Dos investigadores de la Universidad de Almería han desarrollado un modelo estadístico capaz de predecir resultados de partidos de fútbol, centrándose especialmente en los empates, el desenlace más difícil de anticipar. El trabajo ha sido publicado en la prestigiosa revista ‘Progress in Artificial Intelligence’, de la editorial Springer.
Antonio Salmerón, catedrático de Estadística en la UAL, y Nicolás Pérez son los autores de esta investigación, que surgió a partir de la tesis doctoral del segundo. El estudio lleva por título ‘Predicting draws and number of fouls in football matches using Bayesian network classifiers’, que en español significa ‘Predicción de empates y número de faltas en partidos de fútbol mediante clasificadores de redes bayesianas’.
Los investigadores partieron de una premisa básica: el fútbol profesional genera cada vez más datos, lo que lo convierte en un campo ideal para aplicar técnicas de ciencia de datos. Sin embargo, este volumen masivo de información conlleva una gran incertidumbre sobre los resultados finales de los encuentros.
El modelo desarrollado utiliza lo que se conoce como ‘clasificadores bayesianos’, un tipo de herramienta estadística que permite analizar datos históricos para hacer predicciones. En concreto, el sistema es capaz de anticipar diversos factores relacionados con los partidos, como el número de faltas que se cometerán y, sobre todo, la probabilidad de que un encuentro termine en empate.
Para entrenar estos modelos, los investigadores emplearon datos históricos de La Liga desde la temporada 2010/2011. Uno de los aspectos más destacables del trabajo es que toda la información utilizada está disponible de forma gratuita en internet, lo que significa que cualquier persona con los conocimientos necesarios podría replicar el estudio.
La investigación propone formas novedosas de agrupar y organizar estos datos con el objetivo de mejorar la capacidad predictiva del modelo. Además, por la naturaleza estadística del sistema desarrollado, resulta especialmente útil en contextos de apuestas deportivas, donde los investigadores han conseguido desarrollar una estrategia basada en la ganancia esperada.
Salmerón destaca que la principal ventaja de usar clasificadores bayesianos frente a otros modelos de predicción, como las redes neuronales, es que resultan mucho más fáciles de interpretar. Mientras que las redes neuronales funcionan como «cajas negras» cuyo proceso interno resulta difícil de seguir, los clasificadores bayesianos permiten trazar y comprender el razonamiento que lleva al modelo a realizar una determinada predicción.
Esta característica es fundamental en el ámbito científico, ya que permite a los investigadores entender no solo qué predice el modelo, sino también por qué lo hace, facilitando así la detección de posibles errores o sesgos en el análisis.
Más allá del mundo del fútbol, los autores señalan que la estrategia de agrupación de datos desarrollada puede aplicarse a cualquier otro problema de predicción donde el interés esté en anticipar sucesos raros o poco habituales. Esto amplía notablemente el campo de aplicación de su trabajo, que podría resultar útil en sectores tan diversos como la medicina, la meteorología o la economía.
El estudio se ha publicado en el área de ‘Computer Science, Artificial Intelligence’ de la revista ‘Progress in Artificial Intelligence’, una publicación de referencia en el campo de la inteligencia artificial y el aprendizaje automático.