Acin215

Análisis de caso
Nombres integrantes: Alfredo Terraza Morales

Curso: ACIN215.202315.1516

Fecha: 09-07-2023
Estudio de caso: Desafío del Big Data 2

Estudio de caso: “Desafío del Big Data”

La mayor parte de los deportistas de élite están adoptando técnicas de análisis de grandes
volúmenes de datos. En el tenis se lleva mucho tiempo utilizando la herramienta SlamTraker
(basada en la tecnología de IBM SPSS análisis predictivo) en los torneos más prestigiosos del
mundo, tales como Wimbledon, Roland Garros y el Open de Australia, entre otros. La plataforma ha
registrado más de 8 años de datos de Grand Slam (unos 41 millones de data points) para determinar
patrones y estilos de jugadores ganadores.

Aplicando análisis a las grabaciones de vídeo de cada jugador de fútbol y tecnología de sensores
en equipamiento deportivo como balones o palos de golf, podemos obtener retroalimentación de los
datos generados y revelar los resultados para mejorar el rendimiento o mostrar una visión
enriquecida de la retransmisión a los espectadores. En la actualidad, muchos equipos de élite
realizan seguimiento de sus atletas fuera del entorno de competición, usando dispositivos
inteligentes para monitorizar desde la nutrición, la preparación física y el sueño, hasta las
conversaciones en redes sociales en las que participan para controlar el bienestar emocional.
 Estudio de caso: Desafío del Big Data 3

PREGUNTAS/ESTRUCTURA DE INFORME

1. ¿Cuál es el modelo matemático utilizado por IBM expuesto en este caso?

Aunque el texto no especifica exactamente qué modelo matemático utiliza IBM en su herramienta
SlamTracker, menciona que se basa en la tecnología de IBM SPSS análisis predictivo. El análisis predictivo
es un tipo de análisis de datos que utiliza datos históricos y actuales para predecir eventos futuros. Esto se
logra a través de una variedad de técnicas estadísticas y de aprendizaje automático.

IBM SPSS es una suite de software que ofrece capacidades avanzadas de análisis estadístico, modelado
predictivo, minería de datos, análisis de texto, optimización, simulación y análisis prescriptivo. Algunos de
los modelos matemáticos y estadísticos que se pueden utilizar en SPSS incluyen regresión lineal y
logística, análisis de varianza, análisis de componentes principales, análisis de conglomerados, árboles de
decisión, redes neuronales y máquinas de vectores de soporte, entre otros.

IBM SPSS (Statistical Package for the Social Sciences) es una suite de software de análisis estadístico y
de datos que se utiliza en una variedad de campos, incluyendo la investigación de mercado, la salud, el
gobierno, la educación y el deporte. SPSS es conocido por su facilidad de uso, especialmente para
aquellos que no tienen un fuerte trasfondo en estadísticas, y por su capacidad para manejar grandes
conjuntos de datos.

SPSS ofrece una amplia gama de técnicas de análisis, que incluyen:

Estadísticas descriptivas: Estas son técnicas que permiten resumir y describir un conjunto de datos. Esto
puede incluir medidas de tendencia central (como la media, la mediana y la moda), medidas de dispersión
(como la varianza y la desviación estándar), y gráficos para visualizar los datos (como histogramas y
gráficos de caja).

Pruebas de hipótesis: Estas son técnicas que permiten hacer inferencias sobre una población a partir de
una muestra de datos. Esto puede incluir pruebas t para comparar medias, pruebas chi-cuadrado para
comparar proporciones, y análisis de varianza (ANOVA) para comparar más de dos grupos.

Regresión y correlación: Estas son técnicas que permiten explorar la relación entre dos o más variables. La
regresión puede utilizarse para predecir una variable a partir de una o más variables predictoras, mientras
que la correlación puede utilizarse para medir la fuerza y la dirección de la relación entre dos variables.
 Estudio de caso: Desafío del Big Data 4

Análisis multivariado: Estas son técnicas que permiten analizar múltiples variables al mismo tiempo. Esto
puede incluir análisis de componentes principales para reducir la dimensionalidad de los datos, análisis de
conglomerados para agrupar casos similares, y análisis discriminante para predecir a qué grupo pertenece
un caso.

Modelado predictivo y aprendizaje automático: Estas son técnicas que permiten hacer predicciones sobre
datos futuros o desconocidos. Esto puede incluir árboles de decisión, redes neuronales, y máquinas de
vectores de soporte, entre otros.

En el contexto de este caso de estudio, IBM SPSS podría utilizarse para analizar los datos de los partidos
de tenis y hacer predicciones sobre futuros partidos. Por ejemplo, se podría utilizar la regresión para
predecir el número de golpes ganadores de un jugador en función de variables como la velocidad del
servicio, la ubicación de los golpes, y la eficacia en la red. También se podría utilizar el análisis de
conglomerados para agrupar a los jugadores en función de su estilo de juego, y luego utilizar el análisis
discriminante para predecir a qué grupo pertenecerá un nuevo jugador en función de sus estadísticas de
juego.

Además, se podría utilizar el modelado predictivo para hacer predicciones sobre los resultados de los
partidos. Por ejemplo, se podría entrenar un árbol de decisión para predecir el ganador de un partido en
función de variables como las estadísticas de juego de los jugadores, las condiciones de juego, y el historial
de enfrentamientos entre los jugadores. Una vez entrenado, este modelo podría utilizarse para hacer
predicciones sobre futuros partidos.

Es importante tener en cuenta que, aunque SPSS ofrece una amplia gama de técnicas de análisis, la
elección de la técnica adecuada depende del contexto y los objetivos del análisis. Además, todas las
técnicas de análisis requieren supuestos que deben ser verificados para asegurar la validez de los
resultados. Por último, aunque SPSS puede facilitar el análisis de los datos, la interpretación de los
resultados requiere un conocimiento sólido de estadísticas.
 Estudio de caso: Desafío del Big Data 5

2. ¿Cuáles componentes de incertidumbre potencialmente puede identificar para llevar a cabo una
correcta toma de decisiones? Justifique.

En el contexto del análisis de datos en el deporte, existen varias fuentes de incertidumbre que pueden
afectar la toma de decisiones. Algunas de estas incluyen:

Variabilidad en el rendimiento del jugador: Los deportes son inherentemente impredecibles y el rendimiento
de un jugador puede variar de un día a otro debido a una multitud de factores. Esto puede incluir la forma
física, el estado mental, las condiciones climáticas, la presión de la competencia, entre otros. Por ejemplo,
un jugador de tenis puede tener un día en el que su servicio es excepcionalmente bueno, y otro día en el
que lucha por encontrar su ritmo. Esta variabilidad puede ser difícil de predecir con precisión, incluso con
grandes cantidades de datos.

Lesiones o problemas de salud: Las lesiones y los problemas de salud son una realidad en el deporte y
pueden tener un impacto significativo en el rendimiento de un jugador. Por ejemplo, un jugador de tenis
puede sufrir una lesión en la rodilla que afecta su movilidad, o puede estar luchando con una enfermedad
que afecta su resistencia. Aunque se pueden tomar medidas para prevenir las lesiones y mantener la salud
de los jugadores, siempre existe el riesgo de que ocurran lesiones inesperadas o problemas de salud que
no se pueden prever con los datos disponibles.

Cambios en las condiciones de juego: Las condiciones de juego pueden variar significativamente de un
partido a otro y pueden tener un impacto en el rendimiento de los jugadores. Esto incluye factores como el
clima, la superficie de juego, la altitud, la humedad, entre otros. Por ejemplo, un jugador de tenis puede
rendir mejor en superficies de césped que en superficies de arcilla, o puede luchar en condiciones de calor
extremo. Aunque algunos de estos factores pueden medirse y tenerse en cuenta en los modelos
predictivos, otros son más difíciles de prever o medir con precisión.

Cambios en la estrategia del oponente: Los oponentes pueden cambiar su estrategia de juego en respuesta
a la información obtenida de los análisis de datos. Esto puede incluir cambios en la táctica de juego, la
selección de golpes, la formación, entre otros. Por ejemplo, un oponente puede decidir atacar el revés de
un jugador de tenis si los datos muestran que es una parte más débil de su juego. Estos cambios pueden
ser difíciles de prever y pueden alterar los patrones y tendencias identificados por los modelos predictivos.
 Estudio de caso: Desafío del Big Data 6

Cambios en la tecnología y las reglas del juego: La tecnología y las reglas del juego pueden cambiar con el
tiempo, lo que puede afectar el rendimiento de los jugadores y la validez de los patrones identificados en
los datos históricos. Por ejemplo, los cambios en el diseño de las raquetas de tenis o las pelotas pueden
afectar la forma en que los jugadores golpean y responden a los golpes. Del mismo modo, los cambios en
las reglas del juego pueden afectar la estrategia y el rendimiento de los jugadores.

Factores psicológicos y emocionales: Los factores psicológicos y emocionales pueden tener un impacto
significativo en el rendimiento de los jugadores y pueden ser difíciles de medir y prever con precisión. Esto
puede incluir factores como la confianza, la motivación, la presión, el estrés, entre otros. Por ejemplo, un
jugador de tenis puede rendir peor en situaciones de alta presión, o puede rendir mejor cuando se siente
motivado por una multitud de apoyo.

Factores sociales y culturales: Los factores sociales y culturales pueden influir en el rendimiento de los
jugadores y pueden ser difíciles de medir y prever con precisión. Esto puede incluir factores como el apoyo
de la familia y los amigos, las expectativas de los entrenadores y los fans, las normas y valores culturales,
entre otros. Por ejemplo, un jugador de tenis puede rendir mejor cuando juega en su país de origen, o
puede luchar con las expectativas de rendimiento que vienen con ser el número uno del mundo.

Estos son solo algunos de los componentes de incertidumbre que pueden afectar el análisis de datos en el
deporte. Es importante tener en cuenta que estos componentes de incertidumbre pueden interactuar de
formas complejas y pueden requerir técnicas avanzadas de análisis para identificar y entender. Además, la
gestión de la incertidumbre es una parte crucial de la toma de decisiones en el deporte, y requiere un
equilibrio cuidadoso entre la confianza en los datos y la flexibilidad para adaptarse a las circunstancias
imprevistas.

3. Identificar y clasificar las variables presentes en este caso.

En el contexto del análisis de datos en el deporte, existen varias variables que pueden ser relevantes.
Estas pueden clasificarse en varias categorías:

Variables cuantitativas: Estas son variables que pueden medirse en una escala numérica. En el contexto
del tenis, podrían incluir:

Estadísticas de juego: Esto puede incluir el número de golpes ganadores, el número de errores no
forzados, el porcentaje de primeros servicios, el porcentaje de puntos ganados en el primer servicio, el
porcentaje de puntos ganados en el segundo servicio, el número de veces que se rompe el servicio del
 Estudio de caso: Desafío del Big Data 7

oponente, entre otros.

Medidas de rendimiento físico: Esto puede incluir la velocidad del servicio, la distancia recorrida durante un
partido, la velocidad de los golpes, el número de golpes por partido, entre otros.

Medidas de salud y bienestar: Esto puede incluir medidas de la frecuencia cardíaca, la presión arterial, el
sueño, la nutrición, entre otros.

Variables cualitativas: Estas son variables que describen características no numéricas. En el contexto del
tenis, podrían incluir:

Estilo de juego: Esto puede incluir si un jugador es más agresivo o defensivo, si prefieren jugar desde la
línea de fondo o acercarse a la red, si tienen un revés a una o dos manos, entre otros.

Condiciones de juego: Esto puede incluir el tipo de superficie de juego (por ejemplo, césped, arcilla, pista
dura), las condiciones climáticas (por ejemplo, soleado, nublado, lluvioso), la altitud de la cancha, entre
otros.

Factores psicológicos y emocionales: Esto puede incluir el estado mental del jugador (por ejemplo,
confiado, nervioso), su motivación, su nivel de presión, entre otros.

Variables de entrada: Estas son variables que se pueden controlar o manipular en un experimento o
estudio. En el contexto del tenis, podrían incluir:

Estrategia de juego: Esto puede incluir la táctica de juego que el jugador decide utilizar, como atacar el
revés del oponente, servir y subir a la red, mantener largos intercambios desde la línea de fondo, entre
otros.

Preparación física: Esto puede incluir el tipo y la cantidad de entrenamiento que el jugador realiza, su
régimen de nutrición, su régimen de sueño, entre otros.

Equipamiento deportivo: Esto puede incluir el tipo de raqueta que el jugador utiliza, el tipo de cuerdas, el
tipo de calzado, entre otros.

Variables de salida: Estas son variables que se miden o registran en un experimento o estudio. En el
contexto del tenis, podrían incluir:

Rendimiento del jugador: Esto puede incluir las estadísticas de juego del jugador, las medidas de
rendimiento físico, las medidas de salud y bienestar, entre otros.

Resultados del partido: Esto puede incluir si el jugador gana o pierde el partido, el número de sets ganados
y perdidos, el número de juegos ganados y perdidos, el número de puntos ganados y perdidos, entre otros.

Variables de control: Estas son variables que se mantienen constantes para no afectar los resultados de un
experimento o estudio. En el contexto del tenis, podrían incluir:

Reglas del juego: Las reglas del tenis son estándar y se mantienen constantes en todos los partidos. Esto
incluye las dimensiones de la cancha, el número de sets en un partido, el sistema de puntuación, entre
otros.

Equipamiento deportivo: Aunque los jugadores pueden elegir su propio equipamiento, existen reglas que
limitan lo que se puede utilizar. Por ejemplo, las raquetas de tenis deben cumplir ciertas especificaciones
 Estudio de caso: Desafío del Big Data 8

de tamaño y peso.

Estas son solo algunas de las variables que podrían ser relevantes en el análisis de datos en el deporte. La
elección de las variables a analizar depende del contexto y los objetivos del análisis. Además, es
importante tener en cuenta que las variables pueden interactuar de formas complejas y pueden requerir
técnicas avanzadas de análisis para identificar y entender estas interacciones.

Bibliografía

1. IBM Corporation. (2022). IBM SPSS Software. Recuperado el 9 de julio de 2023, de

https://www.ibm.com/analytics/spss-statistics-software

2. Reid, M., & Morgan, S. (2016). Matchplay characteristics of Grand Slam tennis: implications for training
and conditioning. Journal of Sports Sciences, 34(19), 1791-1798.

3. Carling, C., Wright, C., Nelson, L. J., & Bradley, P. (2014). Comment on 'Performance analysis in football:
a critical review and implications for future research'. Journal of sports sciences, 32(1), 2-7.

4. O'Donoghue, P. (2009). Research methods for sports performance analysis. Routledge.

5. James, N., Mellalieu, S. D., & Hollely, C. (2002). Analysis of strategies in soccer as a function of
European and domestic competition. International Journal of Performance Analysis in Sport, 2(1), 85-103.

6. Lago-Peñas, C., & Dellal, A. (2010). Ball possession strategies in elite soccer according to the evolution
of the match-score: the influence of situational variables. Journal of Human Kinetics, 25(1), 93-100.