Revisión bibliográfica de modelos predictivos para partidos de fútbol en la Premier League

Abstract

La predicción de resultados deportivos en la Premier League ha evolucionado considerablemente durante las últimas dos décadas, impulsada por el avance de métodos estadísticos, de machine learning y de deep learning. La presente monografía realiza una revisión bibliográfica sistemática de los modelos predictivos aplicados a la Premier League, con el objetivo de identificar y comparar sus enfoques metodológicos, las variables más relevantes, las métricas de evaluación empleadas y las principales limitaciones reportadas en la literatura científica de (1995–2025). A partir de la revisión de fuentes indexadas en Scopus, IEEE Xplore, SpringerLink, Web of Science y arXiv, se identificaron y analizaron estudios que aplican modelos estadísticos clásicos —como los modelos de Poisson y sistemas de rating tipo Elo—, algoritmos de machine learning —Random Forest, Gradient Boosting, Support Vector Machines— y arquitecturas de deep learning —redes neuronales profundas, LSTM, transformers y modelos bayesianos dinámicos—. Los resultados muestran que, si bien los métodos modernos han mejorado la precisión predictiva en comparación con los enfoques tradicionales, persisten desafíos significativos en la predicción de empates, la replicabilidad entre temporadas y la falta de estandarización metodológica. La monografía concluye con una síntesis comparativa de los modelos y una identificación de vacíos de investigación que orientan futuras líneas de trabajo en analítica deportiva.