Please enable JavaScript.
Coggle requires JavaScript to display documents.
ARMAS DE DESTRUCCIÓN MATEMÁTICA
image (Lou Boudreau estaba pensando como…
ARMAS DE DESTRUCCIÓN MATEMÁTICA
Lou Boudreau estaba pensando como un científico de datos. Había analizado los datos primarios, en general mediante observación: Ted Williams normalmente bateaba la pelota al campo derecho.
En cualquier partido de béisbol de una liga importante en la actualidad, los defensores tratan a casi todos los jugadores como Lou Boudreau trató a Ted Williams.
Mientras que Lou simplemente observó dónde solía batear la pelota Ted Williams, los directores técnicos de hoy en día saben exactamente dónde ha bateado la pelota cada jugador durante la última semana, en el último mes, a lo largo de su carrera, contra lanzadores zurdos, cuando lleva dos strikes, etc.
Utilizan estos datos históricos para analizar cada situación y calcular el posicionamiento de los jugadores que está asociado a la mayor probabilidad de éxito, lo que en ocasiones implica colocar a los jugadores en posiciones alejadas.
¿Qué medidas pueden tomar los equipos de béisbol para maximizar la probabilidad de ganar?
Los estadísticos del béisbol han desmenuzado cada una de las variables que han podido cuantificar y le han adjudicado un valor.
Las respuestas a todas estas preguntas se mezclan y combinan en los modelos matemáticos de este deporte.
Estos modelos constituyen universos paralelos del mundo del béisbol, y cada uno de ellos es un complejo tapiz de probabilidades.
La finalidad del modelo es ejecutar diferentes escenarios en cada coyuntura para dar con las combinaciones óptimas.
«Moneyball» es ahora sinónimo de cualquier enfoque estadístico aplicado a terrenos que han estado tradicionalmente dominados por el instinto.
Cuando se descubre algo nuevo, lo introducen en el modelo para perfeccionar lo. Así es como funcionan los modelos fiables.
Un modelo, al fin y al cabo, no es más que una representación abstracta de ciertos procesos.
Independientemente de que se ejecute en un programa de ordenador o en nuestra cabeza, el modelo coge lo que sabemos y lo utiliza para predecir respuestas en distintas situaciones.
Si se produce un cambio, en una nueva situación podría pillar a mi modelo por sorpresa.
Las actualizaciones y los ajustes lo convierten en lo que los estadísticos denominan un «modelo dinámico».
Si se introducen todos los datos de manera sistemática a lo largo de muchos meses, podría conseguir un buen modelo.
No obstante, el modelo seguiría cometiendo errores, ya que todo modelo es, por su propia naturaleza, una simplificación.
Ningún modelo puede incluir toda la complejidad del mundo ni los matices de la comunicación humana. Es inevitable que parte de la información importante se quede fuera.
Al crear un modelo, por tanto, tomamos decisiones sobre lo que es suficientemente importante como para incluirlo en el modelo, y simplificamos el mundo en una versión de juguete que pueda ser fácil de comprender y de la que se puedan deducir hechos y acciones importantes.
Al crear un modelo, por tanto, tomamos decisiones sobre lo que es suficientemente importante como para incluirlo en el modelo.
Los puntos ciegos de un modelo reflejan las opiniones y prioridades de sus creadores. Nuestros propios valores y deseos influyen en nuestras elecciones, desde los datos que decidimos recopilar hasta las preguntas que hacemos. Los modelos son opiniones integradas en matemáticas.
El hecho de que un modelo funcione bien o no también es cuestión de opiniones.
Se quedará obsoleto en seguida si no se actualiza constantemente.
Algunos de los modelos más efectivos dependen de una única variable.
Cuando un modelo se transforma en creencia, queda profundamente arraigado.
En ese capítulo hemos analizado tres clases de modelos. Los modelos del béisbol, en general, son razonables. Son transparentes y se actualizan constantemente, y tanto los supuestos como las conclusiones son claros y accesibles para cualquiera.
Estos modelos se nutren de las estadísticas de cada partido.
Los modelos opacos e invisibles son lo habitual, mientras que los modelos transparentes son raras excepciones.
Esta amenaza está creciendo. Y deberíamos aprovechar lo que ocurrió en el mundo de las finanzas para extraer algunas lecciones.