Modelizacion estadística de resultados en fútbol a partir de indicadores de rotación de equipos

Abstract

Este Trabajo de Fin de Grado tiene como objetivo modelizar estadísticamente los resultados en el fútbol profesional a partir de indicadores de rotación de equipos, centrándose en cómo las decisiones relacionadas con las alineaciones y las sustituciones influyen en el desenlace de los partidos. Para ello, se ha recopilado y procesado un conjunto de datos detallado de la Primera División española entre las temporadas 2019 y 2024, excluyendo partidos de equipos con presupuestos extremos y primeras jornadas sin historial previo suficiente. El estudio comienza con un analisis descriptivo de las variables objetivo (resultado del partido y goles de cada equipo) y de variables explicativas relacionadas con las rotaciones. A continuacion, se implementan y comparan distintos modelos predictivos: regresión de Poisson, regresión logística multinomial (con y sin regularizacion mediante glmnet), y el algoritmo XGBoost, tanto en versiones de regresión como de clasificación directa. Los resultados muestran que, los modelos mas simples, como la regresión de Poisson, proporcionan un rendimiento aceptable, aunque con ciertas limitaciones. En cambio, al aplicar métodos como la regresion multinomial, la regresión regularizada con glmnet o la clasificación directa con XGBoost, se ha conseguido una mejora significativa en la precisión, alcanzando niveles de accuracy por encima del 48 %. Estos enfoques permiten capturar mejor la complejidad del problema y ofrecen resultados mas competitivos. Este trabajo aporta evidencia empírica sobre el valor de incluir indicadores de rotación en los modelos estadísticos de predicción deportiva, y destaca el potencial de la estadística aplicada para mejorar la toma de decisiones en contextos competitivos.

This Bachelor’s Thesis aims to statistically model football match outcomes based on team rotation indicators, focusing on how lineup and substitution decisions may affect match results. To this end, a detailed dataset from the Spanish First Division (2019–2024) was compiled and processed, excluding matches involving financially extreme teams and early-season games lacking historical data. The study begins with a descriptive analysis of both target variables (match result and goals scored) and explanatory variables related to player rotations. Subsequently, various predictive models are implemented and compared: Poisson regression, multinomial logistic regression (with and without regularization using glmnet), and XGBoost, both as regression and direct classification tools. Results show that simpler models, such as Poisson regression, offer acceptable performance, although with certain limitations. In contrast, applying more advanced methods—such as multinomial regression, regularized regression with glmnet, or direct classification with XGBoost—has led to a significant improvement in precision, reaching accuracy levels above 48 %. These more sophisticated approaches better capture the complexity of the problem and yield more competitive results. This work provides empirical evidence on the value of including rotation indicators in football prediction models and highlights the potential of applied statistics to support decision-making in competitive settings.