Resumen Ejecutivo

Vitória Viana Limonge Goeking; Juliano Domingues da Silva

Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción.

Este estudio tuvo como objetivo identificar y analizar los principales factores estadísticos y tácticos que influyen en el rendimiento del Clube Atlético Mineiro, basándose en datos de las temporadas 2023 y 2024. La investigación buscó, a través de modelos de regresión, comprender qué variables del juego se correlacionan con métricas de rendimiento como la diferencia de goles, victorias, precisión de pases y finalizaciones, proporcionando un panorama cuantitativo para la evaluación estratégica del equipo.

El fútbol en Brasil es un pilar económico relevante, moviendo R$ 52.9 mil millones, el equivalente al 0,72% del PIB nacional (CBF & EY, 2021). Esta magnitud se refleja en la complejización de la gestión de los clubes, que evolucionaron hacia modelos de negocio como la Sociedad Anónima de Fútbol (SAF). La resiliencia del sector, con un crecimiento del 20% en los ingresos de los principales clubes en 2016 incluso en crisis (Sousa et al., 2022), refuerza la necesidad de estrategias basadas en datos para garantizar la sostenibilidad y el éxito competitivo.

En este contexto, la búsqueda de ventajas competitivas impulsó el uso de análisis de datos en la planificación técnica y táctica. Comprender las razones de un rendimiento superior es un objetivo primordial para técnicos y estudiosos (Vendite, Vendite y Moraes, 2003). El análisis estadístico se ha convertido en un pilar para que los equipos de inteligencia optimicen el rendimiento, diseccionando información sobre el propio equipo y los adversarios. El fútbol moderno exige un rendimiento elevado, lo que hace indispensable el estudio científico de la modalidad para el éxito (Cunha, Binotto y Barros, 2001).

La relevancia del análisis de datos es reconocida por organismos como la FIFA, que desarrolló la herramienta FIFA Football Language para análisis de rendimiento. En el ámbito académico, la aplicación de técnicas estadísticas y de machine learning para predecir resultados ha ganado protagonismo (Silva, Barros y de Albuquerque, 2020), con autores como YU (2022) afirmando el papel central de los datos en la evolución del deporte. Sin embargo, a pesar del avance global, existe una brecha de estudios que aplican modelos estadísticos robustos para analizar el rendimiento de clubes brasileños de forma específica.

Este trabajo se inserta en esta brecha, proponiendo un análisis centrado en el Clube Atlético Mineiro para identificar los factores que potencian su rendimiento. A diferencia de análisis genéricos, el estudio busca desvelar las particularidades del equipo, ofreciendo ideas aplicables por el cuerpo técnico y la dirección. La investigación se justifica por la necesidad de traducir el volumen de datos de cada partido en conocimiento estratégico, contribuyendo al avance del club y a la literatura sobre análisis de rendimiento en el fútbol brasileño.

La investigación es cuantitativa y aplicada. Se construyó una base de datos a partir de fuentes públicas, abarcando 139 partidos del Clube Atlético Mineiro en las temporadas 2023 y 2024, en todos los campeonatos disputados. El conjunto de datos original contenía 25 atributos por partido, incluyendo variables numéricas (tiros, posesión del balón, pases, faltas) y categóricas (local, estadio, campeonato, esquemas tácticos).

Los datos fueron tratados para adecuación al modelado estadístico. Los esquemas tácticos (del Atlético y del adversario) fueron reclasificados en ofensivo, defensivo y equilibrado. Variables textuales, como la alineación, fueron transformadas en métricas cuantitativas, creando los indicadores “variación de la alineación” y “variación de la sustitución” para medir la proporción de jugadores diferentes en relación con el partido anterior y evaluar el impacto de la rotación. Variables categóricas relevantes, como campeonato y esquema táctico, fueron dummificadas para su inclusión en los modelos de regresión.

La premisa metodológica es que el “buen desempeño” es un concepto multifacético, no medible por una única métrica. Por lo tanto, la investigación se estructuró en cuatro escenarios de análisis, cada uno con una variable respuesta diferente: Escenario 1 (diferencia de goles), Escenario 2 (variable binaria de victoria), Escenario 3 (precisión de pase) y Escenario 4 (cantidad de tiros a gol). Este enfoque permite una comprensión más completa del rendimiento del equipo.

Para analizar los datos, se aplicaron modelos de regresión supervisados. En los Escenarios 1, 3 y 4 (respuestas continuas), se utilizó la regresión lineal múltiple. En el Escenario 2 (respuesta binaria), se aplicó la regresión logística binaria. La selección de variables para los modelos finales se mejoró mediante el método Stepwise, que prueba iterativamente la inclusión y exclusión de variables para encontrar el modelo con mejor ajuste y significancia estadística. La robustez de los modelos se evaluó mediante pruebas de diagnóstico, como el Factor de Inflación de Varianza (VIF) para multicolinealidad, pruebas de Shapiro-Francia para normalidad de los residuos y pruebas de Breusch-Pagan y White para heterocedasticidad, garantizando la validez de los resultados (Gujarati, 2004).

El análisis exploratorio reveló correlaciones esperadas, como la positiva entre posesión de balón y número de pases, y entre total de tiros y tiros a puerta. La matriz de correlación también señaló una asociación significativa entre saques de esquina y número de tiros, sugiriendo que la jugada a balón parado es una fuente relevante de finalizaciones. La distribución de los resultados de los 139 partidos mostró equilibrio entre victorias y derrotas, con predominio de empates, patrón acentuado en el Campeonato Brasileño. El análisis temporal de la variación de alineación y sustitución indicó que la rotación de jugadores se mantuvo estable, cercana a la media.

En el Escenario 1 (diferencia de goles), el modelo de regresión lineal, refinado por el método Stepwise, identificó seis variables significativas. La cantidad de tiros a gol y la participación en el Campeonato Mineiro influyeron positivamente en la diferencia de goles. Por el contrario, enfrentarse a adversarios con esquemas tácticos equilibrados u ofensivos, la cantidad de tarjetas amarillas recibidas y el número de córners a favor se correlacionaron negativamente con la diferencia de goles. Este último resultado sugiere que, aunque los córners generan tiros, su conversión en goles puede ser ineficiente o el equipo se vuelve vulnerable a contraataques.

El análisis del Escenario 2 (probabilidad de victoria) utilizó un modelo de regresión logística. Los resultados indicaron que actuar como local, la cantidad de tiros a puerta y el número de sustituciones aumentan la probabilidad de victoria. Por otro lado, la posesión del balón presentó una correlación negativa y significativa con la probabilidad de ganar. Este es uno de los hallazgos más contraintuitivos del estudio, sugiriendo que un estilo de juego con menor posesión, posiblemente más vertical y enfocado en transiciones rápidas, es más eficaz para el Atlético Mineiro que un juego de control. Enfrentar a adversarios con esquemas equilibrados u ofensivos también disminuyó la probabilidad de victoria.

El Escenario 3 (precisión de pase) presentó desafíos metodológicos. El modelo inicial, después del Stepwise, indicó que los pases, la variación en la sustitución y la cantidad de sustituciones influyen positivamente en la precisión. Sin embargo, el diagnóstico reveló problemas de no adherencia a la normalidad de los residuos. La aplicación de la transformación de Box-Cox mejoró el ajuste del modelo (R² ajustado subió de 0,193 a 0,533), señalando que la participación en el Campeonato Mineiro, la variación en la alineación y el número de pases impactan positivamente la precisión. No obstante, incluso después de la transformación, los residuos no siguieron una distribución normal y el modelo presentó heterocedasticidad (prueba de White). Tales violaciones de las premisas indican que los resultados de este escenario deben interpretarse con cautela, ya que la validez de las pruebas de significancia puede estar comprometida.

Para el Escenario 4 (cantidad de tiros a gol), el modelo de regresión lineal identificó dos variables con impacto positivo y significativo: la cantidad de pases y el número de córners. Este resultado refuerza que un mayor volumen de pases crea más oportunidades de finalización y que los córners son un mecanismo fundamental para que el equipo genere peligro. El diagnóstico de este modelo fue satisfactorio, no presentando problemas significativos de heterocedasticidad (prueba de White), lo que confiere mayor confiabilidad a sus conclusiones.

El rendimiento de los modelos se evaluó comparativamente. En los modelos de regresión lineal, el método Stepwise mejoró los indicadores de ajuste (AIC, BIC) y aumentó el R² ajustado, lo que indica que los modelos más parsimoniosos fueron más eficientes. En el modelo logístico del Escenario 2, la curva ROC resultó en un área bajo la curva (AUC) de 0,7691, lo que indica una buena capacidad discriminatoria para predecir victorias. El análisis de diferentes puntos de corte (cutoff) demostró la flexibilidad del modelo: un cutoff de 0,5 maximizó la precisión (69,8%), mientras que valores más bajos aumentaron la sensibilidad y valores más altos, la especificidad.

La discusión de los resultados se enriqueció con la comparación con la literatura. Los hallazgos corroboran parcialmente a Santos et al. (2024), quienes también identificaron la finalización a gol como un factor determinante en el fútbol brasileño. Sin embargo, el descubrimiento del impacto negativo de la posesión del balón en las victorias del Atlético Mineiro contrasta con la visión general de que el control del juego es siempre beneficioso, revelando una particularidad táctica. La relación negativa entre tarjetas amarillas y diferencia de goles se alinea con los hallazgos de Villa y Lozano (2016) en la liga española. En comparación con Socin et al. (2021), que analizaron el Campeonato Brasileño de 2013, hubo concordancia en la relación positiva entre saques de esquina y tiros a puerta, pero divergencia en los factores que influyen en la precisión del pase, reforzando que las dinámicas de rendimiento son específicas de cada club y contexto.

En resumen, el análisis de los cuatro escenarios permitió una comprensión detallada de los factores de rendimiento del Clube Atlético Mineiro. Para aumentar la diferencia de goles (Escenario 1), el equipo debe centrarse en la eficiencia de las finalizaciones, especialmente en el Campeonato Mineiro, y minimizar las tarjetas amarillas. Para aumentar la probabilidad de victoria (Escenario 2), los resultados sugieren un estilo de juego más directo y vertical, con menos posesión de balón, aprovechando el factor local y utilizando las sustituciones de forma estratégica. Para mejorar la precisión de pase (Escenario 3), el volumen de pases y la estabilidad en la alineación parecen importantes, aunque las conclusiones estén limitadas por cuestiones estadísticas. Para generar más tiros a puerta (Escenario 4), la estrategia debe centrarse en aumentar el volumen de pases y optimizar los córners. La principal limitación del estudio reside en los problemas de adherencia a las premisas estadísticas en el modelo del Escenario 3, que indican la necesidad de enfoques de modelado alternativos.

Para futuras investigaciones, se sugiere profundizar la investigación sobre la no normalidad y la heterocedasticidad en el modelo de precisión de pase, explorando modelos no lineales o la inclusión de otras variables. La incorporación de variables defensivas (desarmes, intercepciones) como explicativas o como nuevas variables de respuesta podría proporcionar un panorama más completo, equilibrando el análisis entre aspectos ofensivos y defensivos. Se concluye que el objetivo se alcanzó: se demostró, mediante modelado estadístico, los principales factores que influyen en el rendimiento del Clube Atlético Mineiro en las temporadas 2023 y 2024, revelando particularidades tácticas y estadísticas del equipo.

Este estudio tuvo como objetivo identificar y analizar los principales factores estadísticos y tácticos que influyen en el rendimiento del Clube Atlético Mineiro, basándose en datos de las temporadas 2023 y 2024. La investigación buscó, a través de modelos de regresión, comprender qué variables del juego se correlacionan con métricas de rendimiento como la diferencia de goles, victorias, precisión de pases y finalizaciones, proporcionando un panorama cuantitativo para la evaluación estratégica del equipo.

El fútbol en Brasil es un pilar económico relevante, moviendo R$ 52.9 mil millones, el equivalente al 0,72% del PIB nacional (CBF & EY, 2021). Esta magnitud se refleja en la complejización de la gestión de los clubes, que evolucionaron hacia modelos de negocio como la Sociedad Anónima de Fútbol (SAF). La resiliencia del sector, con un crecimiento del 20% en los ingresos de los principales clubes en 2016 incluso en crisis (Sousa et al., 2022), refuerza la necesidad de estrategias basadas en datos para garantizar la sostenibilidad y el éxito competitivo.

En este contexto, la búsqueda de ventajas competitivas impulsó el uso de análisis de datos en la planificación técnica y táctica. Comprender las razones de un rendimiento superior es un objetivo primordial para técnicos y estudiosos (Vendite, Vendite y Moraes, 2003). El análisis estadístico se ha convertido en un pilar para que los equipos de inteligencia optimicen el rendimiento, diseccionando información sobre el propio equipo y los adversarios. El fútbol moderno exige un rendimiento elevado, lo que hace indispensable el estudio científico de la modalidad para el éxito (Cunha, Binotto y Barros, 2001).

La relevancia del análisis de datos es reconocida por organismos como la FIFA, que desarrolló la herramienta FIFA Football Language para análisis de rendimiento. En el ámbito académico, la aplicación de técnicas estadísticas y de machine learning para predecir resultados ha ganado protagonismo (Silva, Barros y de Albuquerque, 2020), con autores como YU (2022) afirmando el papel central de los datos en la evolución del deporte. Sin embargo, a pesar del avance global, existe una brecha de estudios que aplican modelos estadísticos robustos para analizar el rendimiento de clubes brasileños de forma específica.

Este trabajo se inserta en esta brecha, proponiendo un análisis centrado en el Clube Atlético Mineiro para identificar los factores que potencian su rendimiento. A diferencia de análisis genéricos, el estudio busca desvelar las particularidades del equipo, ofreciendo ideas aplicables por el cuerpo técnico y la dirección. La investigación se justifica por la necesidad de traducir el volumen de datos de cada partido en conocimiento estratégico, contribuyendo al avance del club y a la literatura sobre análisis de rendimiento en el fútbol brasileño.

La investigación es cuantitativa y aplicada. Se construyó una base de datos a partir de fuentes públicas, abarcando 139 partidos del Clube Atlético Mineiro en las temporadas 2023 y 2024, en todos los campeonatos disputados. El conjunto de datos original contenía 25 atributos por partido, incluyendo variables numéricas (tiros, posesión del balón, pases, faltas) y categóricas (local, estadio, campeonato, esquemas tácticos).

Los datos fueron tratados para adecuación al modelado estadístico. Los esquemas tácticos (del Atlético y del adversario) fueron reclasificados en ofensivo, defensivo y equilibrado. Variables textuales, como la alineación, fueron transformadas en métricas cuantitativas, creando los indicadores “variación de la alineación” y “variación de la sustitución” para medir la proporción de jugadores diferentes en relación con el partido anterior y evaluar el impacto de la rotación. Variables categóricas relevantes, como campeonato y esquema táctico, fueron dummificadas para su inclusión en los modelos de regresión.

La premisa metodológica es que el “buen desempeño” es un concepto multifacético, no medible por una única métrica. Por lo tanto, la investigación se estructuró en cuatro escenarios de análisis, cada uno con una variable respuesta diferente: Escenario 1 (diferencia de goles), Escenario 2 (variable binaria de victoria), Escenario 3 (precisión de pase) y Escenario 4 (cantidad de tiros a gol). Este enfoque permite una comprensión más completa del rendimiento del equipo.

Para analizar los datos, se aplicaron modelos de regresión supervisados. En los Escenarios 1, 3 y 4 (respuestas continuas), se utilizó la regresión lineal múltiple. En el Escenario 2 (respuesta binaria), se aplicó la regresión logística binaria. La selección de variables para los modelos finales se mejoró mediante el método Stepwise, que prueba iterativamente la inclusión y exclusión de variables para encontrar el modelo con mejor ajuste y significancia estadística. La robustez de los modelos se evaluó mediante pruebas de diagnóstico, como el Factor de Inflación de Varianza (VIF) para multicolinealidad, pruebas de Shapiro-Francia para normalidad de los residuos y pruebas de Breusch-Pagan y White para heterocedasticidad, garantizando la validez de los resultados (Gujarati, 2004).

El análisis exploratorio reveló correlaciones esperadas, como la positiva entre posesión de balón y número de pases, y entre total de tiros y tiros a puerta. La matriz de correlación también señaló una asociación significativa entre saques de esquina y número de tiros, sugiriendo que la jugada a balón parado es una fuente relevante de finalizaciones. La distribución de los resultados de los 139 partidos mostró equilibrio entre victorias y derrotas, con predominio de empates, patrón acentuado en el Campeonato Brasileño. El análisis temporal de la variación de alineación y sustitución indicó que la rotación de jugadores se mantuvo estable, cercana a la media.

En el Escenario 1 (diferencia de goles), el modelo de regresión lineal, refinado por el método Stepwise, identificó seis variables significativas. La cantidad de tiros a gol y la participación en el Campeonato Mineiro influyeron positivamente en la diferencia de goles. Por el contrario, enfrentarse a adversarios con esquemas tácticos equilibrados u ofensivos, la cantidad de tarjetas amarillas recibidas y el número de córners a favor se correlacionaron negativamente con la diferencia de goles. Este último resultado sugiere que, aunque los córners generan tiros, su conversión en goles puede ser ineficiente o el equipo se vuelve vulnerable a contraataques.

El análisis del Escenario 2 (probabilidad de victoria) utilizó un modelo de regresión logística. Los resultados indicaron que actuar como local, la cantidad de tiros a puerta y el número de sustituciones aumentan la probabilidad de victoria. Por otro lado, la posesión del balón presentó una correlación negativa y significativa con la probabilidad de ganar. Este es uno de los hallazgos más contraintuitivos del estudio, sugiriendo que un estilo de juego con menor posesión, posiblemente más vertical y enfocado en transiciones rápidas, es más eficaz para el Atlético Mineiro que un juego de control. Enfrentar a adversarios con esquemas equilibrados u ofensivos también disminuyó la probabilidad de victoria.

El Escenario 3 (precisión de pase) presentó desafíos metodológicos. El modelo inicial, después del Stepwise, indicó que los pases, la variación en la sustitución y la cantidad de sustituciones influyen positivamente en la precisión. Sin embargo, el diagnóstico reveló problemas de no adherencia a la normalidad de los residuos. La aplicación de la transformación de Box-Cox mejoró el ajuste del modelo (R² ajustado subió de 0,193 a 0,533), señalando que la participación en el Campeonato Mineiro, la variación en la alineación y el número de pases impactan positivamente la precisión. No obstante, incluso después de la transformación, los residuos no siguieron una distribución normal y el modelo presentó heterocedasticidad (prueba de White). Tales violaciones de las premisas indican que los resultados de este escenario deben interpretarse con cautela, ya que la validez de las pruebas de significancia puede estar comprometida.

Para el Escenario 4 (cantidad de tiros a gol), el modelo de regresión lineal identificó dos variables con impacto positivo y significativo: la cantidad de pases y el número de córners. Este resultado refuerza que un mayor volumen de pases crea más oportunidades de finalización y que los córners son un mecanismo fundamental para que el equipo genere peligro. El diagnóstico de este modelo fue satisfactorio, no presentando problemas significativos de heterocedasticidad (prueba de White), lo que confiere mayor confiabilidad a sus conclusiones.

El rendimiento de los modelos se evaluó comparativamente. En los modelos de regresión lineal, el método Stepwise mejoró los indicadores de ajuste (AIC, BIC) y aumentó el R² ajustado, lo que indica que los modelos más parsimoniosos fueron más eficientes. En el modelo logístico del Escenario 2, la curva ROC resultó en un área bajo la curva (AUC) de 0,7691, lo que indica una buena capacidad discriminatoria para predecir victorias. El análisis de diferentes puntos de corte (cutoff) demostró la flexibilidad del modelo: un cutoff de 0,5 maximizó la precisión (69,8%), mientras que valores más bajos aumentaron la sensibilidad y valores más altos, la especificidad.

La discusión de los resultados se enriqueció con la comparación con la literatura. Los hallazgos corroboran parcialmente a Santos et al. (2024), quienes también identificaron la finalización a gol como un factor determinante en el fútbol brasileño. Sin embargo, el descubrimiento del impacto negativo de la posesión del balón en las victorias del Atlético Mineiro contrasta con la visión general de que el control del juego es siempre beneficioso, revelando una particularidad táctica. La relación negativa entre tarjetas amarillas y diferencia de goles se alinea con los hallazgos de Villa y Lozano (2016) en la liga española. En comparación con Socin et al. (2021), que analizaron el Campeonato Brasileño de 2013, hubo concordancia en la relación positiva entre saques de esquina y tiros a puerta, pero divergencia en los factores que influyen en la precisión del pase, reforzando que las dinámicas de rendimiento son específicas de cada club y contexto.

En resumen, el análisis de los cuatro escenarios permitió una comprensión detallada de los factores de rendimiento del Clube Atlético Mineiro. Para aumentar la diferencia de goles (Escenario 1), el equipo debe centrarse en la eficiencia de las finalizaciones, especialmente en el Campeonato Mineiro, y minimizar las tarjetas amarillas. Para aumentar la probabilidad de victoria (Escenario 2), los resultados sugieren un estilo de juego más directo y vertical, con menos posesión de balón, aprovechando el factor local y utilizando las sustituciones de forma estratégica. Para mejorar la precisión de pase (Escenario 3), el volumen de pases y la estabilidad en la alineación parecen importantes, aunque las conclusiones estén limitadas por cuestiones estadísticas. Para generar más tiros a puerta (Escenario 4), la estrategia debe centrarse en aumentar el volumen de pases y optimizar los córners. La principal limitación del estudio reside en los problemas de adherencia a las premisas estadísticas en el modelo del Escenario 3, que indican la necesidad de enfoques de modelado alternativos.

Para futuras investigaciones, se sugiere profundizar la investigación sobre la no normalidad y la heterocedasticidad en el modelo de precisión de pase, explorando modelos no lineales o la inclusión de otras variables. La incorporación de variables defensivas (desarmes, intercepciones) como explicativas o como nuevas variables de respuesta podría proporcionar un panorama más completo, equilibrando el análisis entre aspectos ofensivos y defensivos. Se concluye que el objetivo se alcanzó: se demostró, mediante modelado estadístico, los principales factores que influyen en el rendimiento del Clube Atlético Mineiro en las temporadas 2023 y 2024, revelando particularidades tácticas y estadísticas del equipo.

Referencias:
Caldas, R. I. da S. (2019). Sociedade anônima do futebol: o novo paradigma do futebol brasileiro. Trabalho de Conclusão de Curso (Graduação em Direito), Faculdade Dom Helder Câmera, Belo Horizonte.
Confederação Brasileira de Futebol (CBF) & EY. (2021). Relatório de Impacto do Futebol Brasileiro na Economia. Rio de Janeiro: CBF.
Cunha, S. A., Binotto, M. R., & Barros, R. M. L. (2001). Análise da variabilidade na medição de posicionamento tático no futebol. Revista Paulista de Educação Física, 15(2), 111-116.
Gujarati, D. N. (2004). Basic econometrics. McGraw-Hill.
Santos, J. F. de S., De Araújo Jr, W. L., Leonel, D. F., & Lopes, F. J. G. (2024). Quais variáveis de desempenho técnico e tático diferenciam as equipes de futebol do campeonato brasileiro masculino série A?. Revista Brasileira de Futsal e Futebol, 16(64), 97-102.
Silva, A. B. L., Barros, K. N. N de O. B., & De Albuquerque, M. A. (2020). Modelagem via árvore de decisão para previsão de jogos de futebol. Research, Society and Development, 9(9).
Soncin, R., Lima, W. P., Lopes, R., Diniz, R., Amadio, A. C., Serrão, J. C., & Mezêncio, B. (2021). Análise do scout do campeonato brasileiro de futebol 2013. Revista Brasileira de Futsal e Futebol, 13(56), 717-725.
Sousa, R. B. (2019). A influência da limitação de toques na bola no comportamento tático e na rede de interações de jogadores de futebol durante pequenos jogos. Escola de Educação Física, Fisioterapia e Terapia Ocupacional da UFMG.
Vendite, L. L., De Moraes, A. C., & Vendite, C. C. (2003). Scout no futebol: uma análise estatística. CONEXÕES: Campinas, 1(2), 115-224.
Villa, G., & Lozano, S. (2016). Assessing the scoring efficiency of a football match. Escuela Superior de Ingenieros, University of Seville, Camino de los Descubrimientos, s/n, 41092 Seville, Spain.
YU, W. (2022). Football Result Prediction Based on Machine Learning. Faculty of Science and Technology, Beijing Normal University-Hong Kong Baptist University United International College, China.
Caldas, R. I. da S. (2019). Sociedade anônima do futebol: o novo paradigma do futebol brasileiro. Trabalho de Conclusão de Curso (Graduação em Direito), Faculdade Dom Helder Câmera, Belo Horizonte.
Confederação Brasileira de Futebol (CBF) & EY. (2021). Relatório de Impacto do Futebol Brasileiro na Economia. Rio de Janeiro: CBF.
Cunha, S. A., Binotto, M. R., & Barros, R. M. L. (2001). Análise da variabilidade na medição de posicionamento tático no futebol. Revista Paulista de Educação Física, 15(2), 111-116.
Gujarati, D. N. (2004). Basic econometrics. McGraw-Hill.
Santos, J. F. de S., De Araújo Jr, W. L., Leonel, D. F., & Lopes, F. J. G. (2024). Quais variáveis de desempenho técnico e tático diferenciam as equipes de futebol do campeonato brasileiro masculino série A?. Revista Brasileira de Futsal e Futebol, 16(64), 97-102.
Silva, A. B. L., Barros, K. N. N de O. B., & De Albuquerque, M. A. (2020). Modelagem via árvore de decisão para previsão de jogos de futebol. Research, Society and Development, 9(9).
Soncin, R., Lima, W. P., Lopes, R., Diniz, R., Amadio, A. C., Serrão, J. C., & Mezêncio, B. (2021). Análise do scout do campeonato brasileiro de futebol 2013. Revista Brasileira de Futsal e Futebol, 13(56), 717-725.
Sousa, R. B. (2019). A influência da limitação de toques na bola no comportamento tático e na rede de interações de jogadores de futebol durante pequenos jogos. Escola de Educação Física, Fisioterapia e Terapia Ocupacional da UFMG.
Vendite, L. L., De Moraes, A. C., & Vendite, C. C. (2003). Scout no futebol: uma análise estatística. CONEXÕES: Campinas, 1(2), 115-224.
Villa, G., & Lozano, S. (2016). Assessing the scoring efficiency of a football match. Escuela Superior de Ingenieros, University of Seville, Camino de los Descubrimientos, s/n, 41092 Seville, Spain.
YU, W. (2022). Football Result Prediction Based on Machine Learning. Faculty of Science and Technology, Beijing Normal University-Hong Kong Baptist University United International College, China.

---

Resumen ejecutivo del Trabajo de Conclusión de Curso de Especialización en Data Science y Analytics del MBA USP/Esalq

_{Más información sobre el curso; haga clic aquí:}