Melebihi Target yang Diharapkan
slot online

Melebihi Target yang Diharapkan

Dari blog hingga BBC, konsep tujuan yang diharapkan (atau xG) telah memasuki leksikon media arus utama. Ini menjadi populer karena merupakan konsep yang berguna; itu konsep yang berguna karena sepak bola adalah permainan dengan skor rendah. Kesempatan (atau keberuntungan) bisa menjadi pembeda antara kemenangan dan kekalahan, hari baik atau hari libur. Tujuan yang diharapkan, bagaimanapun, mengukur apa yang akan terjadi pada hari rata-rata.

Ini kuantitas sederhana untuk diukur. Tembakan diberi nomor antara 0 atau 1: proporsi tembakan serupa (dari posisi yang sama, misalnya) yang menghasilkan gol. Nomor ini, kadang-kadang disebut sebagai kualitas peluangkemudian ditambahkan untuk setiap tembakan yang dilakukan oleh tim selama pertandingan (atau satu musim) untuk menghitung jumlah gol yang Anda ‘harapkan’ mereka cetak.

Model xG konvensional tidak mempertimbangkan identitas pemain yang mengambil bidikan. Anda memerlukan kumpulan data yang terdiri dari ribuan tembakan untuk mengukur kualitas peluang dengan tepat di semua posisi dan situasi, artinya Anda harus mengumpulkan tembakan dari banyak pemain yang berbeda. Tentu saja, Anda akan mengharapkan pemain menyerang dengan kualitas seperti Harry Kane, Mo Salah atau Eden Hazard lebih mungkin untuk mengonversi peluang daripada penyerang yang kurang terkenal, atau bek atau gelandang rata-rata. Mengingat xG dikalibrasi berdasarkan tingkat keberhasilan tembakan dari sebagian besar pemain inferior, oleh karena itu kita harus mengharapkan penyerang elit, seperti Kane, untuk mengungguli total xG tembakan mereka selama satu musim. Tapi sampai sejauh mana?

Dalam posting ini saya menjelaskan metode statistik sederhana untuk mengukur kinerja xG, tingkat di mana striker elit mengungguli total gol yang diharapkan dari peluang mereka. Bagian selanjutnya menjelaskan metodologinya, lalu saya akan membahas hasilnya: siapa pencetak gol EPL yang paling efisien?

Mengukur kinerja luar

Saya mendefinisikan kinerja yang lebih baik, $o_p$, untuk seorang pemain p sebagai:

$\Besaro_p = \fracG_pxG_p\;$,

di mana $G_p$ adalah jumlah gol yang dicetak oleh pemain, dan $xG_p$ adalah jumlah gol yang diharapkan dari tembakannya (terlepas dari apakah menghasilkan gol atau tidak). Untuk rata-rata pemain, $o_p$ harus mendekati 1; untuk bek kemungkinan besar kurang dari 1 dan untuk striker elit harus jauh lebih besar dari 1.

Cara termudah untuk mengukur performa luar pemain adalah dengan membagi jumlah gol yang dicetak dengan total xG peluangnya selama periode waktu tertentu. Namun, jumlah dan kualitas peluang sangat bervariasi dari pemain ke pemain – Harry Kane telah melakukan lebih banyak tembakan daripada, katakanlah, Josh King – sehingga ketidakpastian dalam ukuran kinerja kami akan lebih besar untuk beberapa pemain daripada yang lain. . Untuk mengidentifikasi pemain yang secara konsisten mengungguli penghitungan xG mereka, kami perlu mengukurnya distribusi dari performa terbaik mereka.

Saya mengambil pendekatan Bayes empiris untuk mengukur kinerja yang lebih baik, mengalikan yang sebelumnya (diukur dari data) dengan fungsi kemungkinan Poisson untuk menyimpulkan distribusi posterior dari kinerja yang lebih baik untuk setiap pemain. Rincian spesifik diberikan dalam Lampiran.

Saya mengukur kualitas peluang menggunakan model yang saya jelaskan di posting sebelumnya. Model ini, yang dikalibrasi pada lebih dari 15.000 tembakan dari data acara Stratagem, memperhitungkan tidak hanya jarak dan sudut ke gawang, tetapi juga jumlah pemain bertahan yang mengintervensi dan tekanan pertahanan yang diberikan pada penembak.

Pencetak gol paling efisien di EPL

Gambar 1 di bawah ini menunjukkan perkiraan performa terbaik untuk semua pemain EPL saat ini yang melakukan setidaknya 100 tembakan selama musim 2016/17 dan 2017/18 (tidak termasuk tendangan bebas, yang model xG tidak dikalibrasi dengan baik). Berlian merah menunjukkan rata-rata posterior; bilah kesalahan biru menunjukkan + -1 standar deviasi di sekitar rata-rata.

Gambar 1. Distribusi posterior dari mengungguli — rasio gol dengan gol yang diharapkan — untuk pemain EPL saat ini yang melakukan setidaknya 100 tembakan selama musim 16/17 dan 17/18. Berlian merah menunjukkan rata-rata; bilah galat biru $\pm1$ sd

Eden Hazard berada di puncak daftar dengan perkiraan performa luar biasa sebesar $1,34\pm0,21$, yang menunjukkan bahwa, rata-rata, dia telah mencetak sekitar 33% lebih banyak gol daripada rata-rata pemain dari peluang yang sama. Pada musim 2016/17 dan 2017/18 dia mencetak 28 gol dari 127 tembakan (tidak termasuk tendangan bebas), secara substansial melebihi total xG-nya sebesar 18,4. Model xG lainnya juga menemukan bahwa Hazard secara konsisten mengungguli xG-nya.

Mo Salah dan Heung-Min Son juga mengungguli secara signifikan, Salah mencetak 32 dari penghitungan xG 21,8, dan Son 26 gol dari penghitungan xG 17,4. Sangat menarik bahwa tiga pemain teratas — Son, Salah dan Hazard — semuanya adalah gelandang serang yang cepat, mencetak sebagian besar gol mereka dari permainan terbuka.

Hanya lima pemain yang memiliki performa lebih baik secara signifikan lebih besar dari 1,0 pada tingkat kepercayaan 90%: tiga pemain di atasnya, ditambah Romelu Lukaku dan Harry Kane. Sementara Josh King berperingkat sedikit lebih tinggi daripada Kane atau Lukaku, distribusi posterior dari performa terbaiknya secara signifikan lebih luas karena ada lebih sedikit data (yaitu, lebih sedikit tembakan) untuk menilainya.

Christian Benteke, sejauh ini, adalah pemain dengan performa buruk terbesar, dan satu-satunya pemain dengan performa luar biasa jauh di bawah 1. Dia jelas mengalami beberapa musim yang sulit, hanya mencetak 18 gol dari penghitungan xG 26,7. Masalah Benteke tampaknya terkait dengan tembakan yang diambil dengan kaki kanan favoritnya: sementara golnya cukup konsisten dengan total xG untuk tembakan dan sundulan kaki kirinya, dia hanya mencetak 7 gol dari total xG 14,6 dari kaki kanannya. tembakan kaki dalam dua musim terakhir.

Mungkin satu hasil yang mengejutkan adalah performa Sergio Aguero. Meskipun mencetak 40 gol selama musim 2016/17 dan 2017/18 (tidak termasuk tendangan bebas), Aguero memiliki perkiraan performa yang hampir tepat 1, 218 tembakannya menambahkan total xG 40,8. Dia juga agak berkaki satu, dengan gol kaki kirinya secara substansial mengikuti penghitungan xG dari tembakan kaki kirinya. Data gol yang diharapkan di understat.com menunjukkan bahwa, selama 5 musim terakhir, Aguero telah mencetak 95 gol dari penghitungan xG 90,3, menyiratkan kinerja lebih baik dari 1,05: jauh lebih sedikit dari Kane atau Hazard selama periode yang sama.

Harapan Individu

Tentu saja, kinerja yang lebih baik hanyalah ukuran dari tingkat konversi peluang: tidak ada hubungannya dengan kemampuan pemain untuk menciptakan peluang, baik untuk diri mereka sendiri atau rekan satu tim mereka. Namun demikian, ini menyediakan mesin untuk mempersonalisasikan tujuan yang diharapkan, memungkinkan penilaian keterampilan penyelesaian khusus pemain dalam ukuran sampel yang terbatas. Akan menarik untuk mengukur performa terbaik selama karir pemain, menghasilkan kurva penuaan yang terlepas dari kualitas tim tempat dia bermain. Ini juga dapat digunakan untuk meningkatkan prediksi hasil pertandingan berbasis xG — sebuah topik bahwa saya akan kembali ke dalam posting masa depan.

—–

Lampiran: Perkiraan Bayesian tentang kinerja yang lebih baik.

Distribusi posterior untuk performa luar biasa $o_p$ dari pemain $p$ diberikan oleh:

$p(o_p | G_p ; xG_p ) \proto \displaystyle \prod_i=1^n_pp(G_i,p p(o)$ ,

di mana $G_i,p$ adalah jumlah gol yang dicetak oleh pemain dalam pertandingan $i$ dari $n_p$ pertandingan yang dia mainkan selama musim 16/17 dan 17/18, dan $xG_p$ adalah rata-rata gol yang diharapkan (per game) berdasarkan pukulannya dalam pertandingan tersebut, diukur menggunakan model yang dijelaskan di sini. Sebelumnya, $p(o)$, adalah distribusi gamma dengan rata-rata 1,06 dan standar deviasi 0,3, diukur dari distribusi $G/xG$ untuk semua pemain EPL yang mengambil setidaknya 50 pukulan selama 16/17 dan 17 /18 musim. Rata-rata lebih besar dari 1,0 karena ambang batas 50 tembakan menghilangkan pemain defensif dari sampel, yang menimbulkan bias seleksi.

$p(G_i,p | o ; xG_p )$ adalah kemungkinan Poisson dari pemain mencetak gol $G_i$ dalam pertandingan tergantung pada produk $o$ dan $xG_p$, di mana $xG_p$ dibawa ke menjadi parameter (bukan variabel) untuk setiap pemain. Distribusi gamma adalah konjugasi sebelumnya untuk fungsi kemungkinan Poisson, jadi distribusi posterior dari performa pemain yang lebih baik juga merupakan distribusi gamma.

Dalam praktiknya, kinerja yang lebih baik diperkirakan untuk setiap pemain dengan menskalakan ulang sebelumnya ke $p(xG_p o)$ — memperlakukan $xG_p$ sebagai faktor penskalaan — dengan distribusi posterior diskalakan ulang ke distribusi $o_p$ dengan membagi $xG_p$ keluar lagi.

Keluaran HK merupakan suatu knowledge sah berasal dari hongkong pools yang diterbitkan tiap jam 23. 00 Wib. Seluruh ini diserahkan bersama dengan langkah sah tiap hari agar para pemeran togel hk mengetahui https://slotdemo.link/demostracion-de-tragamonedas-tragamonedas-en-linea-slot-gacor-juego-pragmatico-tragamonedas-judi/ udah beroleh hk prize pada rentang sementara game togel hongkong khusus.

Banyak yang memakai keluaran hk bikin analisa. Para pemeran toto hk memakainya bersama https://ogonwatch.org/togel-singapore-data-sgp-hasil-sgp-output-sgp-sgp-live-dina/ menyaksikan hasil keluaran di hari ataupun bertepatan pada spesifik serta sebabkan https://totobetsgp.org/totobet-sgp-sgp-issue-sgp-output-sgp-data-sgp-result-today/ terhadap pola nomer hongkong yang mereka temui.