Matemática aplicada, estadística y rendimiento deportivo en el fútbol: una revisión sistemática
DOI:
https://doi.org/10.63688/vayvnj09Palabras clave:
matemática, fútbol, estadística, estrategia, rendimientoResumen
La presente investigación analiza la relación entre la matemática, la estadística, la planificación de juego, la organización táctica, la dinámica competitiva y el rendimiento deportivo en el fútbol. El estudio se desarrolló mediante una revisión sistemática de enfoque cualitativo y alcance descriptivo, siguiendo el modelo PRISMA 2020. Se revisaron 12 documentos académicos publicados entre 2013 y 2025, obtenidos de bases de datos y fuentes especializadas como Google Scholar, PubMed, Taylor & Francis, Springer, Frontiers, ACM Digital Library, Routledge y BMJ.
Los resultados evidencian que la matemática y la estadística permiten interpretar el juego de manera objetiva mediante indicadores como posesión del balón, pases completados, remates, probabilidad de gol, desplazamientos y valoración de acciones. Asimismo, se identificó que las estrategias tácticas basadas en datos contribuyen a optimizar la planificación táctica, la gestión estratégica del equipo y los procesos de toma de decisiones durante la competencia. Se concluye que el análisis matemático-estadístico no solo describe el rendimiento futbolístico, sino que también aporta herramientas útiles para optimizar el desempeño individual y colectivo.
Referencias
Anzer, G., & Bauer, P. (2021). A goal scoring probability model for shots based on synchronized positional and event data in football (soccer). Frontiers in Sports and Active Living, 3, Article 624475. https://doi.org/10.3389/fspor.2021.624475
Cintia, P., Giannotti, F., & Pappalardo, L. (2015). A network-based approach to evaluate the performance of football teams. En Proceedings of the 2015 IEEE International Conference on Data Science and Advanced Analytics (pp. 1–10). IEEE. https://doi.org/10.1109/DSAA.2015.7344857
Dalal, S., Kamath, P., & Sharma, R. (2025). Advanced football analytics and spatial performance metrics in professional soccer. Journal of Sports Analytics, 11(2), 145–160. https://doi.org/10.3233/JSA-240112
Decroos, T., Bransen, L., Van Haaren, J., & Davis, J. (2019). Actions speak louder than goals: Valuing player actions in soccer. En Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp. 1851–1861). Association for Computing Machinery. https://doi.org/10.1145/3292500.3330758
Fernández-Navarro, J., Fradua, L., Zubillaga, A., Ford, P. R., & McRobert, A. P. (2016). Attacking and defensive styles of play in soccer: Analysis of Spanish and English elite teams. Journal of Sports Sciences, 34(24), 2195–2204. https://doi.org/10.1080/02640414.2016.1169309
Forcher, L. F., Forcher, L., Woll, A., & Altmann, S. (2025). AI in Bundesliga match analysis—Expected possession value (EPV) vs. expected goals (xG) to predict match outcomes in soccer. Frontiers in Sports and Active Living, 7, Article 1713852. https://doi.org/10.3389/fspor.2025.1713852
Goes, F. R., Kempe, M., Meerhoff, L. A., & Lemmink, K. A. P. M. (2019). Not every pass can be an assist: A data-driven model to measure pass effectiveness in professional soccer matches. Big Data, 7(1), 57–70. https://doi.org/10.1089/big.2018.0067
Link, D. (2018). Data analytics in professional soccer: Performance analysis based on spatiotemporal tracking data. Springer. https://doi.org/10.1007/978-3-658-21177-6
Liu, H., Gómez, M. A., Lago-Peñas, C., & Sampaio, J. (2015). Match statistics related to winning in the group stage of 2014 Brazil FIFA World Cup. Journal of Sports Sciences, 33(12), 1205–1211. https://doi.org/10.1080/02640414.2015.1022578
Mackenzie, R., & Cushion, C. (2013). Performance analysis in football: A critical review and implications for future research. Journal of Sports Sciences, 31(6), 639–676. https://doi.org/10.1080/02640414.2012.746720
Memmert, D., & Raabe, D. (2018). Data analytics in football: Positional data collection, modelling and analysis. Routledge. https://doi.org/10.4324/9781351210164
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., et al. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, Article n71. https://doi.org/10.1136/bmj.n71
Rein, R., & Memmert, D. (2016). Big data and tactical analysis in elite soccer: Future challenges and opportunities for sports science. SpringerPlus, 5, Article 1410. https://doi.org/10.1186/s40064-016-3108-2
Sarmento, H., Marcelino, R., Anguera, M. T., Campaniço, J., Matos, N., & Leitão, J. C. (2014). Match analysis in football: A systematic review. Journal of Sports Sciences, 32(20), 1831–1843. https://doi.org/10.1080/02640414.2014.898852
Wang, Z., Veličković, P., Hennes, D., Schmid, C., Vinyes, O., et al. (2023). TacticAI: An AI assistant for football tactics. arXiv. https://doi.org/10.48550/arXiv.2310.10553
Yeung, C., Sit, T., & Fujii, K. (2025). Transformer-based neural marked spatio-temporal point process model for analyzing football match events. Applied Intelligence, 55, Article 335. https://doi.org/10.1007/s10489-024-05996-9
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Wilmer Javier Labre Tarco, Mayra Valeria Lojano Quilambaqui, Sonia Mariela Carpio Alemán, Paula Beatriz Castro, Ludis Judith Ordóñez Chimbo (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
