h (abridores, bullpen) mantengo la base sin ajuste — el edge es puramente estructural. Riesgo: si el abridor de Seattle sale temprano y el bullpen se quema, el margen se puede abrir rápido. Stats clave: Probabilidad modelo run line +1.5: 71% · Diferencia esperada: 0.71 carreras a favor de Seattle · Pythagorean Seattle 0.530 vs Baltimore 0.458 · Margin sigma: 4 carreras · T-Mobile Park reduce volatilidad ofensiva

Los Cubs como locales en Wrigley parten con ventaja Pythagorean clara (.514 vs .391) y una diferencia esperada de 1.41 carreras a favor que vuelve muy probable cubrir el +1.5. El modelo asigna 76.7% a esta línea, una de las probabilidades más limpias del slate dado que solo requiere que los Cubs no pierdan por 2+. Sin contexto reciente disponible (rotaciones, viento en Wrigley que puede inflar varianza, bullpen de Colorado), mantengo la confianza levemente por debajo de la base como castigo por la incertidumbre informativa. El riesgo real es el factor parque: con viento soplando hacia afuera, Colorado puede capitalizar y achicar márgenes, pero la asimetría sigue favoreciendo al local. Stats clave: Pythagorean Cubs .514 vs Rockies .391 · Diferencia esperada +1.41 a favor de Chicago · Probabilidad modelo 76.7% para Cubs +1.5 · Carreras esperadas 5.91 vs 4.50

Milwaukee llega como favorito implícito según el modelo, con Pythagorean 0.659 vs 0.494 de Cleveland y una diferencia esperada de 1.5 carreras a favor. El run line +1.5 captura ese margen completo y agrega colchón ante la varianza típica del béisbol (σ=4 sobre el diferencial). Sin contexto reciente disponible —abridores, bullpen y clima en American Family Field sin confirmar— mantengo la base en 77 pero aplico un leve recorte a 74 para no asumir confirmación de rotación. El riesgo principal es un blowout de Cleveland, escenario que el propio modelo penaliza fuerte (Guardians -1.5 apenas 22.6%). Stats clave: Probabilidad modelo run line Brewers +1.5: 77.4% · Pythagorean Brewers 0.659 vs Guardians 0.494 · Diferencia esperada +1.5 a favor de Milwaukee · Cleveland -1.5 con apenas 22.6% de probabilidad

El modelo proyecta una diferencia esperada de apenas -0.71 carreras con Pythagorean prácticamente parejo (Pirates 0.507 vs Athletics 0.446), lo que hace muy improbable que Athletics gane por 2+ corridas en un partido en Sutter Health Park, un parque neutral sin tendencias extremas. La run line +1.5 de Pittsburgh queda con 71% de cobertura según la Normal(σ=4), un margen razonable dado lo cerrado del matchup en el moneyline (51.2% Pirates). Sin contexto reciente disponible (rotación, bullpen, clima), no aplico ajuste y mantengo la base. El riesgo principal es la varianza inherente de MLB en juegos de scoring alto (total esperado 10.69), donde un blowout puede ocurrir aunque las probabilidades no lo favorezcan. Stats clave: Diferencia esperada -0.71 carreras · Pyth Pirates 0.507 vs Athletics 0.446 · Moneyline parejo: 51.2% Pittsburgh · Total esperado 10.69 carreras

El modelo asigna 79.7% a Dodgers cubriendo +1.5 apoyado en una ventaja estructural marcada: Pythagorean 0.696 vs 0.510 y diferencia esperada de 1.83 carreras a favor del local. Sin reportes contextuales en las últimas 96h, no hay señal para mover la base, pero el cap MLB de 78 obliga prudencia y mantengo levemente por debajo dado que jugar el favorito en run line corta implica que cualquier blowout invertido por bullpen o un abridor sorpresa puede romper la cobertura. Ajuste -2 sobre base 78 por ausencia de confirmación de rotaciones. Stats clave: Prob modelo Dodgers +1.5: 79.7% · Pythagorean Dodgers 0.696 vs Rays 0.510 · Diferencia esperada +1.83 carreras a favor de LAD · Carreras esperadas 5.23 vs 3.41

El moneyline local llega justo al piso de publicación con 59.6% del modelo, sostenido por la ventaja de Pythagorean (0.696 vs 0.510) y el plus de localía en Dodger Stadium. Sin contexto de abridores ni bullpen no hay base para ajustar al alza, y el margen sobre 50% es estrecho para la varianza típica de MLB. Mantengo la base sin inflar: pick de exposición mínima, valor estadístico real pero sin convicción contextual adicional. Stats clave: Prob moneyline LAD: 59.6% · Pythagorean home 0.696 · ERT local 5.23 vs visitante 3.41

La misma lógica de partido parejo sostiene el +1.5 visitante: con diferencia esperada de solo 0.22 carreras y Pythagorean casi idéntico, el escenario de derrota por 2+ del visitante es minoritario (33.3%). El modelo asigna 62.5% al cover, consistente con la varianza típica de MLB. Sin información de abridores confirmados ni estado de bullpen, no aplico ajuste. El riesgo es que Fenway suele amplificar ofensivas locales, pero el margen de 1.5 absorbe la mayoría de los desenlaces. Mantengo 63%. Stats clave: Prob modelo Toronto +1.5: 62.5% · Carreras esperadas visitante: 3.70 · Pyth away 0.466 (partido competitivo) · Margin sigma: 4 carreras

El modelo asigna 76.7% al Yankees cubriendo +1.5 en casa, apoyado en una ventaja Pythagorean clara (0.656 vs 0.517) y diferencial esperado de +1.41 carreras a favor del local. Tomar al favorito con el corredor regalado funciona como hedge: incluso si los Yankees no ganan limpio, basta con que no caigan por 2+. Sin contexto de últimas 96h (abridores, bullpen, clima en Yankee Stadium) no puedo reforzar más allá del número base, así que aplico un leve recorte por prudencia. Mantengo cerca del base sin inflar: la varianza inherente del béisbol y la falta de confirmación de rotación pesan. Stats clave: Prob modelo run line +1.5: 76.7% · Pythagorean Yankees 0.656 vs White Sox 0.517 · Diferencia esperada de carreras: +1.41 a favor del local · Carreras esperadas: 5.21 vs 3.80

El partido proyecta como una pelea pareja en Chase Field, con diferencia esperada de apenas 0.23 carreras a favor del local y Pythagorean prácticamente empatados (.472 vs .449). En ese contexto, el run line +1.5 de Arizona captura tanto las victorias directas como las derrotas por una carrera, escenario muy probable cuando el margen esperado es tan estrecho. El modelo asigna 66.7% a ese mercado y sin información de abridores ni bullpen en las últimas 96h mantengo la base sin ajuste. Riesgo: si el abridor de Arizona termina siendo un perfil débil, partidos parejos pueden romperse rápido en un parque neutral-ofensivo como Chase. Stats clave: Diferencia esperada 0.23 carreras · Pythagorean: ARI .472 / LAA .449 · Prob modelo run line +1.5 ARI: 66.7% · Total esperado 9.15 con σ=3.5 (sin sesgo claro a blowout)

Partido proyectado como cerrado: total esperado 7.84 y diferencia de solo 0.36 carreras indican un juego de un run en alta probabilidad, escenario donde el +1.5 del visitante tiene cobertura razonable. El modelo asigna 61.2% al cover y sin información de abridores confirmados o estado del bullpen, no hay base contextual para ajustar arriba ni abajo. Riesgo principal: si Padres pierde foco temprano en Busch, σ=4 deja cola de paliza no trivial. Mantengo en 61. Stats clave: Diferencia esperada: solo 0.36 carreras · Carreras esperadas Padres: 3.74 · Prob modelo run line +1.5: 61.2% · Pythagorean away 0.479 (juego competitivo)

El modelo proyecta un partido extremadamente parejo, con diferencia esperada de apenas -0.13 carreras y Pythagorean casi idéntico (.476 vs .490). En ese escenario, el run line +1.5 para el visitante captura el 65.8% de los desenlaces dentro de la distribución Normal con σ=4, ya que cubre tanto victoria de Miami como derrota por una carrera. Sin contexto reciente disponible (abridores, bullpen, clima en Citizens Bank) mantengo la base sin ajustar. La incertidumbre principal es justamente esa ausencia de señal contextual en un parque que históricamente favorece la ofensiva. Stats clave: Diferencia esperada -0.13 carreras · Pyth Miami 0.490 vs Pyth Philadelphia 0.476 · Prob modelo run line +1.5 Miami: 65.8% · Total esperado 7.96 con σ=3.5

El modelo da 67% al Mets +1.5 con una diferencia esperada de apenas 0.26 carreras a favor del visitante y un margin_sigma de 4, lo que vuelve muy improbable una derrota por 2+ en un partido tan parejo (Pythagorean 0.465 vs 0.437). Great American es parque hitter, pero eso favorece a ambos lados y no altera el margen esperado. Sin contexto reciente disponible (abridores, bullpen, clima), mantengo la base sin ajustar: 67%. El riesgo principal es justamente esa ausencia de info sobre rotación, por eso no subo. Stats clave: Prob modelo 67% Mets +1.5 · Diferencia esperada -0.26 carreras · Pyth Mets 0.465 vs Reds 0.437 · margin_sigma 4 (alta varianza absorbe el +1.5)

El moneyline local sale en 59.6% combinando Pythagorean y ventaja de localía, consistente con la diferencia esperada de casi dos carreras. Es un edge real pero modesto en un mercado de alta varianza como MLB, donde un solo abridor puede dar vuelta la lectura. Sin confirmación de rotaciones ni señales del bullpen en las últimas 96h, me quedo en la base 60 sin inflar. Pick de bajo tamaño relativo: el valor está más limpio en el run line. Stats clave: Prob moneyline modelo 59.6% · Pythagorean home 0.696 · ert_home 5.23 vs ert_away 3.41 · Margin sigma 4 (alta varianza)

Los Dodgers proyectan como favoritos claros en casa con Pythagorean 0.696 contra 0.510 de Tampa Bay, y una diferencia esperada de +1.83 carreras a su favor. Sobre run line +1.5 esto deja al modelo en 79.7% de cobertura, una de las probabilidades más limpias del slate. Sin contexto reciente disponible (abridores, bullpen, clima en Dodger Stadium), no agrego convicción extra y bajo levemente desde la base 78 para reflejar esa incertidumbre informativa. El riesgo principal es que un mal matchup de abridor local convierta el juego en blowout inverso, escenario poco frecuente dada la asimetría Pythagorean. Stats clave: Pythagorean Dodgers 0.696 vs Rays 0.510 · Diferencia esperada +1.83 a favor de LAD · Prob modelo run line +1.5: 79.7% · Carreras esperadas 5.23-3.41

El modelo da 71% al +1.5 de Pittsburgh, sostenido por una diferencia esperada de apenas -0.71 carreras y Pythagorean casi parejo (0.507 visitante vs 0.446 local). Con margen tan ajustado y σ=4 en run line, cubrir 1.5 carreras es el mercado más sólido del slate. Sin contexto reciente (rotaciones, bullpen, clima en Sutter Health Park) que confirme o contradiga, aplico un ajuste prudente a la baja: bajo de 71 a 68 para reflejar la incertidumbre de abridores no verificados en un parque que ya proyecta total alto (10.69). Stats clave: Diferencia esperada -0.71 carreras · Pyth_away 0.507 vs Pyth_home 0.446 · Probabilidad modelo 71.0% al +1.5 · Total esperado 10.69 (varianza ofensiva alta)

El modelo asigna 71% a Seattle cubriendo +1.5 en casa, sustentado en una ventaja Pythagorean leve (0.530 vs 0.458) y un run differential esperado de apenas +0.71 a favor del local. Con margen sigma de 4 carreras, la línea de 1.5 actúa como colchón razonable incluso si Baltimore se impone por la mínima. Sin contexto reciente disponible (rotación, bullpen, clima en T-Mobile), no aplico ajuste cualitativo y mantengo la base. El riesgo es un blowout visitante, escenario que el modelo ya pondera en el 29% restante. Stats clave: Probabilidad modelo Mariners +1.5: 71% · Pyth home 0.530 vs Pyth away 0.458 · Diferencia esperada +0.71 a favor de Seattle · Margin sigma 4.0 carreras

El modelo asigna 77.2% al run line +1.5 de Milwaukee, sostenido por un Pythagorean local de .655 contra .494 visitante y una diferencia esperada de 1.48 carreras a favor del local. Con σ=4 en el margen, el colchón de 1.5 corridas cubre escenarios donde Cleveland incluso gane por una. Sin contexto de últimas 96h (abridores, bullpen, clima en American Family Field) no puedo reforzar el número, así que recorto levemente la base de 77 a 74 para no asumir convergencia que no verifiqué. Riesgo principal: si Cleveland alinea su as y Milwaukee va con bullpen game, la varianza de margen se amplía. Stats clave: Pythagorean Milwaukee .655 vs Cleveland .494 · Diferencia esperada 1.48 carreras a favor del local · Prob modelo run line +1.5: 77.2% · σ de margen = 4 carreras

El modelo asigna 67.9% al runline +1.5 de Cardinals, sostenido por una diferencia esperada de apenas 0.36 carreras a favor del local y Pythagorean casi parejos (0.519 vs 0.478). En un escenario tan cerrado, cubrir 1.5 carreras al equipo local con leve ventaja es de los mercados estadísticamente más sólidos del partido. Sin contexto reciente disponible (abridores, bullpen, clima en Busch) no puedo reforzar la lectura, así que aplico un ajuste defensivo de -2 sobre la base. El riesgo principal es un blowout visitante, poco frecuente dado el margen esperado sub-medio. Stats clave: Probabilidad modelo 67.9% para Cardinals +1.5 · Diferencia esperada de solo 0.36 carreras · Pyth home 0.519 vs away 0.478 (partido parejo) · margin_sigma 4 amplio respecto a la diferencia

El modelo da 76.5% al Yankees +1.5, sostenido en una diferencia esperada de +1.39 carreras a favor del local con Pythagorean 0.653 vs 0.515. Es básicamente un escudo: para perder el ticket, los White Sox tendrían que ganar por 2+ en Yankee Stadium siendo el equipo más débil en run differential proyectado. Sin contexto externo confirmado (abridores, bullpen, clima en parque outdoor) recorto levemente desde el base 77 a 74 — la incertidumbre sobre rotación no se puede ignorar en MLB. Aun así, el margen probabilístico es el más limpio de la pizarra. Stats clave: Pyth Yankees 0.653 vs White Sox 0.515 · Diferencia esperada +1.39 a favor de NYY · Prob modelo run line +1.5: 76.5% · Carreras esperadas 5.17 vs 3.78

El modelo le asigna 73% al +1.5 de Washington, sustentado en una diferencia esperada de apenas 0.95 carreras a favor del local y un Pythagorean parejo (0.505 vs 0.422). En MLB, márgenes proyectados por debajo de 1 carrera rara vez se traducen en derrotas por 2+ corridas, y los Nationals juegan como locales en Nationals Park. Sin contexto reciente de abridores ni bullpen disponible, mantengo la base con un ajuste defensivo de -3 por la incertidumbre cualitativa (no sé quién lanza ni cómo viene el pen). El riesgo real es un blowout temprano si el abridor local falla, pero la estructura del número favorece el +1.5. Stats clave: Probabilidad modelo +1.5 Nationals: 73.0% · Diferencia esperada: 0.95 carreras · Pythagorean home 0.505 vs away 0.422 · Carreras esperadas: 5.68 vs 4.73

El modelo parte de 62.4% para Phillies +1.5 sobre la base de un partido parejo (Pythagorean 0.471 vs 0.497, diferencia esperada de apenas -0.23 carreras), pero el matchup de abridores rompe esa simetría: Wheeler llega 5-1 con 2.22 ERA mientras Miami manda al box a Ryan Gusto (6.00 ERA) con rotación diezmada por lesiones (Pérez, Henriquez fuera). En ese contexto, que Philadelphia pierda por 2+ carreras requiere un colapso del bullpen local, que viene sólido con Durán como cerrador. Ajusto +6 sobre la base por convergencia entre ventaja de abridor y bullpen local estable. El riesgo es la variabilidad ofensiva tras la baja de García, pero +1.5 absorbe ese escenario. Stats clave: Prob modelo run line +1.5 Phillies: 62.4% · Wheeler 2.22 ERA vs Gusto 6.00 ERA · Pythagorean prácticamente parejo (0.471 vs 0.497) · Diferencia esperada -0.23 carreras · Bullpen Phillies sólido con Durán cerrando

El modelo da 79.4% al run line +1.5 de los Dodgers, base 78, sustentado en un diferencial esperado de 1.78 carreras y Pythagorean 0.697 vs 0.517. El contexto refuerza parcialmente: Ohtani como abridor con ERA 1.06 contiene el techo ofensivo de Tampa, lo que protege el lado del -2 incluso si pierden. La amenaza concreta es el bullpen de los Dodgers con ERA colectiva sobre 8.00 en junio enfrentando a un Rays que tiene a Rasmussen (2.71) y un pen liderado por Baker (18 SV) — un escenario de blowout en contra existe si Ohtani sale temprano. Ajusto levemente a la baja desde 78 a 75 por ese riesgo de relevo y la ausencia de Will Smith detrás del plato con Rushing debutando. Stats clave: Prob modelo run line +1.5: 79.4% · Diferencia esperada: 1.78 carreras · Pythagorean Dodgers 0.697 vs Rays 0.517 · Ohtani abridor con ERA 1.06 · Bullpen Dodgers ERA >8.00 en junio

El modelo da 67.5% al +1.5 de Detroit, consistente con un partido muy parejo (Pythagorean 0.485 vs 0.453) y una diferencia esperada de apenas -0.31 carreras a favor del visitante. En un escenario tan cerrado, la cobertura del run line +1.5 captura tanto la victoria directa de Tigers como las derrotas por una sola carrera, que es el desenlace estadísticamente más probable. Sin contexto reciente de abridores o bullpen, mantengo la base sin ajuste. Riesgo principal: un blowout local en Daikin Park, escenario que el modelo descuenta correctamente vía σ=4. Stats clave: Prob modelo Detroit +1.5: 67.5% · Diferencia esperada: -0.31 carreras · Pyth Detroit 0.485 vs Houston 0.453 · Total esperado 8.94 (juego de varianza moderada)

El modelo Poisson proyecta una asimetría extrema: λ_home 0.77 vs λ_away 0.01, con probabilidad de derrota de Brasil prácticamente nula (0.5%). La doble oportunidad acumula victoria local más empate en 99.5%, lo que en términos prácticos equivale a 'Brasil no pierde'. Base 85%; ajustado a 80% por la advertencia de muestra pequeña — los λ están construidos sobre pocos partidos de Haití en eliminatorias mundialistas y eso introduce ruido, aunque la dirección cualitativa (gap enorme de nivel entre selecciones) es sólida. La principal incertidumbre es un planteo ultra-defensivo de Haití que fuerce un 0-0, pero ese escenario sigue cubierto por el pick. Stats clave: p_home_win 53.3% + p_draw 46.2% = 99.5% acumulado · λ_away 0.01 (probabilidad de gol haitiano residual) · p_away_win solo 0.5% · Diferencia de goles esperada: 0.76

Total esperado de apenas 0.78 goles, muy por debajo del umbral de 3.5. La probabilidad Poisson de Over 3.5 es 0.8%, prácticamente residual. Base 85%; ajustado a 80% por la misma advertencia de muestra chica que afecta a λ_home — si Brasil ataca con titulares plenos contra una defensa de bajo nivel, el real λ podría estar subestimado, pero incluso duplicándolo el total esperado seguiría lejos de 3.5. La incertidumbre principal es una goleada brasileña tipo 4-0 o 5-0, escenario posible aunque históricamente infrecuente en fase de grupos. Stats clave: Total esperado 0.78 goles · Probabilidad de Over 3.5 apenas 0.8% · λ_home 0.77 (producción ofensiva moderada proyectada) · Probabilidad de Under 3.5: 99.2%

La probabilidad de que ambos equipos marquen es de apenas 28.8%, consistente con lambdas de 0.77 que implican que cada selección tiene chance real de quedarse en cero. El perfil del partido —dos equipos de capacidad goleadora limitada en fase de grupos— refuerza el escenario de al menos un arco en blanco. Base 71%; ajustado a 68% por la muestra reducida y la imposibilidad de validar con contexto reciente quién llega como titular en ataque. La principal amenaza es que ambos necesiten ganar y se abran, pero incluso así la eficacia ofensiva proyectada es baja en ambos lados. Stats clave: Prob BTTS No: 71.2% · λ_home = λ_away = 0.77 · Goles esperados por lado: 0.77 · Prob BTTS Yes: 28.8%

México juega como local, llega con tres puntos y un historial mundialista perfecto frente a Corea del Sur (2-0 en Francia 98 y Rusia 2018). La baja de César Montes por suspensión obliga a Aguirre a rearmar la zaga, pero el reemplazo natural —Edson Álvarez retrasado más Jorge Sánchez— mantiene jerarquía defensiva, mientras que Corea arrastra dudas físicas de Tae-hyeon Kim y Jun-ho Bae. Base 85% por Poisson; ajustado a 75% porque el λ_visitante=0.01 es claramente un artefacto de muestra chica (Corea convirtió en su debut), así que la probabilidad real de derrota mexicana es mayor que la calculada, aunque el doble chance sigue siendo el mercado más sólido. Stats clave: México 2-0 vs Corea del Sur en Mundiales (1998, 2018) · λ_home 1.54 vs λ_away 0.01 (modelo, distorsionado por muestra chica) · Probabilidad Poisson empate-o-local: 99.8% · Corea del Sur con dos titulares trabajando diferenciado

Segundo partido de fase de grupos con ambos equipos ya con tres puntos: el contexto favorece un planteo controlado, no un ida y vuelta abierto. El total esperado del modelo es 1.55 goles, muy por debajo de la línea, y los antecedentes mundialistas entre estos rivales terminaron 3-1 y 2-1, ambos bajo 3.5. Base 85%; ajustado a 74% porque la muestra chica infla la confianza del modelo y la motivación por quedar líder único puede empujar a México a buscar un segundo gol en la recta final, ampliando varianza al alza. Stats clave: Total esperado del modelo: 1.55 goles · Probabilidad Poisson Under 3.5: 92.8% · Antecedentes Mundiales: 3-1 (1998) y 2-1 (2018), ambos bajo 3.5 · Contexto de fase de grupos con ambos equipos ya puntuando

Colombia llega como favorita clara por diferencia de nivel de plantilla (ranking FIFA aprox. 14 vs Uzbekistán aprox. 57) con figuras como Luis Díaz, James Rodríguez y Luis Suárez disponibles sin lesiones reportadas. La duda de Masharipov, referente creativo uzbeko, debilita la generación rival y refuerza el pick. La doble oportunidad cubre el riesgo típico de debut mundialista donde los favoritos suelen tropezar con empates (Argentina-Arabia 2022, Alemania-México 2018), por eso prefiero DC sobre 1X2 directo. Stats clave: Diferencia de ranking FIFA: ~40 posiciones a favor de Colombia · Masharipov (creador uzbeko) en duda por hernia discal · Colombia sin lesionados reportados para el debut · Uzbekistán debuta absoluto en un Mundial, sin experiencia previa

Ghana llega diezmado en ataque: pierde a Kudus (lesión muscular), figura ofensiva indiscutida, y la participación de Partey es incierta por su visa. Panamá pierde a Carrasquilla, su mediocampista creativo más influyente. Con ambos equipos jugando una 'final' por la clasificación, sin sus referentes ofensivos/creativos y debutando en un Mundial, el escenario apunta a un partido trabado, de baja producción y con ambos cuidando el resultado. Riesgo principal: un gol temprano puede abrir el partido y romper el patrón conservador. Stats clave: Ghana sin Kudus (lesión cuádriceps) ni Djiku (titular en defensa) · Partey en duda por problema de visa con Canadá · Panamá pierde a Carrasquilla, su mediocampista clave, por desgarro · Primer enfrentamiento histórico: sin patrón previo, ambos seleccionados tienden a planteos cautos en debut mundialista · Ambos equipos lo afrontan como final por el grupo con Inglaterra y Croacia

La doble oportunidad absorbe el escenario de empate, que en debuts mundialistas de favoritos europeos frente a debutantes africanos es un resultado posible (ejemplos históricos: Marruecos vs Croacia 2022, Senegal vs Países Bajos 2022 fue derrota pero apretada). Dada la diferencia de ranking FIFA (~50 posiciones) y de profundidad de plantilla, la probabilidad combinada de no-derrota para Portugal es muy alta. El contexto externo no aporta señal contraria; sin bajas reportadas en Portugal, el caso base se mantiene. Cap a 82% por la varianza inherente al partido único de fase de grupos. Stats clave: Portugal top-10 FIFA vs RD Congo ~55-65 FIFA · Histórico de favoritos europeos top: derrota en J1 vs debutante africano es rara · Sin información de bajas en Portugal según contexto externo · Cap conservador 82% por varianza de torneo corto

Sin stats internas del torneo por ser debut en fase de grupos, la base es conocimiento general: Austria ronda el top 25 del ranking FIFA con plantilla de nivel Bundesliga/Premier (Alaba, Sabitzer, Laimer, Baumgartner, Arnautovic), mientras Jordan figura cerca del puesto 70 y debuta en una Copa del Mundo tras llegar a la final de la Copa Asiática 2024. La diferencia de nivel y profundidad de plantilla favorece a Austria, y la doble oportunidad protege contra el clásico empate cauto de jornada inaugural. Riesgo principal: partidos únicos de selecciones en debut suelen tener varianza alta, sobre todo si Jordan replica el bloque bajo con el que sorprendió en Asia. Stats clave: Austria ranking FIFA aproximado top 25 · Jordan ranking FIFA aproximado en zona 65-75 · Jornada inaugural de fase de grupos eleva probabilidad de empate · Plantilla austríaca con base en ligas top europeas

La diferencia de plantilla y experiencia en torneos grandes empuja a Austria como favorito claro: viene de octavos en Euro 2024 con identidad clara bajo Rangnick, mientras Jordan llega a su primera Copa del Mundo. Confianza moderada porque el partido inaugural y la falta de stats internas del torneo elevan la incertidumbre, y los debutantes asiáticos suelen plantear partidos cerrados de pocos goles (caso Arabia Saudita 2022 ante Argentina). No subo más por la varianza propia de un partido único de selecciones. Stats clave: Austria alcanzó octavos en Euro 2024 · Jordan finalista Copa Asiática 2024 con perfil defensivo · Brecha de ~45 puestos en ranking FIFA · Plantilla austríaca con jugadores de Real Madrid, Bayern, Leipzig

La probabilidad combinada de victoria o empate de Argentina absorbe el riesgo principal del 1X2 simple: que un debut frío termine 0-0 o 1-1 ante un rival cerrado defensivamente. Dado el diferencial de ranking FIFA y jerarquía individual, una derrota de Argentina ante Argelia en debut Mundial sería un upset histórico comparable a Arabia 2022. El riesgo residual es justamente ese precedente reciente, por eso no llego al techo. Stats clave: Argentina top 2 FIFA vs Argelia fuera del top 35 · Campeón vigente con base del plantel 2022 intacta · DC suma probabilidad de empate, escenario plausible en J1 contra rival cerrado · Upset directo sería evento de cola tipo Arabia-Argentina 2022

Argentina llega como campeona vigente del Mundial 2022 y top 1-2 del ranking FIFA, con una columna vertebral consolidada (Messi, Lautaro, Mac Allister, Enzo, De Paul, Dibu Martínez). Argelia, ranking FIFA fuera del top 35 y ausente del Mundial 2022, parte muy por detrás en jerarquía de plantilla y experiencia. Aplica cap conservador de torneo corto: en partido único hay varianza alta, especialmente en J1 donde los favoritos suelen arrancar fríos, por eso no subo más allá del rango medio. Stats clave: Argentina campeón Mundial 2022, ranking FIFA top 2 · Argelia fuera del top 35 FIFA y sin Mundial 2022 · Diferencia de jerarquía de plantilla amplia (Messi, Lautaro, Dibu vs plantel CAF medio) · Partido único en fase de grupos: cap blando 72% por varianza

Senegal tiene capacidad ofensiva real con Mané, Sarr y Jackson en ataque, y Francia históricamente concede goles incluso en partidos que gana (defensa adelantada, transiciones). Francia con Mbappé a un gol de igualar el récord de Giroud tiene fuerte incentivo ofensivo. El riesgo principal es un planteo ultradefensivo de Senegal en el debut que reduzca su producción ofensiva, por eso la confianza se mantiene en el piso operativo. El contexto de revancha 2002 sugiere un Senegal con ambición ofensiva más que mero estacionamiento del bus. Stats clave: Senegal con tridente ofensivo Mané-Sarr-Jackson confirmado en alineación probable · Mbappé motivado: a 1 gol del récord histórico de Giroud · Francia con línea defensiva adelantada históricamente concede en mundiales · Senegal campeón de África 2021 con perfil ofensivo

Sherif (WTA #107) parte como amplia favorita ante Ruggeri (#312), con una diferencia de ranking de 205 posiciones que el modelo traduce en un 95% de probabilidad. La superficie no está confirmada (Brescia suele jugarse en clay, terreno donde Sherif históricamente rinde mejor por su juego de fondo), pero al faltar el dato oficial no aplico ajuste por surface. El contexto de 96h no aporta señales nuevas —ni lesiones ni cambios— así que recorto levemente desde el cap por la ausencia de información de forma reciente y la incertidumbre de surface. La amenaza principal es la propia regularidad de Sherif, que ha tenido tramos irregulares en ITFs menores como este. Stats clave: Ranking WTA: Sherif #107 vs Ruggeri #312 (diff -205) · Probabilidad base del modelo: 95% Sherif · Ajuste forma del modelo: -1.3 (leve negativo) · Surface no confirmada — sin ajuste por superficie aplicado

Keys (WTA #7) llega como favorita clara frente a Muchova (#20), con una diferencia de ranking de +13 que el modelo traduce en 86% de probabilidad base. La superficie del torneo de Berlín es césped, aunque el dato no fue confirmado en el input — terreno que históricamente premia el saque potente de la estadounidense. La amenaza real es la variabilidad de Muchova, capaz de incomodar a cualquier top-10 cuando su drive y su slice funcionan, además del historial de Keys con lesiones intermitentes. Sin señales contextuales en 96h, ajusto a la baja desde el 85 base por prudencia ante la falta de confirmación de surface. Stats clave: Keys rank WTA #7 vs Muchova #20 · Diferencia de ranking +13 a favor de Keys · Probabilidad modelo: 86% Keys · Form_adj prácticamente neutro (-0.006)

Bouzkova (rank 27, cuarta preclasificada) parte con una diferencia de ranking enorme frente a Klugman (rank 655, wildcard de 17 años), y el modelo le asigna 95% con base 85. La superficie no fue provista —se juega sobre césped en Nottingham— y ahí Klugman, británica formada en grass, suele rendir mejor que su ranking sugiere, además de venir con confianza tras su primera victoria WTA como lucky loser y respaldo del público local. Ajusto a la baja desde 85 a 80 por esa combinación de factor superficie + impulso emocional de la junior, sin llegar a descartar dado el salto cuantitativo de nivel. La amenaza real es que Bouzkova arranque tibia ante una rival sin presión. Stats clave: Bouzkova rank 46 vs Klugman rank 655 (diff +609) · Prob modelo: 95% Bouzkova · Bouzkova es 4° cabeza de serie del torneo · Klugman, 17 años, wildcard con primera victoria WTA reciente · Superficie (césped) no incorporada al ajuste base

Svitolina llega como #13 del ranking WTA frente a una Lys #39, con una diferencia de 26 puestos que el modelo traduce en 95% de probabilidad. La superficie del torneo de Berlín es césped, pero el dato no fue provisto al modelo, así que el ajuste por surface no se aplicó —Svitolina históricamente se mueve bien en hierba, aunque Lys es alemana y juega en casa, factor que puede empujar su nivel. Sin señales contextuales en 96h, mantengo la base pero recorto desde 85 hasta 78 por la ausencia de ajuste de superficie y el riesgo de localía en una segunda ronda donde Svitolina suele tardar en entrar al torneo. Stats clave: Svitolina rank #13 vs Lys rank #39 (diff +26) · Probabilidad modelo: 95% Svitolina · Ajuste de forma +2.4% a favor de Svitolina · Surface no provista — ajuste no aplicado

Vidmanova (WTA #145) tiene una brecha de ranking de 202 puestos sobre Micic (#347), lo que el modelo traduce en 95% de probabilidad y confianza base 85. La superficie del torneo en Figueira da Foz no fue provista, lo que impide validar si alguna jugadora tiene un sesgo positivo en esa cancha; por prudencia recorto 5 puntos. Sin contexto reciente de lesiones o fatiga, no hay razón para mover más allá. La amenaza típica en estos cruces de challenger/ITF es la varianza alta de la favorita ante una rival que no figura en el radar. Stats clave: Vidmanova rank WTA #145 · Micic rank WTA #347 · Rank diff +202 a favor de Vidmanova · Prob modelo 95% para Vidmanova

Sobre césped en Nottingham, Golubic (rank 80) parte como favorita ante Sonmez (rank 110) y el modelo le asigna 95% por la diferencia de ranking, pero el contexto reciente obliga a moderar la lectura. Sonmez llega con momentum tangible —venció en sets corridos a Leylah Fernandez, segunda cabeza de serie— y juega motivada por entrar al top 50, mientras que Golubic necesitó pasar por qualy y eliminar dos veces a la misma rival (Kenin) para llegar acá, lo que sugiere desgaste y un nivel no dominante. A favor de la suiza pesa la experiencia en grass y que Sonmez viene de una lesión de rodilla a fines de mayo en Roland Garros, factor de riesgo físico no menor en superficie rápida. Ajusto la base de 85 a 75 reflejando que el 95% del modelo, sin ajuste por surface y contra una rival en forma ascendente, está claramente inflado. Stats clave: Golubic rank 80 vs Sonmez rank 110 (diff +30) · Prob base modelo 95% sin ajuste por surface (advertencia de datos) · Sonmez eliminó a Fernandez (2° preclasificada) en sets corridos en R1 · Golubic llegó vía qualy, venció a Kenin dos veces seguidas · Sonmez con lesión de rodilla reciente (mayo, Roland Garros)

Sobre césped en Berlín, Noskova (#12) parte como amplia favorita ante Parry (#122) con una diferencia de ranking de +110 escalones, y el modelo le asigna 95% base. Ajusto a la baja porque el contexto pesa: Parry llega invicta desde la qualy sin ceder un set, el H2H está 2-2 en otras superficies y es el primer duelo entre ambas sobre hierba —una superficie que históricamente comprime las diferencias de ranking y favorece a jugadoras en ritmo. Noskova además debe defender puntos de la gira de césped pasada, lo que añade presión. Mantengo el pick por la brecha estructural de nivel, pero recorto 10 puntos por momentum de la rival y superficie volátil. Stats clave: Diferencia de ranking +110 (Noskova #12 vs Parry #122) · Probabilidad base del modelo: 95% · H2H igualado 2-2 en otras superficies · Parry invicta esta semana en Berlín incluyendo qualy, sin ceder sets · Primer enfrentamiento entre ambas sobre césped

Sabalenka (rank #1) llega como amplia favorita ante Alexandrova (#10) en el WTA de Berlín, torneo sobre hierba — aunque la surface no fue confirmada por el feed, Berlin es tradicionalmente césped, surface donde Sabalenka ha mostrado mejoras consistentes en los últimos años. El modelo le asigna 81.4% apoyado en diff de ranking +9 y forma reciente ligeramente a su favor (+2.9). Sin señales contextuales en las últimas 96h por la lejanía del fixture, ajusto levemente a la baja por la advertencia de surface no provista y porque Alexandrova es una sacadora peligrosa en pistas rápidas, con upsets ocasionales sobre top-5. Confianza final 78. Stats clave: Sabalenka rank #1 vs Alexandrova rank #10 (diff +9) · Probabilidad base del modelo: 81.4% · Ajuste de forma reciente: +2.9 a favor de Sabalenka · Surface no confirmada en el feed (Berlin típicamente hierba)

La diferencia de ranking es contundente: Gorgodze (#176) está casi 190 puestos por encima de Ferro (#364), que arrastra años de irregularidad post-lesiones y caída sostenida en el ranking. El modelo le asigna 95% a la georgiana, pero al tratarse de un ITF/challenger en Brescia sobre superficie no confirmada y sin contexto reciente que valide forma física actual, recorto el cap. Ferro tiene pasado top-50 y en formato corto cualquier WTA con historial puede generar ruido, aunque la brecha de nivel actual es clara. Mantengo el pick pero por debajo del techo por falta de información de surface y forma in-situ. Stats clave: Rank Gorgodze #176 vs Ferro #364 (diff -188) · Probabilidad modelo 95% a Gorgodze · Ajuste de forma +1.7 a favor de la georgiana · Surface del match no confirmada

Bouzas Maneiro llega como #42 WTA frente a una Volynets #96, diferencia de 54 puestos que el modelo traduce en 95% de probabilidad. El partido es en Nottingham, sobre césped (gira británica previa a Wimbledon), superficie no provista explícitamente por el feed —lo que obliga a recortar algo de confianza dado que Volynets ha mostrado registros decentes en hierba históricamente y la superficie es la más igualadora del circuito. Sin contexto reciente útil (kickoff con anticipación irreal), ajusto la base 85 a 78 para no inflar sobre datos faltantes. La amenaza real es la varianza propia del césped, donde el saque y los breaks puntuales pueden inclinar sets cortos. Stats clave: Bouzas Maneiro rank WTA #42 vs Volynets #96 · Diferencia de ranking -54 a favor de la española · Probabilidad modelo: 95% Bouzas Maneiro · Surface no confirmada (sede Nottingham, típicamente césped)

La diferencia de ranking es contundente: Charaeva está #160 WTA frente a una Kulikova #510, una brecha de 350 puestos que en el circuito ITF/WTA secundario sobre tierra batida europea (Figueira Da Foz se juega tradicionalmente en clay) suele traducirse en superioridad clara de la mejor rankeada. El modelo asigna 95% a Charaeva con base 85; sin contexto reciente relevante en las últimas 96h, mantengo cerca de la base pero descuento levemente porque la surface no fue confirmada por el feed y los partidos de segunda ronda en torneos menores tienen mayor varianza de la habitual. La amenaza principal es un día flojo de la favorita o que Kulikova llegue con buen ritmo desde qualy. Stats clave: Charaeva rank WTA #160 vs Kulikova #510 (diff 350 puestos) · Probabilidad del modelo: 95% Charaeva · Sin novedades de lesión o fatiga en últimas 96h · Surface no confirmada — ajuste defensivo de -5

Pegula (WTA #6) llega con una brecha de ranking considerable frente a Siniakova (#47), que es especialista en dobles y rinde por debajo de su ranking en singles. La superficie es hierba en Berlín, un terreno donde Pegula ha mostrado solidez con su juego plano desde el fondo y donde Siniakova, pese a sus credenciales en césped, no ha sostenido resultados consistentes en singles este año. El modelo marca 95% para Pegula; sin contexto reciente que ajustar y dado que la superficie real (hierba) no fue confirmada en el input, recorto levemente la base de 85 a 80 por prudencia ante el dato faltante. La amenaza es el saque y juego de transición de Siniakova en pasto, que puede romper ritmo en sets cortos. Stats clave: Pegula rank WTA #6 vs Siniakova #47 (diff +41) · Probabilidad del modelo 95% para Pegula · Ajuste de forma +1.5% a favor de Pegula · Surface no confirmada — recorte prudencial de 5 puntos

Teichmann (WTA #120) llega con una diferencia de ranking de 109 puestos sobre Palicova (#229), brecha significativa para un cuadro de nivel ITF/challenger como Figueira da Foz. El modelo le asigna 95% pero la surface no fue confirmada, lo que impide validar si Teichmann (zurda con buen historial en clay europeo) mantiene su ventaja natural en esta superficie específica. La amenaza es doble: Palicova es jugadora joven en ascenso jugando en torneo de menor categoría donde la favorita a veces baja revoluciones, y la falta de ajuste por surface obliga a recortar la confianza base. Bajo de 85 a 78 por la advertencia de datos. Stats clave: Teichmann rank WTA #120 vs Palicova #229 · Diferencia de ranking -109 a favor de Teichmann · Probabilidad base del modelo 95% · Surface no confirmada — ajuste no aplicado

Eala llega como favorita clara según el modelo, con un ranking WTA #53 frente al #69 de Vekic y una probabilidad asignada del 91.4%. La advertencia relevante es que no se dispone de la surface confirmada del partido (Berlín suele jugarse sobre césped en esta fecha, surface donde Vekic históricamente rinde por encima de su ranking), por lo que aplico un ajuste defensivo de -5 sobre la base 85. Sin señales contextuales en las últimas 96h ni datos de surface para validar, mantengo el pick por el margen probabilístico pero sin inflarlo. La amenaza concreta es que Vekic tiene experiencia en cuadros grandes y puede competir mano a mano si el escenario favorece su saque. Stats clave: Ranking WTA Eala #53 vs Vekic #69 (diff -16) · Probabilidad de modelo 91.4% para Eala · Forma reciente ligeramente en contra (form_adj -0.005) · Surface no confirmada — ajuste por superficie no aplicado

La diferencia de ranking es contundente: Giovannini #220 contra Astakhova #427, una brecha de 207 posiciones que el modelo traduce en 95% para la argentina. No tenemos confirmación de surface (Brescia suele jugarse en clay outdoor, pero no está validado en el input) ni contexto de últimas 96h, así que recorto desde la base 85 hasta 78 para reflejar esa incertidumbre de datos. La amenaza es típica de challengers WTA: jugadora de ranking bajo puede llegar más fresca o con condiciones locales favorables, pero la diferencia de nivel es demasiado amplia para descartar el favoritismo. Stats clave: Giovannini rank #220 vs Astakhova rank #427 · Rank diff -207 a favor de Giovannini · Prob modelo 95% para Giovannini · Surface no confirmada — ajuste defensivo de -7

Navarro (WTA #15) enfrenta a Starodubtseva (#111) en el césped de Nottingham, con una diferencia de ranking de 96 puestos que el modelo traduce en 95% de probabilidad para la estadounidense. La superficie no fue provista en data, lo que impide refinar por especialización en grass —Starodubtseva tiene mejor adaptación a tierra que a hierba, lo que en principio refuerza a Navarro, pero sin el dato confirmado prefiero no inflar—. Sin señales contextuales en las últimas 96h (la fecha es lejana), mantengo la base con un leve recorte de 2 puntos por la advertencia de datos. La amenaza real es la varianza propia del césped en rondas tempranas, donde top-20 a veces resbalan ante jugadoras con saque pesado. Stats clave: Navarro ranking WTA #15 vs Starodubtseva #111 · rank_diff -96 a favor de Navarro · probabilidad del modelo 95% para Navarro · surface no confirmada — ajuste por superficie no aplicado

La diferencia de ranking es enorme: Vandromme (#342) está casi 600 puestos por encima de Zamarripa (#926), lo que en circuito ITF/WTA menor suele traducirse en partidos muy desequilibrados. El modelo asigna 95% a la belga, pero al tratarse de una primera ronda en Figueira da Foz sin superficie confirmada en el dataset y sin contexto reciente que valide forma física, prefiero recortar la confianza. La amenaza típica en este escalón es la volatilidad de jugadoras jóvenes y el factor sorpresa en torneos de bajo nivel, donde una sola jornada irregular borra la brecha de ranking. Ajusto a 78 por la advertencia de surface no provista. Stats clave: Rank Vandromme #342 vs Zamarripa #926 · Diferencia de ranking +584 · Prob modelo 95% · Surface no disponible (ajuste no aplicado)

Badosa (WTA #25) parte como amplia favorita ante Lamens (#97) en el debut de Berlín, torneo sobre césped previo a Wimbledon. El modelo le asigna 95% por la brecha de ranking de 72 puestos, pero el dato a vigilar es que no se aplicó ajuste por superficie y el grass tiende a comprimir diferencias —Lamens tiene mejor adaptación natural a pistas rápidas que la española, cuya mejor superficie es la tierra. Sin contexto de últimas 96h, recorto la base de 85 a 78 para reflejar la incertidumbre por la superficie no confirmada y el historial irregular de Badosa fuera de clay. Stats clave: Badosa rank WTA #25 vs Lamens #97 (diff 72 puestos) · Probabilidad base del modelo: 95% · Ajuste por surface no aplicado (dato faltante) · Forma reciente ligeramente negativa (-1.8)

Sin datos numéricos de ranking ni récord por surface en el input, el pick se apoya en el contexto externo: Wang Xiyu llega como favorita clara por ranking superior y viene de alcanzar por primera vez la 4ª ronda de Roland Garros, lo que confirma forma reciente en clay — superficie del WTA 125K de Brescia. Gao Xinyu juega sin presión pero parte desde abajo en jerarquía. La principal incertidumbre es el componente psicológico de un duelo entre compatriotas chinas, que puede aplanar la diferencia teórica, y la ausencia de stats duras de H2H y récord en clay 2026 reduce la convicción. Stats clave: Wang Xiyu favorita por ranking superior (contexto) · Wang Xiyu llegó a 4ª ronda en Roland Garros 2025 (clay) · Gao Xinyu sin presión como underdog · Superficie: clay (Brescia)

En grass, Muchova tiene mejor calidad de tenis y domina el H2H 2-0 incluyendo una victoria en Wimbledon 2021, lo que es señal directa sobre esta superficie. Su 2026 es muy sólido (24-7, 77.4%) y viene de ganar título en Doha. La principal incertidumbre — y por eso no subo más la confianza — es su condición física (requirió asistencia médica reciente y tiene historial de lesiones) sumado a que Zhang ya tiene rodaje en césped tras pasar la qualy, mientras Muchova debuta en la superficie (0-0 en grass este año). Stats clave: Muchova #20 WTA, 1888 pts · Récord 2026: 24-7 (77.4%) · H2H 2-0 a favor de Muchova, incluyendo grass · Muchova 0-0 en grass 2026 (debut superficie) · Zhang viene de superar la qualy en Berlín

Sobre césped en Berlín, Noskova (WTA #12) parte como amplia favorita ante Zarazua (#77), con una diferencia de 65 puestos en ranking que el modelo traduce en 95% de probabilidad. Sin embargo, el contexto pide cautela: la checa no compite desde Roland Garros (transición clay→grass siempre delicada) mientras que la mexicana llega con dos victorias previas en estas mismas canchas tras pasar la qualy. Ajusto la base 85 hacia abajo a 78 para reflejar la falta de ritmo de Noskova sobre hierba y la incógnita de surface (no se aplicó ajuste por superficie por dato faltante). La amenaza real es un primer set frío de la favorita ante una rival ya rodada. Stats clave: Noskova WTA #12 vs Zarazua WTA #77 (diff 65) · Prob modelo: 95% Noskova · Zarazua 2-0 en qualy de Berlín esta semana · Noskova sin partidos desde Roland Garros · Primer H2H entre ambas

Partido sobre grass (Berlin) en debut de torneo. Keys es #7 WTA con 15-8 (65.2%) en el año y viene en buena forma (4 victorias en últimos 5). Wang Xinyu no tiene stats provistas, lo que sugiere ranking considerablemente inferior a top 30; en grass, el saque potente de Keys es un arma especialmente diferencial. Principal incertidumbre: ninguna de las dos llega con récord en grass este año (0-0), por lo que la adaptación a superficie es un riesgo real. Stats clave: Keys #7 WTA (4335 pts) · Récord 2026: 15-8 (65.2%) · Últimos 5: WWWWL · Récord grass 2026: 0-0 · Oponente sin ranking ATP/WTA listado

Astakhova llega como favorita clara según el modelo (rank diff +69) en este Round 1 del WTA 125K de Brescia, aunque la superficie no fue provista y eso impide ajustar por especialización. El contexto muestra una Astakhova más rodada en circuito superior, mientras Basiletti viene con resultados mixtos y derrotas frente a top como Svitolina. La base de 85 me parece optimista para tenis femenino en categoría 125K, donde la varianza es alta y Astakhova viene de caer ante Grant en Foggia. Ajusto a la baja para reflejar la ausencia del dato de surface y el momento irregular de la rusa. Stats clave: Rank diff +69 a favor de Astakhova · Prob modelo 95% (base 85) · Astakhova viene de derrota reciente ante Grant en Foggia · Surface no disponible — ajuste por superficie no aplicado

La superficie del torneo de Brescia (WTA 125K, tierra batida indoor/outdoor) no fue provista por el modelo, así que el ajuste de surface no se aplicó —ese es el primer asterisco. La diferencia de ranking es enorme (92 vs 237) y el modelo le da 95% a Grabher, pero el contexto pesa fuerte en contra: viene de cirugía de muñeca, retiro por enfermedad en Roland Garros hace menos de tres semanas y prácticamente sin rodaje competitivo. Paquet llega con ritmo y victoria reciente, lo que estrecha el margen real. Ajusto base 85 a 72 por riesgo físico y falta de minutos en cancha; el favoritismo se mantiene pero con cautela. Stats clave: Diferencia de ranking +145 (Grabher 92, Paquet 237) · Prob base del modelo: 95% para Grabher · Grabher retirada por enfermedad en R2 de Roland Garros (28-may-2026) · Regreso post-cirugía de muñeca, rodaje competitivo limitado · Surface no informada — ajuste de superficie no aplicado

La superficie del partido (césped de Nottingham) no fue confirmada por el feed, lo que limita un ajuste fino. Aun así, la diferencia de ranking es contundente: Sakatsume #151 WTA frente a Dudeney #439, con el modelo asignando 95% a la japonesa. El contexto introduce una señal a la baja: Dudeney llega con dos títulos ITF consecutivos en mayo, momentum real que suele comprimir gaps en superficies rápidas y en formato qualy a un set decisivo. Ajusto base 85 a 78 por ese momentum más la advertencia de surface faltante; sigue siendo pick claro pero con prudencia. Stats clave: Sakatsume WTA #151 vs Dudeney WTA #439 (diff +288) · Probabilidad del modelo: 95% Sakatsume · Dudeney llega con 2 títulos ITF consecutivos en mayo 2026 · Primer H2H entre ambas, sin historial previo · Surface no confirmada por el feed (advertencia de datos)

La diferencia de ranking es abrumadora: Osuigwe (#152 WTA) contra Tomai (#1390 WTA), una brecha de más de 1.200 puestos que el modelo traduce en 95% de probabilidad. El contexto refuerza el escenario base: Tomai juega con wild card su primer WTA 125 a los 21 años, sin track record en este nivel, mientras Osuigwe viene de alcanzar semifinales en el Oeiras CETO Open, otro WTA 125 en Portugal, lo que sugiere adaptación al circuito y posiblemente a condiciones similares. La superficie no fue provista, pero el gap competitivo es tan amplio que ese factor pierde peso. Mantengo el cap en 85 sin inflar: en tenis femenino de clasificación los upsets existen y Tomai no tiene presión de resultado. Stats clave: Osuigwe rank WTA #152 vs Tomai #1390 (diff +1238) · Probabilidad base del modelo: 95% · Osuigwe llega de semifinales en Oeiras CETO Open (WTA 125 en Portugal) · Tomai debuta en WTA 125 vía wild card, sin H2H previo

Sobre césped en Ilkley, Krueger llega con un récord de 9-1 en la superficie esta temporada y un diferencial de ranking enorme (#49 vs #302) que el modelo traduce en 95% de probabilidad. El contexto matiza ligeramente: Naef viene de seis victorias consecutivas para llegar a la final y le ganó el único H2H justamente sobre césped (Wimbledon Q 2023, 6-4 6-2), por lo que ajusto la base 85 a 82 para reconocer ese antecedente y la dinámica de la suiza. Aun así, el salto de nivel WTA vs ITF/qualy y la forma de Krueger en grass del año mantienen el pick claramente del lado de la estadounidense. La amenaza real es un saque elevado de Naef que neutralice el ritmo desde el fondo. Stats clave: Krueger rank #49 vs Naef #302 (diff +253) · Prob modelo: Krueger 95% · Krueger 9-1 en césped en la temporada · Naef ganó el único H2H previo en césped (Wimbledon Q 2023) · Naef llega con 6 victorias consecutivas

La brecha de ranking es enorme (Voloshchuk 460 vs Losciale 971, diff -511) y el modelo le asigna 95% a la ucraniana, base 85. La superficie no fue provista — es qualy del WTA 125K de Figueira Da Foz, probablemente tierra batida outdoor, pero sin confirmación oficial reduzco levemente. El H2H reciente refuerza: Voloshchuk ya ganó 2-0 a Losciale en noviembre de 2025, y la diferencia generacional (19 vs 29 años) favorece a la jugadora joven en ascenso frente a una veterana estancada en el ranking 900+. Ajusto -5 por la falta de dato de superficie y porque ambas vienen de derrota el 11 de junio (factor neutro pero añade ruido). Mantengo publicable. Stats clave: Rank diff -511 (Voloshchuk 460 vs Losciale 971) · Prob modelo 95% a Voloshchuk · H2H 1-0 Voloshchuk (2-0 en nov 2025) · Surface no confirmada — ajuste -5

Sobre césped Siniakova tiene experiencia significativamente mayor y un H2H 1-0 favorable, aunque ganado en tres sets ajustados. El contexto refuerza el pick: 21 victorias en sus últimos 26 partidos vs jugadoras chinas y llega con confianza tras ganar dobles en Roland Garros. La incertidumbre principal es que es su primer partido del año en grass mientras Yuan ya jugó en la superficie la semana pasada, lo que limita la convicción. Stats clave: Siniakova #47 WTA · H2H 1-0 Siniakova · Récord 21-5 vs jugadoras chinas · Récord año Siniakova 10-10 (50%) · Primer partido del año en grass para Siniakova

Diferencia de ranking abrumadora: Kobori figura entre la 333-421 del WTA mientras Lopez Martinez está por encima del puesto 700, una brecha de más de 300 posiciones que el modelo traduce en 95% de probabilidad. La surface no fue provista (torneo ITF sobre tierra en Figueira da Foz, típicamente clay), así que no aplico ajuste por superficie y prefiero recortar levemente desde la base 85. El contexto de 96h no reporta lesiones ni cambios, por lo que no hay señal para mover en ninguna dirección. La única amenaza real es la varianza propia de torneos ITF/challenger donde la jugadora local puede elevar nivel, pero la diferencia estructural es demasiado amplia. Stats clave: Kobori rank ~333-421 vs Lopez Martinez ~707-738 · Brecha de ranking de más de 300 posiciones · Probabilidad del modelo 95% para Kobori · Sin lesiones ni novedades en últimas 96h

El modelo da 80% a Volynets por diferencia de ranking (96 vs 106), pero hay dos señales de cautela que pesan en césped. Primero, no se provee surface_adj —Nottingham es césped, superficie de altísima varianza donde 10 puestos de ranking pesan menos que en cancha dura. Segundo, el H2H favorece a Birrell 2-1, incluyendo el único partido previo sobre césped entre ambas. Ajusto la base de 80 a 72: Volynets sigue siendo favorita por ranking y forma, pero el historial directo en superficie y la naturaleza impredecible del césped reducen el margen. Sin lesiones reportadas en ninguna, no hay razón para descartar. Stats clave: Rank Volynets #96 vs Birrell #106 (diff +10) · Prob base modelo: 80.1% · H2H favorece a Birrell 2-1, incluyendo único duelo en césped · Superficie césped no incorporada en el cálculo base

Ruggeri llega como favorita clara en la qualy del WTA 125K de Brescia con una diferencia de ranking sustancial (312 vs 507, casi 200 puestos) y jugando en su país natal. La superficie no fue provista en el feed, lo que limita la lectura fina, pero el diferencial de nivel es lo suficientemente amplio como para que el factor surface sea secundario en una qualy de este escalón. El contexto reciente confirma forma sólida (7 victorias en los últimos 10) y no hay reportes de lesiones en 96h. Mantengo la base en 85; la única amenaza real es la varianza típica de qualies con jugadoras jóvenes. Stats clave: Ranking: Ruggeri 312 vs Kotliar 507 (diff +195) · Probabilidad del modelo: 95% Ruggeri · Forma reciente Ruggeri: 7-3 últimos 10 · Ventaja de localía en Brescia, Italia

Pieri llega con una diferencia de ranking favorable (349 vs 367) en un Qualy de WTA 125 jugado en Brescia, terreno italiano para ambas. El modelo le asigna 93% por la brecha, pero la surface no fue provista y a nivel ITF/Qualy de bajo ranking la varianza entre jugadoras separadas por apenas 18 puestos es alta. Sin señales contextuales en las últimas 96h (ni lesiones ni fatiga reportada), ajusto a la baja desde 85 para reflejar la incertidumbre estructural del segmento. La amenaza principal es la propia volatilidad del nivel: a este escalón, el rank diff pesa menos que en circuito principal. Stats clave: Rank Pieri #349 vs Cherubini #367 (diff +18) · Probabilidad modelo: 93% Pieri · Surface no provista — ajuste por superficie no aplicado · Sin lesiones ni novedades en las últimas 96h