#semiofftopic He leido varias reflexiones sobre la abstención en las elecciones como argumento para desligitimarlas. No voy a entrar en cuestiones ideológicas, solo quiero lanzar una reflexión estadística. Para eso hemos de entender los conceptos de muestra y población. Turra va. Población es todo el conjunto que quieres caracterizar. Si quieres medir la media de horas que dedica un(a) joven español a los videojuegos, tu población serán todos esos jovenes menores de 30 años que viven en el pais. Pero claro, no puedes entrevistarlos a todos.

Analizada a fondo la SB. (Desde el punto de vista de las stats avanzadas, claro). Entre en el análisis pensando que SF era mejor equipo, a mitad me fui a KC y ahora he vuelto a SF pero sin tenerlo demasiado claro. Resumen: Ni idea. Algunas ideas y datos sueltos. - SF ha usado mucho personal 21 (un 35%) de las veces con un Success Rate del 54%.
- KC ha usado principalmente personal 11 (47%) con un Success Rate del 50%.
- Ambos han usado de forma similar el PA, con mejores resultado (medido en ypa) para SF.

Datos de @SharpFootball

Andrew Luck se retira. Es una historia triste, pero más si piensas en todo lo que podrían haber hecho los Colts (y Grigson en concreto) para evitarlo. Aquí va nuestro pequeño homenaje como lo hacemos por aquí, con números. La carrera de Luck duró seis temporadas. La 2017 la pasó en blanco recuperándose de su operación de hombro. En 2015 tan solo jugo 7 partidos (lesiones de hombro y de riñón). Aquí el Epa / dropback medio por temporada. 2018 fue su mejor temporada, a nivel élite (0,17 por dropback)

¡Comienzan las clases de estadística básica para amantes de las Analytics! Para ello vamos a utilizar los salarios de los 15 Centers mejor pagados. ¿Por qué Centers? Porque es la posición más olvidada y mi favorita, sin más. A gustos, colores. Empezamos por lo básico: cada fila es una observación, cada columna es una variable y lo que hay dentro de la columna es el valor. Puedes mirar esta tabla y hacerte una idea de los salarios de los centers. Pero ¿y si os digo que hay otras formas visuales para ver esta variable?

PON UNA OL EN TU VIDA. Es más o menos lo que dice este artículo de ESPN, que va de analytics y está muy bien explicado. Parece que el bloqueo de pase es más importante que el pass rushing.
espn.com/nfl/story/_/id… ESPN trabaja con dos métricas que miden la efectividad en la trinchera. Pass Block Win Rating (PBWR) y Pass Rush Win Rating (PRWR). Se mide el enfrentamiento entre cada unidad de las líneas durante 2.5s (el tiempo promedio que tarda un QB en lanzar) y anotan quién vence.

Hoy en @Pepebrasin se ha hablado de Analytics con @Catanovski. Me voy a erigir como portavoz de los Nerds del mundo (y sin legitimidad alguna) que no han podido defenderse. ¡HILAZO!

https://twitter.com/catanovski/status/1136295720632410115

Primero, todo tiene sesgo. Tanto las Analytics, como las opiniones o el vídeo. Así nos acercamos al conocimiento, enfocando una parte y dejando de un lado otras. Las Analytics no buscan dar la respuesta definitiva, ni tener la verdad. Es una pata más del juego.

Vamos con el WIN PROBABILITY (WP), otro concepto ligado al EPA (Expected Points Added). Para los nuevos, tenéis una explicación del EPA aquí:

https://twitter.com/Unmalkicker/status/1132628724522868736

). Hay varios modelos de WP, pero el único abierto es el proporcionado en @nflscrapR, y, aunque mejorable, nos sirve. El WP parte del EP. En cada situación de partido, y a partir del histórico de situaciones similares, cálcula la probabilidad de ganar.

Hilo. Vamos a explicar que es el EPA (Expected Points Added), la madre de las estadisticas avanzadas. Una herramienta que nos permite evaluar la efectividad de cada jugada de fútbol americano. Vamos a empezar por el cuento de la dos carreras: 1era situación: Arizona en 3era y 20 en su propia yarda 10. David Johnson gana 11 yardas y su equipo se ve obligado a hacer un punt. 2a: Steelers en 3era y 1 en su propia yarda 10. Le'Veon Bell hace 4 yardas y convierte el down.