Identificación del Modelo de Juego de Tigres Desde una Perspectiva Probabilística
DOI:
https://doi.org/10.29105/rce-fod.v21i1.160Palabras clave:
fútbol, modelo de juego, análisis táctico, modelos probabilísticos, modelos ocultos de MarkovResumen
Objetivo: identificar el modelo de juego del club de fútbol profesional Tigres durante el periodo 2024–2025, comprendido por los torneos Apertura 2024 y Clausura 2025. Métodos: la identificación se aborda desde una perspectiva probabilística mediante el uso de modelos ocultos de Markov, adecuados para modelar procesos de Markov subyacentes no observados. Se analizaron 15 variables de rendimiento deportivo, incluyendo posesión de balón, faltas, tiros de esquina, centros, toques de balón, entradas, intercepciones, duelos aéreos ganados, despejes, balones largos, fueras de lugar, saques de meta, saques de banda, tarjetas amarillas y tarjetas rojas. Resultados: se identificaron tres modelos de juego distintos, clasificados como dominio posicional, repliegue defensivo y ataque directo. Durante el periodo de estudio, el equipo contó con dos entrenadores, cada uno asociado predominantemente con un modelo de juego específico. Conclusiones: los resultados confirman la pertinencia del uso de modelos ocultos de Markov para la identificación de estructuras tácticas latentes en el fútbol profesional. Este enfoque proporciona una aproximación probabilística robusta para el análisis del comportamiento colectivo, contribuyendo al estudio longitudinal del rendimiento deportivo y favoreciendo una toma de decisiones tácticas más informada.
Descargas
Citas
Espinoza, J. C. (2025). Modelado Estadístico del Rendimiento Deportivo: Factores que Explican la Probabilidad de Victoria de Tigres 2024-2025. Revista De Ciencias Del Ejercicio FOD, 20(2), 71–84. https://doi.org/10.29105/rce-fod.v20i2.150 DOI: https://doi.org/10.29105/rce-fod.v20i2.150
Fernández, J. & Bornn, L. (2018). Wide Open Spaces: A statistical technique for measuring space creation in professional soccer. MIT Sloan Sports Analytics Conference 2018. https://www.sloansportsconference.com/research-papers/wide-open-spaces-a-statistical-technique-for-measuring-space-creation-in-professional-soccer
Garganta, J. (2008). Modelação táctica em jogos desportivos – A desejável cumplicidade entre pesquisa, treino e competição. En F. Tavares, A. Graça, J. Garganta, & I. Mesquita (Eds.), Olhares e Contextos da Performance nos jogos desportivos (pp. 108-121). Universidade do Porto: Faculdade de Desporto.
Garganta, J. (2009). Trends of tactical performance analysis in team sports: Bridging the gap between research, training and competition. Revista Portuguesa de Ciências do Desporto, 9(1), 81–89. https://doi.org/10.5628/rpcd.09.01.81 DOI: https://doi.org/10.5628/rpcd.09.01.81
Goldner, K. (2012). A Markov Model of Football: Using Stochastic Processes to Model a Football Drive. Journal of Quantitative Analysis in Sports, 8(1), 1-18. https://doi.org/10.1515/1559-0410.1400 DOI: https://doi.org/10.1515/1559-0410.1400
Grehaigne J. F., Bouthier, D., & David, B. (1997). Dynamic-system analysis of opponent relationships in collective actions in soccer. Journal of Sports Sciences, 15(2), 137-49. https://doi.org/10.1080/026404197367416 DOI: https://doi.org/10.1080/026404197367416
Hirotsu, N. & Wright, M. (2002). Using a Markov process model of an association football match to determine the optimal timing of substitution and tactical decisions. Journal of the Operational Research Society, 53(1), 88-96. https://doi.org/10.1057/palgrave.jors.2601254 DOI: https://doi.org/10.1057/palgrave/jors/2601254
Holmes, B., McHale, I. G. & Zychaluk, K. (2023). A Markov chain model for forecasting results of mixed martial arts contests. International Journal of Forecasting, 39(2), 623-640. https://doi.org/10.1016/j.ijforecast.2022.01.007 DOI: https://doi.org/10.1016/j.ijforecast.2022.01.007
Hughes, M. D. & Bartlett, R. M. (2002). The use of performance indicators in performance analysis. Journal of Sports Sciences, 20(10), 739-54. https://doi.org/10.1080/026404102320675602 DOI: https://doi.org/10.1080/026404102320675602
McGarry, T. (2004). Models of sports contests. Markov processes, dynamical systems and neural networks. En I. Franks & M. Hughes (Eds.), Notational analysis of sport (pp. 257–270). https://doi.org/10.4324/9780203641958 DOI: https://doi.org/10.4324/9780203641958
McGarry, T., Anderson, D., Wallace, S., Hughes, M., & Franks, I. M. (2002). Sport competition as a dynamical self-organizing system. Journal of Sports Sciences, 20(10), 771–781. https://doi.org/10.1080/026404102320675620 DOI: https://doi.org/10.1080/026404102320675620
Lago-Peñas, C. & Dellal, A. (2010). Ball possession strategies in elite soccer according to the evolution of the match-score: The influence of situational variables. Journal of Human Kinetics, 25, 93–100. https://doi.org/10.2478/v10078-010-0036-z DOI: https://doi.org/10.2478/v10078-010-0036-z
Lago-Peñas, C., Lago-Ballesteros, J., Dellal, A., & Gómez, M. (2010). Game-Related Statistics that Discriminated Winning, Drawing and Losing Teams from the Spanish Soccer League. Journal of sports science & medicine, 9(2), 288–293.
Pappalardo, L., Cintia, P., Rossi, A., Massucco, E., Ferragina, P., Pedreschi, D., & Giannotti, F. (2019). A public data set of spatio-temporal match events in soccer competitions. Scientific Data, 6, 236. https://doi.org/10.1038/s41597-019-0247-7 DOI: https://doi.org/10.1038/s41597-019-0247-7
Pfeiffer, M., Zhang, H., & Hohmann, A. (2010). A Markov Chain Model of Elite Table Tennis Competition. International Journal of Sports Science & Coaching, 5(2), 205-222. https://doi.org/10.1260/1747-9541.5.2.205 DOI: https://doi.org/10.1260/1747-9541.5.2.205
Rabiner, L. R. (1989). A tutorial on hidden Markov models and selected applications in speech recognition. Proceedings of the IEEE, 77(2), 257-286. https://doi.org/10.1109/5.18626 DOI: https://doi.org/10.1109/5.18626
Sarcevic, A., Pintar, D., Vranic, M., & Gojsalic, A. (2021). Modeling In-Match Sports Dynamics Using the Evolving Probability Method. Applied Sciences, 11(10). https://doi.org/10.3390/app11104429 DOI: https://doi.org/10.3390/app11104429
Sports-Reference (2025). 2024-2025 UANL Stats. https://fbref.com/en/squads/d9e1bd51/2024-2025/UANL-Stats
Tenga, A., Holme, I., Ronglan, L. T., & Bahr, R. (2010). Effect of playing tactics on goal scoring in Norwegian professional soccer. International Journal of Performance Analysis in Sport, 28(3), 237-244. https://doi.org/10.1080/02640410903502774 DOI: https://doi.org/10.1080/02640410903502774
Zucchini, W., MacDonald, I. L. y Langrock, R. (2016). Hidden Markov Models for Time Series. An Introduction Using R (2da ed.). CRC Press. DOI: https://doi.org/10.1201/b20790
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 José Carlos Espinoza
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
