📊 statistics

Absolute and Relative Performance Indicators Associated with Match Success Across Six European Professional Football Leagues

Este estudio de 2.058 partidos en seis ligas europeas demuestra que, si bien los indicadores de rendimiento relativo (diferencias entre equipo y oponente) son más efectivos que los indicadores absolutos para predecir los resultados de los partidos, el modelo predictivo más preciso se logra integrando tanto métricas absolutas como relativas.

Autores originales: Ângelo Brito

Publicado 2026-08-05

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Ângelo Brito

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás viendo un partido de fútbol. Durante décadas, los analistas se han obsesionado con contar todo lo que hace un solo equipo: ¿Cuántos pases hicieron? ¿Cuánto tiempo mantuvieron la posesión? ¿Cuántos tiros realizaron? Es como juzgar a un chef únicamente por cuántos ingredientes picó, sin haber probado nunca la sopa o sin ver qué estaba cocinando el otro chef. Este es el mundo del rendimiento "absoluto": observar las estadísticas de un equipo en el vacío. Pero el fútbol no es un acto solitario; es una danza constante y caótica entre dos equipos. Si el Equipo A pasa el balón 500 veces, eso es impresionante, pero ¿qué pasa si el Equipo B lo pasó 600 veces? De repente, los 500 pases del Equipo A parecen una lucha, no un triunfo. Este artículo plantea una pregunta simple pero revolucionaria: para entender realmente quién gana y por qué, ¿deberíamos simplemente contar lo que hizo un equipo, o deberíamos medir cuánto mejor lo hizo en comparación con el otro equipo? La respuesta cambia todo sobre cómo vemos el juego hermoso.

Esta investigación, liderada por Ângelo Brito de la Universidad de Lisboa, decidió resolver el debate analizando una montaña masiva de datos: cada uno de los partidos de la temporada 2023–2024 en seis de las principales ligas profesionales de Europa (incluyendo la Premier League inglesa, LaLiga española y la Serie A italiana). Son 2.058 partidos y más de 4.000 rendimientos de equipos para procesar. El autor no solo buscó nuevas estadísticas; en su lugar, probó tres formas diferentes de "leer" el juego. Primero, analizó los Indicadores Absolutos (lo que un equipo hizo por su cuenta). Segundo, analizó los Indicadores Relativos (la diferencia entre lo que hizo un equipo y lo que hizo su oponente). Tercero, intentó Combinar ambos.

Los resultados fueron tan claros como el silbato de un árbitro. Cuando el autor intentó predecir quién ganaría usando solo las estadísticas "Absolutas" (como el total de pases o tiros), el modelo era aceptable, pero fallaba a menudo, acertando el resultado aproximadamente el 79% de las veces. Sin embargo, cuando cambió a las estadísticas "Relativas" —preguntándose esencialmente, "¿Cuántos tiros más realizó el Equipo A que el Equipo B?"—, el modelo se convirtió en una bola de cristal. De repente, podía predecir al ganador con un 91% de precisión. El enfoque "Relativo" fue un salto masivo hacia adelante. Demostró que saber que un equipo tuvo 15 tiros a puerta significaba muy poco a menos que supieras que su oponente solo tuvo 3. La diferencia entre 15 y 3 es lo que realmente impulsa la victoria.

El estudio encontró que los predictores más poderosos de la victoria no se trataban solo de tener una buena ofensiva, sino de tener una ofensiva mejor que la del otro. Específicamente, tener más tiros a puerta que tu oponente y ser más eficiente al convertir esos tiros en goles eran las llaves de oro. Cuando el autor combinó ambos tipos de datos (Absolutos y Relativos), el modelo mejoró aún más, alcanzando un 93% de precisión. Pero aquí está el detalle: casi toda esa mejora provino de la parte "Relativa". Añadir los números "Absolutos" solo dio un impulso pequeño y modesto.

Entonces, ¿qué significa esto para el futuro del análisis del fútbol? El artículo sugiere que debemos dejar de mirar a los equipos de forma aislada. El rendimiento de un equipo no es solo un número en un marcador; es una relación. Al igual que una carrera no se trata de qué tan rápido corres, sino de qué tan rápido eres en comparación con la persona que está a tu lado, el éxito en el fútbol se define por la brecha entre tú y tu oponente. Si bien contar el total de pases y tiros sigue siendo útil para entender el estilo de un equipo, si quieres saber por qué un equipo ganó o perdió, tienes que mirar la diferencia. El artículo concluye que la mejor manera de modelar el éxito en el fútbol es centrarse en cuánto superó un equipo a su rival, demostrando que en el juego del fútbol, el contexto es el rey, y la única estadística que realmente importa es la que compara a los dos bandos.

Resumen Técnico: Indicadores de Rendimiento Absolutos y Relativos Asociados al Éxito en el Partido en Seis Ligas Profesionales de Fútbol Europeo

Planteamiento del Problema

El análisis del rendimiento en el fútbol se ha centrado tradicionalmente en la identificación de indicadores de rendimiento absoluto en el partido (p. ej., total de tiros, posesión del balón) asociados con el éxito competitivo. Sin embargo, existe una brecha metodológica significativa respecto a cómo debería representarse analíticamente el rendimiento competitivo. El fútbol es un sistema interactivo donde la significación de cualquier acción depende del comportamiento del equipo contrario; sin embargo, la mayoría de las investigaciones se basan en estadísticas aisladas de equipos, asumiendo implícitamente que estas proporcionan una representación adecuada del rendimiento competitivo. Este estudio aborda la pregunta fundamental de si el éxito competitivo se caracteriza con mayor precisión mediante indicadores absolutos, indicadores relativos (diferencias entre equipo y oponente) o una combinación de ambos.

Metodología

Diseño del Estudio y Muestra:
Este estudio observacional retrospectivo utilizó un diseño comparativo y predictivo analizando datos de la temporada 2023–2024 en seis ligas profesionales domésticas europeas: la Premier League de Inglaterra, LaLiga de España, la Serie A de Italia, la Bundesliga de Alemania, la Ligue 1 de Francia y la Primeira Liga de Portugal. El conjunto de datos comprendió 2.058 partidos oficiales, lo que resultó en 4.116 observaciones de equipo-partido (dos observaciones por partido).

Variables:
El estudio examinó tres representaciones analíticas:

Indicadores Absolutos: Valores registrados por un equipo de forma independiente (p. ej., % de posesión de balón, total de tiros, tiros a puerta, precisión de pases, eficiencia ofensiva).
Indicadores Relativos: Calculados como la diferencia entre el valor del equipo focal y el valor del oponente dentro del mismo partido (p. ej., Tiros a Puerta Relativos = Tiros a Puerta del Equipo − Tiros a Puerta del Oponente).
Indicadores Combinados: Una integración de variables tanto absolutas como relativas.

Análisis Estadístico:

Descriptivo e Inferencial: Se utilizaron ANOVAs de un factor para comparar los indicadores entre victorias, empates y derrotas, con los tamaños del efecto cuantificados mediante eta cuadrado parcial ( $\eta_p^2$ ).
Modelado Predictivo: Se estimaron modelos de regresión logística multivariable para predecir la victoria (frente a la no victoria). Se compararon tres modelos: uno utilizando solo indicadores absolutos, uno utilizando solo indicadores relativos y uno utilizando un conjunto combinado.
Métricas de Rendimiento: Los modelos fueron evaluados utilizando el Área Bajo la Curva ROC (AUC), exactitud, sensibilidad, especificidad y la puntuación de Brier.
Selección del Modelo Final: Se aplicó un procedimiento de selección descendente (backward stepwise selection) al modelo combinado para identificar los predictores independientes de la victoria. Los errores estándar se agruparon (clustered) a nivel de partido para tener en cuenta la no independencia de las dos observaciones de equipo derivadas de un mismo encuentro.

Resultados Clave

1. Capacidad Discriminatoria (Análisis Descriptivo):
Los indicadores relativos demostraron consistentemente una capacidad discriminatoria superior en comparación con los indicadores absolutos.

Tamaños del Efecto: Los mayores tamaños del efecto se observaron para la superioridad ofensiva respecto al oponente. La eficiencia ofensiva relativa ( $\eta_p^2 = 0.398$ ), los tiros a puerta relativos ( $\eta_p^2 = 0.261$ ) y la precisión de tiro relativa ( $\eta_p^2 = 0.159$ ) mostraron efectos sustancialmente mayores que sus contrapartes absolutas.
Indicadores Absolutos: Aunque los equipos ganadores generalmente superaron a los equipos perdedores en términos absolutos (p. ej., posesión, total de tiros), los tamaños del efecto fueron modestos (p. ej., posesión de balón $\eta_p^2 = 0.028$ ), lo que indica que la producción absoluta por sí sola explica una proporción limitada de la varianza del resultado.

2. Rendimiento Predictivo (Regresión Logística):

Modelo Absoluto: Logró un AUC de 0.87, una exactitud del 78.8% y una puntuación de Brier de 0.143. La sensibilidad fue notablemente inferior (65.7%) a la especificidad (86.5%).
Modelo Relativo: Superó significativamente al modelo absoluto con un AUC de 0.96, una exactitud del 90.9% y una puntuación de Brier de 0.071. La sensibilidad aumentó al 86.3%.
Modelo Combinado: Produjo el mayor rendimiento global (AUC = 0.97, exactitud = 93.3%, puntuación de Brier = 0.058). Sin embargo, la mejora sobre el modelo de solo relativos fue modesta (aumento de AUC de 0.01; aumento de exactitud de 2.4 puntos porcentuales), lo que sugiere que la principal ganancia en poder predictivo proviene de la representación relativa.

3. Predictores Independientes de la Victoria:
En el modelo multivariable final (enfoque combinado), tres indicadores permanecieron asociados independientemente con la victoria:

Tiros a Puerta Relativos: La asociación más fuerte (Razón de Momios [OR] = 31.59).
Eficiencia Ofensiva Relativa: Asociación fuerte (OR = 25.88).
Eficiencia Ofensiva Absoluta: Retuvo un valor explicativo complementario (OR = 3.29).

Contribuciones Clave

Cambio Metodológico: El estudio demuestra que la representación analítica del rendimiento (absoluto vs. relativo) es un determinante fundamental de la capacidad explicativa y predictiva en la investigación del fútbol. Argumenta que la superioridad competitiva se captura mejor mediante las diferencias entre equipo y oponente que mediante estadísticas de producción aisladas.
Resolución de Inconsistencias: Los hallazgos ofrecen una explicación metodológica a las inconsistencias históricas en la literatura respecto a la importancia de variables como la posesión de balón. El estudio sugiere que la variabilidad en la importancia reportada puede derivar de si el rendimiento se analiza de forma aislada o en relación con el oponente.
Optimización del Modelo: La investigación establece que, si bien la integración de indicadores absolos proporciona una mejora complementaria modesta, la gran mayoría de la ganancia explicativa en el modelado del éxito en el partido se deriva de contextualizar el rendimiento del equipo a través de las diferencias referenciadas al oponente.

Significación y Reivindicaciones

El artículo sostiene que la contribución principal no es la identificación de nuevos indicadores de rendimiento, sino la demostración de que cómo se representa el rendimiento influye fundamentalmente en la información extraída sobre el éxito competitivo.

Naturaleza Relacional del Rendimiento: Los resultados respaldan la visión conceptual de que el fútbol es un sistema interactivo donde el significado de una estadística es contingente al comportamiento del oponente. Por lo tanto, representar el rendimiento mediante las diferencias entre equipo y oponente proporciona un marco analítico más informativo que analizar estadísticas de equipo aisladas.
Roles Complementarios: El estudio postula que los indicadores absolutos y relativos no son mutuamente excluyentes, sino que describen dimensiones diferentes. Los indicadores absolutos caracterizan cómo juega un equipo (producción), mientras que los indicadores relativos cuantifican la ventaja competitiva establecida. Para el objetivo específico de explicar o modelar el éxito en el partido, el marco relativo es superior, aunque la integración de ambos produce los modelos más robustos.
Implicación Práctica: Para el análisis de rendimiento aplicado, el artículo sugiere que, si bien las estadísticas absolutas siguen siendo valiosas para describir estilos de juego, comprender los resultados de los partidos requiere interpretar estas estadísticas junto con los valores referenciados al oponente para capturar el contexto competitivo.

El autor mantiene una postura modesta, señalando que estos hallazgos se basan en los datos censales de una sola temporada y que la fuerte asociación de la "eficiencia ofensiva" con la victoria se debe en parte a su proximidad matemática con el resultado (goles marcados). Pide que investigaciones futuras validen estos principios relacionales a través de múltiples temporadas, diferentes contextos y datos de seguimiento más granulares.