Bagaimana Statistik Berlaku untuk March Madness

Posted on
Pengarang: Monica Porter
Tanggal Pembuatan: 21 Berbaris 2021
Tanggal Pembaruan: 18 November 2024
Anonim
Overview of the first matches of the 1/4 finals of the Volleyball Champions League (Eng Subs)
Video: Overview of the first matches of the 1/4 finals of the Volleyball Champions League (Eng Subs)

Isi

Untuk penggemar olahraga, March Madness adalah salah satu yang menarik di tahun ini. Mulai pertengahan Maret, acara tahunan mempertandingkan tim terbaik di bola basket kampus NCAA satu sama lain, dalam turnamen sistem gugur besar yang terdiri dari 64 tim.

Di sinilah segalanya menjadi menarik. Aspek KO berarti selalu ada peluang untuk kesal dan kejayaan yang tidak terduga. Siapa yang akan memenangkan turnamen? Akankah ada kekecewaan saat tim "Cinderella" berkembang lebih jauh dari yang Anda harapkan, atau akankah mereka semua terjatuh di babak awal? Bisa kamu memprediksi seluruh braket?

Untuk melihat lebih dalam, kita harus menggunakan beberapa matematika, dan belajar tentang bagaimana statistik berlaku untuk March Madness.

ICYMI: Lihatlah panduan Sciencings hingga 2019 March Madness, lengkap dengan statistik untuk membantu Anda mengisi braket pemenang.

Dasar-dasar Probabilitas

Sebelum kita masuk ke aplikasi statistik dan probabilitas hingga March Madness, penting untuk membahas dasar-dasar probabilitas.

Peluang terjadinya sesuatu hanyalah:

{Probability} = { {jumlah hasil yang Anda inginkan} di atas {1pt} {jumlah hasil yang mungkin}}

Ini hanya berlaku untuk siapa saja situasi dengan kemungkinan hasil yang sama-sama mungkin. Jadi misalnya, lemparan dadu bersisi enam standar memiliki kemungkinan 1/6 untuk menaikkan angka enam, karena hanya ada satu hasil yang Anda inginkan dan enam hasil yang mungkin. Probabilitas selalu berupa angka (dinyatakan sebagai pecahan atau desimal) antara 0 dan 1, dengan 0 berarti tidak ada peluang apa pun dari peristiwa yang terjadi dan 1 artinya adalah kepastian.

Tetapi jika Anda mempertimbangkan sesuatu yang lebih rumit, seperti permainan bola basket, ada banyak lagi yang harus dipikirkan. Bisa dibilang peluang tim mana pun yang menang melawan yang lain adalah 1/2, tetapi pertandingan antara Duke dan Pittsburgh tidak mudah. Di sinilah sistem penyemaian NCAA dan statistik berperan.

Probabilitas Kegilaan Berbaris

Jadi, bagaimana Anda mengatasi masalah penerapan probabilitas ke March Madness? Pertama, Anda perlu cara untuk melihat kemungkinan aktual bahwa satu tim akan mengalahkan yang lain. Ini adalah tugas yang sangat menantang, tetapi sistem penyemaian dirancang oleh NCAA pada dasarnya memisahkan tim menjadi “tingkatan” berdasarkan pada seberapa baik mereka.

Misalnya, dalam permainan sejak 1985 di mana unggulan No. 1 telah memainkan unggulan No. 16, unggulan No. 1 telah memenangkan 99 persen dari waktu. Artinya, dari 100 pertandingan (karena persennya adalah "per seratus"), Anda dapat mengharapkan unggulan No. 16 menang di salah satu dari mereka.

Lihatlah formula dasar lagi:

{Probability} = { {jumlah hasil yang Anda inginkan} di atas {1pt} {jumlah hasil yang mungkin}}

Dari 100 kemungkinan hasil "menang", hanya ada satu kemenangan (hasil yang kita inginkan). Ini segera memberi probabilitas 1/100.

Anda dapat mengambil ini lebih jauh dengan menggunakan tempat yang telah diselesaikan tim yang berbeda-beda di turnamen untuk melihat kemungkinan masing-masing tim untuk menang. Dalam 32 dari 34 turnamen terakhir, setidaknya satu unggulan No. 1 telah sampai ke Final Four, memberikan masing-masing unggulan No. 1 tahun ini peluang 32/34 (atau 16/17) untuk sampai di sana. Selain itu, setidaknya satu unggulan No. 1 telah mencapai pertandingan kejuaraan 26/34 kali, memberikan kemungkinan 13/17. Untuk unggulan No. 2, ini berkurang menjadi 22/34 (atau 11/17) untuk Final Four dan 13/34 untuk pertandingan kejuaraan. Selain itu, unggulan No. 1 telah menang 21/34 kali, dan pemenangnya berada di antara tiga unggulan teratas 30/34 = 15/17 kali.

Anda juga dapat menggunakan statistik yang sama ini untuk memikirkan tim yang pada dasarnya tidak memiliki peluang untuk menang. Analisis turnamen sejak 1985 menunjukkan bahwa tidak ada unggulan dari No. 9 hingga No. 16 yang pernah mencapai final, jadi memilih salah satu dari ini sebagai pemenang Anda mungkin akan menjadi kesalahan besar.

Ketika datang untuk mencoba memilih braket keseluruhan, statistik yang sama menunjukkan bahwa ada rata-rata delapan gangguan setiap tahun. Ini tidak membantu Anda mengatakannya dimana mereka akan, tetapi jika Anda telah memprediksikan lebih banyak atau lebih sedikit gangguan daripada ini, Anda mungkin ingin memikirkan kembali pilihan Anda.

Apakah Ini Cukup untuk Memilih Pemenang?

Jadi analisis dasar yang melihat probabilitas berdasarkan jumlah benih dapat membuat Anda cukup jauh dalam memprediksi apa yang akan memenangkan March Madness, tetapi apakah itu benar-benar cukup untuk membuat pilihan Anda?

Tampaknya cukup jelas bahwa ada lebih banyak permainan bola basket daripada peringkat tim atau bahkan kinerja mereka sebelumnya. Statistik kunci lainnya, seperti persentase keberhasilan lemparan bebas untuk suatu tim, jumlah rata-rata turnover per game mereka, persentase keberhasilan sasaran lapangan, dan banyak faktor lainnya.

Membuat formula eksplisit untuk probabilitas menang berdasarkan semua ini akan rumit, tetapi ini memberi Anda gambaran tentang hal-hal yang perlu Anda perhitungkan untuk mengisi braket Anda sebaik mungkin.

Misalnya, jika Anda memiliki tim unggulan No. 2 yang memimpin persentase sasaran lapangan di lapangan dan memiliki sangat sedikit turnover per pertandingan, mereka adalah pilihan yang solid sebagai pemenang meskipun analisis berdasarkan pada benih hanya akan menyarankan mereka bukan pilihan ideal. Saran terbaik adalah mendasarkan picks awal Anda pada biji, dan kemudian menggunakan statistik lain untuk mengubah formula Anda secara mental sampai Anda puas dengan tim yang Anda senangi.

Merasakan semangat March Madness? Lihat tips dan trik kami untuk mengisi braket, dan baca mengapa sangat sulit untuk memprediksi gangguan dan memilih braket yang sempurna.