Lógica estadística de la interacción de marca en los playoffs de la nba (2014-2019): Factores espaciales y temporales

  1. Raúl Martínez-Santos 1
  2. Asier Oiarbide 1
  3. Mario Enjuanes 1
  1. 1 Universidad del País Vasco, UPV/EHU, España
Revista:
E-Balonmano.com: Revista de Ciencias del Deporte

ISSN: 1885-7019

Año de publicación: 2021

Volumen: 17

Número: 3

Páginas: 233-240

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: E-Balonmano.com: Revista de Ciencias del Deporte

Resumen

El baloncesto es un deporte de engaños, pero también de números, y el conocimiento de su lógica interna se ha beneficiado desde hace décadas con las aportaciones de colegas como Sampaio e Ibáñez-Godoy. Aceptando que los playoffs de la NBA son la competición más exigente de nuestro deporte, nos planteamos dos objetivos complementarios: aportar las probabilidades asociadas a los lanzamientos de campo en función del espacio y el tiempo, y mostrar el camino seguido en el entorno R. Nuestros análisis nos permiten aportar las distribuciones de probabilidad asociadas a los lanzamientos de campo en función del momento de juego y de la distancia al aro, como muestra la tabla1. Además, mediante sencillos modelos logit podemos constatar y mensurar el impacto que las distancias y los momentos del partido (periodo y minuto) tienen sobre la probabilidad de acierto. Los mejores jugadores de baloncesto del mundo maximizan la utilidad de sus lanzamientos sin poder escapar de la lógica espacio-temporal del juego: la relación de fuerzas entre el ataque y la defensa sale a la luz en forma de funciones probabilísticas con una alta linealidad, sobre todo en lo que respecta al espacio, y apunta hacia interesantes cuestiones prospectivas. En este sentido, nuestro estudio proporciona bases estadísticas generales para la comprensión de esta lógica, permitiendo en un futuro avanzar en modelos de estudio bayesianos mejor informados.

Referencias bibliográficas

  • Alameda-Basora, E. M. (2019). A dynamic Bayesian network to predict the total points scored in national basketball association games.
  • Bach, D. R. (2014). El cerebro bayesiano. Mente y cerebro(69), 70.
  • Bache, S. M., & Wickham, H. (2014). magrittr: A Forward-Pipe Operator for R. Retrieved from https://CRAN.Rproject.org/package=magrittr
  • Breheny, P., & Burchett, W. (2017). Visualization of Regression Models Using visreg. The R Journal, 9(2), 56-71. Retrieved from https://journal.r-project.org/archive/2017/RJ-2017-046/index.html
  • Bresler, A. (2020). R's interface to NBA data (Version 0.1.1503). Retrieved from https://github.com/abresler/nbastatR
  • Caporale, T., & Collier, T. C. (2015). To Three or Not to Three? Journal of Labor Research, 36(1), 1-8.
  • Collard, L. (1998). Sports, enjeux et accidents. Paris: PUF.
  • Constantinou, A. C., Fenton, N. E., & Hunter Pollock, L. J. (2014). Bayesian networks for unbiased assessment of referee bias in Association Football. Psychology of Sport and Exercise, 15(5), 538-547. doi:https://doi.org/10.1016/j.psychsport.2014.05.009
  • Fichman, M., & O’Brien, J. (2018). Three point shooting and efficient mixed strategies: A portfolio management approach. Journal of Sports Analytics, 4(2), 107-120.
  • García, J., Ibáñez, S. J., De Santos, R. M., Leite, N., & Sampaio, J. (2013). Identifying basketball performance indicators in regular season and playoff games. Journal of human kinetics, 36(1), 161-168.
  • Grubis, D. Dimensionality Reduction on NBA Shot Data.
  • Hu, G., Yang, H. C., & Xue, Y. (2020). Bayesian group learning for shot selection of professional basketball players. Stat, e324.
  • Ibáñez, S. J., Feu, S., García, J., Parejo, I., & Cañadas, M. (2009). Shot differences between professional (ACB) and amateur (EBA) basketball teams. Multifactorial study. Revista de psicología del deporte, 18(3), 313-317.
  • Ibáñez, S. J., García, J., Feu, S., Lorenzo, A., & Sampaio, J. (2009). Effects of consecutive basketball games on the game-related statistics that discriminate winner and losing teams. Journal of sports science & medicine, 8(3), 458.
  • Ibáñez, S. J., Sampaio, J., Feu, S., Lorenzo, A., Gómez, M. A., & Ortega, E. (2008). Basketball game-related statistics that discriminate between teams’ season-long success. European journal of sport science, 8(6), 369-372.
  • Koppet, L. (1973). The essence of the game is deception. Boston: Little, Brown & Company.
  • Martínez-Santos, R. (2007). La praxeología motriz aplicada al fútbol. (PhD doctoral thesis). University of the Basque country, VitoriaGasteiz. Retrieved from http://www.ehu.es/argitalpenak/images/stories/tesis/Ciencias_Sociales/8779%20MtzDeSantosTH.pdf
  • McGrayne, S. B. (2012). La teoría que nunca murió: de cómo la Regla de Bayes permitió descifrar el código Enigma, perseguir los submarinos rusos y emerger triunfante de dos siglos de controversia. Barcelon: Planeta.
  • Oboeuf, A., Buffet, J., Collard, L., Martínez-Santos, R., & Lecroisey, L. (2019). Influence de l’apprentissage du « code secret » du jeu pour développer la créativité motrice. Une illustration en football chez des enfants de 8-9 ans. Intellectia, 71, 79-100.
  • Oboeuf, A., Collard, L., & Gerard, B. (2008). Le jeu de la «balle assise»: un substitut au questionnaire sociométrique? Les Cahiers internationaux de psychologie sociale(1), 87-100.
  • Obœuf, A., Collard, L., Pruvost, A., & Lech, A. (2009). La prévisibilité au service de l'imprévisibilité. À la recherche du «code secret» du football. Réseaux(4), 241-270.
  • Papalexakis, E., & Pelechrinis, K. (2018). thoops: A multi-aspect analytical framework for spatio-temporal basketball data. Paper presented at the Proceedings of the 27th ACM International Conference on Information and Knowledge Management.
  • Parlebas, P. (2001). Juegos, deporte y sociedad. Léxico de praxiología motriz. Barcelona: Paidotribo.
  • R Core Team. (2020). R: A language and environment for statistical computing Vienna: R Foundation for Statistical Computing. Retrieved from https://www.R-project.org/.
  • Reich, B. J., Hodges, J. S., Carlin, B. P., & Reich, A. M. (2006). A Spatial Analysis of Basketball Shot Chart Data. The American Statistician, 60(1), 3-12. doi:10.1198/000313006X90305
  • Sampaio, J., Drinkwater, E. J., & Leite, N. M. (2010). Effects of season period, team quality, and playing time on basketball players' gamerelated statistics. European journal of sport science, 10(2), 141-149.
  • Sampaio, J., Godoy, S. I., & Feu, S. (2004). Discriminative power of basketball game-related statistics by level of competition and sex. Perceptual and motor Skills, 99(3_suppl), 1231-1238.
  • Sampaio, J., Gonçalves, B., Mateus, N., Shaoliang, Z., & Leite, N. (2018). 6 Basketball. Modelling and simulation in sport and exercise.
  • Sampaio, J., McGarry, T., Calleja-González, J., Jiménez Sáiz, S., Schelling i del Alcázar, X., & Balciunas, M. (2015). Exploring game performance in the National Basketball Association using player tracking data. PloS one, 10(7), e0132894.
  • Shortridge, A., Goldsberry, K., & Adams, M. (2014). Creating space to shoot: quantifying spatial relative field goal efficiency in basketball. Journal of Quantitative Analysis in Sports, 10(3), 303-313.
  • Smith, J. M. (2017). Does Three Point Shooting Percentage Affect Winning Percentage in the NBA?
  • Wallace, S., Caudill, S. B., & Mixon, F. G. (2013). Homo certus in professional basketball? Empirical evidence from the 2011 NBA Playoffs. Applied Economics Letters, 20(7), 642-648. doi:10.1080/13504851.2012.727965
  • Wickham, H., Averick, M., Bryan, J., Chang, W., McGowan, L. D. A., François, R., . . . Yutani, H. (2019). Welcome to the tidyverse. Journal of Open Source Software, 4(43), 1686. doi:10.21105/joss.01686
  • Yin, F., Hu, G., & Shen, W. (2020). Analysis of professional basketball field goal attempts via a Bayesian matrix clustering approach. arXiv preprint arXiv:2010.08495.
Fuente de los datos: Dialnet