Interpretación de patrones sabermétricos para definir cada táctica del lanzador béisbol contemporáneo

Contenido principal del artículo

Jonathan González Pieras
Rosa Elvira Cabrera Acosta
Elsa Sivila Jiménez

Resumen

RESUMEN


Introducción: los modelos predictivos en el béisbol presentan limitaciones metodológicas y contextuales que dificultan la transición hacia una prescripción táctica anticipatoria en el pitcheo. Persisten carencias en la interpretabilidad de los datos, exclusión de información contextual y falta de marcos unificados que integren predicción, desempeño y valoración táctica.


Objetivo: valorar la implementación de una metodología para la interpretación de patrones sabermétricos en las decisiones tácticas del lanzador de bèsibol del equipo de Santiago de Cuba.


Metodología: estudio preexperimental con enfoque cuantitativo y alcance explicativo de corte transversal. La muestra no probabilística incluyó 11 lanzadores de la categoría social del equipo Santiago de Cuba, participantes en la 64 Serie Nacional. Se empleó observación científica sistemática con hoja de registro, cuestionario estandarizado y análisis documental. Los datos se procesaron mediante técnicas descriptivas, correlacionales y de fiabilidad inter-observador


Resultados: las decisiones basadas en criterios objetivos aumentaron del 27.3% al 82.0% (+54.7 puntos). El acierto táctico mejoró del 60.0% al 85.0%. La consistencia en patrones individuales se incrementó del 45.5% al 90.9% y la fiabilidad inter-observador alcanzó un Kappa de Cohen de 0.91. Se identificaron cuatro perfiles de lanzadores según efectividad táctica y consistencia situacional.


Conclusiones: la metodología permitió el tránsito desde criterios empíricos hacia fundamentos objetivos en las decisiones tácticas, evidenciando mejora en la correspondencia entre la acción ejecutada y la situación competitiva.


 

Detalles del artículo

Sección

Artículos Originales

Cómo citar

Interpretación de patrones sabermétricos para definir cada táctica del lanzador béisbol contemporáneo. (2026). Ciencia Y Deporte, 11(2), e379. https://doi.org/10.34982/

Referencias

González Pieras, J., Cabrera Acosta, R. E., Ortíz Fernández, Y., & Ortega Liens, Ángel G. (2025). Didáctica y números: los pilares sabermétricos en la formación de lanzadores de béisbol. Revista científica Especializada En Ciencias De La Cultura Física Y Del Deporte, 22. https://deporvida.uho.edu.cu/index.php/deporvida/article/view/1131

Kontulainen, S. (2025). Baseball analytics and decision-making. https://aaltodoc.aalto.fi/items/4b9cea99-ff08-4f4f-9f77-91a5f7bec135

McIntosh, J. (2025). Analyzing the Evolution of Major League Baseball Hitting Strategies (1950–2010): A Machine Learning and Interactive Dashboard Approach. Theses & ETDs. 6696. https://digitalcommons.ncf.edu/theses_etds/6696

Moore, R. C., Gurchiek, R. D., & Avedesian, J. M. (2025). A context-enhanced deep learning approach to predict baseball pitch location from ball tracking release metrics. Sports Engineering 28 (16). https://doi.org/10.1007/s12283-025-00497-5

Rodríguez-Puga, R. (2025). Actualización de la Declaración de Helsinki, avances en ética y protección de la investigación médica. Revista Cubana de Medicina Militar, 54(1). https://revmedmilitar.sld.cu/index.php/mil/article/view/76247

Tabaracci, B., Sudhir, S., Gauthier, M., & Hannigan, L. (2025). Preseason Workload in Collegiate Baseball Pitchers. International Journal of Sports Physical Therapy, 20(2), 221. https://doi.org/10.26603/001c.128051

Tahara, Y., Matsuoka, H., Hato, K., & Nishijima, T. (2025). Development of strategic pitching skill items in professional baseball games. Journal of Physical Education and Sport, 25(8), 1742-1751. http://www.efsupit.ro/images/stories/august2025/Art%20194.pdf

Takamido, R., Suzuki, C., & Nakamoto, H. (2025). A data-driven analysis of spatiotemporal cues and experience accumulation effects for pitch type prediction. bioRxiv, 2025-10. https://doi.org/10.1101/2025.10.29.685437

Yang, C., Jin, P. & Chen, Y. (2025). Leveraging graph neural networks and gate recurrent units for accurate and transparent prediction of baseball pitching speed. Scientific Reports 15, 7745 https://doi.org/10.1038/s41598-025-88284-x

Zhao, W., Akella, V. S., Yang, S., & Luo, X. (2025). Machine Learning in Baseball Analytics: Sabermetrics and Beyond. Information, 16(5), 361. https://doi.org/10.3390/info16050361

Artículos similares

También puede Iniciar una búsqueda de similitud avanzada para este artículo.

Artículos más leídos del mismo autor/a