Sabermetria

Na análise esportiva, sabermetrics (originalmente SABRmetrics) é a análise empírica do beisebol, especialmente as estatísticas do beisebol que medem a atividade no jogo. Os Sabermetricians coletam e resumem os dados relevantes desta atividade no jogo para responder a perguntas específicas. O termo é derivado da sigla SABR, que significa Society for American Baseball Research, fundada em 1971. O termo "sabermetrics" foi cunhado por Bill James, que é um de seus pioneiros e muitas vezes considerado seu mais proeminente defensor e rosto público.

História antiga

Henry Chadwick, um jornalista esportivo de Nova York, desenvolveu o box score em 1858. Essa foi a primeira maneira pela qual os estatísticos conseguiram descrever o esporte do beisebol, rastreando numericamente vários aspectos do jogo. A criação do box score deu aos estatísticos do beisebol um resumo do desempenho individual e da equipe em um determinado jogo.

A pesquisa em sabermetria começou em meados do século 20 com os escritos de Earnshaw Cook, um dos primeiros sabermetristas. O livro de Cook de 1964, Percentage Baseball, foi um dos primeiros desse tipo. No início, a maioria dos times e profissionais de beisebol organizados consideraram o trabalho de Cook sem sentido. A ideia de uma ciência das estatísticas do beisebol começou a ganhar legitimidade em 1977, quando Bill James começou a lançar o Baseball Abstracts, seu compêndio anual de dados do beisebol. No entanto, as ideias de James demoraram a encontrar ampla aceitação.

Bill James acreditava que havia um mal-entendido generalizado sobre como o jogo de beisebol era jogado, alegando que o esporte não era definido por suas regras, mas na verdade, conforme resumido pelo professor de engenharia Richard J. Puerzer, “definido pelas condições”. sob o qual o jogo é jogado - especificamente, os estádios, mas também os jogadores, a ética, as estratégias, o equipamento e as expectativas do público. Os Sabermetricians - às vezes considerados estatísticos do beisebol - começaram a tentar substituir a estatística favorita de longa data, conhecida como média de rebatidas. Foi alegado que a média de rebatidas da equipe fornece um ajuste relativamente ruim para as corridas marcadas da equipe. O raciocínio sabermétrico diria que as corridas vencem os jogos e que uma boa medida do valor de um jogador é sua capacidade de ajudar seu time a marcar mais corridas do que o time adversário.

Antes de Bill James popularizar a sabermetria, Davey Johnson usou um IBM System/360 na cervejaria do proprietário do time, Jerold Hoffberger, para escrever uma simulação de computador de beisebol FORTRAN enquanto jogava pelo Baltimore Orioles da Major League Baseball (MLB) no início década de 1970. Ele usou seus resultados em uma tentativa frustrada de promover ao seu empresário Earl Weaver a ideia de que ele deveria rebater em segundo lugar na escalação. Ele escreveu programas IBM BASIC para ajudá-lo a gerenciar o Tidewater Tides e, depois de se tornar gerente do New York Mets em 1984, conseguiu que um funcionário da equipe escrevesse um aplicativo dBASE II para compilar e armazenar métricas avançadas nas estatísticas da equipe. Craig R. Wright era outro funcionário da MLB, trabalhando com o Texas Rangers no início dos anos 1980. Durante seu tempo com os Rangers, ele se tornou conhecido como o primeiro funcionário de front office na história da MLB a trabalhar sob o título de 'sabermetricista'.

David Smith fundou a Retrosheet em 1989, com o objetivo de informatizar o placar de todos os jogos da liga principal de beisebol já disputados, a fim de coletar e comparar com mais precisão as estatísticas do jogo.

O Oakland Athletics começou a usar uma abordagem mais quantitativa do beisebol, concentrando-se nos princípios sabermétricos na década de 1990. Isso começou inicialmente com Sandy Alderson como gerente geral do time, quando ele usou os princípios para obter jogadores relativamente subvalorizados. Suas ideias tiveram continuidade quando Billy Beane assumiu o cargo de gerente geral em 1997, cargo que ocupou até 2015, e contratou seu assistente Paul DePodesta. Pela análise estatística feita por Beane e DePodesta na temporada de 2002, o Oakland A's venceu 20 jogos consecutivos. Este foi um momento histórico para a franquia, em que o 20º jogo foi disputado no Oakland – Alameda County Coliseum. Suas abordagens ao beisebol logo ganharam reconhecimento nacional quando Michael Lewis publicou Moneyball: The Art of Winning an Unfair Game em 2003 para detalhar o uso da sabermetria por Beane. Em 2011, um filme baseado em Lewis' O livro - também chamado de Moneyball - foi lançado e deu ampla exposição às técnicas usadas no Oakland Athletics'. recepção.

Medidas tradicionais

O Sabermetrics foi criado na tentativa de os fãs de beisebol aprenderem sobre o esporte por meio de evidências objetivas. Isso é realizado avaliando os jogadores em todos os aspectos do jogo, especificamente rebatidas, arremessos e defesas. Estas medidas de avaliação são geralmente formuladas em termos de corridas ou vitórias da equipa, uma vez que as estatísticas mais antigas eram consideradas ineficazes.

Medidas de rebatidas

A medida tradicional de desempenho de rebatidas é considerada como rebatidas divididas pelo número total de rebatidas. Bill James, junto com outros pais da sabermetria, considerou essa medida falha, pois ignora qualquer outra maneira de um batedor chegar à base além de uma rebatida. Por outro lado, a porcentagem na base (OBP) leva em consideração as bolas ("caminhadas") e as rebatidas dos arremessos. Outro problema com a medida tradicional da média de rebatidas é que ela não distingue entre rebatidas (ou seja, simples, duplas, triplas e home runs) e atribui a cada rebatida o mesmo valor. Uma medida que diferencia esses resultados é a porcentagem de golpes (SLG). Para calcular a porcentagem de rebatidas, o número de bases totais de todas as rebatidas é dividido pelo número total de rebatidas.

Stephen Jay Gould propôs que o desaparecimento da média de rebatidas de 0,400 (alcançada pela última vez na MLB por Ted Williams em 1941) é na verdade um sinal de melhoria geral nas rebatidas. Isto porque, na era moderna, os jogadores estão cada vez mais focados em rebater com força do que com média. Portanto, tornou-se mais valioso comparar jogadores usando a porcentagem de rebatidas e a porcentagem na base sobre a média de rebatidas.

Essas duas medidas sabermétricas aprimoradas são habilidades importantes para medir em um batedor e foram combinadas para criar a estatística moderna on-base plus slugging (OPS). OPS é a soma da porcentagem na base e da porcentagem de slugging. Esta estatística moderna tornou-se útil na comparação de jogadores e é um método poderoso de prever corridas marcadas por um determinado jogador.

Algumas das outras estatísticas que os sabermetricistas usam para avaliar o desempenho de rebatidas são média ponderada na base, média secundária, corridas criadas e média equivalente.

Medidas de inclinação

A medida tradicional de desempenho de arremesso é a média de corrida ganha (ERA). É calculado como corridas ganhas permitidas por nove entradas. A média de corridas ganhas não separa a habilidade do arremessador das habilidades dos defensores com quem ele joga. Outra medida clássica para arremesso é a porcentagem de vitórias do arremessador. A porcentagem de vitórias é calculada dividindo as vitórias pelo número total de decisões (vitórias mais derrotas). A porcentagem de vitórias também depende muito da equipe do arremessador, principalmente do número de corridas que ele marca.

Os sabermetristas tentaram encontrar diferentes medidas de desempenho de arremesso que excluíssem o desempenho dos defensores envolvidos. Um dos primeiros desenvolvidos e um dos mais populares em uso são as caminhadas mais rebatidas por entrada lançada (WHIP), que embora não seja completamente independente da defesa, tende a indicar quantas vezes um arremessador tem probabilidade de colocar um jogador na base (seja por meio de caminhada, rebatida por arremesso ou rebatida de base) e, portanto, quão eficazes os rebatedores são contra um arremessador específico para alcançar a base.

Um desenvolvimento posterior foi a criação do sistema de estatísticas de arremesso independentes de defesa (DIPS). Voros McCracken foi creditado com o desenvolvimento deste sistema em 1999. Através de sua pesquisa, McCracken foi capaz de mostrar que há pouca ou nenhuma diferença entre os arremessadores no número de rebatidas que eles permitem nas bolas colocadas em jogo - independentemente de seu nível de habilidade.. Alguns exemplos dessas estatísticas são ERA independente de defesa, arremesso independente de campo e ERA de componente independente de defesa. Outros sabermetricistas promoveram o trabalho no DIPS, como Tom Tango, que dirige o site sabermetrics Tango on Baseball.

Baseball Prospectus criou outra estatística chamada ERA periférica. Essa medida do desempenho de um arremessador leva em consideração rebatidas, caminhadas, home runs permitidos e eliminações, ao mesmo tempo em que ajusta os fatores aproximados. Cada estádio tem dimensões diferentes quando se trata da parede externa do campo, portanto, um arremessador não deve ser medido da mesma forma para cada um desses parques.

A média de rebatidas nas bolas em jogo (BABIP) é outra medida útil para determinar o desempenho dos arremessadores. Quando um arremessador tem um BABIP alto, muitas vezes apresentará melhorias na temporada seguinte, enquanto um arremessador com BABIP baixo frequentemente apresentará um declínio na temporada seguinte. Isto é baseado no conceito estatístico de regressão à média. Outros criaram vários meios de tentar quantificar arremessos individuais com base nas características do arremesso, em oposição às corridas ganhas ou às bolas rebatidas.

Métodos avançados

O valor sobre o jogador substituto (VORP) já foi considerado uma estatística sabermétrica popular. Esta estatística demonstra o quanto um jogador contribui para seu time em comparação com um jogador hipotético que atua no nível mínimo necessário para manter uma posição no elenco de um time da liga principal. Essa medida foi inventada por Keith Woolner, ex-redator do grupo/website sabermetric Baseball Prospectus.

Vitórias acima da substituição (WAR) é outra estatística sabermétrica popular para avaliar as contribuições de um jogador para seu time. Semelhante ao VORP, o WAR compara um determinado jogador a um jogador de nível substituto para determinar o número de vitórias adicionais que o jogador proporcionou ao seu time. Os valores de WAR variam de acordo com as posições de rebatida e são amplamente determinados pelo desempenho bem-sucedido do jogador e pela quantidade de tempo de jogo.

Análise quantitativa no beisebol

Muitas estatísticas tradicionais e modernas, como ERA e Wins Shared, não fornecem uma compreensão completa do que está acontecendo em campo. Razões simples não são suficientes para compreender os dados estatísticos do beisebol. A análise quantitativa estruturada é capaz de explicar muitos aspectos do jogo, por exemplo, para examinar com que frequência uma equipe deve tentar roubar.

Aplicativos

Os Sabermetrics podem ser usados para diversas finalidades, mas as mais comuns são avaliar o desempenho passado e prever o desempenho futuro para determinar as contribuições de um jogador para seu time. Estes podem ser úteis para determinar quem deve ganhar prêmios de final de temporada, como MVP, e para determinar o valor de fazer uma determinada negociação.

A maioria dos jogadores de beisebol tende a jogar alguns anos nas ligas menores antes de serem convocados para a liga principal. As diferenças competitivas, juntamente com os efeitos aproximados, tornam a comparação exata das estatísticas de um jogador um problema. Os Sabermetricians conseguiram resolver esse problema ajustando as estatísticas da liga secundária do jogador, também conhecidas como Equivalência da Liga Menor. Através desses ajustes, as equipes podem analisar o desempenho de um jogador tanto no AA quanto no AAA para determinar se ele está apto para ser convocado para os campeonatos principais.

Estatísticas aplicadas

Os métodos Sabermetrics são geralmente usados para três propósitos:

1. Para comparar os principais desempenhos entre certos jogadores específicos em condições de dados realistas. A avaliação do desempenho passado de um jogador permite uma visão geral analítica. A comparação desses dados entre os jogadores pode ajudar a entender pontos-chave como seus valores de mercado. Dessa forma, o papel e o salário que deve ser dado a esse jogador podem ser definidos.
2. Fornecer previsão de desempenho futuro de um determinado jogador ou uma equipe. Quando os dados passados estão disponíveis sobre o desempenho de uma equipe ou um jogador específico, a Sabermetrics pode ser usada para prever os desempenhos médios futuros para a próxima temporada. Assim, uma previsão pode ser feita com uma certa probabilidade sobre o número de vitórias e perdas.
3. Para fornecer uma função útil das contribuições do jogador para sua equipe. Ao analisar dados, é possível entender as contribuições que um jogador faz para o sucesso / falha de sua equipe. Dada essa correlação, pode-se assinar ou liberar objetivamente jogadores com certas características.

Modelo de aprendizado de máquina

Um modelo de aprendizado de máquina pode ser construído usando conjuntos de dados disponíveis em fontes como referência de beisebol. Este modelo fornecerá estimativas de probabilidade para o resultado de jogos específicos ou para o desempenho de jogadores específicos. Estas estimativas são cada vez mais precisas quando aplicadas a um grande número de eventos a longo prazo. O resultado do jogo (vitória/derrota) é tratado como tendo uma distribuição binomial.

As previsões podem ser feitas usando um modelo de regressão logística com variáveis explicativas, incluindo: oponentes; corridas marcadas, corridas marcadas, tempo de shutout no bastão, taxa de vitórias e chicote do arremessador.

Avanços recentes

Muitos sabermetristas ainda estão trabalhando duro para contribuir com a área através da criação de novas medidas e de novas perguntas. Bill James' duas edições do Historical Baseball Abstract e do livro Win Shares continuaram a avançar no campo da sabermetria, 25 anos depois de ele ter ajudado a iniciar o movimento. Seu ex-assistente Rob Neyer, que mais tarde se tornou redator sênior da ESPN.com e editor nacional de beisebol da SBNation, também trabalhou na popularização da sabermetria desde meados da década de 1980.

Nate Silver, ex-redator e sócio-gerente do Baseball Prospectus, inventou o PECOTA. Este acrônimo significa Algoritmo de teste de otimização e comparação empírica de jogadores e é um sistema sabermétrico para prever o desempenho de jogadores da Liga Principal de Beisebol. Simplificando, pressupõe que as carreiras de jogadores semelhantes seguirão uma trajetória semelhante. Este sistema pertence ao Baseball Prospectus desde 2003 e ajuda os autores do site a inventar ou melhorar medidas e técnicas sabermétricas amplamente utilizadas.

A partir da temporada de beisebol de 2007, a MLB começou a buscar tecnologia para registrar informações detalhadas sobre cada arremesso lançado em um jogo. Ficou conhecido como sistema PITCHf/x que é capaz de registrar a velocidade do arremesso, no ponto de lançamento e ao cruzar a placa, bem como a localização e ângulo de quebra de determinados arremessos por meio de câmeras de vídeo. FanGraphs é um site que privilegia este sistema e também a análise de dados jogada a jogada. O site também é especializado na publicação de estatísticas avançadas de beisebol, bem como gráficos que avaliam e acompanham o desempenho de jogadores e times.

Na cultura popular

• Bola de Dinheiro, o filme de 2011 sobre o uso de sabremetrics de Billy Beane para construir o Oakland Athletics. O filme é baseado no livro de Michael Lewis do mesmo nome.
• No programa de televisão Números, a temporada 3 episódio "Hardball" concentra-se em sabremetrics, e a temporada 1 episódio "Sacrifice" também cobre o assunto.
• "MoneyBART", o terceiro episódio de Os Simpsons' 22a temporada, na qual Lisa utiliza sabremetria para treinar a equipe de Bart's Little League Baseball.