Análisis de datos de competiciones: Uso de técnicas de análisis de series temporales para prever resultados de competiciones
El análisis de datos deportivos ha evolucionado con el uso de técnicas avanzadas de series temporales para la predicción de resultados en competiciones. El objetivo fue evaluar la eficacia de los modelos ARIMA, redes neuronales recurrentes y aprendizaje profundo en la predicción de resultados de com...
Saved in:
| Main Author: | |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
FEADEF
2025-04-01
|
| Series: | Retos: Nuevas Tendencias en Educación Física, Deportes y Recreación |
| Subjects: | |
| Online Access: | https://recyt.fecyt.es/index.php/retos/article/view/114138 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1850184397793263616 |
|---|---|
| author | Ronald Alexander Llerena Carrera |
| author_facet | Ronald Alexander Llerena Carrera |
| author_sort | Ronald Alexander Llerena Carrera |
| collection | DOAJ |
| description | El análisis de datos deportivos ha evolucionado con el uso de técnicas avanzadas de series temporales para la predicción de resultados en competiciones. El objetivo fue evaluar la eficacia de los modelos ARIMA, redes neuronales recurrentes y aprendizaje profundo en la predicción de resultados de competiciones deportivas, comparando su precisión y capacidad de adaptación a distintas variables contextuales. La metodología se basó en el análisis de datos históricos de competiciones deportivas, aplicando modelos de series temporales y técnicas de aprendizaje automático. Se utilizaron bases de datos deportivas con información sobre rendimiento de equipos y jugadores, evaluando la capacidad predictiva de los modelos implementados. Los resultados indicaron que las redes neuronales LSTM presentaron un mejor desempeño en la predicción de resultados en comparación con modelos tradicionales. La inclusión de variables contextuales, como la condición física de los jugadores y el entorno de juego, mejoró la precisión de las predicciones. En la discusión, los hallazgos coincidieron con investigaciones que destacan la efectividad del aprendizaje profundo en el análisis de datos deportivos. Sin embargo, se identificó la necesidad de seguir optimizando la integración de múltiples fuentes de datos para mejorar la exactitud de las predicciones. Se concluyó que el uso de técnicas de series temporales representa una herramienta valiosa en la predicción de resultados deportivos, con aplicaciones en la toma de decisiones estratégicas y el análisis del rendimiento competitivo. Se recomienda continuar explorando enfoques híbridos y el uso de datos en tiempo real para fortalecer la precisión predictiva en futuros estudios.
|
| format | Article |
| id | doaj-art-34cb2644f01b4395b1fb8b3f37f64e1c |
| institution | OA Journals |
| issn | 1579-1726 1988-2041 |
| language | English |
| publishDate | 2025-04-01 |
| publisher | FEADEF |
| record_format | Article |
| series | Retos: Nuevas Tendencias en Educación Física, Deportes y Recreación |
| spelling | doaj-art-34cb2644f01b4395b1fb8b3f37f64e1c2025-08-20T02:17:04ZengFEADEFRetos: Nuevas Tendencias en Educación Física, Deportes y Recreación1579-17261988-20412025-04-016710.47197/retos.v67.114138Análisis de datos de competiciones: Uso de técnicas de análisis de series temporales para prever resultados de competicionesRonald Alexander Llerena Carrera0Universidad Estatal de MilagroEl análisis de datos deportivos ha evolucionado con el uso de técnicas avanzadas de series temporales para la predicción de resultados en competiciones. El objetivo fue evaluar la eficacia de los modelos ARIMA, redes neuronales recurrentes y aprendizaje profundo en la predicción de resultados de competiciones deportivas, comparando su precisión y capacidad de adaptación a distintas variables contextuales. La metodología se basó en el análisis de datos históricos de competiciones deportivas, aplicando modelos de series temporales y técnicas de aprendizaje automático. Se utilizaron bases de datos deportivas con información sobre rendimiento de equipos y jugadores, evaluando la capacidad predictiva de los modelos implementados. Los resultados indicaron que las redes neuronales LSTM presentaron un mejor desempeño en la predicción de resultados en comparación con modelos tradicionales. La inclusión de variables contextuales, como la condición física de los jugadores y el entorno de juego, mejoró la precisión de las predicciones. En la discusión, los hallazgos coincidieron con investigaciones que destacan la efectividad del aprendizaje profundo en el análisis de datos deportivos. Sin embargo, se identificó la necesidad de seguir optimizando la integración de múltiples fuentes de datos para mejorar la exactitud de las predicciones. Se concluyó que el uso de técnicas de series temporales representa una herramienta valiosa en la predicción de resultados deportivos, con aplicaciones en la toma de decisiones estratégicas y el análisis del rendimiento competitivo. Se recomienda continuar explorando enfoques híbridos y el uso de datos en tiempo real para fortalecer la precisión predictiva en futuros estudios. https://recyt.fecyt.es/index.php/retos/article/view/114138predicción de resultados, series temporales, redes neuronales, análisis deportivo. |
| spellingShingle | Ronald Alexander Llerena Carrera Análisis de datos de competiciones: Uso de técnicas de análisis de series temporales para prever resultados de competiciones Retos: Nuevas Tendencias en Educación Física, Deportes y Recreación predicción de resultados, series temporales, redes neuronales, análisis deportivo. |
| title | Análisis de datos de competiciones: Uso de técnicas de análisis de series temporales para prever resultados de competiciones |
| title_full | Análisis de datos de competiciones: Uso de técnicas de análisis de series temporales para prever resultados de competiciones |
| title_fullStr | Análisis de datos de competiciones: Uso de técnicas de análisis de series temporales para prever resultados de competiciones |
| title_full_unstemmed | Análisis de datos de competiciones: Uso de técnicas de análisis de series temporales para prever resultados de competiciones |
| title_short | Análisis de datos de competiciones: Uso de técnicas de análisis de series temporales para prever resultados de competiciones |
| title_sort | analisis de datos de competiciones uso de tecnicas de analisis de series temporales para prever resultados de competiciones |
| topic | predicción de resultados, series temporales, redes neuronales, análisis deportivo. |
| url | https://recyt.fecyt.es/index.php/retos/article/view/114138 |
| work_keys_str_mv | AT ronaldalexanderllerenacarrera analisisdedatosdecompeticionesusodetecnicasdeanalisisdeseriestemporalesparapreverresultadosdecompeticiones |