Понимание бейсбола с помощью компьютерного моделирования: результативные удары, кражи и горячая рука

Тщательный анализ бейсбола очень сложен из-за того, что в игре много переменных, и многие игроки могут влиять на игру одновременно. Например, мы не можем полностью оценить индивидуальный вклад отбивающего в нападение, потому что подсчет очков — это командные усилия. Кроме того, анализ ограничен размером выборки, что делает суждения о таких решениях, как кража третьей базы, очень неточными. Я могу обойти эти препятствия с помощью компьютерного моделирования, в котором я могу проверить изменения одной переменной, сохраняя при этом постоянный остаток, и быстро пройти миллионы иннингов. Симуляция может изолировать и оценить бьющего, моделируя нападение, полностью состоящее из одного и того же игрока, и вычисляя количество пробежек этой команды за 9 раундов. Например, он может смоделировать нападение, состоящее из 9 Майка Траутов, и определить, сколько раундов будет набрано в 9 раундах, или он может имитировать нападение всех игроков, которые пробежали хоум-бег в 15% случаев и покинули игру в остальное время. При тестировании с реальными командами MLB симуляция точно определяет их 9 пробежек подач и набирает 4,5434 пробега за 9 подач для среднего MLB 2016 года, что всего на 1% выше фактического среднего. Эта симуляция может помочь вам лучше понять ценность игрока как нападающего, относительную ценность прогулок и различных типов ударов, неправильные представления о горячих руках и сложные решения.

Чтобы программа анализировала удары, она имитирует только ту часть игры, в которой команда атакует, и имитирует всех бейсраннеров, чтобы они действовали как средний бейсраннер 2016 MLB. Программа работает путем рандомизации появления каждой плитки с вероятностью каждого результата непосредственно на основе введенной статистики. Например, если пользователь вводит пять дублетов из 100 появлений на доске, симулированный бэттер будет иметь 5% шанс попадания в дуплет каждый раз на бите. Он также включает вероятность ошибок, дублей и жертвенных ударов, которые основаны на среднем показателе лиги. Затем программа сохраняет информацию о количестве аутов, стартов, иннингов и состоянии каждой базы данных. Чтобы сделать симуляцию точной оценкой, которая не меняется случайным образом, она имитирует 9 миллионов иннингов, а затем возвращает количество запусков, набранных за 9 иннингов.

Эта симуляция создает единственную характеристику для ценности игрока в качестве отбивающего, которая называется Simulated Runs Per Game (SRPG). Это количество ранов, набранных за 9 иннингов в симуляции командой, полностью состоящей из этого игрока. Это эффективный способ измерения нападающего, поскольку он изолирует его от других факторов и преобразует все части удара в забитые раунды, что приводит к победам. Это можно использовать для сравнения и классификации поразительных значений MLB или гипотетических игроков, таких как игрок, который половину времени проходит пешком, а вторую половину — по сравнению с игроком, который просто идет домой, бежит в 15% случаев (идущий игрок выигрывает в 3 раза). 8 пробегов). Большая часть статистики отказов не дает точного взвешивания относительной ценности прогулок и различных типов попаданий. Средний результат и процентная оценка не ставят хоум-ран выше, чем одиночный, процент хоум-рана мигания в четыре раза больше, чем одиночный, а количество летучих мышей на основе плюс просто складывает статистику. С помощью этого моделирования мы можем определить ценность прогулок и каждого типа попаданий с точки зрения добавленных прогонов. Я сделал это, взяв средний результат в лиге за 2016 год, а затем добавив или вычтя один балл, например, за прогулки, и нашел шестерни, добавленные за игру за добавленную прогулку, а затем проделал то же самое для разных типов ударов. Затем я использовал деление, чтобы найти относительную ценность каждого результата, и установил прогулки равными единице. Относительная ценность одиночного бега в 1226 раз больше, чем у ходьбы, в 1,713 раза для двойного, 2,211 раза для трех и в 2,977 раза больше для хоум-рана, чем для ходьбы. Используя эти значения и разделив на внешний вид пластин, мы получаем новую статистику, которую мы назовем величиной отскока, определяемой как: ((Прогулки + 1,226 * Одиночный + 1,713 * Двойной + 2,211 * Тройной + 2,977 * Домашний) / Внешний вид пластины). Это похоже на расширенную статистику взвешенного базового среднего (wOBA), созданную экспертом по саберметрии Томом Танго. wOBA аналогичным образом взвешивает результаты на основе значения пробега, но не на основе компьютерного моделирования. Относительная ценность каждого типа ударов для темпа WOBA составляет 1,29 для одиночных, 1,84 для парных, 2,348 для тройных и 3,043 для хаус-бега. Эти значения очень похожи на значения отскока, но значения отскока немного выше. Хотя есть небольшие различия, и wOBA, и значение отскока являются гораздо более точными и всеобъемлющими показателями поразительной ценности, чем обычно известно. И значение отскока, и смоделированное количество запусков за матч можно использовать для оценки эффективности удара. Среднее значение MLB для SRPG за 2016 год составляет 4,5434, а отскок — 0,4524. По данным SRPG, лучшим хитом сезона 2016 года стал Майк Траут из SRPG 9.712871. С точки зрения отскока Дэвид Ортис был лучшим нападающим с результатом 0,607, что чуть выше значения отдачи у Траута 0,603. Эта разница в рейтинге имеет смысл, поскольку сила Ортиса является большим преимуществом в контексте среднего значения отскока MLB, на котором основывается способность Траута попасть в базу, что является большим преимуществом в контексте смоделированной супергруппы 9 Майка Траутса.

Это моделирование также дает вам некоторое представление об идее «горячей руки». Эта программа не принимает во внимание горячую или холодную руку, поэтому она, например, не раздражает питчера из-за того, что бросает бросок или бросает менее эффективно до конца раунда. Вся программа нарисована без представления об импульсе, но симуляция по-прежнему может точно представлять количество запусков за игру для команд MLB. Это говорит о том, что нет настоящей «горячей руки» для нападений или питчеров, потому что если бы была «горячая» рука, попадания в определенные раунды слипались бы чаще, чем в симуляторе, что привело бы к большему количеству запусков за игру. Это подтверждает идею о том, что «горячая рука» — это ошибка, и что это просто полосы, которые ошибочно интерпретируются как результат «горячей руки», а не просто возможный случайный результат, такой как попадание орла три раза подряд при подбрасывании монеты.

Когда для подсчета очков используется моделирование, все базовые забеги моделируются как среднее значение MLB 2016 года, поэтому бегуны, например, забивают от второго до первого примерно в 60% случаев. Однако дополнительная функция программы позволяет пользователю ввести вторую и третью степень успешности кражи, а затем соответственно добавить украденные базы в программу. Это можно использовать, чтобы определить, какой базовый уровень краж увеличивает количество запусков за игру и помогает команде. Это можно проверить, протестировав различные коэффициенты успеха, пока не найдете коэффициент прибыльности. Для второй кражи при пустых остальных базах коэффициент рентабельности составляет 76,5%. В разбивке по количеству аутов, коэффициенты прибыльности составляют 79,5% с 0 аутами, 74,4% с 1 аутами и 69,5% с 2 аутами. Если третья позиция украдена с пустыми другими базами, общий доход составит 77%, 76% для 0 аутов, 74% для 1 аута и 84% для 2 аутов. Это подтверждает распространенное мнение о том, что лучшее время для кражи трети — это 1 аут, а худшее — для кражи 2 аутов. Это может помочь определить, является ли попытка кражи хорошей идеей, оценив, выше ли успешность бегуна, чем ситуативная прибыльность. Тем не менее, есть еще другие факторы, которые следует учитывать, например, тип попадания за бейсраннером, счет и раунд.

В общем, эта программа способна запускать симуляции, невозможные в реальной жизни, что дает нам новый способ анализа бейсбола. Используя это, мы можем извлечь одну игровую переменную из всех других переменных в реальном бейсболе и проверить ее влияние на подсчет очков. Это включает в себя устранение всех других игроков и создание команды полностью из одного нападающего, повышение вероятности определенного исхода, такого как хоум-ран, и добавление украденных баз в конкретной ситуации. Симуляция позволяет точно определить количество прогонов из 9 раундов для команд MLB и среднее значение MLB 2016 года, что дает доказательства против «горячей руки».

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *