Modelado de Proyecciones de Player Props: Elasticidad de Uso, Distribución de Minutos y Métricas de Poisson

Más Allá de los Promedios Simples de Temporada

El error más común que cometen los aficionados al evaluar player props (proposiciones de rendimiento de jugadores) es fijarse en el promedio general de la temporada. Si un jugador de la NBA promedia 22.4 puntos por partido y la línea del mercado está en 21.5, inmediatamente asumen que la opción "Más de" es atractiva.

En el modelado cuantitativo deportivo, un promedio bruto de temporada no sirve de mucho sin contexto. ¿Por qué? Porque el rendimiento de un jugador no es estático; es una función dinámica impulsada por tres factores estructurales clave:

1. Distribución de Minutos Proyectados: La varianza de minutos explica más del 65% de la varianza estadística individual en básquetbol y fútbol americano. 2. Elasticidad de la Tasa de Uso y Bajas de Compañeros: Cómo se redistribuyen los tiros y posesiones cuando un titular clave no juega. 3. Ritmo de Juego y Modificadores Defensivos: La cantidad total de posesiones esperadas y la eficiencia del rival.

1. Modelado de Distribuciones No Lineales

Las estadísticas de conteo como ponches en béisbol, goles en fútbol o pases de anotación en fútbol americano no siguen una campana de Gauss normal. Son datos discretos que se rigen por una Distribución de Poisson o Binomial Negativa.

Al proyectar la línea de ponches de un lanzador de MLB en 6.5 contra una alineación rival con alta tasa de ponches ante lanzamientos rompientes, nuestro motor cuantitativo modela cada turno al bate de manera individual. Al cruzar la tasa de strikes abanicados del lanzador con el porcentaje de contacto del rival, calculamos la probabilidad exacta de cada resultado posible.

2. Redistribución de Uso ante Cambios de Alineación

Cuando un jugador estrella queda fuera 45 minutos antes del partido, muchos buscan partidos pasados sin ese jugador. Sin embargo, esas muestras históricas suelen ser muy reducidas (por ejemplo, 3 juegos en dos temporadas).

Los modelos de player props de EdgeSlate utilizan Vectores de Elasticidad de Uso. En lugar de depender de muestras pequeñas, nuestro motor calcula en tiempo real cómo se redistribuyen los intentos de tiro, el tiempo de posesión y las oportunidades de rebote entre los jugadores activos.

3. Comparación de Probabilidades del Modelo Frente al Mercado

Una vez que el modelo calcula la distribución de probabilidad justa, convertimos esas probabilidades en cuotas sintéticas y las comparamos con las líneas disponibles en el mercado. Cuando la diferencia entre la estimación del modelo y la probabilidad implícita del mercado es estadísticamente relevante, nuestro escritorio de investigación la destaca para su análisis.