Análise de factores determinantes no desempeño de atletas nas artes marciais mixtas

Abstract

[Resumo]: O presente Traballo de Fin de Grao ten como obxectivo desenvolver un modelo preditivo que permita identificar e analizar os factores determinantes no desempeño dos atletas de artes marciais mixtas, empregando datos históricos da organización Ultimate Fighting Championship (UFC), comprendidos entre os anos 1996 e 2024. Para acadar este obxectivo, plantéxase unha metodoloxía en fases que abarca dende o estudo do estado da arte e o análise exploratorio dos datos, ata o desenvolvemento e implementación de modelos estatísticos e de aprendizaxe automática. En concreto, aplícanse procedementos cluster para agrupar e diferenciar estilos e estratexias de combate, así como técnicas de regresión para predecir o resultado de futuros combates, avaliando e comparando a capacidade predictiva de cada enfoque. O estudo non só pretende proporcionar unha ferramenta práctica para predecir o resultado de futuros combates, senon aportar tamén información de valor para a toma de decisións en ámbitos deportivos, estratéxicos e comerciais, apoiándose nas fortalezas e debilidades dos modelos propostos. En definitiva, este traballo ilustra como a aprendizaxe estatística baseada en grandes cantidades de datos aporta vantaxes competitivas e estratéxicas dentro do emerxente mundo das artes marciais mixtas.[Abstract]: This Undergraduate Final Project aims to develop a predictive model that identifies and analyzes the key factors determining the performance of mixed martial arts athletes, using historical data from the Ultimate Fighting Championship (UFC) organization spanning from 1996 to 2024. To achieve this goal, a phased methodology is proposed that ranges from a state-of-the-art study and exploratory data analysis to the development and implementation of statistical and machine learning models. In particular, clustering methods are applied to group and differentiate combat styles and strategies, along with regression techniques to predict the outcome of future fights, thereby evaluating and comparing the predictive capabilities of each approach. The study not only intends to provide a practical tool for predicting future fight outcomes, but also to supply valuable information for decision-making in sports, strategic, and commercial fields, leveraging the strengths and weaknesses of the proposed models. In short, this work illustrates how statistical learning based on large volumes of data provides competitive and strategic advantages in the emerging world of mixed martial arts.