La Universidad de Almería desarrolla una estrategia estadística para predecir factores en el fútbol profesional

ALMERÍA 30 Oct. (EUROPA PRESS) -

La Universidad de Almería (UAL) ha desarrollado una estrategia basada en modelos estadísticos llamados clasificadores bayesianos para predecir factores de los partidos de fútbol profesional.

El método se aplica al número de faltas y a la probabilidad de que un encuentro termine en empate, "considerado el resultado más difícil de anticipar", según ha señalado la institución académica en una nota.

Esta línea de trabajo ha quedado recogida en la investigación titulada 'Predicting draws and number of fouls in football matches using Bayesian network classifiers', publicada en la prestigiosa revista 'Progress in Artificial Intelligence', de la editorial Springer.

Los autores del estudio son Antonio Salmerón, catedrático de Estadística de la UAL, y Nicolás Pérez, a partir de la tesis doctoral de este último. La investigación parte de la idea de que el fútbol profesional genera cada vez más datos y se convierte en un ámbito idóneo para aplicar técnicas de ciencia de datos. Además, identifica la "gran incertidumbre" que acompaña a los resultados deportivos y plantea una metodología capaz de afrontarla.

Por la naturaleza estadística de los modelos utilizados, que facilita su aplicación en contextos de apuestas, los investigadores han conseguido desarrollar una estrategia en función de la ganancia esperada. También han señalado que esta forma de agrupar datos puede aplicarse en otros problemas de predicción donde interese anticipar sucesos "raros o poco habituales".

El trabajo se ha realizado con datos históricos de La Liga desde la temporada 2010/2011, y propone "formas novedosas de agruparlos con el objetivo de mejorar la capacidad de predicción". Los modelos estadísticos se han entrenado exclusivamente con datos disponibles de forma libre en internet y, por lo tanto, accesibles a todo el mundo.

Según los autores, La principal ventaja del uso de clasificadores bayesianos frente a otros modelos de predicción, como los basados en redes neuronales, es que "son fácilmente interpretables por humanos y es posible trazar el proceso que lleva al modelo a realizar una determinada predicción".