De Wikipedia, la enciclopedia libre
Saltar a navegación Saltar a búsqueda

Sabermetrics o SABRmetrics es el análisis empírico del béisbol , especialmente las estadísticas de béisbol que miden la actividad en el juego.

Los sabermetristas recopilan y resumen los datos relevantes de esta actividad en el juego para responder preguntas específicas. El término se deriva del acrónimo SABR, que significa Sociedad para la Investigación del Béisbol Estadounidense , fundada en 1971. El término "sabermetría" fue acuñado por Bill James , quien es uno de sus pioneros y a menudo se considera su defensor y público más prominente. cara. [1]

Historia temprana [ editar ]

Henry Chadwick , un periodista deportivo de Nueva York, desarrolló la puntuación de caja en 1858. Esta fue la primera forma en que los estadísticos pudieron describir el deporte del béisbol mediante el seguimiento numérico de varios aspectos del juego. [2] La creación del cuadro de puntuación ha proporcionado a los estadísticos de béisbol un resumen de las actuaciones individuales y de equipo para un juego determinado. [3]

La investigación en sabermetría comenzó a mediados del siglo XX con los escritos de Earnshaw Cook , uno de los primeros sabermétricos. El libro de Cook de 1964, Porcentaje de béisbol, fue uno de los primeros de su tipo. [4] Al principio, la mayoría de los equipos y profesionales de béisbol organizados descartaron el trabajo de Cook por carecer de sentido. La idea de una ciencia de las estadísticas del béisbol comenzó a adquirir legitimidad en 1977 cuando Bill James comenzó a publicar Baseball Abstracts , su compendio anual de datos de béisbol. [5] [6] Sin embargo, las ideas de James tardaron en encontrar una aceptación generalizada. [1]

Bill James creía que había un malentendido generalizado sobre cómo se jugaba el béisbol, afirmando que el deporte no estaba definido por sus reglas, sino que en realidad, como lo resume el profesor de ingeniería Richard J. Puerzer, "definido por las condiciones bajo las cuales se juega el juego. - específicamente, los estadios pero también los jugadores, la ética, las estrategias, el equipamiento y las expectativas del público ". [2] Los sabermetristas, a veces considerados estadísticos del béisbol, comenzaron a tratar de reemplazar la estadística favorita desde hace mucho tiempo conocida como el promedio de bateo. [7] [8] Se ha afirmado que el promedio de bateo del equipo proporciona un ajuste relativamente pobre para las carreras de equipo anotadas. [7] El razonamiento sabermétrico diría que las carreras ganan los juegos de pelota, y que una buena medida del valor de un jugador es su capacidad para ayudar a su equipo a anotar más carreras que el equipo contrario.

Antes de que Bill James popularizara la sabermetría, Davey Johnson usó un IBM System / 360 en la cervecería del propietario del equipo Jerold Hoffberger para escribir una simulación de computadora de béisbol FORTRAN mientras jugaba para los Orioles de Baltimore a principios de la década de 1970. Usó sus resultados en un intento fallido de promover a su manager Earl Weaver la idea de que debería batear segundo en la alineación. Escribió programas IBM BASIC para ayudarlo a administrar Tidewater Tides , y después de convertirse en gerente de los Mets de Nueva York en 1984, arregló que un empleado del equipo escribiera un dBASE IIaplicación para compilar y almacenar métricas avanzadas sobre estadísticas del equipo. [9] Craig R. Wright era otro empleado de la Major League Baseball, trabajando con los Texas Rangers a principios de la década de 1980. Durante su tiempo con los Rangers, se hizo conocido como el primer empleado de la oficina principal en la historia de la MLB en trabajar bajo el título de Sabermetrician. [10] [11]

David Smith fundó Retrosheet en 1989, con el objetivo de computarizar el puntaje de cada juego de béisbol de las grandes ligas jamás jugado, con el fin de recopilar y comparar con mayor precisión las estadísticas del juego.

Los Oakland Athletics comenzaron a utilizar un enfoque más cuantitativo del béisbol al centrarse en los principios sabermétricos en la década de 1990. Esto comenzó inicialmente con Sandy Alderson como ex gerente general del equipo cuando usó los principios para obtener jugadores relativamente infravalorados. [1] Sus ideas continuaron cuando Billy Beane asumió el cargo de gerente general en 1997, un trabajo que mantuvo hasta 2015, y contrató a su asistente Paul DePodesta . [8] A través del análisis estadístico realizado por Beane y DePodesta en la temporada 2002, los Atléticos de Oakland ganaron 20 juegos seguidos. Este fue un momento histórico para la franquicia, en el que el partido número 20 se jugó en el Coliseo del Condado de Alameda.[12] Sus acercamientos al béisbol pronto ganaron reconocimiento nacional cuando Michael Lewis publicó Moneyball: El arte de ganar un juego injusto en 2003 para detallar el uso de Beane de Sabermetrics. En 2011,se lanzóuna película basada en el libro de Lewis, también llamada Moneyball , que dio una amplia exposición a las técnicas utilizadas en la oficina central de Oakland Athletics.

Medidas tradicionales [ editar ]

Sabermetrics se creó en un intento de que los fanáticos del béisbol aprendieran sobre el deporte a través de evidencia objetiva. Esto se realiza evaluando a los jugadores en todos los aspectos del juego, específicamente bateo, pitcheo y fildeo. Estas medidas de evaluación generalmente se expresan en términos de carreras o victorias del equipo, ya que las estadísticas más antiguas se consideraron ineficaces.

Medidas de bateo [ editar ]

Se considera que la medida tradicional del rendimiento al bate son los golpes divididos por el número total de turnos al bate. Bill James, junto con otros padres de la sabermetría, encontraron que esta medida es defectuosa, ya que ignora cualquier otra forma en que un bateador pueda llegar a la base además de un hit. [13] Esto llevó a la creación del porcentaje de embase , que toma en consideración las bases por bolas y los lanzamientos. Para calcular el porcentaje de base, el número total de golpes + bases por bolas + golpe por lanzamiento se divide entre al bate + bases por bolas + golpe por lanzamiento + moscas de sacrificio. [14] : 11

Otro problema con la medida tradicional del promedio de bateo es que no distingue entre hits (es decir, sencillos, dobles, triples y jonrones) y le da a cada hit el mismo valor. [13] Por lo tanto , se creó una medida que diferencia entre estos cuatro resultados de aciertos, el porcentaje de slugging . Para calcular el porcentaje de slugging, el número total de bases de todos los golpes se divide por el número total de veces al bate. Stephen Jay Gould propuso que la desaparición del promedio de bateo de .400 es en realidad una señal de mejora general en el bateo. [15] [16] Esto se debe a que, en la era moderna, los jugadores se están enfocando más en batear por poder que por promedio. [dieciséis] Por lo tanto, se ha vuelto más valioso comparar a los jugadores usando el porcentaje de slugging y el porcentaje de embase sobre el promedio de bateo. [15]

Estas dos medidas sabermétricas mejoradas son habilidades importantes para medir en un bateador y se han combinado para crear la estadística moderna OPS. En base más slugging es la suma del porcentaje de base y el porcentaje de slugging. Esta estadística moderna se ha vuelto útil para comparar jugadores y es un método poderoso para predecir carreras anotadas por un jugador determinado. [17]

Algunas de las otras estadísticas que utilizan los sabermétricos para evaluar el rendimiento de bateo son el promedio ponderado en la base , el promedio secundario , las carreras creadas y el promedio equivalente .

Medidas de cabeceo [ editar ]

La medida tradicional del rendimiento de los lanzadores es el promedio de carreras limpias. Se calcula como carreras limpias permitidas por 9 entradas. El promedio de carreras ganadas no separa la habilidad del lanzador de las habilidades de los fildeadores con los que juega. [18] Otra medida clásica del pitcheo es el porcentaje de victorias de un lanzador . El porcentaje de victorias se calcula dividiendo las victorias por el número de decisiones (victorias y derrotas). El porcentaje de victorias también depende en gran medida del equipo del lanzador, particularmente de la cantidad de carreras que anota.

Los sabermetristas han intentado encontrar diferentes medidas de rendimiento de lanzamiento que excluyan las actuaciones de los fildeadores involucrados. Uno de los primeros desarrollados, y uno de los más populares en uso, son las bases por bolas más hits por entrada lanzada (WHIP), que aunque no es completamente independiente de la defensa, tiende a indicar cuántas veces es probable que un lanzador ponga a un jugador en la base. (ya sea por base en bolas, golpe por lanzamiento o golpe de base) y, por lo tanto, qué tan efectivos son los bateadores contra un lanzador en particular para llegar a la base. Un desarrollo más reciente es la creación de un sistema de estadísticas de lanzadores independientes de la defensa (DIPS). A Voros McCracken se le atribuye el desarrollo de este sistema en 1999. [19] A través de su investigación, McCracken pudo demostrar que hay poca o ninguna diferencia entre los lanzadores en la cantidad de hits que permiten, independientemente de su nivel de habilidad. [20] Algunos ejemplos de estas estadísticas son ERA independiente de la defensa , lanzamiento independiente de campo y ERA del componente independiente de la defensa . Otros sabermetristas han avanzado en el trabajo en DIPS, como Tom Tango, que dirige el sitio web de sabermetrics de Tango on Baseball .

Baseball Prospectus creó otra estadística llamada ERA periférica . Esta medida del desempeño de un lanzador toma hits, bases por bolas, jonrones permitidos y ponches mientras se ajusta a los factores del estadio. [18] Cada estadio tiene diferentes dimensiones cuando se trata de la pared del jardín, por lo que un lanzador no debe medirse de la misma manera para cada uno de estos parques. [21]

El promedio de bateo en bolas en juego (BABIP) es otra medida útil para determinar el rendimiento del lanzador. [20] Cuando un lanzador tiene un BABIP alto, a menudo mostrará mejoras en la temporada siguiente, mientras que un lanzador con un BABIP bajo a menudo mostrará una disminución en la temporada siguiente. [20] Esto se basa en el concepto estadístico de regresión a la media . Otros han creado varios medios para intentar cuantificar los lanzamientos individuales en función de las características del lanzamiento, en contraposición a las carreras limpias o las bolas golpeadas.

Matemáticas superiores [ editar ]

El valor sobre el jugador de reemplazo (VORP) se considera una estadística sabermétrica popular. Esta estadística demuestra cuánto contribuye un jugador a su equipo en comparación con un jugador de reemplazo falso que se desempeña por debajo del promedio. Esta medida fue fundada por Keith Woolner, un ex escritor del grupo sabermétrico / sitio web Baseball Prospectus .

Wins above replacement (WAR) es otra estadística sabermétrica popular que evaluará las contribuciones de un jugador a su equipo. [22] Similar a VORP, WAR compara a un determinado jugador con un jugador de nivel de reemplazo para determinar el número de victorias adicionales que el jugador ha proporcionado a su equipo. [23] Los valores de WAR varían con las posiciones de golpe y están determinados en gran medida por el desempeño exitoso de un jugador y su tiempo de juego. [23]

Análisis cuantitativo en el béisbol [ editar ]

Muchas estadísticas tradicionales y modernas, como ERA y Wins Shared, no brindan una comprensión completa de lo que está sucediendo en el campo. [14] : 189-198 Las proporciones simples no son suficientes para comprender los datos estadísticos del béisbol. El análisis cuantitativo estructurado es capaz de explicar muchos aspectos del juego, por ejemplo, para examinar la frecuencia con la que un equipo debería intentar robar . [24]

Tasas relacionadas en béisbol [ editar ]

Las tasas relacionadas se pueden usar en béisbol para dar cálculos exactos de diferentes jugadas en un juego. Por ejemplo, si un corredor es enviado a casa desde tercera, se pueden usar índices relacionados para mostrar si un lanzamiento desde el jardín habría sido a tiempo o si fue cortado correctamente antes del plato. [14] : 189–198 Los índices relacionados también pueden ayudar a determinar qué tan rápido un jugador puede moverse alrededor de las bases después de una bola bateada, información que ayuda en el desarrollo de informes de exploración y desarrollo individual del jugador.

Aplicaciones [ editar ]

Sabermetrics se puede usar para múltiples propósitos, pero los más comunes son evaluar el desempeño pasado y predecir el desempeño futuro para determinar las contribuciones de un jugador a su equipo. [17] Estos pueden ser útiles para determinar quién debe ganar premios al final de la temporada, como MVP, y para determinar el valor de realizar un determinado intercambio.

La mayoría de los jugadores de béisbol tienden a jugar algunos años en las ligas menores antes de ser llamados a la liga mayor. Las diferencias competitivas junto con los efectos de estadio hacen que la comparación exacta de las estadísticas de un jugador sea un problema. Los sabermetristas han podido solucionar este problema ajustando las estadísticas de ligas menores del jugador, también conocidas como Equivalencia de ligas menores. [17] A través de estos ajustes, los equipos pueden observar el desempeño de un jugador tanto en AA como en AAA para determinar si está en condiciones de ser convocado a las mayores.

Estadísticas aplicadas [ editar ]

Los métodos de sabermetría se utilizan generalmente para tres propósitos:

  1. Comparar los rendimientos clave entre ciertos jugadores específicos en condiciones de datos realistas. La evaluación del desempeño pasado de un jugador permite una visión analítica. La comparación de estos datos entre jugadores puede ayudar a comprender puntos clave como sus valores de mercado. De esa forma se puede definir el rol y el salario que se le debe dar a ese jugador.
  2. Proporcionar predicción del rendimiento futuro de un jugador o equipo determinado. Cuando se dispone de datos pasados ​​sobre el rendimiento de un equipo o de un jugador específico, Sabermetrics se puede utilizar para predecir el rendimiento promedio futuro de la próxima temporada. Por lo tanto, se puede hacer una predicción con cierta probabilidad sobre el número de victorias y derrotas.
  3. Proporcionar una función útil de las contribuciones del jugador a su equipo. Al analizar los datos, uno es capaz de comprender las contribuciones que hace un jugador al éxito / fracaso de su equipo. Dada esa correlación, se puede fichar o despedir objetivamente a jugadores con determinadas características.

Aprendizaje automático para predecir el resultado del juego [ editar ]

Se puede construir un modelo de aprendizaje automático utilizando conjuntos de datos disponibles en fuentes como baseball-reference. Este modelo proporcionará estimaciones de probabilidad para el resultado de juegos específicos o el rendimiento de jugadores en particular. Estas estimaciones son cada vez más precisas cuando se aplican a una gran cantidad de eventos a largo plazo. El resultado del juego (ganar / perder) se considera que tiene una distribución binomial.

Se pueden hacer predicciones usando un modelo de regresión logística con variables explicativas que incluyen: carreras anotadas de los oponentes, carreras anotadas, tiempo de blanqueadas al bate, tasa de victorias y látigo del lanzador.

Avances recientes [ editar ]

Muchos sabermetristas todavía están trabajando arduamente para contribuir al campo mediante la creación de nuevas medidas y la formulación de nuevas preguntas. Las dos ediciones del resumen histórico de béisbol de Bill James y el libro Win Shares han seguido avanzando en el campo de la sabermetría, 25 años después de que ayudó a iniciar el movimiento. [25] Su ex asistente Rob Neyer , quien ahora es escritor senior en ESPN.com y editor nacional de béisbol de SBNation, también trabajó en la popularización de la sabermetría desde mediados de la década de 1980. [26]

Nate Silver , ex escritor y socio gerente de Baseball Prospectus , inventó PECOTA . Este acrónimo significa Player Empirical Comparison and Optimization Test Algorithm , [27] y es un sistema sabermétrico para pronosticar el rendimiento de los jugadores de Grandes Ligas. En pocas palabras, se asume que las carreras del jugador seguirán una trayectoria similar a la de los jugadores a los que son similares ahora. Este sistema ha sido propiedad de Baseball Prospectus desde 2003 y ayuda a los autores del sitio web a inventar o mejorar ampliamente las medidas y técnicas sabermétricas. [28]

A partir de la temporada de béisbol de 2007, la MLB comenzó a buscar tecnología para registrar información detallada sobre cada lanzamiento que se lanza en un juego. [13] Esto se conoció como el sistema PITCHf / x que es capaz de registrar la velocidad del lanzamiento, en su punto de lanzamiento y cuando cruzó el plato, así como la ubicación y el ángulo de la ruptura de ciertos lanzamientos a través de cámaras de video. . [13] FanGraphs es un sitio web que favorece este sistema así como el análisis de datos jugada por jugada. El sitio web también se especializa en publicar estadísticas avanzadas de béisbol, así como gráficos que evalúan y rastrean el desempeño de jugadores y equipos.

En la cultura popular [ editar ]

  • Moneyball , la película de 2011 sobreel uso de sabermetría de Billy Beane para construir los Atléticos de Oakland . La película está basada enel libro homónimo de Michael Lewis .
  • El episodio "Hardball" de la temporada 3 de Numb3rs se centra en la sabermetría, y el episodio "Sacrifice" de la temporada 1 también cubre el tema.
  • " MoneyBART ", el tercer episodio de la 22ª temporada de Los Simpson , en el que Lisa utiliza la sabermetría para entrenar al equipo de béisbol de las ligas menores de Bart .

Ver también [ editar ]

  • Analytics (hockey sobre hielo) , el equivalente al hockey sobre hielo
  • Estadísticas avanzadas en baloncesto , el equivalente al baloncesto
  • Premio de la Biblia Fielding
  • Kyle Boddy , fundador de Driveline Baseball
  • PITCHf / x
  • Cuantificación de tono
  • Analítica deportiva
  • Statcast
  • The Hardball Times
  • Teoría
  • Total Baseball por John Thorn y Pete Palmer
  • ¿Qué pasó con el Salón de la Fama? por Bill James

Referencias [ editar ]

Notas
  1. ↑ a b c Lewis, Michael M. (2003). Moneyball: El arte de ganar un juego injusto . Nueva York : WW Norton . ISBN 0-393-05765-8.
  2. ^ a b Puerzer, Richard J. (otoño de 2002). "Del béisbol científico a la sabermetría: el béisbol profesional como reflejo de la ingeniería y la gestión en la sociedad". NUEVE: Una revista de historia y cultura del béisbol . 11 : 34–48. doi : 10.1353 / nin.2002.0042 .
  3. ^ "El Salón de la Fama - Henry Chadwick" . Archivado desde el original el 12 de abril de 2008.
  4. ^ Albert, James; Jay M. Bennett (2001). Bola curva: béisbol, estadísticas y el papel del azar en el juego . Springer . págs. 170-171. ISBN 0-387-98816-5.
  5. ^ "Bill James, más allá del béisbol" . Think Tank con Ben Wattenberg . PBS . 28 de junio de 2005 . Consultado el 2 de noviembre de 2007 .
  6. ^ Ackman, D. (20 de mayo de 2007). "Sultán de Estadísticas" . El Wall Street Journal . Consultado el 2 de noviembre de 2007 .
  7. ↑ a b Jarvis, J. (29 de septiembre de 2003). "Una encuesta de medidas de evaluación del rendimiento del jugador de béisbol" . Consultado el 2 de noviembre de 2007 .
  8. ↑ a b Kipen, D. (1 de junio de 2003). "Nuevo juego de pelota de Billy Beane" . Crónica de San Francisco . Consultado el 2 de noviembre de 2007 .
  9. ↑ Porter, Martin (29 de mayo de 1984). "La PC va a batir" . Revista de PC . pag. 209 . Consultado el 24 de octubre de 2013 .
  10. ^ RotoJunkie - Roto 101 - Glosario de Sabermetric (desarrollado por evoArticles) Archivado el 10 de septiembre de 2007 en la Wayback Machine.
  11. ^ BaseballsPast.com
  12. ^ "Cronología de la franquicia" .
  13. ↑ a b c d Albert, Jim (2010). "Sabermetrics: el pasado, el presente y el futuro" (PDF) . En Joseph A. Gallian (ed.). Matemáticas y Deportes . 43 . Contribuyente: Asociación Matemática de América. MAA. págs. 3-14. ISBN  9780883853498. JSTOR  10.4169 / j.ctt6wpwsw.4 .
  14. ↑ a b c John T. Saccoman; Gabriel R. Costa; Michael R. Huber (2009). Practicar la sabermetría: poner en práctica la ciencia de las estadísticas del béisbol . Estados Unidos de América: McFarland & Company. ISBN 978-0-7864-4177-8.
  15. ↑ a b Gould, Stephen Jay (2003). "Por qué ya nadie golpea .400" . Triunfo y tragedia en Mudville: una pasión de toda la vida por el béisbol . WW Norton & Company. págs.  151-172 . ISBN 0-393-05755-0.
  16. ↑ a b Agonistas, Dan (4 de agosto de 2004). "¿Dónde se han ido los .400 bateadores?" . Consultado el 30 de agosto de 2016 . ... La discusión giró en torno a un ensayo que Gould escribió para la revista Discover en 1986 y que fue reimpreso tanto en su libro de 1996 Full House como en Triumph and Tragedy bajo el título "Why Nadie Hits .400 Anymore" ...
  17. ^ a b c Grabiner, David J. "El Manifiesto Sabermétrico" . El Archivo de Béisbol .
  18. ↑ a b McCracken, Voros (23 de enero de 2001). "Lanzamiento y defensa: ¿Cuánto control tienen los lanzadores?" . Prospecto de béisbol .
  19. ^ Basco, Dan; Davies, Michael (otoño de 2010). "Los muchos sabores de DIPS: una historia y una visión general". Revista de investigación de béisbol . 32 (2).
  20. ^ a b c Ball, Andrew (17 de enero de 2014). "¿Cómo ha cambiado la sabermetría al béisbol?" . Más allá de la puntuación de la caja .
  21. ^ Baumer, Benjamin ; Zimbalist, Andrew (2014). La revolución sabermétrica: evaluación del crecimiento de la analítica en el béisbol . Prensa de la Universidad de Pennsylvania.
  22. ^ Fangraphs : GUERRA
  23. ↑ a b Schoenfield, David (19 de julio de 2012). "De qué hablamos cuando hablamos de GUERRA" . ESPN.com .
  24. ^ "El cálculo cambiante atrapado-robando | Béisbol FanGraphs" . FanGraphs Baseball . Consultado el 6 de diciembre de 2016 .
  25. ^ Neyer, Rob (5 de noviembre de 2002). "Los Medias Rojas contratan a James en calidad de asesor" . ESPN.com . Consultado el 7 de marzo de 2009 .
  26. ^ Jaffe, C. (22 de octubre de 2007). "Entrevista a Rob Neyer" . The Hardball Times . Consultado el 2 de noviembre de 2007 .
  27. ^ "Prospecto de béisbol | Glosario" . www.baseballprospectus.com . Consultado el 5 de mayo de 2016 .
  28. ^ "Prospecto de béisbol" . Consultado el 4 de marzo de 2012 .

Enlaces externos [ editar ]

  • La Sociedad para la Investigación del Béisbol Estadounidense (SABR)
  • La búsqueda de este chico para rastrear cada tiro en la NBA cambió el baloncesto para siempre - Wired, Mark McClusky, 28 de octubre de 2014