El Futbol y las RNAs

Monica Elizabeth Aruni Flores

mearuniflores@gmail.com
Resumen

El siguiente trabajo de investigacin, tratara de abordar las preguntas De qu depende

el resultado final de un partido de ftbol? Es realmente algo aleatorio o tiene algo de
comn jornada a jornada? desde el punto de vista de las redes neuronales, introduciendo
caractersticas de los equipos en cada una de las jornadas, teniendo en cuenta aquellos
considerados ms influyentes de cara al resultado final de los encuentros.
Palabras claves: redes neuronales, maquina inteligente, inteligencia artificial.
los datos. Las redes neuronales operan
sobre la base de reconocimiento de
patrones y pueden adquirir conocimiento
obtenido a partir de ejemplos. Esta forma
de adquirir el conocimiento es una de sus
caractersticas ms destacables: no se
programa de forma directa, como en los
sistemas expertos, sino que se adquiere a
partir de ejemplos, por ajuste de
parmetros de las neuronas mediante un
algoritmo de aprendizaje.
De todas formas, no debemos ser
demasiado optimistas, ya que el resultado
de un partido de ftbol tiene mucho de
aleatorio, y quizs por esta razn funcione
muy bien en algunos casos y realmente
mal en muchos otros.
Utilizaremos a lo largo del artculo un
tipo de red neuronal denominada
perceptrn
multicapa,
cuyo
funcionamiento ser explicado ms
adelante, y que hasta la fecha es el que ha
reportado mejores resultados en este tipo
de problemas. La estructura de este tipo
de red es muy variable, y dependiente del
problema, por lo que daremos un enfoque
desde distintas perspectivas, observando

1. INTROODUCCION
La mayora de los mtodos de anlisis de
resultados futbolsticos, se basan en
mtodos estadsticos utilizando la mayor
cantidad
de
datos
posibles,
e
introducindolos en grandes bases de
datos para realizar clculos costosos que
intenten vislumbrar aquellos factores ms
influyentes en el resultado final de un
encuentro.
Pero en el mbito estadstico, es difcil
tener el control de multitud de variables
que tengan una alta correlacin. De
hecho, es difcil el estudio estadstico con
ms de 3 variables inter-relacionadas.
En ese sentido surge el estudio de las
Redes de Neuronas Artificiales, teniendo
excelentes resultados respecto a los
modelos derivados de la estadstica
clsica [PSICO-01]. El paralelismo de
clculo, la memoria distribuida y la
adaptabilidad al entorno, han convertido a
las RNA en potentes instrumentos con
capacidad para aprender relaciones entre
variables sin necesidad de imponer
presupuestos o restricciones de partida en
-1-

las ventajas y desventajas de cada uno.

2. MARCO TEORICO

comportamiento del cerebro. Como tal

modelo, realiza una simplificacin,
averiguando cules son los elementos
relevantes del sistema, bien bien porque
la cantidad de informacin de que se
dispone es excesiva o bien porque es
redundante. Una eleccin adecuada de sus
caractersticas, ms una estructura
conveniente,
es
el
procedimiento
convencional utilizado para construir
redes capaces de realizar determinada
tarea.
Se conoce como capa o nivel a un
conjunto de neuronas cuyas entradas
provienen de la misma fuente y cuyas
salidas se dirigen al mismo destino.
Unidad de proceso: La neurona Artificial.
Existen tres tipos de unidades en
cualquier sistema: entradas, salidas y
ocultas. Las unidades de entrada reciben
seales desde el entorno; las de salida
envan la seal fuera de la red, y las
unidades ocultas son aquellas cuyas
entradas y salidas se encuentran dentro
del sistema.
Estado de Activacin. Los estados del
sistema en un tiempo t se representan por
un vector A(t). Los valores de activacin
pueden ser continuos o discretos,
limitados o ilimitados. Si son discretos,
suelen tomar un conjunto discreto de
valores binarios, as un estado activo se
indicara con un 1 y un estado pasivo se
representara por un cero. En otros
modelos se considera un conjunto de
estados de activacin, en cuyo valor entre
[0,1], o en el intervalo [-1,1], siendo una
funcin sigmoidal.
Funcin de Salida o de Transferencia.
Asociada con cada unidad hay una
funcin de salida, que transforma el

PANORAMA HISTRICO
Conseguir, disear y construir mquinas
capaces de realizar procesos con cierta
inteligencia ha sido uno de los principales
objetivos y preocupaciones de los
cientficos a lo largo de la historia. Sin
embargo a pesar de disponer de
herramientas y de lenguajes de
programacin diseados para el desrrollo
de mquinas inteligentes, existe un
problema de fondo que limita los
resultados:
estas
mquinas
se
implementan sobre ordenadores basados
en la filosofa de Von Neumann, y se
apoyan en una descripcin secuencial del
proceso de tratamiento de la informacin.
Las primeras explicaciones tericas sobre
el cerebro y el pensamiento fuern dadas
por algunos filsofos griegos, como
Platn y Aristteles, quienes fuern
apoyados despes por Descartes y
filsofos empiristas.
Alan Turing, en 1936, fue el primero en
estudiar el cerebro como una forma de ver
el mundo de la computacin, pero quienes
primero concibiern algunos fundamentos
de la computacin neuronal fuern
Warren McCulloch y Walter Pitts,
despes otras teorias iniciales fuern
expuestas por Donald Hebb. Pero solo
hasta 1957 Frank Rosenblatt comenz el
desarrollo del Perceptrn, la red neuronal
ms antigua de la que me encargar
posteriormente.
ELEMENTOS
DE
UNA
RED
NEURONAL ARTIFICIAL
Las redes neuronales artificiales (RNA)
son modelos que intentan reproducir el
-2-

estado actual de activacin en una seal

de salida.
Existen cuatro funciones de transferencia
tpicas que determinan distintos tipos de
neuronas:
Funcin Escaln
Funcin Lineal y Mixta
Sigmoidal
Funcin Gaussiana
CONEXIONES ENTRE NEURONAS.
Las conexiones que unen a las neuronas
que forman una RNA tiene asociado un
peso, que es el que hace que la red
adquiera conocimiento. Se considera que
el efecto de cada seal es aditivo, de tal
forma que la entrada neta que recibe una
neurona es la suma del producto de cada
seal individual por el valor de la sinapsis
que conecta ambas neuronas y es lo que
se conoce como red de propagacin. Se
utiliza una matriz W con todos los pesos,
Si wji es positivo indica que la relacin
entre las neuronas es excitadora, es decir,
siempre que la neurona i est activada, la
neurona j recibir una seal que tender a
activarla. Si wji es negativo, la sinapsis
ser inhibidora. En este caso si i est
activada, enviar una seal que
desactivar a j. Finalmente si wji es 0 se
supone que no hay conxin entre ambas
Funcin o Regla de Activacin. Se
requiere una regla que combine las
entradas con el estado actual de la
neurona para producir un nuevo estado de
activacin. Esta funcin F produce un
nuevo estado de activacin en una
neurona a partir del estado que exista y la
combinacin de las entradas con los pesos
de las conexiones. Esa F es denominada
funcin de activacin, y las salidas que se

obtienen en una neurona para las

diferentes formas de F sern:
Funcin de Activacin Escaln
Funcin de Activacin Identidad
Funcin de Activacin Lineal
Mixta

Funcin de Activacin Sigmoidal

Regla de Aprendizaje. El aprendizaje
puede ser comprendido como la
modificacin
de
comportamiento
inducido por la interaccin con el entorno
y como resultado de experiencias conduce
al establecimiento de nuevos modelos de
respuesta a estmulos externos. En el
cerebro humano el conocimiento se
encuentra en la sinapsis. En el caso de las
RNA el conocimiento se encuentra en los
pesos de las conexiones entre neuronas.
Todo procesode aprendizaje implica
cierto nmero de cambios en estas
conexiones. En realidad, puede decirse
que se aprende modificando los valores
de lo pesos de la red.
Estructura de una Red Neuronal Artificial
Anteriormente ya se estipul que la
distribucin de neuronas dentro de la red
se realiza formando niveles o capas de un
nmero determinado de neuronas cada
una, y que existen capas de entrada, de
salida, y ocultas, ahora veamos las formas
de conexin entre neuronas.

-3-

Cuando ninguna salida de las neuronas es

entrada de neuronas del mismo nivel o de
niveles precedentes, la red se describe
como de propagacin hacia adelante.
Cuando las salidas pueden ser conectadas
como entradas de neuronas de niveles
previos o del mismo nivel, incluyendose
ellas mismas, la red es de propagacin
hacia atrs.
Caractersticas de las Redes Neuronales
Existen cuatro aspectos que caracterizan
una red neuronal: su topologa, el
mecanismo de aprendizaje, tipo de
asociacin realizada entre la informacin
de entrada y salida, y la forma de
representacin de estas informaciones.
Redes
Monocapa:
Se
establecen
conexiones
laterales,
cruzadas
o
autorrecurrentes entre las neuronas que
pertenecen a la nica capa que constituye
la red. Se utilizan en tareas relacionadas
con lo que se conoce como
autoasociacin; por ejemplo, para generar
informaciones de entrada que se
presentan a la red incompleta o
distorsionada.
Redes Multicapa: Son aquellas que
disponen de conjuntos de neuronas
agrupadas en varios niveles o capas. Una
forma de distinguir la capa a la que
pertenece la neurona, consiste en fijarse
en el origen de las seales que recibe a la
entrada y el destino de la seal de salida.
Segn el tipo de conexin, como se vio
previamente, se distinguen las redes
feedforward,
y
las
redes
feedforward/feedback.
Topologa de las Redes Neuronales. La
arquitectura de las redes neuronales
consiste en la organizacin y disposicin
de las neuronas formando capas ms o

menos alejadas de la entrada y salida de la

red. En este sentido, los parmetros
fundamentales de la red son: el nmero de
capas, el nmero de neuronas por capa, el
grado de conectividad y el tipo de
conexiones entre neuronas.
Mecanismo
de
Aprendizaje.
El
aprendizaje es el proceso por el cual una
red neuronal modifica sus pesos en
respuesta a una informacin de entrada.
Los cambios que se producen durante el
proceso de aprendizaje se reducen a la
destruccin, modificacin y creacin de
conexiones entre las neuronas, la creacin
de una nueva conexin implica que el
peso de la misma pasa a tener un valor
distinto de cero, una conexin se destruye
cuando su peso pasa a ser cero. Se puede
afirmar que el proceso de aprendizaje ha
finalizado (la red ha aprendido) cuando
los valores de los pesos permanecen
estables (dwij / dt = 0).
Un criterio para diferenciar las reglas de
aprendizaje se basa en considerar si la red
puede
aprender
durante
su
funcionamiento habitual, o si el
aprendizaje supone la desconexin de la
red.
Otro criterio suele considerar dos tipos de
reglas de aprendizaje: las de aprendizaje
supervisado y las correspondientes a un
aprendizaje no supervisado, estas reglas
dan pie a una de las clasificaciones que se
realizan de las RNA: Redes neuronales
con aprendizaje supervisado y redes
neuronales
con
aprendizaje
no
supervisado. La diferencia fundamental
entre ambos tipos estriba en la existencia
o no de un agente externo (supervisor)
que controle el aprendizaje de la red.
-4-

Redes con Aprendizaje Supervisado. El

proceso de aprendizaje se realiza
mediante un entrenamiento controlado
por un agente externo (supervisor,
maestro) que determina la respuesta que
debera generar la red a partir de una
entrada determinada. El supervisor
comprueba la salida de la red y en el caso
de que sta no coincida con la deseada, se
proceder a modificar los pesos de las
conexiones, con el fin de conseguir que la
salida se aproxime a la deseada.
Se consideran tres formas de llevar a cabo
este tipo de aprendizaje:
Aprendizaje por correccin de error:
Consiste en ajustar los pesos en fucin de
la diferencia entre los valores deseados y
los obtenidos en la salida de la red; es
decir, en funcin del error.
Aprendizaje por refuerzo: Se basa en la
idea de no indicar durante el
entrenamiento exactamente la salida que
se desea que proporcione la red ante una
determinada entrada. La funcin del
supervisor se reduce a indicar mediante
una seal de refuerzo si la salida obtenida
en la red se ajusta a la deseada (xito=+1
o fracaso=-1), y en funcin de ello se
ajustan los pesos basandose en un
mecanismo de probabilidades.
Aprendizaje estocstico: Este tipo de
aprendizaje consiste bsicamente en
realizar cambios aleatorios en los valores
de los pesos de las conexiones de la red y
evaluar su efecto a partir del objetivo
deseado y de distribuciones de
probabilidad.
Redes con Aprendizaje No Supervisado.
Estas redes no requieren influencia
externa para ajustar los pesos de las
conexiones entre neuronas. La red no

recibe ninguna informacin por parte del

entorno que le indique si la salida
generada es o no correcta, asi que existen
varias posibilidades en cuanto a la
interpretacin de la salida de estas redes.
En algunos casos, la salida representa el
grado de familiaridad o similitud entre la
informacin que se le est presentando en
la entrada y las informaciones que se le
han mostrado en el pasado. En otro caso
podra realizar una codificacin de los
datos de entrada, generando a la salida
una versin codificada de la entrada, con
menos bits, pero manteniendo la
informacin relevante de los datos, o
algunas redes con aprendizaje no
supervisado lo que realizan es un mapeo
de caractersticas, obteniendose en las
neuronas de salida una disposicin
geomtrica que representa un ,apa
topogrfico de las caractersticas de los
datos de entrada, de tal forma que si se
presentan a la red informacikones
similares, siempre sean afectadas
neuronas de salidas prximas entre s, en
la misma zona del mapa..
En general en este tipo de aprendizaje se
suelen considerar dos tipos:
Aprendizaje
Hebbiano:
Consiste
bsicamente en el ajuste de los pesos de
las conexiones de acuerdo con la
correlacin, as si las dos unidades son
activas (positivas), se produce un
rforzamiento de la conexin. Por el
contrario cuando un es activa y la otra
pasiva (negativa), se produce un
debilitamiento de la conexin.
Aprendizaje competitivo y cooperativo:
Las neuronas compiten (y cooperan) unas
con otras con el fin de llevar a cabo una
tarea dada . Con este tipo de aprendizaje
-5-

se pretende que cuando se presentye a la

red cierta iinformacin de entrada, solo
una de las neuronas de salida se active
(alcanze su valor de respuesta mximo).
Por tanto las neuronas compiten por
activarse , quedando finalmente una, o
una por grupo, como neurona vencedora
Estos dos mecanismos de asociacin de
asociacin dan lugar a dos tipos de redes
neuronales: las redes heteroasosciativas y
laas
autoasociativas.
Una
red
heteroasociativa podra considerarse
aquella que computa cierta funcin, que
en la mayora de los casos no podr
expresarse analticamente, entre un
conjunto de entradas y un conjunto de
salidas, correspondiendo a cada posible
entrada una determinada salida. Existen
redess heteroasociativas con conexiones
feedforward, feedforward/feedback y
redes con conexiones laterales. Tambien
existen
redes
heteroasociativas
multidimensionales y su aprendizaje
puede ser supervisado o no supervisado.
Por otra parte, una red autoasociativa es
una red cuya principal misin es
reconstruir una determinada informacin
de entrada que se presenta incompleta o
distorsionada (le asocia el dato
almacenado ms parecido). Pueden
implementarse con una sola capa, existen
conexiones
laterales
o
tambien
autorrecurrentes, habitualmente son de
aprendizaje no supervisado.
Tipo
de
Asociacin
entre
las
Informaciones de Entrada y Salida. Las
RNA son sistemas que almacenan cierta
informacin aprendida; est informacin
se registra de forma distribuida en los
pesos asociados a las conexiones entre
neuronas de entrada y salida. Existen dos

formas primarias de realizar esa

asociacin de entrada/salida. Una primera
sera la denominada heteroasociacin, que
se refiere al caso en el que la red aprende
parejas de datos [(A1, B1), (A2, B2)
(An, Bn)], de tal forma que cuando se
presente cierta informacin de entrada Ai,
deber
responder
generandola
correspondiente salida Bi. La segunda se
conoce como autoasociacin, donde la red
aprende ciertas informaciones A1,
A2An, de tal forma que cuando se le
presenta una informacin de entrada
realizar
una
autocorrelacin,
respondiendo con uno de los datos
almacenados, el ms parecido al de
laentrada.
Representacin de la Infomacin de
Entrada y Salida. Las redes neuronales
pueden tambien clasificarse en funcin de
la forma en que se representan las
informaciones de entrada y las respuestas
o datos de salida. As un un gran nmero
de redes, tanto los datos de entrada como
de salida son de naturaleza analgica,
cuando esto ocurre, las funciones de
activacin de las neuronas sern tambin
continuas, del tipo lineal o sigmoidal.
Otras redes slo admiten valores discretos
o binarios a su entrada, generando
tambin unas respuestas en la salida de
tipo binario. En este caso, las funciones
de activacin de las neuronas son de tipo
escaln. Existe tambin un tipo de redes
hbridas en las que las informaciones de
entrada pueden ser valores continuos,
aunque las salidas de la red son discretas.

3. METODO DE LA INVESTIGACION.
BIBLIOGRAFIA
-6-

Los pasos seguidos para la elaboracin

del sistema han sido:
Seleccionar arquitectura
Seleccin del conjunto de
entrenamiento
Patrones de aprendizaje
Patrones de Test
Fase de aprendizaje
Fase de Test

hacer un estudio ms profundo de la

complejidad del problema que incluye
estudiar el nmero de dimensiones y la
existencia de componentes no lineales.

4. CONCLUSIONES
Acerca de las dos aproximaciones
utilizadas, podemos concluir que el
segundo modelo ha sido claramente ms
satisfactorio a tenor de los resultados
observados. En la siguiente figura
podemos ver un resumen:
Quiniela
simple

En cuanto a seleccin de arquitectura, se

ha optado por el Perceptrn Multicapa. El
Perceptrn Multicapa es un modelo
supervisado, es decir, se le presentan al
perceptrn unas entradas con las
correspondientes salidas que queremos
que aprenda. De esta manera, la red
primero calcula la salida que propone
para esas entradas y luego, segn el error
que se est cometiendo, ajusta sus pesos
proporcionalmente a dicho error. Si la
diferencia entre la salida calculada y la
deseada fuese nula, no se modificaran los
pesos.

Quiniela con mltiples dobles

La principal desventaja de la segunda
aproximacin, es que tenemos un
conjunto de entrenamiento mucho ms
pequeo. Al disponer de toda la
informacin de una jornada futbolstica
en un nico patrn, tendremos un total de
38 patrones para cada temporada,
mientras que con la primera aproximacin
tenemos un total de 38*20 = 760 patrones
por temporada.
Esto puede desencadenar en un problema
de baja generalizacin, y quizs la red
acabe por memorizar los 38 patrones, sin
abstraer realmente las caractersticas
importantes.
Aunque hemos sido conscientes de esta
desventaja en todo momento, hemos
observado que la segunda aproximacin
ha funcionado realmente bien, incluso por
encima de nuestras expectativas, ya que
ha reproducido resultados de 4 jornadas
totalmente nuevas y nunca introducidas
en el entrenamiento, de una forma
satisfactoria.

Para crear una red neuronal nueva, se

elige en primer lugar el nmero de capas,
usualmente tres: capa de entrada, capa
oculta y capa de salida.
Segn un artculo [DOXMA-01], no se
requieren ms de 3 capas en una red de
este tipo porque una red con este nmero
de capas podra generar arbitrariamente
regiones de decisiones complejas.
Una vez seleccionado el nmero de capas,
se construye el modelo de red elegido:
nmero de neuronas en cada capa y tipo
de conexin. Para elegir el nmero de
neuronas de la capa oculta habra que
-7-

Pautas a seguir para futuros desarrollos:

Este trabajo est realizado en base
a resultados de los 20 equipos de
primera divisin. Para apostar en
quinielas futbolsticas, hemos de
introducir patrones en los que se
tengan en cuenta los equipos de 2
Divisin, que tambin entran en el
boleto. Esta ampliacin se deja
para trabajos posteriores.
Sera interesante tambin testear
la red con un mayor nmero de
partidos, para confirmar los
resultados obtenidos.
Para un buen funcionamiento de
este tipo de estructuras, es
necesario que cada jornada se
actualice la red, con un nuevo
entrenamiento de la misma, dado
que los resultados de la jornada
actual se basan en resultados de
las anteriores ms inmediatas.

Multicapa http://www.bibliopsiquis.com/
psicologiacom/vol5num2/2833/
[RESO-99] Ferreira, C., Gonzlez, J.
Resolucin de quinielas futbolsticas
mediante la utilizacin de una red
feedforward
con
algoritmo
de
aprendizaje backpropagation. Prctica
1999
[SERRANO-97]
Serrano,
C.
(1997). Feedforward Neural Networks in
the
Classification
of
Financial
Information, European Journal of
Finance, Vol 3, N 3, September, pp. 183202

5. BIBLIOGRAFIA
[CIBER-01]
http://ciberconta.unizar.es/LECCI
ON/visual/INICIO.HTML
[DOXMA-01]
http://www.doxmatic.com/EE/arti
culos.mv?20010212
[GOAL-01]
Edicin espaola de
Goal.com
http://www.goal.com/es
[NEURO-01]
http://www.cinefantastico.com/ne
xus7/ia/neurocomp6.htm
[PSICO-01] Tutorial
sobre
Redes
Neuronales Artificiales: El Perceptrn
-8-