Recolectar
Obtener información oficial de cada selección.
ESCUELA N.º 9 D.E. 9 “JUAN CRISÓSTOMO LAFINUR”
7.º GRADO · TECNOLOGÍAS, DISEÑO Y PROGRAMACIÓN
Detrás de cada predicción existe una historia que comienza mucho antes del modelo. Comienza con datos que deben buscarse, verificarse, organizarse y comprenderse. El Mundial 2026 fue el escenario elegido para recorrer ese proceso en una experiencia donde convergen Ciencia de Datos, Inteligencia Artificial y Tecnología.
Esta página muestra cómo la información del torneo se transformó en una base estructurada, variables de análisis, probabilidades y visualizaciones predictivas.
Del registro de información al análisis predictivo
El Mundial 2026 generó una gran cantidad de información sobre selecciones y partidos. El desafío consistió en transformar esos datos dispersos en una base organizada y utilizarla para comprender el recorrido que existe entre la recolección de información y una predicción.
El proyecto combinó dos dimensiones complementarias: una experiencia educativa centrada en la investigación y el registro de información oficial, y una etapa técnica destinada a preparar esos datos y construir el modelo.
Los grupos consultaron fuentes oficiales y registraron el recorrido de las selecciones asignadas.
Todas las fichas utilizaron la misma estructura para que la información pudiera reunirse y compararse.
La base integrada se utilizó posteriormente para construir y ejecutar el modelo predictivo.
¿Cómo llegamos a construir un sistema capaz de analizar datos y generar predicciones?
El Motor Predictivo fue el resultado de un recorrido desarrollado durante el año. Cada etapa permitió comprender un concepto necesario para avanzar hacia la siguiente.
¿Cómo viaja la información?
Analizamos cómo una transmisión llega desde las cámaras del estadio hasta televisores, computadoras y celulares mediante nodos, enlaces, servidores y plataformas.
Antes de analizar los datos, primero deben poder circular por una red.
¿De dónde provienen los datos?
Estudiamos cómo cámaras, sensores y dispositivos conectados observan situaciones, producen registros y envían información a través de Internet.
Los sistemas conectados producen y transmiten grandes cantidades de información que luego puede ser almacenada, consultada y organizada.
¿Cómo responde una computadora?
Trabajamos con sensores, condiciones y reglas programadas que permiten que un sistema actúe automáticamente.
Un sistema automático responde siguiendo instrucciones previamente definidas.
¿Qué hace diferente a la IA?
Descubrimos que un modelo analiza información, identifica patrones y calcula resultados posibles.
Los modelos de inteligencia artificial se construyen a partir de datos y patrones previamente analizados.
¿Cómo se organiza la información?
Aprendimos a trabajar con variables, registros, filas, columnas y tablas para almacenar datos de manera ordenada y comparable.
La información debe estar estructurada antes de poder ser analizada.
¿Cómo se transforma la información en una predicción?
Aplicamos los conceptos anteriores al Mundial 2026. Las fichas aportaron la información inicial y luego los datos se prepararon para el modelado.
El Motor Predictivo reunió redes, programación, bases de datos e inteligencia artificial en una única experiencia.
El proyecto final fue la aplicación de un recorrido progresivo sobre redes, sistemas inteligentes, inteligencia artificial y organización de datos.
ETAPA 1
Construimos los conceptos de red, nodo y enlace, y analizamos cómo la información viaja entre cámaras, antenas, servidores, plataformas y dispositivos.
Red · Nodo · Enlace · Infraestructura · Plataforma · Usuario
ETAPA 2
Estudiamos Internet como una red de redes y analizamos objetos capaces de conectarse, enviar información y responder a datos recibidos.
ETAPA 3
Diseñamos una casa inteligente con sensores, objetos conectados y reglas automáticas expresadas mediante la estructura “SI ocurre una condición, ENTONCES se realiza una acción”.
ETAPA 4
Diferenciamos los sistemas que responden siempre mediante reglas fijas de aquellos capaces de analizar ejemplos, reconocer patrones y adaptar sus respuestas.
ETAPA 5
Comprendimos que una inteligencia artificial necesita datos relevantes, organizados y comparables para encontrar relaciones y producir resultados.
ETAPA 6
Trabajamos con variables, filas, columnas y registros. Esta etapa preparó el diseño de la ficha utilizada en el proyecto del Mundial.
¿Cómo se reunió la información del proyecto?
Cada grupo recibió una selección participante y completó una ficha de recolección diseñada por la docente con una estructura común para todo el curso.
Esto permitió reunir posteriormente los registros de las distintas selecciones y construir un conjunto de datos comparable.
Selección · Grupo · Ranking FIFA
Rival · Resultado · Fecha · Goles a favor · Goles en contra · Tarjetas rojas
Alargue · Penales · Resultado de la definición
Partidos jugados · Puntos obtenidos · Diferencia de gol · Fase alcanzada
Documento de trabajo · Página oficial de FIFA
Dataset de recolección organizado por selección
La tarea de los estudiantes consistió en investigar y registrar la información. La revisión, corrección e integración técnica fue realizada posteriormente por la docente.
Cada grupo completó una ficha con información oficial de la selección asignada.
Para cada uno de los tres partidos:
Dieciseisavos, octavos y cuartos de final, cuando la selección clasificó:
Del trabajo de investigación a un modelo de análisis
Las fichas completadas durante el proyecto constituyeron el punto de partida del sistema. Cada registro aportó información oficial sobre el desempeño de una selección.
Una vez reunidas las fichas, comenzó la etapa técnica. Los datos fueron revisados, corregidos e integrados en una base unificada. Después, se transformaron en variables numéricas que el modelo pudiera comparar.
Clasificación ELO · Ranking FIFA · Valor estimado del plantel · Días de descanso · Goles · Posesión · Remates · Atajadas · Goles esperados
Diferencias de ELO, ranking y valor del plantel · Forma goleadora reciente · xG reciente · Concentración de goles · Participación del principal asistidor · Estabilidad de la alineación · Rendimiento del arquero
Las variables técnicas complementarias fueron incorporadas durante el desarrollo docente y no formaron parte de las fichas completadas por los estudiantes. Las fichas utilizaron información oficial del torneo; los datos complementarios se incorporaron posteriormente a partir del dataset y de los recursos técnicos de referencia documentados en el proyecto.
1. Revisión de inconsistencias y valores faltantes.
2. Unificación de formatos e integración de registros.
3. Transformación de categorías y construcción de variables.
4. Preparación del conjunto utilizado por el modelo.
El modelo recibe las características de ambos equipos y aplica las relaciones aprendidas durante el entrenamiento para estimar las probabilidades de victoria, empate y derrota.
El procesamiento predictivo se realiza previamente sobre la base de datos integrada. Una vez calculadas las probabilidades, los resultados se almacenan en un archivo estructurado que JavaScript utiliza para construir dinámicamente las visualizaciones y las tarjetas interactivas.
Una predicción no representa una certeza. Es una estimación construida a partir de los datos disponibles, de las variables seleccionadas y del procedimiento utilizado por el modelo.
El entorno predictivo compara información deportiva y calcula probabilidades para representar distintos escenarios posibles.
Victorias, empates, derrotas y fase alcanzada.
Goles a favor, goles en contra y diferencia.
Ranking y dificultad de los rivales.
Información técnica complementaria utilizada por el entorno de referencia.
Una predicción es una estimación calculada con la información disponible. No garantiza el resultado de un partido.
Después de integrar las fichas, el sistema procesa automáticamente los datos y genera indicadores para comparar el rendimiento de las selecciones.
Puntos obtenidos, diferencia de gol, rendimiento ofensivo y rendimiento defensivo.
Dificultad de los rivales e información registrada en cada fase del torneo.
Métricas comparativas e Índice Predictivo de Fuerza (IPF).
El modelo utiliza estos indicadores para estimar las posibilidades de cada selección. Sus resultados son probabilidades, no certezas.
El documento estaba organizado en diferentes pestañas, una para cada selección asignada. Todas las fichas tenían el mismo formato para facilitar la recolección, la revisión y la posterior integración de los datos al Motor Predictivo del Mundial 2026.
Los estudiantes completaron las fichas asignadas. La docente realizó la integración técnica, completó las variables restantes y preparó la base utilizada por el sistema.
Escenarios estimados para las fases finales
Las visualizaciones presentan probabilidades, marcadores estimados y posibles resultados para los partidos seleccionados.
Los porcentajes representan la probabilidad estimada de cada resultado. Cuanto más cercanos sean los valores, más equilibrado considera el modelo ese partido.
Los goles esperados (xG) estiman la calidad de las oportunidades de gol generadas por cada equipo. Los porcentajes pueden presentar diferencias mínimas en la suma total debido al redondeo.
La probabilidad de avanzar contempla el desenlace completo de la eliminatoria, incluidos un eventual alargue y la definición por penales; no se limita al resultado de los 90 minutos.
Cada ficha documenta el recorrido de una selección participante del Mundial 2026 e incluye sus datos generales, partidos registrados y resumen de rendimiento.
No se encontraron selecciones con ese nombre.
ABRIR CATÁLOGO DE SELECCIONESSeleccioná una selección para visualizar su ficha completa.
Una experiencia donde educación, datos e inteligencia artificial convergen en un mismo recorrido
Cada ficha aportó una parte de la información necesaria para construir el proyecto. Al reunirlas, fue posible transformar una actividad de investigación en una experiencia completa de Ciencia de Datos.
El resultado no fue solamente una predicción, sino la comprensión del proceso que la hace posible: formular una pregunta, construir una base, preparar variables, ejecutar un modelo e interpretar sus resultados.