Me presentaron los deportes de fantasía diarios (DFS) como casi todo el mundo: anuncios de fuego rápido que me bombardean en la televisión de pelota deportiva. Los deportes de fantasía no eran un concepto nuevo para mí, he sido jugador desde 1998. Ni siquiera puedo empezar a describir las innumerables horas que pasé meticulosamente preparando guías de borrador para el asador de béisbol, baloncesto y mi favorito personal, el fútbol americano.
me había divertido de jugar, al primero. Una de mis formas favoritas de pensar en DFS es como alquilar tu equipo favorito por un día. Seamos honestos, los partidos de fútbol pueden ser brutales de ver si no estás animando a tu equipo favorito. ¿Quieres pruebas? Trata de ver un poco de fútbol canadiense. Te garantizo que no durarás más de 5 minutos si vives al sur de Saskatchewan. Así que, DFS me dio otra forma de pasar los domingos con más diversión.
Las estadísticas bayesianas son mi bae
Supongo que fue a mediados de la última temporada de fútbol cuando las cosas finalmente comenzaron a hacer clic en mi cabeza. Primero, el escándalo donde la información privilegiada ayudó a un empleado de FanDuel a ganar un torneo de DraftKings. Debería haberlo sabido antes, pero puedo tener la cabeza gruesa, saber el porcentaje que elige un jugador SÍ importa. ¿Por qué? Así que puedes seleccionar a alguien que no es ellos; te diferencia del campo.
Algún tiempo después, leí un sitio web realmente genial que describe la distribución gamma y su ajuste agradable con datos de fútbol de fantasía. Aquí es donde las cosas empezaron a funcionar para mí. Así que armado con una base de datos de jugadores desde 2003 y mi fiel R, me puse a trabajar.
Resulta que cuando se adopta un enfoque bayesiano, lo que significa que se utilizan datos derivados de semanas anteriores para ayudar a hacer predicciones para semanas futuras, se pueden derivar matemáticamente curvas agradables que ayudan a ajustar los datos y hacer predicciones. Es como ir a un gimnasio: Cuanto más se entrena, más se puede hacer predicciones razonables de la aptitud futura relativa.
El análisis bayesiano significa hacer suposiciones basadas en resultados anteriores. Una vez que tiene algunos resultados anteriores, se ajustan muy bien a dichos resultados para hacer predicciones sobre los resultados futuros. Una vez que se ha producido un resultado futuro, ahora es un resultado pasado, y la curva de ajuste agradable se ajusta para reflejar la nueva información.
Confía en mí, hay muchas matemáticas detrás de esto que harían que tu cabeza girara. Tal vez lo apunte a una futura publicación de blog.
Sin embargo, por ahora, me gustaría presentar un argumento para la Distribución Gamma como un ajuste realmente bueno para predecir la consistencia en las actuaciones de fútbol de fantasía de los jugadores. Cada gráfico y análisis a continuación es mío.
Aaron Rodgers
Considere el caso de Aaron Rodgers. A continuación se muestra un gráfico de cada actuación de fantasía de Aaron Rodgers durante un período de siete años. Las barras representan el porcentaje de veces que obtiene una cierta cantidad de puntos. La línea azul punteada es su Distribución Gamma que modela sus datos.
Por lo tanto, se puede ver desde el bar más alto, que anota 25 puntos en aproximadamente el ocho por ciento de sus juegos. Bastante impresionante!
Lo que es más impresionante, sin embargo, es su análisis de curva gamma. La siguiente tabla destaca los cuantiles de Aaron Rodger. Rojo es el rango de cuantiles 0-25, Amarillo el cuantil 25-50, Verde el cuantil 50-75. Piense en esto en términos de expectativas. Amarillo es un rendimiento promedio, rojo por debajo de la media, verde por encima de la media.
Este conjunto de datos ahora se considera nuestro conjunto de entrenamiento. Podemos usar esto para hacer una predicción de la próxima actuación real.¿Quieres adivinar cuántos puntos de fantasía anotó Aaron Rodgers en la semana 1 el año pasado?
Anotó 25 puntos. Esto lo coloca bastante cerca de su promedio de datos de entrenamiento y firmemente en la zona verde. Tuvo un rendimiento por encima de la media para sí mismo, pero no fue el mejor de su vida. En un modelo bayesiano, tomamos esta información, la agregamos a nuestro conjunto de entrenamiento y la usamos para hacer una predicción en la Semana 2.
Ejemplos extremos
Solo por diversión, ¿qué pasaría si Aaron Rodgers anotara cero puntos en la Semana 1 contra los Bears? Lo que, seamos sinceros, habría sido extremadamente improbable considerando que se enfrentó a los Osos. Si aplicamos esto a nuestros datos de entrenamiento, aplicamos presión hacia abajo en la distribución gamma, alterando así sus cuantiles para la próxima semana. Básicamente, bajamos la curva a la izquierda para ajustarnos al rendimiento pútrido:
¿Qué tal un juego increíble? Digamos que Aaron Rodgers anota 100 puntos. Lo adivinaste, aplicamos presión ascendente en la curva de la derecha de la siguiente manera:
¿Qué significa todo esto?
Significa que este es el comienzo de lo que es un modelo predictivo impresionante. Tiene sus limitaciones, aunque en términos de precisión, semana a semana, que es algo que me gustaría esbozar en futuros posts venideros. Aquí hay un adelanto de lo bueno que se pone:
¿Ves ese promedio por debajo de 1? Significa que estoy recibiendo más o menos dentro de 1 punto en promedio de un rendimiento real semana a semana!
¿Qué te parece Steem? Lo anterior representa mi primera publicación de blog en lo que espero que sea una serie de publicaciones de varias partes en mi viaje a través de algoritmos de predicción de fantasía que estoy deseando lanzar este año. Cualquier comentario que tenga para mí será apreciado!
# escribiendo # blog # fantasyfootball # matemáticas # bayesiano # análisis # steemit # deportes # nfl # estadísticas # steem