2009Third
2009 ThirdUKSim
UKSim European
European Symposium
Symposium onon Computer
Computer
Simulation
Predicción de resultados de partidos de futbol en un
torneo mediante machine learning
4/11/2021
Jakson Steven Henao, Julio Andres Altamar
Uniminuto
Abstract— Today and for a long time football is one of the
most popular sports in the world his is why we should not turn
it away from technology, on the contrary, we must use
technology to do better and also see football as an opportunity
to grow technologically.
It is no secret that in football there is also the world of
betting and that is where we are going to aim, through
machine learning we will be able to predict which team will
win the next game through historical records, , we will take
data such as number of matches played between the two
teams, in which field situation they win the matches, weather,
stadium in which it is played, this will allow users to make
decisions when betting and increase the odds of winning.
Keywords-Simulation software, energy measurement, mobile
agents, web services
I. INTRODUCTION
En la actualidad y desde hace mucho tiempo el futbol es
uno de los deportes más populares en el mundo es por esto
que no debemos apartarlo de la tecnología, por el contrario,
debemos utilizar la tecnología para hacerlo mejor y además
ver el futbol como una oportunidad para crecer
tecnológicamente.
Para nadie es un secreto que en el futbol también está el
mundo de las apuestas y es allí donde nosotros vamos a
apuntar, a través del machine learning vamos a poder
predecir qué equipo ganara el próximo partido a través de
registros históricos, tomaremos datos tales como cantidad de
partidos jugados entre los dos equipos, en qué situación de
campo ganan los partidos, clima, estadio en el que se juegue,
esto le permitirá a los usuarios tomar decisiones a la hora de
apostar y aumentar las probabilidades de ganar.
Modeling
Modeling and
and Simulation
II. OBJECTIVES
El objetivo de este proyecto es realizar una aplicación
que utilizando técnicas de Machine Learning sea capaz de
predecir el resultado de los partidos de un torneo de fútbol.
Se usará la aplicación para obtener una predicción y
porcentaje estimado de acierto, valorando si este porcentaje
es una predicción mejor que el simple azar.
Objetivos específicos:
Mostrar una interfaz en la cual se puedan ver los
próximos partidos y que cada partido tenga su posible
ganador.
Ingresar partidos con sus resultados para así tener una
histórico de los mismo.
III. TECHNOLOGIES
En este Proyecto vamos a trabajar con programación
orientada objetos, se usara el lenguaje de programación
Java en el cual se incluirá un framerwork relacional de
objetos datos llamado JPA, JPA es la propuesta estándar
que ofrece Java para implementar un Framework Object
Relational Mapping (ORM), que permite interactuar con la
base de datos por medio de objetos, de esta forma, JPA es
el encargado de convertir los objetos Java en instrucciones
para el Manejador de Base de Datos (MDB), usaremos una
base datos en MySQL, el front será desarrollo con Jframe
para hacerlo practico y que sea ejecutable localmente, todo
esto se va a realizar a partir de machine learning.

IV. SIMULATOR OVERVIEW
La arquitectura de este proyecto está compuesta por tres
componentes principales, el primero es el front el cual hará
la implementación de los métodos y funciones que tendrá el
back, este es el segundo componente el cual está
desarrollado en Java el cual contiene todos los métodos y
consultas a la base de datos, el tercer componente es la capa
de datos en ella está la base de datos en MySQL, esta base
de datos será administrada con phpadmin, en ella vamos a
tener todos los datos que nos van a permitir hacer las
predicciones.
Estas tres clases contienen los atributos y los métodos con
los cuales se van a hacer las predicciones, para tener data
histórica se agregará un módulo en el cual se puedan
ingresar partidos con fechas anteriores y sus resultados, de
esta manera podremos empezar a predecir cuáles serán los
resultados, también vamos a poder predecir quien puede ser
el campeón del torneo, recordar que estas predicciones se
harán por medio de machine learning.
Nuestro sistema utiliza machine learning de tal forma que
pueda predecir quien ganara el partido por medio de
partidos anteriores jugados por los dos equipos y otras
variables mencionadas anteriormente, esta predicción se
hará por medio de promedios, se tomara primero el
promedio de cada partido ganado por cada equipo, también
se promediara si gano en casa o de visitante, tendrá un
porcentaje mayor si gana en casa ya que hay más tribuna
alentando al equipo local una vez se obtienen estos
porcentajes revisaremos el próximo partido que se jugara, si
es de visitante o local, tendrá un peso mayor o menor
dependiendo el porcentaje obtenido de cada equipo.

VI. EVALUATION
Figure 1. Simulator Overview
Para nuestro sistema tomamos como ejemplo un torneo
relámpago en el cual estaban estos equipos, cada equipo
jugaba un partido de visitante y uno de local:
V. SIMULATED ENTITIES
Se ha realizado un esfuerzo para representar la estructura
Grupo A
y comportamiento de un torneo y sus partidos en nuestro
Sistema, teniendo en cuanta que hay muchas más variables Real Madrid
que afectan en el resultado de un partido. Bayern Múnich
Manchester United
Chelsea

Para este escenario tuvimos en cuenta que estos equipos

ya habían jugado partidos anteriormente en versiones de este
torneo pasadas, los resultados fueron:

Visitante Local Ganador Resulta

do
Real Madrid Bayern Real 1-0
Munich Madrid
Bayern Real Bayern 3-0
Munich Madrid Munich
Figure 2. Appliance Implementation View
La estructura de nuestro proyecto esa conformada por Real Madrid Manchest Manchest 0-2
tres clases principales las cuales son: er United er United

1. Equipo Manchester Real Manchest 2-1

United Madrid er United
2. Partido
Real Madrid Chelsea Chelsea 0-1
3. Torneo
Chelsea Real Real 0-2

426
424
2
 Madrid Madrid
Bayern Manchest Bayern 3-2
Munich er United Munich
Manchester Bayern Manchest 1-0 Local Visitante
United Munich er United Real Madrid Bayern Munich
Bayern Chelsea Empate 0-0 81% 19%
Munich
Bayern Munich Real Madrid
Chelsea Bayern Chelsea 1-0
Munich 30% 69%

Manchester Chelsea Manchest 2-1 Real Madrid Manchester United

United er United 15% 85%
Chelsea Manchest Chelsea 1-0 Manchester United Real Madrid
er United 85% 15%
Real Madrid Chelsea
Local Visitante Ganador Resu 24% 76%
ltado
Chelsea Real Madrid
Real Bayern Real 2-0
Madrid Munich Madrid 69% 28%

Bayern Real Madrid Real 0-2 Bayern Munich Manchester United

Munich Madrid 81% 19%
Real Manchester Mancheste 0-2 Manchester United Bayern Munich
Madrid United r United 30% 69%
Mancheste Real Madrid Mancheste 2-1 Bayern Munich Chelsea
r United r United
30% 69%
Real Chelsea Chelsea 0-1
Madrid Chelsea Bayern Munich
Chelsea Real Madrid Chelsea 3-1 81% 19%
Bayern Manchester Bayern 3-2 Manchester United Chelsea
Munich United Munich 81% 19%
Mancheste Bayern Bayern 0-1 Chelsea Manchester United
r United Munich Munich 30% 69%
Bayern Chelsea Chelsea 1-2
Munich
Esta tabla nos permite ver quienes pueden ganar los
Chelsea Bayern Chelsea 1-0 próximos partidos.
Munich
Mancheste Chelsea Mancheste 2-1
r United r United
Chelsea Manchester Mancheste 0-3
United r United

Teniendo este histórico de partidos nos permite

predecir qué equipo puede ser el ganador de los partidos, el
campeón de este torneo es el que mas puntos gane, se suman
3 puntos por partido ganado 1 por partido empatada y 0 por
perdido.

Nuestra herramienta nos arrojó las siguientes probabilidades:

426
424
3
 VII. DISCUSSION AND FUTURE
DIRECTIONS
El trabajo presentando trata sobre un software
desarrollado en java basado en la tecnología machine
learning, que nos permitirá predecir resultados de partidos y
así poder tener más claro quién podrá ganar en caso de
querer apostar, es una propuesta inicial que esperamos en un
REFERENCES
futuro sea una herramienta totalmente funcional, que pueda
predecir no solo resultados de partidos de futbol y de un [1] Bonaccorso, G. (2017). Machine learning
torneo, queremos que lo haga con todos los deportes y con algorithms. Packt Publishing Ltd.
todos los torneos posibles.
[2] Mahesh, B. (2020). Machine Learning Algorithms-
PREDICCION
A Review. International Journal of Science and
Para cada partido dado podemos hacer una predicción sobre Research (IJSR).[Internet], 9, 381-386.
que equipo ganara con un porcentaje asociado, Estas
probabilidades estarán sesgadas debido a la ventaja del [3] Pech-May, F., Gomez-Rodriguez, M. A., Luis, A.,
terreno de juego en el fútbol. Además, nuestro modelo & Lara-Jeronimo, S. U. (2012). Desarrollo de
aprende de los datos de clasificación de los jugadores y Aplicaciones web con JPA, EJB, JSF y
apuesta probabilidades, haciendo una predicción sólida y PrimeFaces. Instituto Tecnológico Superior de los
basada en datos. Ríos, Tabasco, México.
Cuando hagamos una predicción, compararemos su precisión
con dos umbrales,
el umbral mínimo es el que predice que el equipo de casa
siempre gane. Si una predicción tiene una precisión por
debajo del umbral mínimo, la descartamos, pero si
tiene una precisión por encima del umbral mínimo,
consideramos que el algoritmo
ha aprendido a predecir obteniendo una mejor precisión que
está por encima del mínimo

VIII. CONCLUSIONS
Podemos ver que usar datos en el fútbol, o de cualquier
deporte, puede ayudarnos a entenderlo.
mejor. Inferir el comportamiento humano no es fácil, pero
podemos acercarnos si estudiamos y analizamos las
decisiones basadas en datos
el aprendizaje autonomo está aumentando su popularidad y
puede ser muy útil investigar este tipos de técnicas.

Para este proyecto , estudiamos la importancia de tener un

buen conjunto de datos, ya que si obtenemos más datos
inteligentes podremos hacer mejores predicciones, por lo
que es muy importante recopilar los datos correctos y estar
siempre buscando
Además, somos conscientes de que este no es un trabajo
perfecto, tal vez el modelo sea bastante
simple y podríamos aplicar el modelo o las técnicas más
elaboradas que existen.

426
424
4