Saltar al contenido

Resultados del Mundial 2026: precisión en el área y temple bajo presión

Los equipos que más remataron a puerta dentro del área y que mantuvieron la posesión bajo presión fueron los que más ganaron en el Mundial FIFA 2026. Los autores consideran que desarrollar estas dos capacidades es la prioridad práctica más defendible, a la espera de confirmación prospectiva.

Qué se estudió: análisis con aprendizaje automático de los partidos del Mundial 2026

Se analizó el Mundial 2026, la primera edición con 48 selecciones y 104 partidos. Para cada equipo y partido se usaron 142 métricas oficiales de la FIFA, entre ellas rupturas de línea, eventos de presión y recepciones entre líneas, que no se habían analizado antes en un Mundial.

Primero se compararon las actuaciones ganadoras y perdedoras con la delta de Cliff (una medida del tamaño del efecto), con control de la tasa de falsos descubrimientos. Después se modeló el resultado con cinco algoritmos y validación cruzada estratificada repetida, usando diferenciales entre el equipo y su rival. Para interpretar los modelos se usaron los valores SHAP (SHapley Additive exPlanations), que indican cuánto aporta cada variable. La incertidumbre se midió con análisis conformal dividido (split-conformal); según los autores, es la primera vez que se combinan ambos métodos en un Mundial.

Qué encontraron: precisión de remate en el área y posesión bajo presión

  • Diferencias entre ganadores y perdedores: 86 de las 125 métricas examinadas diferían entre ambos grupos.
  • Mayor efecto individual: los intentos a puerta dentro del área, con 4,4 en los ganadores frente a 1,7 en los perdedores (delta = 0,68). La probabilidad de victoria superó el 50 % con 2,9 de estos intentos y el 75 % con 4,3.
  • Rendimiento del modelo: la regresión logística regularizada con diferenciales alcanzó un área bajo la curva de 0,946 y una exactitud de 0,875. Los autores piden leerla de forma descriptiva, porque hay más variables que partidos.
  • Importancia SHAP: en el modelo de gradient boosting, la distancia caminada ocupó el primer lugar. Sus interacciones más fuertes fueron con el total de intentos a puerta (0,79) y con los intentos a puerta dentro del área (0,71), la segunda variable en importancia.
  • Duelos clave: los equipos que dominaron los cinco duelos principales ganaron el 92 % de los partidos decididos; los que no dominaron ninguno, el 13 %.
  • Incertidumbre: la cobertura conformal fue en promedio de 0,885 con un objetivo del 90 %, y el 15 % de los partidos quedó como incierto.
  • Consistencia entre estratificaciones: la precisión de finalización fue el discriminador más consistente (delta con emparejamiento equilibrado = 0,53 dentro del área y −0,54 en los intentos concedidos). La posesión resistente a la presión mostró asociaciones fuertes en el conjunto del torneo (delta = 0,56) y en la fase eliminatoria (0,65).

Qué significa para la práctica: cómo entrenar la finalización y la posesión bajo presión

Los resultados son observacionales. Sirven para orientar prioridades de entrenamiento, no para demostrar que cambiar una variable cause victorias.

Priorizar la calidad del remate dentro del área

  • Conviene medir en entrenamientos y partidos no solo los remates totales, sino los intentos a puerta dentro del área. Las cifras del torneo (en torno a 3 a 4 por partido en los ganadores) pueden servir como referencia orientativa, no como meta universal.
  • Los ejercicios de finalización pueden diseñarse con oponentes, tiempo y espacio reducidos, para que la técnica se mantenga en condiciones parecidas a las del partido.
  • La métrica tiene una cara defensiva: los intentos concedidos dentro del área se asociaron a perder (delta −0,54). Reducir los remates rivales desde esa zona merece el mismo seguimiento.

Entrenar la posesión resistente a la presión

  • Se pueden usar juegos de posesión y situaciones de salida de balón con presión alta, que obliguen a recibir entre líneas y a romper líneas.
  • Esta capacidad pareció especialmente relevante en la fase eliminatoria (delta = 0,65), cuando el margen de error es menor. Allí puede justificar más tiempo de preparación específica.

Cómo usar los modelos y el análisis de rendimiento

  • La distancia caminada encabezó la importancia SHAP, pero sobre todo por su interacción con los remates a puerta. Conviene no interpretarla como una orden de caminar más ni como un indicador de calidad por sí solo; es mejor leerla junto con las acciones ofensivas.
  • El 15 % de partidos inciertos recuerda que ningún modelo captura todo. Úsalo como apoyo a la observación del cuerpo técnico, no como sustituto.
  • Un cuadro de mando sencillo con los duelos principales puede ayudar a revisar los partidos, ya que dominar los cinco se asoció con ganar el 92 % de los decididos. Es una asociación descriptiva, no una garantía.

Limitaciones

  • El diseño es retrospectivo y observacional, por lo que no permite establecer causalidad. Los propios autores piden confirmación prospectiva.
  • Hay más variables que partidos, de modo que el rendimiento del modelo logístico (AUC 0,946) debe leerse de forma descriptiva y no como capacidad predictiva demostrada.
  • Los datos proceden de un único torneo de selecciones, por lo que su aplicación a otros niveles, categorías o contextos es incierta.
  • Los remates y el resultado se influyen mutuamente durante el partido: un equipo que ya gana puede jugar de forma distinta.

Conclusiones aplicables

  • Los intentos a puerta dentro del área fueron la métrica con mayor efecto individual entre ganadores y perdedores (4,4 frente a 1,7; delta = 0,68).
  • La precisión de finalización fue el discriminador más consistente entre estratificaciones, tanto en ataque como en defensa.
  • La posesión resistente a la presión mostró asociaciones fuertes, sobre todo en la fase eliminatoria.
  • Desarrollar estas dos capacidades es la prioridad práctica más defendible, pendiente de confirmación prospectiva.
  • Los modelos deben considerarse herramientas de apoyo descriptivo, con una parte de los partidos que sigue siendo incierta.
Interpretación elaborada con inteligencia artificial (Claude, de Anthropic) a partir de la publicación original, y revisada por el Comité Académico de G-SE.
Publicación Original