24 de agosto de 2026
Factores Asociados a la Cantidad de Terrenos en Barajas de Juegos Estratégicos de Cartas
Bruno Gebara Ichinoseki Penatti; Igor Pinheiro de Araújo Costa
DOI: 10.22167/2675-6528-202601753
Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.
Resumen
La definición de la cantidad de terrenos en mazos de juegos estratégicos de cartas con construcción personalizada es crucial para el rendimiento competitivo. Se objetivó analizar los factores asociados a la cantidad de terrenos en ‘decks’ competitivos, por medio de la estimación y comparación de modelos de regresión lineal múltiple, evaluando la contribución de variables estructurales y términos de interacción. Se utilizó una base de 39.287 ‘decks’ con rendimiento positivo en campeonatos, obtenida por web scraping y enriquecida con variables como costo medio de maná, cartas de robo y aceleración, presencia de ‘companion’, arquetipo del mazo y número de colores. El modelo se estimó por Mínimos Cuadrados Ordinarios. Los resultados indicaron que la cantidad de terrenos no dependió solo de factores tradicionales, sino que también varió conforme la lógica del arquetipo y la interacción con el número de colores. La especificación propuesta amplió el R² de 0,40 a 0,57 en la base de entrenamiento y presentó menor error absoluto medio en los siete arquetipos analizados y en siete de las ocho franjas de cantidad de terrenos. Se observó que el modelo irrestricto fue más preciso en el 57,30% de los ‘decks’ de la base de prueba, contra el 42,70% del modelo de referencia. Se concluyó que la incorporación de variables estratégicas, especialmente el arquetipo y su interacción con el número de colores, se tradujo en una ganancia predictiva consistente, ofreciendo un enfoque más sensible a las diferencias entre estrategias para la construcción de ‘decks’ competitivos y una herramienta útil para estimar la cantidad ideal de terrenos. Palabras clave: Análisis de datos; Ciencia de datos; Estrategia de juego; Modelado predictivo; Regresión múltiple.
1. Introducción
Desde su lanzamiento en 1993, el juego de cartas estratégico “Magic: The Gathering” ha cautivado a millones de jugadores a nivel mundial. Una cuestión central para el rendimiento competitivo en este universo es la determinación de la cantidad ideal de terrenos en un mazo, o “deck”, como se le refiere comúnmente entre los jugadores. Los terrenos son el recurso fundamental del juego, ya que permiten a los jugadores generar maná, la energía necesaria para lanzar las demás cartas y ejecutar sus estrategias.
Inicialmente, una heurística simple, conocida como “regla de bolsillo”, sugería que un “deck” debería contener aproximadamente un tercio de terrenos, un tercio de criaturas y un tercio de otros hechizos. Sin embargo, con la evolución y sofisticación del juego y del escenario competitivo, esta regla se volvió progresivamente insuficiente para guiar la construcción de “decks” eficaces (Garfield, 2013). La complejidad reside en el hecho de que cada jugador construye un “deck” único, que combina recursos y respuestas específicas, donde los terrenos son esenciales para la generación de maná y para la ejecución de las jugadas que llevan a la victoria.
La definición de la cantidad de terrenos implica un delicado problema de equilibrio. Un exceso de terrenos puede garantizar la disponibilidad de recursos a lo largo de la partida, pero reduce la proporción de cartas que generan ventaja y cierran el juego. Por otro lado, un número insuficiente de terrenos compromete la ejecución de las jugadas, impidiendo al jugador utilizar las cartas compradas. En entornos competitivos, la falla en realizar los “land drops” en los turnos iniciales frecuentemente resulta en pérdida de tiempo, ritmo y, a menudo, de la propia partida.
La relevancia de este problema se ve amplificada por la magnitud de “Magic: The Gathering” como fenómeno global. El juego es reconocido como el primer “trading card game” moderno, contando con más de cincuenta millones de jugadores y presencia en más de ciento cincuenta países (Hasbro, 2026). A diferencia de juegos con reglas fijas, como el ajedrez, “Magic” permite la construcción personalizada de “decks”, lo que lo convierte en un sistema altamente dinámico y experimental, con más de treinta y siete mil setenta y siete cartas únicas catalogadas (Scryfall, 2026).
El crecimiento del escenario competitivo, impulsado por la digitalización de las partidas y plataformas en línea, ha permitido el registro sistemático de resultados. Esta abundancia de datos ha hecho que las matemáticas y la estadística sean centrales en la comprensión de las decisiones de construcción de “decks”, posibilitando la transición de análisis estocásticos a enfoques empíricos basados en datos.
A pesar de los avances, modelos predictivos anteriores, que utilizan variables como el coste medio de maná (CMC), la cantidad de cartas baratas de robo (Cheap_draw), la cantidad de cartas baratas de aceleración (Cheap_ramp) y la presencia de ‘companion’, no capturan integralmente la complejidad de la construcción de “decks” competitivos. Se observa que no todas las variables actúan linealmente sobre el número de terrenos; por ejemplo, el CMC puede presentar curvatura a partir de cierto nivel. Variables estratégicas como el número de colores y el arquetipo del “deck” demostraron bajo poder explicativo aisladamente, pero ganan relevancia significativa en interacción, alterando la necesidad de maná de acuerdo con la propuesta estratégica (Kutner et al., 2004; Gujarati, 2011).
Esta brecha en la comprensión, especialmente en relación con los efectos no lineales y las interacciones entre variables estratégicas, justifica la necesidad de un estudio más profundo. Un modelo que incorpore estos matices puede ofrecer una representación más fiel a la heterogeneidad observada en los “decks” competitivos, contribuyendo a una comprensión más completa de la composición de la base de maná. Ante este contexto, el presente estudio tiene como objetivo analizar los factores asociados a la cantidad de terrenos en “decks” competitivos, por medio de la estimación y comparación de modelos de regresión lineal múltiple, evaluando la contribución de variables estructurales del “deck” y la incorporación de términos de interacción entre variables estratégicas para ampliar el poder explicativo del modelo.
2. Material y Métodos
La investigación se caracterizó como un estudio cuantitativo, con un enfoque metodológico econométrico, con el objetivo de analizar los factores asociados a la cantidad de terrenos en mazos competitivos del juego “Magic: The Gathering”. El objetivo central fue estimar y comparar modelos de regresión lineal múltiple para comprender cómo las variables estructurales de los mazos contribuyen a la composición de la base de maná, buscando identificar patrones empíricos de construcción exitosa.
La unidad de análisis consistió en mazos competitivos, denominados “decks”, del juego “Magic: The Gathering”. La base de datos inicial se obtuvo de la plataforma Kaggle, compilada por Karsten (2022), y comprendía 95.143 “decks” con desempeño positivo en torneos. La selección de estos “decks” se basó en la premisa de que listas con mayor tasa de victoria reflejan elecciones de construcción más eficientes, enfocándose en mazos de 60 cartas, formato estándar competitivo.
Las variables explicativas incluyeron el costo promedio de maná (CMC), una variable cuantitativa continua, y el número de hechizos baratos de robo (Cheap_draw) y aceleración (Cheap_ramp), ambos discretos, definidos para cartas con un costo de maná igual o inferior a dos. La presencia de la mecánica “companion” se trató como una variable categórica dicotómica. Las cartas de doble cara modales (MDFCs), jugables como terreno o hechizo, se categorizaron como míticas o no míticas para el análisis de su contribución parcial como terreno.
Para mejorar el modelo, se realizó una etapa de enriquecimiento de la base de datos, ya que las variables de cantidad de colores y arquetipo no estaban presentes originalmente. Se utilizó web scraping, automatizado con el software Macro Recorder, para extraer información detallada de las “decklists” a partir de hipervínculos disponibles. Este procedimiento permitió la recolección de datos adicionales para 39.287 “decks” de los 95.143 iniciales, formando un subconjunto consistente para el modelado. La indisponibilidad de enlaces para algunos “decks” limitó la recolección completa.
A partir de las “decklists” recolectadas mediante web scraping, se desarrollaron fórmulas en Excel para identificar el arquetipo de cada “deck” basándose en su nombre y en las cartas que lo componen. Los arquetipos se categorizaron en ‘Aggro’, ‘Control’, ‘Midrange’, ‘Combo’, ‘Ramp’, ‘Tempo’ y ‘Lands’, y se incorporaron al modelo como variables dummy, sirviendo ‘Midrange’ como categoría de referencia (Wooldridge, 2012). El número de colores se trató como una variable cuantitativa, identificada por la presencia de colores en las cartas del mazo, para evitar la multicolinealidad.
Para la estimación y comparación de los modelos, la base de datos enriquecida se dividió aleatoriamente en dos subconjuntos: el 95% de las observaciones se destinó al entrenamiento de los modelos econométricos, y el 5% restante se reservó para la prueba. Esta división siguió la lógica del método “hold-out” o “validation set approach”, que permite evaluar el desempeño del modelo en datos no utilizados en el entrenamiento (Kuhn; Johnson, 2013). El análisis y la estimación de los modelos se realizaron en el software Spyder 3.13, utilizando el lenguaje de programación Python.
La determinación del peso de los MDFCs en el recuento total de terrenos fue un paso crucial. Inicialmente, la base de datos se dividió en “decks” con y sin MDFCs. Se ajustó una regresión lineal en la muestra de “decks” sin MDFCs para estimar la cantidad de terrenos puros esperada. Luego, se calculó la diferencia entre los terrenos previstos y los observados en los “decks” con MDFCs. Posteriormente, se utilizó un modelo auxiliar de Mínimos Cuadrados Ordinarios (MCO) para estimar los coeficientes que representan la fracción media de terreno asociada a cada tipo de MDFC (mítico y no mítico).
Con los pesos de los MDFCs estimados, se construyó la variable dependiente ‘Lands_mdfc’, que representa el número de terrenos ajustado, sumando los terrenos puros a la contribución ponderada de los MDFCs. El modelo de Karsten (2022) fue replicado vía MQO en Python, utilizando ‘Lands_mdfc’ como variable dependiente y ‘CMC’, ‘Cheap_draw’, ‘Cheap_ramp’ y ‘companion’ como explicativas. Posteriormente, el modelo fue extendido con la inclusión de un término cuadrático para ‘CMC’ y términos de interacción entre ‘Quantity_of_colors’ y ‘Archetype’, para capturar no linealidades y efectos condicionales.
3. Resultados y Discusión
Los resultados de la investigación se estructuraron para presentar y discutir los hallazgos relacionados con los factores que influyen en la cantidad de terrenos en mazos competitivos de juegos de cartas estratégicos. Inicialmente, se estableció un modelo de referencia, seguido de la introducción de variables estratégicas y términos de interacción. El análisis comparativo entre los modelos permitió identificar la contribución de las nuevas variables a la capacidad predictiva y la comprensión de la heterogeneidad de los mazos. Finalmente, se exploró la aplicabilidad del modelo en diferentes tamaños de mazo, consolidando la interpretación de los hallazgos. Parámetros del modelo propuesto por Karsten
Para establecer un punto de comparación, se estimó un modelo de referencia inspirado en los trabajos de Karsten (2022). Este modelo utilizó la base de entrenamiento, que comprendía 37.322 observaciones de la muestra filtrada. Los resultados indicaron un R² de 0,399, lo que significa que aproximadamente el 39,9% de la variación en la cantidad de terrenos ajustados (Lands_mdfc) fue explicada por las variables incluidas en la especificación. Aunque este es un resultado relevante, también sugiere que una parte significativa de la variación aún no es capturada por este conjunto más simple de regresores.
La prueba F del modelo de referencia demostró significancia estadística (p<0,001), confirmando que, en conjunto, las variables explicativas contribuyen de manera significativa a la predicción de la variable dependiente. Adicionalmente, todos los coeficientes individuales de las variables fueron estadísticamente significativos, lo que indica que la probabilidad de que sus efectos verdaderos sean nulos es muy baja. La ecuación del modelo estimado, que relaciona el número de terrenos con el costo medio de maná (CMC), cartas de robo (Cheap_draw), cartas de aceleración (Cheap_ramp) y la presencia de companion, se presenta a continuación.
La replicación del modelo de Karsten se consideró exitosa, ya que los coeficientes estimados fueron consistentes con los valores informados por el autor, incluso con una descripción paso a paso de la metodología. Para evaluar la calidad del ajuste, se compararon los valores reales y los valores predichos del modelo. La Figura 1 ilustra esta comparación, mostrando que el modelo capta la tendencia general de los datos, pero aún presenta dispersión.
Figura 1. Valores actuales y valores predichos de Lands_mdfc en el modelo de Karsten.

Fuente: Elaborado por el autor, 2026.
Se observó que el ajuste del modelo de Karsten es más eficaz en el rango central de la distribución, específicamente entre 20 y 28 terrenos ajustados. En los extremos, el modelo tiende a sobreestimar mazos con pocos terrenos y a subestimar aquellos con muchos terrenos. Este patrón sugiere que, a partir de determinados valores más altos de terrenos, la relación puede dejar de ser puramente lineal, indicando la necesidad de incorporar variables que no fueron consideradas inicialmente.
La Figura 2 demuestra la relación lineal entre el costo promedio de maná (CMC) y la cantidad de terrenos ajustados en el modelo inicial. Se observa que, a partir de aproximadamente 28 terrenos, el modelo lineal no acompaña de forma adecuada el comportamiento observado. Esta limitación indica que la relación entre CMC y la cantidad de terrenos no es estrictamente lineal en todo el espectro de datos, lo que justifica la inclusión de términos más complejos.
Figura 2. Relación entre el costo promedio de maná (CMC) y la cantidad de terrenos ajustados en el modelo lineal.

Fuente: Elaborado por el autor, 2026.
Para mejorar la capacidad predictiva, se introdujo un término cuadrático para el costo promedio de maná (CMC²). La Figura 3 muestra que esta inclusión impone una curvatura que suaviza el crecimiento en los valores más altos de CMC, alejándose parcialmente del patrón visual lineal anterior. Esta modificación es crucial para capturar la no linealidad observada en la relación entre CMC y la cantidad de terrenos, haciendo el modelo más flexible.
Figura 3. Relación entre el costo medio de maná (CMC) y la cantidad de terrenos ajustados en el modelo con término cuadrático.

Fuente: Elaborado por el autor, 2026.
A pesar de la inclusión del término cuadrático, la comparación entre las matrices de correlación reveló una ganancia limitada en el R², que pasó de 0,395 a 0,404. Este incremento, aunque pequeño en términos prácticos, indica que la nueva especificación añadió poco poder explicativo. La correlación entre CMC y CMC² resultó extremadamente alta, alcanzando 0,9835, lo que evidencia una fuerte multicolinealidad entre estas variables. En otras palabras, el modelo pasó a incorporar dos variables muy parecidas, generando poca capacidad adicional de explicación y aumentando la inestabilidad en la interpretación de los coeficientes.
Ante esto, se comprendió que el principal límite del modelo no residía solo en la forma funcional entre CMC y terrenos, sino en la ausencia de variables capaces de capturar diferencias estructurales entre los mazos. Por esta razón, la investigación se redirigió al mapeo de los arquetipos. La Figura 4, que presenta la matriz de correlación del modelo cuadrático, demuestra que, aunque el R² es inferior (0,395) en comparación con el modelo de Karsten, exhibe una baja multicolinealidad entre sus variables independientes.
Figura 4. Matriz de correlación de las variables del modelo cuadrático.

Fuente: Elaborado por el autor, 2026.
La Figura 5, que presenta la matriz de correlación de las variables del modelo de Karsten, muestra que las correlaciones entre las variables explicativas son relativamente bajas. Este resultado fue decisivo para redirigir el análisis, permitiendo la incorporación de variables como arquetipos y número de colores. El objetivo era explicar el cambio en el comportamiento lineal del modelo más allá de 27 terrenos, buscando una representación más fiel de la complejidad de los mazos competitivos.
Figura 5. Matriz de correlación de las variables del Modelo de Karsten.

Fuente: Elaborado por el autor, 2026. Parámetros modelo final sin restricciones con arquetipos y colores
En la etapa de estimación del modelo final, se incorporaron el número de colores, los arquetipos y los términos de interacción entre estas dimensiones. Utilizando la misma base de entrenamiento de 37.322 observaciones, el modelo irrestricto alcanzó un R² de 0,567. Esto significa que el 56,7% de la variación observada en Lands_mdfc pasó a ser explicada por la nueva especificación, representando una ganancia expresiva de poder explicativo en comparación con el modelo baseline, cuyo R² era de 0,399.
Esta ganancia expresiva sugiere que la inclusión de arquetipos y de la interacción con el número de colores capturó una parte importante de la heterogeneidad entre los mazos que antes permanecía oculta. La prueba F del modelo irrestricto también fue estadísticamente significativa (p<0,001), indicando que, en conjunto, las variables explicativas contribuyen de forma robusta a explicar la variable dependiente. Este resultado valida el enfoque de expandir el modelo para incluir características estratégicas de los mazos.
El resultado más relevante del modelo irrestricto es la constatación de que los términos de interacción entre el número de colores y el arquetipo mostraron significancia estadística en todos los casos. Esto indica que el efecto del número de colores sobre la cantidad de terrenos no es uniforme entre los mazos, variando conforme la estrategia adoptada. En otras palabras, añadir un color a un mazo Aggro, Combo, Ramp o Lands no produce el mismo impacto sobre la base de maná.
Los coeficientes estimados para cada arquetipo en el modelo irrestricto se definieron en comparación con el arquetipo Midrange, que sirvió como categoría de referencia. Para los demás arquetipos, el coeficiente del arquetipo debe interpretarse como un desplazamiento del intercepto en relación con Midrange, mientras que el modificador de color indica cuánto se altera el efecto del número de colores en ese grupo específico. Así, el efecto total de los colores en cada arquetipo resulta de la suma entre el coeficiente general de colores y el respectivo término de interacción.
Los datos indicaron que el arquetipo Midrange, utilizado como referencia, presentó un efecto total de los colores de 0,6391. Para el arquetipo Aggro, el efecto total fue de -0,0357, mientras que para Combo fue de 1,3505. Control registró 0,3789, Lands 2,4478, Ramp -0,4686 y Tempo 0,3547. Estos valores muestran la complejidad de la interacción entre el número de colores y el arquetipo en la determinación de la cantidad de terrenos, evidenciando que la necesidad de maná es altamente dependiente de la estrategia del mazo. Comparación entre el modelo irrestricto y el modelo de Karsten
Después de la estimación del modelo irrestricto, se realizó una comparación detallada con el modelo lineal inspirado en Karsten. La base de prueba, compuesta por 1.965 observaciones, se utilizó para esta comparación. El análisis se centró en cinco perspectivas principales: número de victorias observadas, porcentaje de victorias, error absoluto medio (MAE), raíz cuadrada del error medio (RMSE) y R² de prueba. Estos criterios permitieron una evaluación exhaustiva del rendimiento de cada modelo.
La Tabla 2, que resume la comparación general de los modelos, reveló que el modelo sin restricciones obtuvo un R² de prueba de 0,563127, significativamente superior al R² de 0,418491 del modelo de Karsten. En términos de victorias observadas, el modelo sin restricciones ganó en 1.126 mazos, mientras que el modelo de Karsten ganó en 839. Esto corresponde al 57,3% de las observaciones para el modelo propuesto, frente al 42,7% para el modelo de Karsten. Estos resultados indican que la inclusión de arquetipos, número de colores y términos de interacción amplió la capacidad del modelo para captar patrones que la formulación lineal de Karsten no podía representar integralmente.
En términos de error absoluto medio (MAE), el modelo irrestricto presentó un valor de 1,313389, inferior al MAE de 1,490426 del modelo de Karsten. Similarmente, el RMSE del modelo irrestricto fue de 1,789366, menor que el RMSE de 2,064428 del modelo de Karsten. Estos indicadores de error refuerzan la superioridad predictiva del modelo irrestricto, demostrando que ofrece estimaciones más precisas de la cantidad de terrenos en barajas competitivas. Comparación observación a observación
En la comparación observación a observación, el modelo irrestricto fue más preciso en el 57,3% de los mazos de la base de prueba, frente al 42,7% del modelo de referencia. Este resultado refuerza que la incorporación de variables estratégicas, en especial el arquetipo y su interacción con el número de colores, se tradujo en una ganancia predictiva consistente. El análisis en profundidad por subtemas permitió identificar los matices de este rendimiento. Comparación por arquetipo
La comparación desagregada por arquetipo, según la Tabla 3, reveló un patrón consistente: el modelo irrestricto presentó menor error absoluto medio en todos los arquetipos analizados. Para el arquetipo Midrange, el modelo irrestricto ganó 256 veces, contra 166 victorias del modelo de Karsten, reduciendo el error medio de 1,39 a 1,16. En el arquetipo Ramp, el modelo irrestricto obtuvo 124 victorias contra 43 del modelo de Karsten, con el error medio reducido de 2,65 a 1,82. Para Aggro, el modelo irrestricto ganó 450 veces, contra 368 del modelo de Karsten, también con un error medio menor.
El arquetipo Combo, sin embargo, presentó un escenario distinto. El modelo de Karsten venció 67 veces y el irrestricto 66, lo que indica que la frecuencia de victorias quedó prácticamente empatada, con una leve ventaja numérica para el modelo de Karsten. Sin embargo, el error absoluto medio del modelo irrestricto fue de 1,95, contra 2,01 del modelo de Karsten. Esto sugiere que, en Combo, el modelo propuesto puede no ganar con tanta frecuencia, pero cuando gana tiende a producir ganancias mayores o a compensar esa diferencia.
Para el arquetipo Lands, el modelo irrestricto ganó más veces y redujo el error medio de forma sustancial, pasando de 5,45 a 3,15. Este comportamiento converge con la lógica del propio modelo: mazos cuya base de maná se aleja del patrón medio tienden a beneficiarse más de una especificación que incorpora arquetipo, número de colores e interacciones entre estas variables. Los resultados sugieren que la ventaja del modelo irrestricto no está concentrada en solo un subconjunto de la muestra, sino que se extiende por estrategias agresivas, más lentas y mazos con arquetipos cuya estructura de terrenos es más particular.
La Figura 6, que compara los valores reales y predichos por el modelo irrestricto, evidencia que los “fitted values” del modelo irrestricto permanecen más adheridos a la línea de referencia, sugiriendo mayor capacidad predictiva en relación con el modelo de Karsten. Adicionalmente, la escala de colores refuerza esta interpretación al indicar predominancia de observaciones en las que el error del modelo irrestricto es inferior al error del modelo de Karsten. Esta superioridad es reforzada por las diferencias encontradas en la Figura 7.
Figura 6. Comparación entre los valores reales y los valores predichos por el modelo irrestricto, y comparación de errores de los modelos.

Fuente: Elaborado por el autor, 2026.
La Figura 7, que compara los valores reales y predichos por el modelo de Karsten, muestra que el modelo irrestricto presenta un menor error absoluto medio en relación con el modelo de Karsten. Esta ventaja es particularmente notable en los rangos de terrenos donde el modelo de Karsten demostró mayor dificultad para predecir con precisión. El análisis de los errores entre los modelos refuerza la robustez del enfoque propuesto.
Figura 7. Comparación entre los valores reales y los valores predichos por el modelo de Karsten, y comparación de errores de los modelos.

Fuente: Elaborado por el autor, 2026. Comparación por rango de número de terrenos ajustados
La Tabla 4, que compara los errores de los modelos por rango de terrenos, reveló que el modelo irrestricto fue superior en siete de los ocho rangos analizados, tanto por el criterio de número de victorias como por la mayoría de los casos de error medio. La única excepción fue el rango de 25 a 26 terrenos ajustados, donde el modelo de Karsten ganó más veces (389 contra 247) y presentó menor error medio (0,93 contra 1,08). En los demás rangos, el modelo irrestricto mostró una ventaja consistente.
Esta diferencia es especialmente fuerte en los rangos más bajos, como menos de 20 terrenos y entre 21 y 22 terrenos, y se acentúa a medida que la cantidad de terrenos se aleja del centro de la distribución. Por ejemplo, entre 29 y 30 terrenos, el modelo irrestricto ganó 63 veces, contra solo 2 victorias del modelo de Karsten, además de reducir el error medio de 3,36 a 2,125. Un patrón similar aparece en los rangos de 31-32 y 33+, donde Karsten no registró ninguna victoria y aún presentó errores medios sustancialmente mayores.
Este resultado sugiere que el modelo de Karsten se mantiene relativamente competitivo en la zona más “normal” de la distribución, donde la estructura de mana se aproxima al patrón promedio. En contraste, el modelo irrestricto parece responder mejor precisamente a los mazos que se desvían de este comportamiento central, sobre todo cuando la cantidad de terrenos se vuelve más extrema. La Figura 8 ilustra esta ventaja, mostrando los rangos de terrenos en los que el modelo irrestricto presentó mayor ganancia en error absoluto medio.
Figura 8. Comparación de errores por banda entre modelos.

Fuente: Elaborado por el autor, 2026.
La Figura 8 evidencia, por medio de los tonos más cálidos, las franjas de terrenos en las que el modelo irrestricto propuesto en este trabajo presentó mayor ventaja en relación con el modelo de Karsten, es decir, aquellas en las que obtuvo menor error absoluto medio. Se observa que esta superioridad se vuelve más intensa en las franjas más altas de terrenos, reforzando la capacidad del modelo irrestricto de lidiar con la heterogeneidad y las especificidades de mazos fuera del patrón común. Aplicando el modelo en “decks” de 40, 60 y 100 cartas
El modelo final estimado en este trabajo se construyó a partir de mazos de 60 cartas. Sin embargo, siguiendo la lógica propuesta por Karsten (2022), es posible adaptarlo a mazos de otros tamaños mediante un escalado proporcional de los coeficientes. La idea central es que, al aumentar o reducir el tamaño del mazo, la necesidad estructural de maná también tiende a variar aproximadamente en la misma proporción. Así, los componentes generales del modelo pueden multiplicarse por la razón entre el nuevo tamaño del mazo y 60 cartas.
Se adoptó el mismo principio utilizado por Karsten: los coeficientes ligados a la estructura general del mazo, como el intercepto, el CMC y el número de hechizos baratos de compra y aceleración, se ajustan proporcionalmente al tamaño del mazo. Mientras tanto, los coeficientes asociados a hechizos baratos de compra y aceleración de maná se mantienen constantes. Esto ocurre porque estas cartas ejercen un efecto correctivo similar sobre la base de maná independientemente del tamaño total del mazo, funcionando como elementos que reducen la necesidad de terrenos en una magnitud aproximadamente fija.
Esta adaptación debe entenderse como una aproximación analítica, y no como una reestimación específica para cada formato. Aun así, la adaptación propuesta es útil como punto de partida, ya que preserva la lógica económica y estadística del modelo estimado. Además, ofrece una forma consistente de transportar sus resultados a contextos con tamaños de mazo diferentes, permitiendo que la ecuación final sea utilizada no solo en listas tradicionales de 60 cartas, sino también en entornos de 40 y 100 cartas, con las debidas precauciones interpretativas.
A partir de estas fórmulas, se desarrolló una calculadora en Excel, disponible como material complementario, que automatiza la aplicación del modelo y permite al jugador estimar rápidamente la cantidad ideal de terrenos para mazos de 40, 60 y 100 cartas. Para ello, basta con introducir las variables de entrada del modelo. Esta herramienta práctica facilita la utilización de los hallazgos de la investigación por parte de jugadores y constructores de mazos, haciendo la teoría accesible y aplicable en el contexto competitivo.
En síntesis, los resultados obtenidos en este estudio demuestran que la cantidad de terrenos en mazos competitivos de Magic no depende solo de factores tradicionales como el coste medio de maná, la compra de cartas y la aceleración de maná. El análisis reveló que esta cantidad también varía significativamente según la lógica del arquetipo y la forma en que el número de colores se combina con la estrategia del mazo. La incorporación de estas variables estratégicas y sus términos de interacción en el modelo propuesto amplió el poder explicativo y la precisión de las predicciones, especialmente para mazos que se alejan del patrón medio, respondiendo de forma más eficaz a la heterogeneidad observada en el escenario competitivo.
4. Conclusión
El presente estudio analizó los factores asociados a la cantidad de terrenos en mazos competitivos de juegos estratégicos de cartas, buscando mejorar la comprensión de la composición de la base de maná mediante la estimación y comparación de modelos de regresión lineal múltiple. Se verificó que los modelos predictivos tradicionales, aunque relevantes, presentaban limitaciones significativas, especialmente en la representación de mazos con cantidades extremas de terrenos y en la captura de la heterogeneidad estratégica. La incorporación de variables como el arquetipo del mazo y el número de colores, junto con sus términos de interacción, demostró ser crucial. Se observó una ganancia expresiva en el poder explicativo, con el R² del modelo propuesto ampliando de 0,40 a 0,57 en la base de entrenamiento. En pruebas con datos no vistos, el modelo irrestricto superó al modelo de referencia en el 57,3% de los mazos, presentando menor error absoluto medio en los siete arquetipos analizados y en siete de las ocho franjas de cantidad de terrenos. Este enfoque más sensible a las diferencias entre estrategias ofrece una herramienta útil para estimar la cantidad ideal de terrenos, materializada en una calculadora que facilita la aplicación práctica de los hallazgos.
La principal contribución del trabajo reside en la demostración de que la cantidad de terrenos no depende solo de factores estructurales básicos, sino que está significativamente modulada por la lógica del arquetipo y por la interacción con el número de colores, proporcionando una representación más ajustada a la complejidad de los mazos competitivos. Sin embargo, el estudio enfrentó limitaciones derivadas de la dependencia de información adicional para la clasificación de arquetipos y colores, lo que restringió parte de la base de datos utilizada en las etapas avanzadas de la modelización, y la propia clasificación de los arquetipos implica simplificaciones inherentes. Para futuras investigaciones, se sugiere mejorar la clasificación de los arquetipos, explorar relaciones no lineales más complejas y expandir el análisis a otros formatos y entornos competitivos, permitiendo una comprensión aún más amplia de las elecciones estratégicas en la construcción de mazos.
Referencias Bibliográficas
Garfield, R. 2013. The creation of Magic: The Gathering. Disponível em: https://magic.wizards.com/en/news/making-magic/creation-magic-gathering-2013-03-12. Acesso em: 15 abr. 2026.
Gujarati, Damodar n.; Porter, Dawn C. Econometria Básica. 5. ed. Porto Alegre: AMGH, 2011.
Hasbro. 2026. Magic: The Gathering. Disponível em: https://investor.hasbro.com/magic-gathering. Acesso em: 15 abr. 2026.
Karsten, Frank. How Many Lands Do You Need in Your Deck? An Updated Analysis. TCGplayer, 2022. Disponível em: How Many Lands Do You Need in Your Deck? An Updated Analysis. Acesso em: 16 abr. 2026.
Kuhn, Max; Johnson, Kjell. Applied predictive modeling. New York: Springer, 2013.
Kutner, M.H.; Nachtsheim, C.J.; Neter, J. 2004. Applied linear regression models.
Scryfall. 2026. Search results for unique cards in Magic: The Gathering. Disponível em: https://scryfall.com/search?as=grid&dir=&order=released&q=unique%3Acards+name%3A%2F%5E.%2B%24%2F. Acesso em: 15 abr. 2026.
Wooldridge, J.M. 2012. Introductory econometrics: a modern approach. 5ed. Cengage Learning.
Artículo originario del Trabajo de Fin de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq
Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy