A ciência por trás do bunt

Hora de descobrir se você deve usar ou não essa camisa fantástica

Vamos falar hoje de estatísticas. Por falar em estatísticas, já conhece nossa promoção para ganhar o livro Moneyball?! Sua última chance de concorrer a duas edições de um dos livros mais importantes da história do esporte!!!
------------------------------------------------------------

Um dos maiores preconceitos que eu vejo as pessoas do baseball tendo em relação a "Sabermetrics" vem do fato de que elas não fazem ideia do que sabermetrics é de verdade. A maior parte delas acha que é sobre criar estatísticas bonitinhas com um nome cheio de letras maiúsculas, como WAR ou SIERA, dai colocar elas em prática e pronto. É um erro grosseiro. Sabermetrics sequer trata de criar estatísticas, especificamente, embora isso seja um subproduto do processo. Você quer saber exatamente do que se trata sabermetrics? Ok, eu te conto.

Sabermetrics é sobre aplicar métodos analíticos científicos ao baseball. 

Viu? Simples, no papel. No fundo, sabermetrics é isso: parar de tratar o baseball como um "achismo" e começar a analisá-lo como uma ciência. Você acha que aproveitamento no bastão é a melhor medida da performance ofensiva de um jogador? Ótimo, então vamos analisar isso cientificamente para descobrir se é verdade ou não. Hmm, não é, acontece que OBP é um indicador melhor. E SLG ainda mais. E nesse processo você acaba tentando criar um indicador que seja ainda melhor do que esses. Foi nisso que criamos OPS, Runs Created, OPS+, e eventualmente, wRC+. Sempre querendo melhorar o indicador anterior, achar algum que - de acordo com as evidências científicas, não por palpites - seja o mais próxima possível de uma relação perfeita.

Então sim, pessoas criarão estatísticas em sabermetrics. Sempre queremos achar uma forma mais precisa de medir algo do que a que já temos. E, quando alguém inventa uma estatística nova, ele não simplesmente joga ela na internet e ela começa a ser usada - ela passa por um processo intenso de análise e escrutínio da comunidade científica associada ao assunto (incluindo, sim, as maiores universidades do mundo como Harvard e MIT). Ela será testada, analisada e testada novamente. E, como em qualquer universo científico, ela não vai sobreviver se não for sustentada por evidências fortes. Assim como na medicina ninguém vai levar a sério se eu falar que, digamos, comer grama aumenta a expectativa de vida a não ser que eu consiga sustentar esse argumento com análises, estudos e evidências sólidas, no baseball ninguém vai levar uma estatística a sério se ela não for sustentada por evidências científicas, técnicas e estatísticas - e mesmo ai ela vai estar sujeita a todo tipo de revisão para achar falhas e melhorá-la ainda mais. É inocente - ou ignorante - achar que sabermetrics se limita a ficar inventando fórmulas bonitinhas no computador e jogar na marra, e não são coisas com provas concretas e científicas sustentando-as. 

Então sim, criar novas estatísticas é parte do processo envolvido com a ciência sabermetrics. Mas não se limita a isso. Analisar o esporte de maneira científica também significa descobrir a verdade por trás de certos eventos. Na nossa vida, tomamos "verdades" com muita facilidade. Sua avó deve ter te falado sobre como comer, sei lá, leite com manga faz mal. Nos esportes não é diferente. São criados "dogmas" com muita facilidade: canhotos são mais dotados para o baseball que destros; jogador que da muitos tocos é um bom defensor; Wide Receivers precisam ser rápidos para ter sucesso na NFL; etc. Baseball tem mais desses velhos dogmas do que qualquer outro esporte, talvez por estar ai a mais tempo. E parte dessa revolução analítica tratou de olhar para essas "verdades" do esporte e ver se, no final das contas, eram verdades mesmo ou se estavam atrapalhando a vida dos times.

Bem, aonde eu quero chegar em toda essa discussão? Nos bunts. Especificamente, nos bunts de sacrifício, quando você intencionalmente cede uma eliminação para avançar os corredores em base (quando eu falar em bunts ao longo do texto, estou me referindo especificamente ao de sacrifício, não a fazer bunt para conseguir uma rebatida contra o shift, por exemplo. Espero que fique claro).

Você provavelmente já ouviu em algum lugar sobre como a mentalidade "analítica" despreza bunts, enquanto a "velha escola" adora. Você provavelmente já ouviu algum narrador ou comentarista na TV falando que tal jogador "tem que ir pro bunt" um número absurdo de vezes, ou viu alguém (tipo eu) surtando quando algum jogador bom foi para o bunt sem necessidade. Então ao invés de ficar no "achismo" - eu acho que bunt é bom, eu acho que bunt é ruim - vamos olhar as evidências, e ver em que direção as provas empíricas apontam.

Para começar, precisamos de um conceito que chama Expected Runs.

Expected Runs

Expected Runs é muito simples: em baseball, você tem 27 "estados" diferente nas quais o ataque pode se encontrar antes de uma jogada começar. Elas dependem de dois fatores: quantas pessoas estão em base, e quantos já foram eliminados. Então, ao começar uma jogada, você pode ter as seguintes situações nas bases: Ninguém nas bases; um na primeira base; um na segunda base; um na terceira base; homens na primeira e segunda bases; homens na primeira e terceira bases; homens na segunda e terceira bases; e bases lotadas. São 9 ao todo, e cada uma delas pode acontecer com 0, 1 ou 2 eliminados. Cruzando ambas você tem ao todo 27 estados ofensivos

Expected Runs nada mais é do que calcular quantas corridas um ataque tende a anotar em cada um desses 27 "estados". Um exemplo, para ilustrar: ao iniciar uma entrada, com ninguém em base e nenhum eliminado, um time tende a anotar 0.47 entradas em média. Se o primeiro jogador vem e acerta uma rebatida dupla, então seu novo "estado" é zero eliminados e um homem na segunda base. Nesse "estado", os times tendem a anotar em média 1.1 corridas no resto dessa entrada. Se esse jogador fosse eliminado, então no novo "estado" (um eliminado, zero em base) os times tendem a anotar 0.26 corridas. E por ai vai.

Como isso é calculado? Empiricamente, é claro. Pegando uma amostra suficientemente grande, mas com distribuição suficientemente semelhante para evitar grandes flutuações, calculando em média quando time anota em cada "estado", e depois testando se esse valor se sustenta cientificamente. Tem diferentes modelos para Expected Runs no mundo, e você pode fazer a mesma análise a seguir com cada um deles. Eu estou usando o mais aceito, que abrange um período de quase 56 anos de dados cuidadosamente selecionados, conforme descrito por Jeff Zimmerman, do Fangraphs. Esse modelo é o mais usado por apresentar os valores estatísticos mais significativos, e por ser o que mais se aproxima dos valores atuais do esporte, também de forma estatisticamente significativa. Então ele tem maior utilidade prática para nós no momento. 

Agora que temos as Expected Runs para os 27 cenários ofensivos do baseball, podemos ver exatamente os efeitos práticos do bunt em um jogo de baseball.

A matemática por trás do bunt

O ataque no baseball tem uma única função em um jogo: anotar o máximo de corridas possível para dar ao seu time o máximo de chances possíveis de ganhar. Existe uma óbvia e sustentável correlação entre corridas anotadas e a chance de você vencer um jogo. Então cada decisão no ataque tem que ser tomada de forma a maximizar as chances do time anotar o máximo de corridas possível. 

Então vamos começar da situação básica do esporte. O homem de leadoff conseguiu chegar em base, então com um homem na primeira base e zero eliminados, você tem uma expectativa de anotar 0.86 corridas nessa entrada. 

Então agora o técnico chama um bunt, e ele é bem sucedido. O novo estado ofensivo agora é um homem na segunda base, e um eliminado. Nesse novo cenário, a expectativa de corridas a serem anotadas pelo ataque agora é de... 0.68 corridas.

Pare para pensar um pouco nisso por um minuto. Você chamou uma jogada (o bunt), ela deu CERTO... e você custou ao seu time cerca de 0.18 corridas no processo. E a verdade é que mesmo esse número pode enganar, porque isso é o resultado de um bunt bem sucedido, o que nem sempre acontece. A taxa de sucesso de bunts na MLB nos últimos três anos foi de 84%, o que significa que tem 16% de chance de você nem acabar com esse cenário, e sim com um pior, uma eliminação e um homem na primeira base (estou deixando de lado queimadas duplas e erros defensivos por enquanto porque eles pouco mudam nos cálculos). Encorporando no cálculo a chance de que o bunt acabe dando errado, e considerando os dois "cenários" pós-bunt (e suas chances de acontecerem), então a expectativa de corridas anotadas pós-bunt é de 0.65 - 0.23 abaixo do que era antes. Simplesmente por chamar uma jogada de bunt, o técnico custou ao seu time 0.23 corridas em média. Só por empregar essa estratégia nesse cenário. Então os dados apontam que, nesse cenário, ir para o bunt é algo que prejudica o seu time, e portanto não deveria ser feito. 

É importante lembrar que o técnico não controla o que vai acontecer durante um at bat normal. Esse segundo jogador pode rebater um HR e anotar duas corridas (mais os 0.47 da nova situação de bases vazias e zero eliminados), ou pode sofrer uma queimada dupla ou um strikeout. Se ele for eliminado, certamente que alguém pode pensar "puxa, se era pra ser eliminado, então era melhor ter feito o bunt", mas isso é estúpido porque o técnico não tem como saber disso de antemão. Ele tem que analisar as chances de cada coisa acontecer, e decidir pela ação que vai trazer maior retorno para o time. Nesse caso, decidindo pelo bunt ele custou ao seu time, em média, 0.23 corridas. O que é muito. 

Vamos ver então para outros cenários, ver se essa situação se inverte. Talvez com um homem na segunda base e nenhum eliminado.

Bem, se o jogador de leadoff chegou na segunda base, a expectativa agora é de 1.1 corridas. Se um bunt for feito, e o jogador impulsionado até a terceira base (agora com 1 eliminado), o novo estado tem média de... 0.94 corridas. .016 mais baixo do que antes do bunt. E isso, de novo, se o bunt der certo. Não consegui achar se a taxa de sucesso nessa situação segue aqueles 84% (eu assumo que seja maior, já que não tem a possibilidade do forceout), mas podemos estimar: se a taxa for de 84%, então ir para o bunt vai gerar em média 0.90 corridas; se for um pouco acima (digamos, 90%), fica em .91. Então, indo para o bunt nessa situação, você custou ao seu time .19 ou .20 corridas. 

Você vai ver que essa situação se repete em qualquer "estado": ir para o bunt sempre vai diminuir a expectativa de corridas anotadas daquela entrada. Em outras palavras, ir para o bunt praticamente SEMPRE (espere as próximas seções) vai fazer seu time anotar, em média, menos corridas do que teria anotado se tivesse deixado o time rebater normalmente. Para deixar isso mais claro, eu fiz as duas tabelas abaixo. Nelas, temos os seis cenários que os times fazem rebatidas de sacrifício, a expectativa de corridas anotadas naquele "estado", a nova expectativa de corridas anotadas quando o time vai para o bunt (usando aquele aproveitamento de 84% antes descrito), e por fim quantas corridas essa decisão custou ao ataque.

Se você acha que esses 84% não são muito precisos (e não são mesmo, já que o número é uma média de todas as situações. O número, imagino eu, deve ser maior quando você não tiver uma oportunidade de forceout, e menores quando tiver), não tem problema. Logo abaixo, você tem a segunda tabela, que ao invés de usar a expectativa na hora do bunt (considerando os cenários de sucesso e fracasso) considera a expectativa no caso de um bunt bem sucedido. 

Eis então as tabelas que mostram o resultado no total de corridas esperadas de uma entrada ao usar o bunt:

Como você pode ver, ir para o bunt não é uma estratégia boa. Na verdade, ela é bastante prejudicial. 0.2 corridas pode não parecer muita coisa, mas em uma temporada de 162 jogos, é coisa pra cacete. Em 162 jogos, isso somaria 34 corridas, o que da mais de 3 vitórias (10 corridas, em média, equivalem a uma vitória). Então só por ir para um bunt todos os jogos, você está basicamente jogando três vitórias na temporada no lixo. É muita coisa, e uma diferença bastante significativa. 

Então pessoas da área mais "analítica" do esporte não desgostam de bunts por princípios, ou por que acham algo ruim. Elas desgostam porque em algum momento alguém decidiu questionar se o bunt - algo usado no baseball desde o começo - era realmente algo que valia a pena ser usado e que ajudava o time, e usando métodos científicos e analíticos, obteve evidências suficientes para concluir que não, que é uma estratégia que na verdade atrapalha a equipe. Nós acabamos de passar por um processo semelhante, usando evidências empíricas para calcular e mostrar na prática o impacto negativo de usar tal manobra. Claro, é uma forma mais simples e rústica de mostrar isso - se procurar na internet vai achar exemplos mais complexos que chegam à mesma conclusão - mas a ideia é essa: usar dados para achar evidências que comprovam ou desmentem alguma coisa. Mesmo que sejam dados pouco refinados, ainda são evidências concretas de um ponto de vista: de que bunts são prejudiciais. A diferença é grande e significativa demais, e outros estudos já entraram em cenários mais complexos e situações para diferentes times/jogadores, e chegaram no mesmo resultado de forma conclusiva.

Então quando você ouvir um narrador ou comentarista falar sobre a importância dos bunts, ou que todo jogador tem que saber fazer bunt, ele está simplesmente repetindo algo que ouviu, e que muitas pessoas já provaram que ele estava errado. Isso não é conhecimento, é ignorância. Nunca acredite cegamente no que for dito a você, sempre questione, procure a verdade, busque provas ou evidências do que aquele cara está falando. Esse é o espirito científico que, para o desespero de muitos, tem tomado cada vez mais conta do mundo esportivo. 

(Nota importante: esse mesmo raciocínio numérico tem o mesmo resultado se você separar entre AL e NL as Expected Runs, então mesmo em um ambiente como o da NL onde se anota menos corridas de maneira geral, o resultado ainda é o mesmo)

Quando devemos usar bunts?

"Espere um pouco", você está provavelmente pensando, "isso quer dizer que não tem NENHUMA situação onde um bunt possa ou deva ser usado?!". Bem, não, e é nisso que vamos entrar agora.

Você provavelmente, ao perguntar isso, estava pensando em pitchers rebatendo. Se for o caso, vou pedir que espere mais um pouco. No momento, quero falar de outra coisa: existe alguma situação normal (ou seja, que não envolva um extremo como um pitcher rebatendo) que as evidências mostrem que ir para o bunt é uma estratégia vantajosa?

Na verdade, existe sim. Uma.

Voltando ao cenário mostrado anteriormente, se você está na segunda base com nenhum eliminado, a tendência é que anote 1.1 corridas na entrada. Se você faz o bunt, agora tem um jogador na terceira base e um eliminado, e a tendência é que anote 0.94. Obviamente, em uma situação normal de jogo, isso é prejudicial, pois agora seu ataque vai anotar, em média, menos corridas do que antes. Então você não deveria fazê-lo.

No entanto, imagine que agora está na parte de baixo da nona entrada, e o jogo está empatado. Nesse cenário, não importa QUANTAS corridas você anote - o jogo acaba no momento que você anotar a primeira. Nesse caso, a nova variável mais importante não é anotar o máximo de corridas possível, e sim maximizar sua chance de anotar pelo menos uma corrida (ou, analogamente, minimizar a chance de não anotar nenhuma corrida). E nesse cenário, é o que acontece. A chance de sair sem nenhuma corrida com um homem na segunda base e zero eliminados é de 38.3%. Avançando o corredor para a terceira base às custas de uma eliminação, a chance de anotar 0 corridas agora é de 34.9%. Então nesse cenário ultra-específico (que até pode ser "extrapolado" pra outras situações onde o time busque anotar apenas uma corrida, como por exemplo tentando empatar um jogo de uma corrida na entrada final), o resultado do bunt é positivo, e não negativo.

O problema é aquele velho: nem todo bunt funciona. Você pode tentar fazer o bunt e sofrer um pop up, pode rebater forte demais e o corredor não conseguir correr até a terceira base, pode sofrer um strikeout, ou pode até mesmo acabar eliminando o corredor na terceira base. A taxa de sucesso de bunts na MLB é de 84%. Calculando a diferença entre a chance de anotar uma corrida nos diferentes estados envolvidos - homem na segunda e zero eliminados; homem na segunda com um eliminado; homem na terceira e um eliminado - você vai obter que só é vantajoso ir para o bunt nessa situação se conseguir convertê-lo a uma taxa de sucesso de 85.7%, um número ainda maior que a média do esporte em geral. Não é tão simples assim, então.

Eu tentei longamente achar a taxa de sucesso para bunts nessa situação específica, e até recrutei a ajuda de um pesquisador profissional, mas infelizmente não consegui chegar a um resultado confiável para qual seria essa taxa específica. Usando os 84% como base, eu diria que provavelmente a taxa de sucesso do bunt com um jogador na segunda base, mas nenhum na primeira, é maior do que 84%, pela não-existência da possibilidade do forceout, o que torna mais difícil eliminar alguém que não seja o rebatedor (da mesma forma, espero que a probabilidade com homens na primeira e segunda base seja inferior a 84%). O melhor que eu consegui achar foi um estudo que colocou em 88% a taxa de sucesso nessa situação, mas usando dados do baseball universitário, não profissional, e de modo geral as taxas de sucesso da NCAA são mais altas que na MLB.

Então é difícil usar como base para qualquer conclusão sem uma evidência mais significativa. O verdadeiro número possivelmente está na casa dos 85.7% exigidos para que exista uma vantagem.

Mas a verdade é que, nesse caso, a diferença é pequena demais para ser significativa. Isso significa que, estatisticamente, não é possível provar que ir para o bunt ou não ir para o bunt tenha alguma diferença nesse cenário. Os números são próximos o suficiente para justificar o bunt como sendo uma estratégia válida nessa situação, mas não grande o suficiente para justificá-la como sendo vantajosa. Em outras palavras, não temos evidência de que ir para o sacrifício nesse cenário é bom, mas também não temos para dizer que não é. Acaba se tornando uma questão mais situacional - você obviamente não vai mandar alguém como, digamos, Joey Votto para o bunt, mas se for Juan Lagares, é outra questão. 

O que fazer com um rebatedor ruim?

Enfim, chegamos aonde todo mundo deve ter imaginado. É muito comum em jogos na National League os times preferirem por mandar um arremessadores, quando sobe ao bastão, fazer um bunt se possível ao invés de rebater normalmente. A ideia por trás é muito simples: Expected Runs opera na média, mas se você tem um rebatedor muito abaixo da média, ele pode desequilibrar os cenários o suficiente (com menos probabilidade de algo bom acontecer) para tornar a opção do out construtivo (o bunt) mais vantajosa para a equipe. Isso não se aplicaria apenas para pitcher, mas também para rebatedores ruins de modo geral. Ou pelo menos é o que dizem na teoria.

Então vamos passar da teoria para a prática, e ver como isso funciona estatisticamente. Vou usar OBP (On Base Percentage) para esse cálculo, pois ela não só é mais fácil de calcular na prática (envolve menos cenários), como também um walk pode fazer o papel de um "bunt" e impulsionar o jogador uma base a mais (sem o custo da eliminação). Com base nos três diferentes cenários - quando o jogador sobe ao bastão, indo para o bunt, e rebatendo normalmente - vamos tentar calcular qual o limite do OBP que esse jogador precisa ter para que ir para o bunt passe a ser a estratégia mais vantajosa para a equipe.

Começando do nosso cenário base: zero eliminados, homem na primeira base. Corridas esperadas: 0.86. Nós já vimos que, indo para o bunt (e assumindo aquela taxa de sucesso de 84%), a expectativa de corridas para a entrada que esse novo estado gera é de 0.65 corridas. Se o jogador conseguir chegar em base, no novo cenário (1st and 2nd, zero eliminados) o ataque tende a anotar 1.47 corridas em média. Se o jogador for eliminado sem impulsionar o companheiro (homem na primeira, 1 eliminado), esse valor cai para 0.52 (por enquanto estou considerando apenas o cenário chegar em base vs ser eliminado).

Usando esses dados, para justificar ir para o bunt ao invés de deixar o jogador rebater, seu OBP teria que ser abaixo de .170.

Para começar, essa é uma figura patética para um rebatedor de MLB. Nenhum rebatedor qualificado no baseball na história da Live Ball Era teve uma temporada com OBP abaixo de .220, bem acima dos .170 que precisaria ter para o bunt começar a valer a pena estatisticamente. Isso praticamente já serve para eliminar o bunt para qualquer rebatedor normal.

No entanto, para pitchers a história é diferente. Dos 90 pitchers que entre 2010 e 2015 tiveram pelo menos 70 at bats em uma temporada, apenas 43 deles tiveram OBP acima de .170. O OBP coletivo dos pitchers rebatendo em 2015 é de .157, abaixo desse limite. Então no caso de pitchers indo ao bastão, realmente é - na média - mais vantajoso mandar o cara ir para o sacrifício... mas não sempre.

No entanto, não é da eliminação que os times tem medo quando um arremessador sobe ao bastão em situação de bunt - é da queimada dupla. Então para ter um valor mais preciso desse OBP, vamos incorporar a queimada dupla no nosso modelo, computando o valor de corridas esperadas em caso de uma DP - dois eliminados e ninguém em base geram na média 0.1 corridas por entrada. Esse modelo ainda não incorpora outros eventos comparativamente positivos na ida do rebatedor ao bastão (como rebatidas multi-base, uma eliminação além do bunt que avance o corretor, ou uma rebatida simples que impulsiona o corredor até a 3B), mas é o mais próximo que podemos chegar sem entrar em cálculos excessivamente complicados.

Tentando chegar em um número confiável, cheguei a alguns valores para a porcentagem de queimadas duplas em situações como essa. Através de pesquisas empíricas, cheguei em 8% a taxa da MLB em double plays em situações semelhantes (menos de 2 eliminados, homem na primeira base) nas últimas duas temporadas. No entanto, usando alguns dados do Baseball Prospectus com pesos lineares, o grande Ben Lindbergh chegou algo mais próximo de 13% em situações gerais de double plays (incluindo a situação descrita antes, mas não se limitando a ela). Como não da pra saber exatamente qual desses números é o mais certo, vamos usar os dois separadamente para chegar em um resultado mais preciso para o OBP mínimo a partir do qual o bunt não se justifica mais.

Ainda é muito pouco. Eu inclui a figura de 20% de DPs - um número bem mais alto do que eu consegui achar para qualquer rebatedor qualificado - para mostrar que você precisaria de uma taxa de DPs extremamente alta simplesmente para chegar no nível dos PIORES OBPs da história do esporte. Você precisaria de uma taxa de OBPs de quase 40% para chegar perto do nível médio de OBP da MLB hoje em dia, e isso antes de você lembrar que esse exercício inclui só OBP e não SLG - em outras palavras, ele ignora uma série de fatores favoráveis (rebatidas multibase, principalmente). Em outras palavras, a evidência é extremamente forte de que é impossível achar um jogador qualificado na MLB ruim no bastão o suficiente para justificar para ir para o bunt, você precisaria ser historicamente ruim em termos de OBP E ainda não adicionar muito valor em termos de SLG para justificar. Não existe um rebatedor qualificado na história do esporte que corresponda a esses critérios, então a evidência é bastante forte de que mandar para o bunt rebatedores "fracos" ainda é bastante danoso para o time.

No caso de pitchers, obviamente, é diferente. Em geral, pitchers são extremamente mais fracos rebatendo do que jogadores de campo, e portanto não só é muito mais fácil achar arremessadores com OBPs baixos que se encaixem nesse critério, como também a taxa de DPs para eles seria muito maior do que para rebatedores normais. Infelizmente, não consegui achar a taxa de queimadas duplas para arremessadores rebatendo, provavelmente porque na grande maioria dessas situações o jogador iria para o bunt.

Então vamos fazer uma estimativa desse número, usando as taxas anteriores (8% e 13%). Vou ajustar a taxa dos rebatedores "normais" para pitchers considerando dois números: a taxa de groundballs (afinal, a grande maioria das DPs vem em bolas rasteiras) e a taxa de infield hits de ambos (uma noção da capacidade do jogador de conseguir chegar na primeira base a tempo com as pernas). No caso, a taxa média de groundballs para rebatedores de campo na MLB foi de 45.4% esse ano e 44.8% ano passado, e de infield hits, 6.7% e 6.5%, respectivamente. Para pitchers, esses números foram de 61.9% e 5.6% esse ano, e 63.4% e 4.4% ano passado. Então usando os últimos dois anos de amostra e considerando a proporção entre infield hits e GB%, fizemos as estimativas abaixo, que nos levaram aos seguintes OBPs:

Ou seja, dependendo de qual dos dois números que achamos vocês acham que é o "certo" para índice de queimadas duplas na liga, o ajuste leva a 15% ou 25%, aproximadamente (como sempre, imagino que o número "real" esteja em algum lugar entre os dois).

De cara, é bem fácil perceber que o OBP "mínimo" nessas condições subiu bastante, e considerando o nível mais baixo dos pitchers no bastão fica claro que mandar seu arremessador fazer um bunt não é algo ruim. Dos 90 arremessadores com 70+ at bats em uma temporada desde 2010, apenas 8 tiveram OBP acima de .249, e 22 tiveram mais que .208. Nessa temporada até aqui (min. 20 at bats), apenas 7 (10%) pitchers tem OBP superior a .249.

Então realmente temos evidências de que, na maior parte do tempo, é realmente melhor você mandar seu arremessador para o bunt... mas não em todos os casos, certamente. Considerando que esse "modelo" não inclui outs "produtivos", esses números (.208 ou .249) provavelmente superestimam o OBP necessário para tornar o bunt algo prejudicial, e isso antes de lembrar que não estamos incluindo slugging. Mesmo que essa figura de .249 seja a real, você não vai mandar para o bunt alguém como Madison Bumgarner ou Travis Wood, jogadores cujo OBP nos últimos três anos está nessa faixa (.249 para MadBum, .248 para Wood) mas que possuem um ótimo SLG% (acima de .340 ambos) e que portanto tem melhores condições de impulsionar jogadores mais do que o normal. E DEFINITIVAMENTE não deveria mandar para o bunt Zack Greinke, que tem uma linha de .241/.299/.321 nesse período.

As evidências apontam que de fato é benéfico ao seu ataque ir para o bunt com um rebatedor no bastão na maioria do tempo, mas também sugerem fortemente que existe alguns casos de rebatedores que NÃO deveriam ir para o bunt quando sobem ao bastão (o que está alinhado com o resultado de pesquisas recentes feitas pelos sites Beyond the Box Score e Baseball Prospectus). Só porque é um rebatedor no bastão não quer dizer que o bunt seja automaticamente a melhor jogada - depende do manager saber com quais pitchers adotar essa estratégia, e quais deve deixar rebater normalmente.


Um desafio

Para finalizar, o meu amigo Vinicius Veiga, do SpinballNet, me propôs um desafio para essa coluna. Ele me ofereceu uma situação de jogo específica, que ele achava que o bunt seria uma opção vantajosa, e queria que eu testasse para descobrir o que uma análise científica diz sobre a questão. O cenário era o seguinte:

Parte de baixo da nona entrada, perdendo por um. O time tem zero eliminados, e homens na primeira e na segunda base. No bastão, um rebatedor abaixo da média, com alta taxa de groundballs, o que aumentaria a chance de uma queimada dupla (ele citou Nori Aoki, mas acabamos mudando para Ben Revere). Considerando que o bunt permitira que o jogo fosse empatado com um sac fly, e a maior probabilidade de um evento negativo com um rebatedor fraco no bastão, ele disse que nesse cenário um bunt provavelmente seria melhor para o time. E então é esse cenário que iremos agora testar.

Para começar, vocês devem ter reparado que esse cenário é semelhante ao descrito algumas seções atrás como um cenário favorável de bunt - homem na segunda base, zero eliminados, precisando de uma corrida. Eu propositalmente deixei de entrar demais nos méritos do cenário com homens na primeira e segunda base por ser um cenário mais complexo, que envolve mais fatores. Mas a matemática é igual, e o resultado (taxa de sucesso acima de 85% para ser vantajoso) é o mesmo. Então nessa situação do Vinicius, o resultado provavelmente seria o mesmo - ir para o bunt tenderia a aumentar a chance do time de empatar o jogo, especialmente com um caso mais "extremo" de ground balls no bastão.

No entanto, ainda é um cenário bastante interessante porque envolve uma variável diferente: ir para o bunt diminuiria suas chances de anotar de sair da entrada zerado (ou seja, aumenta as chances de anotar uma única corrida), mas também diminui suas chances de anotar mais de uma corrida na entrada. Anotar uma única corrida evita sua derrota, mas você ainda precisa ganhar no resto das entradas extras, enquanto anotar duas corridas já te venceria o jogo imediatamente. Então ao invés de focar nas corridas esperadas, vou olhar algo diferente: a chance de você vencer o jogo ou não.

Então para começar, temos 2 em base e 0 eliminados. Nessa situação, em média, um time vai anotar zero corridas 37.2% do tempo, e nesse caso o time seria derrotado. O time vai anotar mais do que uma corrida 40% do tempo, então nesse caso o time sairia vencedor. E anotaria apenas uma corrida nos 22.8% do tempo restantes, e nesse caso o jogo iria para entradas extras. Estou assumindo que, se o jogo for para entradas extras, a chance de cada time sair com a vitória é de 50%. Dadas essas circunstâncias, podemos chegar nas probabilidades de cada resultado para a equipe nesse cenário:

Bem próximo a 50%, como vocês podem ver.

Agora vamos supor um bunt. Vamos usar nossa velha conhecida, 84%, como taxa de sucesso. Nesse caso, eis nosso novo cenário:

Bem, você na verdade diminuiu suas chances de vitória... mas bem pouco, o suficiente para a situação específica provavelmente ter um grande impacto na sua decisão de ir ou não para o bunt, já que é bem 50-50 (importante observar que, caso de um bunt bem sucedido, o adversário poderia lotar as bases com um walk intencional, o que diminuiria ainda mais as chances de vitória da equipe, mas a diferença é pequena).

Agora vamos incluir na equação nosso bravo Ben Revere, um rebatedor abaixo da média com tendências extremas de GB%. Usando seus números de 2014, Revere conseguiu strikeouts em 7.9% das suas passagens pelo bastão; chegou em base sem uma rebatida em 4%; conseguiu rebatidas simples em 26.2%; rebatidas multibase em 3.6%; e o resto envolveu eliminações normais. Através dessa distribuição, vamos calcular exatamente qual a chance de cada cenário acontecer depois do at bat do jogador e, a partir disso, a chance de vitória esperada ao deixar o jogador rebater.

Para padronizar, estou considerando algumas coisas:

- uma rebatida simples vai impulsionar a primeira corrida, e o homem atualmente na primeira base só vai chegar até a segunda
- uma rebatida dupla vai impulsionar ambos os jogadores, vencendo o jogo automaticamente. Assim como uma rebatida tripla ou um Home Run
- no caso de uma eliminação que não seja double-play, estou considerando que nenhum jogador avançou base para facilitar as contas
- no caso de uma DP, os eliminados foram os jogadores na segunda e primeira base.

Para incluir as double plays no cálculo, voltei em cada at bat dele dos últimos dois anos e calculei a média do jogador em situações de DP, e o resultado foi de 11% - consideravelmente superior à média de 8% da MLB. Então vamos ver agora como fica nossa chance de vitória se Revere rebater normalmente:

Um pouco pior do que indo para o bunt, mas por muito pouco - apenas um ponto percentual. Considerando os ajustes e simplificações que tivemos que fazer no modelo, e considerando que a taxa de sucesso de bunt nessa ocasião fosse de 84% (eu imagino que seria menos), e que Ben Revere é um rebatedor abaixo da média. É um exemplo extremo (Revere liderou a liga em GB%), é seguro afirmar que essa diferença não é estatisticamente significativa. Ou seja, nesse cenário específico, a diferença estatística entre ir para o bunt e não ir é pequena o suficiente para ser irrelevante. Nesse caso, não existe uma resposta certa - depende muito mais do contexto (jogadores envolvidos, por exemplo) do que de uma diferença na situação em si. Um exemplo bastante interessante e instrutivo.


Conclusão

Então deixando o achismo para trás e aplicando métodos de análise científicos em situações de bunt, chegamos a algumas conclusões.

Primeiro, e mais importante, o bunt é bastante prejudicial em situações normais de jogo, e não deve ser feito exceto em situações muito específicas. Mesmo com as simplificações e trabalhando com menos cenários, a diferença ainda é muito grande e bastante significativa mesmo considerando diferentes times e jogadores envolvidos - muitos outros estudos já foram por caminhos menos simplificado e mais complexos, ajustando por outros fatores, e chegaram aos mesmos resultados.

Além disso, vimos que, mesmo no caso de um rebatedor bastante ruim no bastão, ainda não é vantajoso ir para o bunt. O nível de OBP de um jogador para justificar ir para o bunt ao invés de rebater normalmente é baixo demais para qualquer rebatedor qualificado da história do baseball, e é virtualmente impossível achar um jogador de campo ruim o bastante para justificar essa ação. Excesso em situações muito específicas, sempre é melhor ir para a rebatida do que para o bunt com rebatedores usuais.

No entanto, com pitchers o assunto é diferente. Temos evidências de que, dado que pitchers costumam ser muito inferiores no bastão (e mais propensos a DPs), de modo geral é vantajoso mandar seu rebatedor fazer um bunt do que deixar que ele rebata. E, ainda assim, nossos resultados também indicam que isso não é verdade para todos os casos, e que existe pitchers que tendem a ajudar mais o time rebatendo normalmente do que indo para o bunt - algo que também está alinhado a estudos recentes.

Por fim, encontramos algumas situações específicas que funcionam como exceções, nas quais os bunts não são prejudiciais. No caso de situações extremas de fim de jogo onde você precisa anotar especificamente uma corrida por algum motivo, por exemplo, vimos que o bunt pode aumentar ligeiramente suas chances de anotar essa uma corrida. Também analisamos um exemplo extremo de fim de jogo com uma corrida, de um rebatedor abaixo da média com tendências extremas de GB%, onde verificamos que ir para o bunt poderia ter um efeito positivo mínimo.

Nesses casos, as evidências e as diferenças numéricas são pequenas demais para serem consideradas estatisticamente significantes, então não podemos dizer que nessas situações especificas ir para o bunt é vantajoso, mas nossos dados também não dizem que seja prejudicial - em outras palavras, são duas situações extremamente específicas onde nossos dados apontam que não existe uma diferença quantitativa entre ir para o bunt ou não. Mas, como dissemos, são exceções muito específicas.

Em suma, o que fizemos aqui foi pegar um tópico de debate - a validade ou não do bunt - e aplicar métodos científicos para tentar chegar a uma resposta. É um estudo preliminar e rústico - estudos muito mais profundos e refinados foram feitos por outras pessoas ou instituições, e se tiverem interesse, recomendo que corram atrás dessas pesquisas - mas que deu resultados que estão de acordo com os achados da comunidade científica e que são baseados em evidências empíricas sólidas.

Se você discorda, ou se quiser aprofundar a questão, recomendo totalmente que corra atrás de suas próprias evidências e dados, porque é essa a essência das sabermetrics, e é isso que torna o debate muito mais rico e próximo da verdade. Quanto mais pessoas pesquisando e estudando o baseball de forma séria e competente, mais temos de base para falar com propriedade sobre o assunto, e chegamos cada vez mais longe em entender esse esporte - ou qualquer outro. Porque, como eu disse, sabermetrics se trata de aplicar métodos científicos no esporte, e esse mesmo pensamento pode ser aplicado em qualquer área que você quiser. Mantenha a cabeça aberta e uma mentalidade inquisitiva  e científica voltada para fatos e evidências, e um novo mundo se abre a sua frente. No caso em questão, um mundo dentro baseball, pronto para ser explorado e descoberto.


Os dados desse estudo vieram dos seguintes sites: Fangraphs, Baseball-Reference, Baseball Prospectus, Beyond the Box Score, Baseball Savant, gregstoll.com e Brooks Baseball. O alfa usado para os testes de significância foi de 5%. 

Agradecimentos especiais ao meu amigo Vinicius Veiga, pelo desafio e pela ajuda de modo geral, e aos meus ídolos Ben Lindbergh, do Grantland, e Daren Willman, fundador do excelente Baseball Savant, que me ajudaram com a pesquisa e com alguns dos dados mais trabalhosos dessa coluna.

Obtendo um retrato perfeito

Nada mais justo que o Deus das Sabermetrics estar olhando esse post de cima

Quando alguém está tentando fazer um preview da NFL, especialmente se for pra algum time, a fórmula pra isso em geral segue um padrão bastante simples. Primeiro se pega a atuação do time na ultima temporada (no caso em questão, a temporada 2012) e analisa o quão boa a equipe foi, olhando o seu record, pontos feitos e cedidos por jogo, etc. Com isso se chega em um ponto de partida pra onde começar sua analise, aonde o time estava ao final da temporada anterior. Em seguida, se olha o que mudou no time de um ano pro outro: Se trouxe bons calouros, se assinou Free Agents de impacto, se perdeu jogadores importantes, eventuais trocas, se um time cheio de jovens talentos teve mais um ano pra se desenvolverem - e se usa isto pra ver se um time "melhorou" ou "piorou" de um ano pro outro. Aí, aproveitando-se do "ponto de partida" anterior (no caso, o record do time na temporada anterior), usa-se a "melhora" ou "piora" da equipe pra ajustar o record, e pronto, você tem sua previsão pra temporada seguinte. Ou seja, se um time cheio de calouros acaba 8-8 na temporada e pro ano seguinte consegue um bom FA e boas picks de Draft, esperamos que ele acabe lá pros 10-6. Não é perfeito, mas é assim que sempre fizemos e é o que funciona. 

Ou pelo menos era o que nós achávamos.

Quando nos anos 90/2000 Bill James (E depois o Oakland Athletics) revolucionou o baseball usando suas estatísticas avançadas (ou Sabermetrics - escrevi um post extenso sobre o assunto, pra quem tiver curiosidade), mudança retratada no excelente livro/bom filme Moneyball, era apenas uma questão de tempo para que esse tipo de abordagem analítica avançada espirrasse para os outro esportes americanos.  E embora seja impossível medir qualquer outro esporte tão perfeitamente como o baseball (um esporte individual disfarçado de esporte coletivo com uma base amostral de 162 jogos onde TUDO pode ser dividido em numeros), isso levou muitos estudiosos a olhar mais de perto alguns dados e analisar de forma mais profunda a validade de certas "certezas" que existiam no mundo da NFL ou da NBA. E isso trouxe alguns resultados muito interessantes.

Focando na NFL, em particular, uma das certezas antigas que foram jogadas pela janela é a noção de que os numeros finais de uma temporada sejam um bom indicativo de quão bom é aquele time e de onde ele se encontra naquele momento. Pense da seguinte maneira: A NFL tem uma temporada extremamente curta, apenas 16 jogos. O pressuposto básico de qualquer estatística é que para ela ter valor analitico (ou simplesmente ser significativa) é que ela tenha uma base amostral grande o suficiente para cancelar os desvios, vieses e outliers de cada amostra. Uma temporada de 16 jogos apenas não serve a esse propósito, especialmente quando falamos de records: A influencia do acaso ou da sorte em apenas 16 jogos é muito grande e dificilmente serve como uma indicação da qualidade de um time, de modo que nos atermos muito firmemente a apenas um record bruto anterior é besteira. Da mesma forma, um time enfrenta apenas 13 de 32 times durante uma temporada regular, o que obviamente gera um viés muito grande: Alguns times enfrentarão adversários muito melhores ou piores que outros (o Denver Broncos ano passado teve seis jogos contra Raiders, Chargers e Chiefs, enquanto o Cardinals enfrentou seis contra 49ers, Seahawks e Rams, por exemplo). Então ainda que coisas como o numero de vitórias de um time e seus numeros de ataque e defesa sejam um ponto de partida, eles estão na maioria das vezes longe de serem um retrato adequado da qualidade de um time.

Pense nisso como uma escavação arqueológica. O arqueólogo, durante uma escavação, se depara com uma linda adaga de ouro incrustrada de pedras preciosas. Mas quando ele a encontra, ela está presa a uma camada de rochas, coberta de lodo e diversas outras impurezas. Antes de expô-la num museu, o arqueólogo vai ter que remover ela da rocha, jogar ácido pra derreter o lodo, remover as impurezas e polir a adaga até que ela esteja brilhando, para ai sim enviá-la para uma exposição. Em futebol americano é a mesma coisa: O record e os numeros brutos dos times precisam ser peneirados, estudados e removidas as impurezas para podermos ver o que de importante tiramos daquilo tudo.

Então essa é a minha proposta pra daqui até a temporada regular começar: Usar algumas ferramentas analíticas mais avançadas (algumas são até bem simples, é só saber onde olhar) para analisar os 32 times da NFL, quais devem regredir, quais devem evoluir, quais deram azar e o que esperar que se repita da temporada anterior. E embora tenhamos umas 10 ou mais ferramentas diferentes de análise para esse assunto, vamos nos focar nas cinco que eu acho mais importantes, mais diretas e, pra falar a verdade, mais divertidas. Então vamos conhecer essas ferramentas, e começando amanha vamos falar, um por um, dos 32 times da NFL.

Pythagorean Expectations

O melhor indicador de performance de um time, em uma temporada, que vocês irão encontrar não é o número de vitórias, mas sim a diferença entre os pontos marcados e cedidos. Bill James descobriu isso nos anos 80 quando estudava baseball, e com o tempo se descobriu que isso se aplica a praticamente qualquer esporte, especialmente aqueles com pontuaçōes altas. Como vamos ver daqui a pouco, jogos decididos por poucos pontos normalmente dependem demais de sorte, e por isso goleadas significam mais pra um time do que vitórias apertadas, e logo se comprovou que esse "Point Diferential" era realmente um indicador mais preciso. E já que o PD é um indicador mais preciso do que o numero real de vitórias e derrotas, Bill James criou uma fórmula pra extrair um record win-loss mais preciso de acordo com o Point Diferential de cada time, que representa melhor o verdadeiro nível daquele time ao longo da temporada. A fórmula primitiva de James foi, naturalmente, modificada ao longo dos anos para melhor se adaptar ao futebol americano, mas o princípio ainda é o mesmo. 

A fórmula utiliza a relação Point Diferential/Pontos Totais (Cedidos + Marcados) pra nos dar o número "esperado" de vitórias de um time. Acreditem ou não, mas esse é historicamente um método muito preciso pra se indicar quando um time atua acima das possibilidades ou abaixo, e também um indicador futuro de que um time deve regredir. Isso não importa tanto quando a diferença é de 1 ou 1,5 vitórias, mas a partir de 2 vitórias de diferença já é um sinal importante de que algo deu errado naquela temporada fora do controle do time e que deve se "ajustar" no ano seguinte. Historicamente, apenas UM time consistentemente superou suas Pythagorean Expectations por tempo suficiente pra ser estatisticamente significante: O Colts de Peyton Manning entre 2001 e 2010. Todos os outros sofreram "regressōes" com seu win-lose record em direção às Pythagorean Expectations.

Um exemplo recente? Claro! Em 2011, o Minnesota Vikings terminou a temporada 3-13, o terceiro pior record da Liga. Em 2012, o time deu a volta por cima, terminou 10-6 e foi aos playoffs. Ainda considerando um ano monstro do Adrian Peterson, um começo quente do Christian Ponder (que depois voltou a ser ruim, mas enfim) e boas adiçōes na offseason (em especial Matt Kahil), parece absurdo supor que tenha sido suficiente pra um time ganhar 7 jogos a mais de um ano pra outro, certo? Ai você vê que, pelas Pythagorean Expectations, o 11' Vikings deveria ter terminado 6-10 (já vamos entrar no porquê), era um time muito melhor do que seu 3-13 record indicava, e portanto alguma evolução simplesmente por regressão à média já era esperado. Juntando isso à evolução de alguns jovens jogadores, adiçōes do time e Adrian Peterson sendo um MVP, esse salto de 6-10 pra 9-7 em record esperado faz muito mais sentido (pra quem seguia nosso twitter na época talvez lembre que eu disse que o Vikings ia terminar 9-7 e perder os playoffs por pouco), e também o 10-6 e uma vaga nos playoffs.


Jogos decididos por uma posse de bola

Outra descoberta de Bill James sobre baseball que logo se descobriu que era aplicável a qualquer esporte com um bom número de pontos (NFL, NBA, MLB, etc) é que jogos decididos por uma posse de bola ou menos são muito mais aleatórios do que se supōe. Dada a enorme quantidade de pequenas coisas aleatórias que influenciam uma posse de bola, a expectativa é que cada time ganhe cerca de 50% desses jogos, independente de ser um bom time ou não. Embora isso seja um pouco contra intuitivo - um bom time deveria ser capaz de ganhar mais jogos apertados, certo? - isso não se verifica historicamente. Isso não quer dizer que um time não possa ganhar um grande numero de jogos decididos por uma posse de bola um dado ano, mas é muito improvável que ele repita no ano seguinte. Como o grande Bill Barnwell bem apontou, em 2011 Raiders, 49ers, Packers, Saints e Steelers combinaram pra um record de 27-8 em jogos decididos por uma posse de bola. Em 2012, combinaram para 16-16 (e um empate).

Ainda assim, esse número não é exatamente 50% pra todos os times. Assim como no baseball alguns fatores (qualidade do bullpen e SLG% do time) podem influenciar a quantidade esperada de vitórias em jogos decididos assim, no futebol americano isso também ocorre com base em uma única variável: Quarterbacks de elite. Times com Quarterbacks de elite como Tom Brady e Peyton Manning (pra citar dois exemplos modernos) historicamente tem apresentado um pequeeeeeno diferencial positivo em relação ao resto da Liga (que estatisticamente sempre convergem para 50%), então é possível esperar uma atuação um pouco melhor deles. Mas assim como no baseball (ano passado o Orioles teve um dos melhores bullpens da história da MLB e mesmo assim esperava-se que ganhasse apenas 60% desses jogos), isso não quer dizer que seja uma grande mudança em relação ao padrão: Esse número aumenta de 50% pra cerca de 56%, 58%, mas não de forma absurda que signifique que um record de 9-2 em jogos decididos por uma posse de bola seja sustentável mesmo que você tenha Brady como seu QB, por exemplo.

Voltando ao exemplo do Vikings de 2011, eles terminaram o ano 3-13 quando sua Pythagorean Expectation era de 6-10. A principal causa dessa diferença foi que o Vikings deu muito azar em jogos decididos por uma posse de bola apenas, terminando 2-9 nesses jogos, um numero absurdamente deslocado da expectativa de 5.5-5.5 nesse caso. Supondo que o Vikings terminasse com um realista 5-6 nesses jogos, o record deles teria sido de... Wait for it... 6-10 exatamente!! E caso vocês imaginem que esse 2-9 aconteça por ter um QB ruim, em 2012 o Vikings ganhou 5 e perdeu 2 jogos decididos por 7 pontos ou menos rumo a um record de 10-6. So yeah, digamos que funciona.

(Importante: Jogos decididos por oito pontos não contam como uma posse de bola por um simples motivo: Two-point conversions, depois de um TD, acontecem apenas 50% do tempo, então estatisticamente jogos decididos por oito pontos contam com uma posse de bola e meia e não entram nessa estatística).


Força do calendário

Como eu disse anteriormente, dos 31 times restantes da Liga, cada time enfrenta apenas 13 adversários, o que naturalmente gera um viés. Alguns times enfrentarão adversários muito mais fracos do que outros, e em apenas 16 jogos não existe uma amostra grande o suficiente para "normalizar" essa diferença de calendário. Então obviamente alguns times terão vida mais fácil que outros ao longo de uma temporada e isso tem uma influência grande no record final dos times.

Essa é uma questão bem fácil de entender e intuitiva, então não vou perder tempo nela, mas não da pra negar o impacto dessa variável: O Arizona Cardinals terminou o ano 5-11 (sua Pythagorean Expectation foi essa mesmo), mas também teve o calendário mais difícil da NFL em 2012. Com um calendário supostamente mais fácil em 2013, é esperado que o Cardinals tenha uma certa melhora geral. Embora seja dificil dizer se o Cardinals foi um time em 2012 melhor que, digamos, o Colts (que teve o calendário mais fácil), e por isso seja até mesmo desnecessário tentar comparar os dois dessa maneira (embora seja possível), mas é sempre importante observar essa variável do calendário ano a ano.

Uma coisa importante também sobre ela é que é muito dificil dizer se um calendário eé forte ou não no começo do ano. Em geral se usa os numeros dos times no ano anterior pra isso, mas muita coisa pode acontecer e mudar de uma no pro outro, de modo que no final um time possa ter uma vida muito mais fácil do que esperado (ou mais dificil). Ano passado, antes da temporada, o Broncos projetava pra ter um dos calendários mais dificeis da NFL; acabou tendo o segundo mais fácil. Então é mais fácil olhar pra temporada que passou e imaginar uma certa normalização do que prever a força do calendário a seguir.


Ajustando ataque e defesa

Saindo agora um pouco de performance geral da equipe pra numeros específicos de ataque e defesa. Normalmente, quando as pessoas querem ver a performance de uma equipe de um dos lados da quadra, eles olham pra pontos cedidos e pontos anotados por jogo como o melhor indicador. Mas como acabamos de falar, isso é bastante influenciado pelos times enfrentados por essas equipes: Algumas oferecem melhores defesas do que outras, e é muito mais dificil (e requer um ataque muito melhor) pra anotar 30 pontos por jogo enfrentando 49ers e Seahawks do que enfrentando Raiders e Colts, por exemplo. Então se queremos ver o quão bom um time foi no ataque ou na defesa, é preciso levar em conta os times enfrentados por essas equipes acima de tudo.

Um exemplo prático: 49ers foi o 11th melhor ataque da NFL ano passado em pontos por jogo, com 24,8 pontos por jogo. O  Bengals foi o 12th melhor ataque, com 24,4 ppg. No entanto, o 49ers enfrentou a sexta tabela mais difícil em termos de defesas, enquanto o Bengals enfrentou a terceira mais fácil. Ajustando esses números pelo agregado das defesas enfrentadas ao longo dos 16 jogos, temos que o 49ers na verdade foi o quinto melhor ataque da NFL em 2012, enquanto que o Bengals foi apenas o 17th melhor ataque da NFL, abaixo da média da Liga.

O reverso também é verdade: Em 2012, o San Diego Chargers teve a 16th melhor defesa da NFL em ppg, cedendo 21,8 pontos por jogo. Cardinals teve a 17th, cedendo 21,5 ppg. No entanto, o Chargers enfrentou adversários com (no agregado) ataques relativamente fracos, enquanto o Cardinals enfrentou uma dieta de Packers, 49ers e Seattle o ano inteiro, de longe o calendário mais difícil que qualquer defesa teve de enfrentar. Quando normalizamos pelas defesas enfrentadas, notamos que o Cardinals teve a sexta melhor defesa de toda a NFL, enquanto o San Diego continuou com um medíocre 18th lugar.

Então sempre é importante, quando vamos falar de ataque e defesa, levar em conta que nem todos enfrentaram os mesmos adversários. Então quando eu falar que o Cardinals na verdade é um time decente ou melhor porque tem uma das melhores defesas da NFL, mesmo tendo a 16th em pontos por jogo, é por causa disso. Sempre tomem cuidado com fatores que influenciam esses números porque alguns deles podem mudar de ano a ano.


Fumbles recuperados

Por fim, chegamos aos fumbles recuperados. Forçar fumbles (na defesa) e evitar fumbles (no ataque) são duas habilidades importantes pra quaisquer jogadores ou times, e se você não acredita, é só assistir Charles Tillman jogando ano a ano pra ver que forçar fumbles é uma arte. Mas uma vez que o fumble está no chão, não tem NADA na história da NFL que indique que recuperar fumbles seja um talento mais do que seja sorte. Ou seja, entre todos os fumbles que um certo time vê acontecerem - dos dois lados da quadra - ele tende a recuperar exatamente metade deles.

Embora seja obviamente uma estatística menos importante que as outras quatro que foram cobertas nesse post, eu acho essa bem divertida por um simples motivo: Ela é muito legal de se acompanhar ao longo da temporada, mesmo numa variedade semana a semana, e ela é sutilmente responsável por diversas tendências interessantes que observamos na NFL.

Exemplo, pegue o Washington Redskins de 2012, que começou a temporada 3-6 antes de ganhar seus últimos sete jogos pra terminar 10-6. Embora seja inegável que o Redskins tenha evoluido ao longo da temporada, especialmente com um calouro de Quarterback, olhando mais de perto percebemos algumas tendências interessantes nessas duas sequencias na temporada. Seu fraco começo (3-6) foi marcado por um record de 1-5 em jogos decididos por uma posse de bola, e não coincidentemente foram jogos nos quais o Redskins recuperou cerca de 30% dos fumbles que aconteceram no jogo. Considerando que fumbles significam uma mudança na posse ou não de bola (ou seja, uma posse a mais pra um dos times), não recuperar 70% dos fumbles é algo que vai dar ao adversário mais posses de bola que você e um jogo e vai influenciar imensamente em um jogo decidido por uma posse. Com o Redskins dando azar nessas recuperaçōes, eles tiveram menos posses do que deveriam e perderam 5 de 6 jogos assim. Na segunda sequencia, as 7 vitórias seguidas, o Redskins foi 4-0 em jogos decididos por uma posse de bola ou mais. Não coincidentemente, durante essas 7 vitórias seguidas o Redskins recuperou 75% dos fumbles que aconteceram. Tirem suas próprias conclusōes.

Então sim, essa variável tem maior interesse pegando jogo a jogo e ao longo da temporada, mas pode ser uma variável importante pra se olhar quando um time depende muito de saldo de turnovers positivo. Em 2011, Tennesse se aproveitou desse saldo (+1) pra ter uma campanha mais respeitável (9-7), recuperando 62% dos fumbles. Em 2012, o time caiu para -4 porque recuperou apenas 31% dos seus fumbles. Washington recuperou apenas 32% dos fumbles em 2011; esse numero subiu pra 58% em 2012. Então embora ela seja de menor importância no grande esquema das coisas, ainda vale a pena prestar alguma atenção nela.


Então essas são as cinco variáveis que eu vou prestar mais atenção quando estiver fazendo o preview que começa amanhã. Alguns times são normais sob a maioria delas, alguns (Colts! Colts!) apresentam algumas aberraçōes que precisam ser destrinchadas pra obter um cenário mais claro de onde esses times se encontram. E vamos ver, juntando com as melhoras e pioras que a offseason trás, quais são os times que devem se preparar pros playoffs esse ano.

Pseudo - Mailbag: O que faz um MVP

"Erguei as mãos e dai a glória a Deus!"

Pra quem acompanha o blog já faz algum tempo, eu já tentei fazer algumas vezes Mailbags, quando vocês mandam email pro tmwarning@hotmail.com e eu respondia aqui no blog pra dar opiniōes ou tirar dúvidas. O primeiro até deu certo, mas depois não pegou e toda vez que eu sugeria um mailbag, tinha email de menos pra fazer um inteiro. Então eu acabei desistindo e me acostumei a responder os emails que nos enviavam pelo próprio email e pronto.

Até que eu recebi um email recentemente do leitor Luciano Diaz perguntando o seguinte:

"Comecei a assistir baseball ano passado, e fiquei impressionado com a temporada que o Mike Trout teve esse ano. Mas toda vez que eu vejo algum comentário sobre o MVP da temporada, todo mundo fala que o Trout não pode ganhar o prêmio pois seu time não foi aos Playoffs. Isso não é injusto com o jogador que joga em um time ruim?"

Perfeito, era exatamente a desculpa que eu precisava pra fazer um post de 5000 palavras sobre quem foi o MVP da MLB essa temporada. E sim, vamos falar da AL como foco, mas não nasci com o dom da síntese, então tambem vou dar rapidos comentarios pro MVP da NL. 

Mas sobre a excelente pergunta do Luciano, eu achei interessante porque é um tema de intenso debate nas discussōes sobre MVP não só na MLB, como em todas as outras. Colocando a pergunta em outras palavras, "Até que ponto a performance do time deve afetar um prêmio individual?".

Eu não sei porque, mas eu sempre gostei do prêmio de MVP. Não acho tão legal na NFL, onde você tem uma posição que claramente é mais importante que as outras (Quarterback) e isso sozinho já cria um viés para toda a votação... E pra mim, a NBA é de longe a mais legal e mais interessante por parte do prêmio de MVP: Cinco jogadores em quadra, todos jogam contra todos ao mesmo tempo, todos jogam ataque e defesa, todos afetam o jogo de diversas formas, e em geral é fácil identificar o jogador mais valioso. E como o basquete é um jogo tão subjetivo, muitas vezes o jogador mais valioso não é o melhor, e essa diferença eu acho muito interessante. Em 2011, por exemplo, eu votei (e ainda voto) no Derrick Rose pra MVP por causa do seu impacto no time que ia muito além de estatiísticas ou jogo individual. O melhor jogador da NBA provavelmente foi Lebron James de novo, mas ele não era mais importante subjetivamente, em liderança e tudo mais, pro Heat do que Wade - tire Lebron do Heat 2011, coloque um ala mediano (Caron Butler?) no lugar e o time não perderia o ritmo. Troque Derrick Rose por Raymond Felton e o Bulls não passaria de 40 vitórias.

Pra MLB, o prêmio de MVP pode ser muito interessante ou muito chato. Afinal, o esporte todo pode ser medido e capturado em estatísticas fáceis de entender que nos dão muito aproximadamente o valor de cada jogador em cada aspecto do jogo (e sim, no geral também), o que ao mesmo tempo pode acabar com qualquer conversa ou começar uma nova. E a que fica, dessa vez (e ano passado também) é a do Luciano: Até que ponto a performance coletiva da equipe deve afetar um prêmio individual no esporte coletivo mais individual do mundo?

Pra conhecer melhor as estatísticas que usamos nesse post, recomendo ler esse aqui antes


Major League Baseball 2012 MVPs

Antes de nos perguntarmos "Até que ponto o desempenho do time deve afetar o julgamento da performance individual de um jogador num prêmio de MVP", a primeira pergunta que vem é... O desempenho do time DEVERIA afetar o valor individual de um candidato a MVP?

A minha resposta particular e curta: Sim. Porque o prêmio não se chama "Melhor jogador", e sim "Jogador mais valioso". Propositalmente, a interpretação de "Mais valioso" é deixada para quem vota, de forma a estimular discussōes na mídia e afins por parte dos votantes, e não existe nenhuma determinação "oficial" de como deve ser conduzida a votação. Mas pra mim, existe uma diferença entre aquele que é o melhor jogador, o que mais se destacou e produziu individualmente, e aquele que foi o mais valioso para o seu time.

Claro, esse tipo de diferença é mais fácil de notar em um jogo como basquete, que depende muito mais da influência que cada jogador tem nos seus companheiros. Por exemplo, Wilt Chamberlain tinha uma produção individual acima de qualquer jogador da Liga, mas Bill Russell tinha um efeito um milhão de vezes maior nos seus companheiros e nos seus times, e por isso ganhava o MVP todo ano (e sim, o título também). No baseball, um esporte individual disfarçado como esporte coletivo, esse efeito nos companheiros é muito menor e, quando existe (raro), difícil de observar.

E aí que entra minha interpretação pessoal de mais valioso. Porque o problema são essas duas palavras... "mais valioso". Não melhor, mas mais valioso... Pro seu time, acredito. Pra mim, o mais valioso é aquele que mais adiciona valor a alguma coisa que TENHA um valor próprio relevante. Por exemplo, vamos pegar a temporada passada da MLB como exemplo. Os dois melhores jogadores da temporada individualmente foram Jacoby Ellsbury e Jose Bautista, mas tanto Red Sox como Blue Jays perderam os playoffs (O Red Sox depois de um colapso nos jogos finais da temporada regular, o Jays ficou nos 50% a temporada toda). Enquanto isso, você tinha Justin Verlander tendo uma temporada ligeiramente inferior a esses dois, mas sendo o melhor e mais importante jogador de um time do Tigers que arrancou uma vaga na AL Central e chegou nos playoffs com status de candidato ao título. Então individualmente, Bautista e Ellsb foram melhores que Verlander. Mas se tirassemos Ellsb e Bautista dos seus times antes da temporada (ou na metade), o destino de Sox e Jays não teria mudado (e o Red Sox provavelmente não teria sido tão bom a temporada inteira pra ter um colapso histórico pra sofrer em Setembro) e ambos os times continuariam de fora dos playoffs. Mas sem Verlander, o Tigers estaria condenado ao quarto lugar na AL Central e total esquecimento. Por causa de Verlander, o Tigers ganhou a divisão, chamou a atenção da Liga inteira e virou o time que ninguém queria enfrentar em uma série. Pra mim, isso significa que ele foi mais valioso pro Tigers do que Ellsb e Bautista pra Sox e Jays - A presença dele teve um efeito muito maior no destino do seu time na temporada.

Por esse motivo, eu votei em Verlander pra MVP em primeiro, Ellsbury em segundo, e Evan Longoria em terceiro (perdeu boa parte da temporada, mas quando voltou foi o maior responsável por levar o Rays aos playoffs). O que não significa que as temporadas de Ellsbury e Bautista não foram valiosas ou não tiveram valor, é claro. As duas tiveram um grande valor, com certeza, mas a presença de Bautista fazendo o Jays ser 81-81 ao invés de 72-90 fez uma diferença muito menor do que Verlander levando o Tigers de 81-81 a 92-70, ganhando a divisão e transformando o Tigers em uma força na AL. Por mais que dois jogadores valham, digamos, 9 vitórias a mais pros seus respectivos times, essas 9 vitórias fazem uma diferença muito maior em um time que vai de 85 vitórias pra 94 e um que vai de 71 pra 80 vitórias. Por isso pra mim a diferença entre "melhor" e "mais valioso". É injusto "penalizar" um jogador pela performance do seu time, mas essa é minha interpretação, e afinal o que vale no final é aonde o time chegou: Ellsbury foi o "Melhor Jogador da MLB" em 2011... Mas Verlander foi o Jogador Mais Valioso da MLB em 2011.

Nesse contexto, e ainda de acordo com minha opinião, o MVP pode ir para um jogador de um time que não foi aos playoffs (afinal, sua temporada também teve seu valor) ou um time inferior de acordo com duas situaçōes: a) caso esse jogador tenha sido claramente muito superior  a todo o resto; e b) caso não haja um claro candidato num time que foi aos playoffs e que possa reclamar o prêmio. O peso de cada um desses pontos depende, claro, da situação em questão e é subjetivo a cada pessoa.

O que nos leva a Mike Trout. Trout, CF calouro do Los Angeles Angels (89-73, 4 jogos atrás do Wild Card de Rangers e Orioles), foi o melhor jogador dessa temporada por qualquer critério, na AL ou na MLB inteira. Na AL, ele foi o segundo em aproveitamento (.326) e terceiro em OBP (.399) e slugging (.564). Ele também liderou a MLB inteira em roubos de base (49) e foi o jogador que mais criou corridas com suas pernas (12.1, contra 8.0 do segundo colocado) na Liga, e foi um dos 20 melhores defensores de toda a MLB em UZR (10.6) mesmo jogando menos de 140 jogos (Trout também foi o líder em Home Runs roubados na MLB, com quatro, empatado com Coco Crisp). Ele se tornou o primeiro jogador na história da Liga a rebater 30 HRs, roubar 45 bases e anotar 125 corridas na mesma temporada... E ele fez tudo isso como calouro aos 21 anos. Mesmo jogando o começo do ano na Triple-A e jogando 139 jogos no total, Mike Trout terminou com o maior WAR de toda a MLB, 10.0, muito acima do segundo melhor (Buster Posey, na NL, com 8.0) e do segundo melhor da AL (7.8 - segure essa mais um pouco).

Historicamente, a temporada de Trout foi tão dominante que o último jogador a conseguir um WAR tão alto como o de Trout foi... Wait for it... O rei dos esteróides, Barry Bonds, que conseguiu 11.9 em 2004 (Btw, não tem como não achar algo errado aqui. Bonds rebateu .365/.609/.812 com 45 Home Runs... Aos 40 anos. Parece legítimo!). Descontando as temporadas obviamente dopadas de Bonds e Sammy Sosa, o único jogador desde 2000 a conseguir um WAR acima do de Trout foi Albert Pujols em 2003 com 10.1 (a melhor temporada da carreira de um jogador que muitos dizem que estará entre os melhores de todos os tempos quando se aposentar). Se você está contando, nessa temporada Trout foi a) O melhor jogador ofensivo da MLB (já chego lá); b) O jogador que mais diferença fez com as pernas; c) Um dos melhores defensores da sua posição na Liga; e d) Teve o maior WAR de toda a MLB por muito... E teve a temporada individual mais dominante da década (sem esteróides) depois de Pujols em 2003 (que jogou mais jogos, se normalizar por jogos Trout passa aquela marca). Pra mim qualifica como "Uma temporada claramente muito superior a todos os outros".

Agora vamos olhar pro jogador que muitos colocam como o MVP da temporada no lugar de Trout, Miguel Cabrera. Miggy virou a história do final da temporada, quando seus números permitiram que ele brigasse pra conquistar a Triple Crown, ou Tríplice Coroa (quando um rebatedor consegue a melhor marca da AL/NL nas três categorias estatísticas tradicionais, aproveitamento, Home Runs e RBIs), algo que não acontecia desde o lendário Carl Yastrzemski, AKA Yaz, do Red Sox, em 1967 (também conhecido como os Red Sox do Impossible Dream, ou Sonho Impossível). Muitos dizem não só que o Miggy merece o MVP pelos seus números ofensivos (.330/.393/.606, 44 HRs, 139 RBIs) e por jogar em um time de playoffs, mas alguns até chegam ao limite herético de dizer que ele foi melhor que o Mike Trout! Seu WAR? 7.1... Terceiro na AL depois de Trout e... Wait for it... Robinson Cano, com 7.8!

Eu já passei um post inteiro falando de estatísticas no baseball, e acho que não preciso repetir aqui porque a Triple Crown se baseia em estatísticas muito primitivas, e como HR e aproveitamento são duas medidas extremamente limitadas para medir o impacto de um jogador no bastão (OBP e SLG são muito melhores), e especialmente em como RBI é a estatística mais estúpida do Baseball e que não serve pra absolutamente nada por ser muito mais determinada pelo time que pelo jogador. Então por mais que simbolicamente a Triple Crown seja impressionante e um feito que não era alcançado em 45 anos, ela não pode ser usada pra justificar Miggy como MVP ou como melhor rebatedor da AL. Pra isso, vamos recorrer às estatísticas corretas pra verificar se Miggy foi mesmo, como se clama, o melhor rebatedor da Liga.

Na AL, Miggy foi o primeiro em aproveitamento (.330, logo acima dos .326 do Trout), quarto em OBP (.393, logo atrás dos .399 do Trout) e primeiro em Slugging (.606, dois acima do Trout, com .564). Comparativamente com Trout, sua stat line indica que ele teve uma temporada rebatendo, estatísticamente, UM POUCO superior, .330/.393/.606 contra .326/.399/.564. Como a mais importante das três é OBP, essa distância entre os dois é bem próxima nos números brutos, mas Cabrera seria um rebatedor um pouco melhor, certo?

Até que lembramos que, por mais que Cabrera jogue metade dos seus jogos num estádio mais favorável a arremessadores, ele ainda é consideravelmente mais favorável aos rebatedores do que o estádio do Angels, onde Trout jogou metade dos seus jogos. E como sabemos, o estádio influencia bastante, seja por clima, dimensōes, aberto ou fechado, etc. Enquanto o Comerica Park do Tigres é um estádio ligeramente abaixo da média para rebatedores, o Angels Stadium é o quarto pior estádio para rebatedores. E se você não pensa que isso influenciou os números brutos de Cabrera e Trout... bem, pense de novo. Usando duas estatísticas avançadas que levam em conta o estádio (OPS+, que eu já expliquei no outro post; e wRC+, Weighted Runs Created Plus, uma estatística que mede produtividade ajustada por estádio que é pouco intuitiva e por isso ficou de fora do post sobre estatísticas), o resultado é interessante: Trout lidera a Liga em OPS+ com 169, logo na frente do segundo colocado Cabrera, com 167. Em wRC+, Trout é o primeiro da Liga com 166, e Cabrera o segundo com 165. Até em wOBA (Weighted On Base Average) temos Trout em primeiro (.421) contra Cabrera (.417) em segundo. Então quando consideramos todos os fatores, incluindo estádio, temos que Trout foi o melhor rebatedor de toda a MLB, melhor que Cabrera ou qualquer outro. Por pouco... Mas melhor. Junte a isso o fato de que Trout é o sexto melhor defensor da AL (enquanto Miggy, com -10.0, é o pior 3B defensivo de toda a MLB) e o fato de que Trout foi o melhor jogador em bases da MLB (12.0) enquanto Miggy foi bem abaixo da média (-2,8)... E não tem a menor dúvida de quem foi o melhor jogador, por muito. Trout foi o melhor rebatedor por pouco, e aniquila Miggy com suas pernas e sua luva. Não tem - ou não deveria ter - conversa sobre quem foi o melhor.

E aí entra o fator time. Trout foi de longe o melhor jogador da MLB nessa temporada, mas o Angels caiu antes dos playoffs, enquanto o Tigers ganhou a divisão e foi aos playoffs (curiosamente, ganhando um jogo a menos que o Angels, 88 a 89). Isso é suficiente pra tirar o MVP de Trout e dar pra Cabrera?

E eis porque eu não aceito dar o MVP pro Cabrera: A meu ver, Cabrera não foi nem o principal jogador do seu próprio time. Pra ser um MVP (especialmente sobre um ano excepcional como o de Trout sob o argumento de que ele jogou num time de playoffs), você tem que fazer uma absoluta diferença no seu time acima de todos os outros na equipe, você tem que ser o jogador mais indispensável do time... Mas não foi o caso com Miggy. O jogador mais indispensável da equipe era Verlander, e é difícil falar que Miggy foi tão mais importante do que seus companheiros quando Prince Fielder (lider da MLB em OBP) e Austin Jackson (5.5 WAR, .377 OBP) também tiveram temporadas memoráveis. Não tão boas como Miggy, mas suficientemente boas pra justificar quando eu digo que Cabrera teve muita ajuda do seu time.

Inclusive, a temporada ofensiva do Miggy não foi tão boa quanto ela pareceu a primeira vista: Na verdade, foi a pior das suas últimas três temporadas (seu wRC+ de 165 foi menor que o 171 de 2010 e o 177 de 2011), ele teve o seu pior OBP em três anos (.420 e .448 em 2010 e 2011), seu aproveitamento caiu de 2011 (.344) e seu SLG caiu de 2010 (.622). Então a sua Triple Crown não veio  às custas de um salto de produtividade no bastão, pelo contrário, seu desempenho foi ligeiramente inferior ao dos dois ultimos anos (quando não entrou no top3 na votação pra MVP), com sua TC vindo mais do desempenho dos demais jogadores. E Cabrera não levou exatamente nas costas um time inferior, ele teve muita ajuda dos seus companheiros e não foi nem o jogador mais importante do seu próprio time. Ainda que indiscutivelmente Cabrera tenha tido uma ótima temporada, não consigo dizer que ele foi o MVP nessas circunstâncias. Mesmo raciocinio para o Cano, segundo melhor WAR da AL... Ele foi o melhor jogador do melhor time da AL, mas o Yankees é um time tão cheio de grandes jogadores e todos eles contribuem de forma tão importante e variada pra equipe que é difícil apontar um jogador só como sendo o mais valioso ou mais indispensável pro time. O Yankees poderia sobreviver a uma lesão de um mês do Cano? Hmm... Yeah, na verdade sim, porque tem muitos outros jogadores pra compensar sua ausência. Ele era o melhor, mas não indispensável.

Por isso tudo, pela absoluta dominância e números históricos do Trout, e pela falta de outro candidato claro nos demais times de playoffs da AL, eu tenho que ignorar aqui os times que foram aos playoffs e quais não foram e dar o prêmio pro jogador que foi de longe o melhor da MLB em 2012: Mike Trout, você é meu 2012' AL MVP.

Rapidamente, pra terminar, na NL não tem nem discussão pro MVP a meu ver. Entre os cinco candidatos (Buster Posey, Ryan Braun, David Wright, Chase Headley e Andrew McClutchen), apenas Posey jogou em um time que foi aos playoffs. Posey lidera a NL em aproveitamento, OBP e é o terceiro em SLG. Ele lidera a NL em wRC+ junto com Braun (162) e tem o maior wOBA. Ele também lidera a NL em WAR (8.0, contra 7.9 de Braun). Ou seja, Posey é o melhor jogador ofensivo da NL junto com Braun, e o melhor catcher defensivo da Liga não chamado Yadier Molina. Além disso, ele é o único candidato aos playoffs da NL que levou o time aos playoffs, pegando fogo quando o Giants mais precisou: Quando o time perdeu Melky Cabrera pra suspensão, Posey assumiu a liderança do time, rebateu mais de .400 AVG. e .450 OBP no final do ano (pós-All Star Game) e levou o ataque da equipe nas costas pra um título de divisão. Então Posey foi o melhor jogador da NL, melhor jogador ofensivo, excelente jogador defensivo, jogou num time de playoffs e ainda pegou fogo quando seu time mais precisou... E ainda joga no time do meu pai! Tem alguma discussão aqui? Buster Posey, 2012' NL MVP.

Baseball e as estatísticas

Vamos dar um passeio pelo livro que começou a mudar a história do baseball

Pra quem não sabe, fizemos algum tempo um post aqui no blog chamado "As regras do Baseball". A ideia era simples: Apresentar não só as regras de um jogo de baseball, mas também o funcionamento de uma partida, para que alguém que nada conhecesse do esporte pudesse assistir a uma partida e pelo menos entender o que estava acontecendo. Entender o que era marcado e o papel de cada jogada ou jogador em campo. E, pra mim, o post cumpriu essa finalidade.

No entanto, como eu sempre digo, baseball as vezes pode ser um pouco chato de assistir, especialmente um jogo inteiro. Mas ele tem uma grande vantagem: Ele pode ser medido, mais eficientemente do que qualquer outro esporte, em estatísticas. O baseball, de certa forma, é um esporte individual disfarçado de esporte coletivo, e tem as estatísticas capazes de medir com uma precisão absurda tudo que acontece num campo de baseball. Se você me mostrar as estatísticas de um jogo de NBA, é possível ter uma boa noção de como esse jogador joga... Mas isso não diz tudo. Tem muita coisa que eu preciso assistir pra poder entender, porque cada jogador afeta a partida de formas que nenhum número capta. Se for uma estatística de futebol americano, me diz ainda menos - sabia por exemplo que 50% dos Quarterbacks que passam de 300 jardas perdem o jogo? Mas no baseball não, se eu souber olhar os números corretos, eu sei interpretar de forma muito eficiente praticamente todas as formas como um jogador afetou o jogo e no que ele é capaz de colaborar para um time.

Um dos motivos disso acontecer é que a temporada regular da MLB é absurdamente grande (162 jogos), e portanto a amostra dos dados também é absurdamente grande, nos dando assim dados amostrais com variância muito menor. Hmm, não entendeu? Ok, deixa eu elaborar. Por exemplo, Ted Williams uma vez teve uma temporada com .420 de aproveitamento no bastão (42,0%, pros leigos), e ninguém chegou perto disso desde então (foi lá por 1942). Mas em uma série de 7 jogos de playoffs, já tivemos jogadores rebatendo coisas como .667 (66,7%). Porque? Porque esse ritmo que está muito acima do normal pode ser mantido por 7 jogos, mas nunca por 162. Com um numero enorme de jogos, as estatísticas tendem a regredir para sua média verdadeira. E mesmo assim, as estatísticas do baseball são tão boas (e o esporte tão propício a isso) que são capazes até de medir quando uma estatística está fora do seu número "correto", ou quando um jogador deve sofrer uma "regressão" em determinada categoria. Isso vai fazer 257% mais sentido quando chegarmos na parte de estatísticas dos arremessadores.

Então o objetivo desse post é continuar de onde paramos no antigo: Se antes ensinamos a acompanhar o jogo, como ele funciona e o que acontece dentro de campo, agora vou mostrar um pouco das estatísticas usadas no baseball, o que significa cada uma e como interpretá-las (e também como essa avaliação mudou ao longo dos anos, mas sem aprofundar demais pra não ficar chato). Dividi essas estatísticas em quatro tipos, dependendo do que elas são usadas para medir: Ataque, defesa, arremesso e geral. Isso vai fazer sentido em alguns parágrafos. (By the way, estou considerando que se você está lendo esse post, então você conhece o básico do jogo de baseball, como Home Runs, Walks, Strikeouts e tudo mais - o que pode ser alcançado lendo o post linkado lá em cima. Algumas explicaçōes adicionais serão dadas ao longo do post).

Ah sim, eu acrescentei uma pequena seção antes disso para explicar um pouco da história das estatísticas avançadas - chamada Sabermetrics - e sua aplicação na MLB. Se não tiver interesse, pode pular pra seção de Estatísticas de Ataque direto que não tem problema.


Moneyball e as estatísticas avançadas

Quem já viu o filme (ou melhor ainda, leu o livro) Moneyball - um dos meus favoritos - sabe que, até o Oakland Athletics do GM Billy Beane começar a usar estatísticas e números para avaliar o verdadeiro valor dos jogadores para o time (e usar isso para descobrir quais eram os atributos que mais contribuiam para a vitória e que eram menos valorizados pelo mercado, o segredo do time para montar equipes competitivos com o segundo time mais pobre da Liga em uma MLB sem teto salarial mesmo perdendo seus melhores jogadores quase todo ano para times que pagavam mais) lá pelo ano 2000, a avaliação de jogadores - seja pra Draft, seja para negociar salários, seja para trocas/contrataçōes, whatever - ainda era extremamente primiva. Essa avaliação era baseada nas mesmas estatísticas usadas desde 1900 (A velha historia do "Sempre foi feito asim!") e com base no "conhecimento empírico" dos envolvidos, um conceito bem arrogante dos GMs, olheiros, técnicos e afins mais influentes na Liga, em geral ex-jogadores ou pessoas criadas nos meios do baseball. Eles simplesmente "sabiam" por causa dos seus "conhecimentos do esporte" e "experiência". Depois perguntam porque o baseball sempre foi o esporte com mais busts...

Mas o engraçado é, as estatísticas (mais elaboradas, muitas vezes com sua importância determinada a partir de regressōes econométricas) usadas como forma predominante de avaliar jogadores e o jogo em si já existiam desde o final de 1970, quando o agora lendário Bill James - um cidadão comum que simplesmente gostava de basquete - começou a compilar estatísticas e interpretá-las a cada temporada, evoluindo cada vez mais nas estatísticas e análises, muitas vezes se beneficiando do crescente poder tecnológico à sua disposição (Vocês vão entender quando chegarmos no UZR). E isso acabou virando uma grande tendência... Entre os fãs! Essas novas estatísticas e interpretaçōes foram amplamente adotadas por - wait for it... - jogadores de fantasy (!) e entusiastas ao redor do país, amplamente discutidas... Mas os dinossauros que compunham a cartolagem da MLB continuavam ignorando essas tendências como "subversivas" ou "não se comparam à experiência de anos de prática", ou até mesmo a minha favorita, "os números tentam destruir a pureza do jogo". Enquanto eles continuavam usando os metodos primitivos para avaliar jogadores de forma menos eficiente do que os fãs, o GM do pobre Athletics decidiu aplicar isso para construir seu time que não tinha direito.

Se funcionou? Bem, o segundo time mais pobre da Liga (e segundo menor folha salarial) teve o melhor record da temporada regular por três anos consecutivos, o Red Sox foi campeão em 2004 após adotar o mesmo modelo, e desde então todos o adotam. Eu diria que sim, e por isso eu estou fazendo esse post.


Estatísticas de ataque
Principais estatísticas: OBP, SLG%, OPS, OPS+, wRC+

Antes de surgir o Moneyball e revolucionar como olhamos pras estatísticas que medem a produtividade dos jogadores no bastão, apenas três estatísticas eram observadas de verdade: Média de rebatidas (Identificada por Avg.), Home Runs (HRs) e corridas impulsionadas (RBIs).

(Um pouco de paciência aqui, vou dar umas voltas pra chegar nas estatísticas novas a partir das velhas, pra poder explicar de forma mais intuitiva pra quem não conhece tanto o esporte. Se tiverem sem paciência, sigam os negritos. A partir da próxima seção vou acelerar um pouco mais)

Essas três estatísticas são na verdade bem simples. Avg. é uma estatística que era usada para medir o aproveitamento de um jogador como rebatedor. Ou seja, você pega o número total de rebatidas de um jogador, e divide isso pelo total de vezes que ele foi ao bastão e ou tentou a rebatida ou foi eliminado por três strikes (o chamado Strikeout). Essa medida leva em consideração apenas as vezes que o rebatedor foi ao bastão e teria acontecido uma chance de rebatida, descartando portanto quando o jogador chega em base por um Walk, considerado uma falta do arremessador, e nesse caso o rebatedor não teria tido a "chance" de rebater. Então se eu rebato 100 bolas e em 30 delas eu consigo chegar em base sem um erro dos adversários (já vamos explicar na proxima seção os erros), seja uma rebatida simples, dupla, tripla, Home Run, o que quer que seja, então meu Avg. é .300, ou 30%.

O Home Run é mais simples, é o número de vezes que você rebateu um HR e ponto. Essa estatística era usada pelos times pra medir a força de um jogadores, já que o Home Run é a rebatida de mais "força" de um jogo, que anota mais corridas e que gera mais bases ao rebatedor (quatro).

Por fim, o RBI é a estatística mais estúpida da história do baseball. Basicamente, ele mede quantas vezes um dado rebatedor, ao rebater, fez uma corrida ser anotada. Por exemplo, um jogador vai ao bastão e tem um companheiro na segunda base. Esse rebatedor da uma rebatida simples, e o seu companheiro consegue correr até o home plate e anotar uma corrida. Assim o rebatedor ganha um RBI, pois sua rebatida fez uma corrida ser anotada. Se esse rebatedor conseguisse um Home Run, por exemplo, ele ganha dois RBIs: Um pela corrida anotada pelo companheiro em base, e outra pela corrida que ele anotou ele mesmo, ambas por causa da sua rebatida. Acho que eu não preciso explicar porque essa estatística realmente não diz nada, certo? Ela depende demais da produção dos seus companheiros! Se dois jogadores que joga em times diferentes e rebatem na mesma posição do lineup tem exatamente os mesmos números, um deles podem ter o dobro de RBIs do outro simplesmente porque seus companheiros chegam muito em base e portanto as rebatidas desse jogador impulsionarão mais corridas do que a do outro. Mas isso de forma alguma reflete a produção de um jogador individual, embora fosse usada como uma medida de produtividade. Eu digo que as estatísticas antigas eram estúpidas, mas enfim...

Bem, acontecem que o peso enorme que se dava para Avg. e HRs não refletia, de forma alguma, o quanto um jogador contribui para a vitória de um time.

Concentrando primeiro na questão do aproveitamento dos jogadores, os estatisticos começaram a fazer regressōes envolvendo diversos aspectos do jogo e chegaram a uma simples conclusão: Que no ataque, o mais importante era evitar ter jogadores eliminados. Isso faz todo o sentido do mundo. Baseball não é um esporte medido por tempo, como basquete ou futebol, e sim por eliminaçōes. Um jogo acaba quando um dos times tem 27 eliminados (3 a cada uma das 9 entradas, tirando prorrogaçōes e afins), e portanto evitando eliminaçōes, você mantém seu time no jogo por mais tempo para anotar mais corridas.

Considere agora o seguinte cenário: Dois jogadores, A e B, que foram ao bastão 100 vezes. Jogador A rebateu todas essas bolas, e 30 delas viraram rebatidas. Jogador B rebateu 80 delas bolas e conseguiu 20 rebatidas válidas, mas nas outras 20 vezes que foi ao bastão ele trabalhou a contagem, evitou a eliminação, não rebateu bolas ruins, e conseguiu vinte Walks. Portanto, o jogador B foi eliminado menos vezes e chegou mais em base, sendo assim mais útil para seu time. Mas os números nos indicariam que jogador A teve .300 de aproveitamento e o jogador B teve .250 (lembrando que, para Avg., Walks não são computados como idas ao bastão), e portanto seria concluido - erroneamente - que o jogador A foi um rebatedor mais eficiente que o jogador B. E isso estaria errado, porque o jogador A foi eliminado 70 vezes e o jogador B foi eliminado apenas 60.

E aí ficou claro que a estatística de Avg., ainda que mostrasse como um jogador era capaz de conseguir rebatidas, isso não era exatamente a melhor coisa para o time. Para um time vencer, era muito mais importante o quanto o jogador chegava em base - e portanto evitava eliminaçōes. Por isso, uma nova estatística começou a aparecer como uma medida mais eficiente do que a antiga Avg., a chamada On Base Percentage (OBP), que mede exatamente isso: De todas as vezes que um jogador subiu ao bastão, em quantas ele chegou em base, seja por rebatida ou por walk. Usando o exemplo anterior, o jogador A teria um OBP de .300, enquanto o jogador B teria um OBP de .400. Então os números me diriam algo diferente: O jogador A era melhor conseguindo rebatidas, mas o jogador B era mais eficiente no bastão porque sabia chegar em base e evitar eliminaçōes. OBP, portanto, é um indicador melhor de eficiência no bastão do que Avg.

Mas tem uma outra coisa a ser levada em conta, que é a força dos jogadores. Se dois jogadores conseguem 10 rebatidas em 30 tentativas, só que um deles rebate 10 Home Runs e o outro 10 rebatidas simples, ambos teriam o mesmo aproveitamento e o mesmo OBP, mas o primeiro teria sido um jogador muito mais importante pro seu time. Por isso Home Runs é uma boa medida de força, certo?

Hmm, não. Imagine o seguinte cenário: Jogadores A e B, cada um foi ao bastão 150 vezes e teve 50 rebatidas. O jogador A acertou 10 Home Runs, e o jogador B acertou 5 HRs e mais 20 rebatidas duplas. Ambos teriam o mesmo aproveitamento e o OBP, mas o jogador A teve mais Home Runs... Mas será que sua força ao rebater 10 HRs foi mais útil do que a força do jogador B, que rebateu apenas 5 Home Runs mas teve outras 20 rebatidas duplas? Por isso foi criada uma medida chamada Slugging Percentagem (SLG%), que é calculada como o Avg, mas com uma diferença: Ao invés de dividirmos o número de rebatidas pelo número de at bats, dividimos o número de bases que esse jogador conseguiu com suas rebatidas. Portanto cada rebatida simples ganha 1 base, rebatidas duplas ganham 2 bases, triplas 3 bases, e Home Runs ganham quatro bases. Essa estatística serve pra mostrar a habilidade do jogador para rebater pra ganhar bases (portanto não faz sentido incluir walks), e no nosso exemplo, teriamos que o jogador A ganhou 80 bases em 150 rebatidas (.533) e o jogador B ganhou 85 para um SLG% de .567. Portanto, o jogador B rebateu por força melhor que o jogador A, apesar de ter tido menos Home Runs.

Agora temos duas medidas eficientes pra medir o valor de um jogador no bastão: OBP pra medir a capacidade do jogador pra chegar em base e evitar eliminaçōes, e SLG% pra medir a produção de bases extras desse jogador. Como podemos combinar, portanto, essas duas coisas em uma só? Somando as duas, é claro! Surgiu assim a chamada On Base Plus Slugging (OPS) que é simplesmente a soma da OBP com a SLG% de um jogador. Portanto se um jogador tem um OBP de .350 e um SLG de .550, seu OPS será um bom .900. Essa medida tem falhas (ja vamos chegar nelas), mas é uma medida simples, fácil e eficiente de medir como o jogador é capaz de conseguir as duas coisas mais importantes pra um ataque: Chegar em base, e conseguir rebatidas extras.

Também temos o On Base Plus Slugging Ajustado (OPS+), cujo cálculo é muito difícil pra explicar em detalhes, mas que corrige os três últimos problemas do OPS simples: Os jogadores rebatem em campos com dimensōes diferentes, e portanto isso influenciar (e influencia bastante) os números de um jogador (quem rebate em um campo menor tem maior facilidade em rebater Home Runs, por exemplo) na hora de conseguir rebatidas; .100 em SLG% e .100 em OBP não significam a mesma coisa para um ataque em termos de contribuição, mas no OPS elas são tratadas com o mesmo peso (estudos mostram que OBP tem um peso entre 2 e 3 vezes maior do que SLG%. Vale citar também, porém, que o máximo que pode se ter em OBP é 1.000 - chega em base a cada vez que vai ao bastão - mas o máximo que se pode ter em SLG% é 4.000, conseguindo quatro bases - ou HRs - cada vez que rebater); e por fim, a dificuldade de usar OPS para comparar jogadores de diferentes eras, principalmente por causas nas diferenças no jogo (e sim, especialmente a era dos esteroides). Portanto, OPS+ usa o OPS normal, msa com pesos diferentes para SLG% e OBP e com um termo de ajuste para estádio e para o resto da Liga naquela temporada. É uma fórmula mais complicada, mas mais precisa que OPS, pra medir o valor individual de um jogador como rebatedor.

Por fim, foi criada uma estatística chamada Weighted Runs Created Ajustada (wRC+). Essa estatística é uma forma de aperfeiçoar o OPS+, mas utiliza os mesmos princípios: ela considera os dois fatores mais importantes de um rebatedor, capacidade de chegar em base e de conseguir rebatidas extras, combina esses dois fatores, e ajusta para todo tipo de fator externo (como estádio, por exemplo). Para finalizar, a estatística ainda é ajustada com base no resto da liga, tendo o mesmo efeito do OPS+ para comparar diferentes eras, se tornando assim um indicador sobre quantas corridas um jogador gerou com seu bastão relativo ao "médio" na liga. Então sendo 100 a "média" de qualquer normalização, se um jogador termina a temporada com wRC+ de 150, isso significa que ajustando para o estádio no qual jogou metade de seus jogos, ele gerou 50% a mais de corridas do que um jogador médio na liga. Da mesma forma, se ele teve um wRC+ de 80, ele foi 20% menos produtivo no bastão do que um jogador comum. É a forma mais condensada e avançada para medir, em um vácuo, a produção no bastão de um jogador em comparação com o resto da MLB.


Estatísticas de defesa
Principal estatística: UZR

Se você acha que as estatísticas usadas antigamente (ou nem tão antigamente por GMs) pra medir a eficiência ofensiva dos jogadores era primitiva, esperem até ver essa aqui. Ate Bill James, a única estatística defensiva que existia eram os chamados Erros.

Muito simplesmente, um Erro é quando um jogador comete algum erro que resulta em uma vantagem para o adversário, seja um jogador que deveria ser eliminado e não foi, um errou de lançamento que resultou em uma base extra para um jogador, etc. Por exemplo, se eu rebato a bola para o Shortstop de forma que ele possa me eliminar antes de chegar na primeira base, mas o shortstop fura a bola e eu consigo chegar em base, ele cometeu um erro (e isso não conta como rebatida válida para mim). Se eu consigo uma rebatida simples, mas na hora de jogar a bola de volta o RF lança a bola longe e eu consigo correr até a segunda base (o que eu não conseguiria se ele não errasse o arremesso), conta como uma rebatida simples pra mim e um erro do RF. E por ai vai.

Ok, por onde eu começo a falar dos problemas dessa estatística?? Primeiro, ela é extremamente subjetiva, quem determina o que "deveria" ter acontecido é o juiz da mesa, e ele que vai portanto interpretar se a jogada foi um erro, merito do rebatedor, e por ai vai. Duas pessoas podem interpretar diferente o mesmo lance, e por ai vai. Mas segundo e muito mais importante, ela é extremamente limitada! Se você cometeu um erro, é porque estava na bola no primeiro lugar, então você tem algum mérito por isso. Eu posso ter feito uma excelente jogada, lido perfeitamente a rebatida, me movimentado numa velocidade sobre humana pra chegar numa bola... Só que na hora que eu pulei pra pegar a bola e fazer a eliminação, a bola bateu na minha luva e caiu, e o juiz me deu um erro. Isso é extremamente injusto, pois com qualquer defensor da Liga alem de mim teria sido uma rebatida simples, mas por causa da minha habilidade superior, eu consegui chegar na bola... E fui penalizado por isso. Antigamente, os erros eram somados e quem cometia menos era o melhor defensor, mas imagine a seguinte situação: Numa temporada, dois RFs terminam com zero erros. Só que um deles é extremamente rapido, inteligente, chega em mais bolas do que nenhum outro jogador chega... E o outro é um gordão, lento e preguiçoso, que não comete erros simplesmente porque nunca chega em nenhuma bola por conta da sua falta de habilidade. Como você diferencia entre os dois? Como é possível saber, sem assistir a um jogo, qual o melhor defensor? Será que um jogador com mais erros as vezes não é um defensor melhor, e comete erros porque faz mais jogadas?

Por isso foi criado o Ultimate Zone Rating (UZR), a minha segunda estatística preferida depois de WAR, uma daquelas estatísticas que é extremamente difícil de calcular, mas extremamente precisa e extremamente fácil de entender. Para calcular o UZR, você divide o campo em 64 zonas e computa onde cada bola rebatida foi cair, com que velocidade e com que inclinação. E dai, a cada jogada que envolve um jogador defensivo, usasse essa base de dados pra ver qual foi o resultado da jogada envolvendo esse jogador em relação a todas as outras jogadas defensivas que envolveram essa bola sendo rebatida dessa forma para o mesmo lugar, e ve como essa jogada defensiva - em relação ao "normal" desse tipo de jogada - afetou as chances do adversário de anotar uma corrida.

Um exemplo pra ilustrar: Imagine que o primeiro rebatedor de um jogo sobe ao bastão. Nessa situação (nenhum eliminado, bases vazias), um time marca em média cerca de 0,5 corridas (não tenho o número exato aqui). Agora o primeiro rebatedor rebate a bola para o campo direito, com velocidade/ângulo e para um certo lugar onde, 95% das jogadas, ele é eliminado. No entanto, o RF estava desatento e saiu atrasado, permitindo que a bola passasse por ele para uma rebatida dupla. Nesse caso, o UZR computa para o RF a diferença entre o que aconteceu nos casos casos computados anteriormente (uma média ponderada entre todas as situaçōes, mas na grande maioria dos casos seria um eliminado e nenhum em base, e nessa situação um time anota em média 0,35 corridas) e o que aconteceu de fato (uma rebatida dupla - nessa nova situação, nenhum eliminado e um homem na segunda base, um time anota em média 1,2 corridas). Nesse caso, portanto, o jogador sairá da jogada com um UZR igual a 0,35 - 1,2 = - 0,85. Em outras palavras, defensivamente, esse RF custou ao time (estatisticamente) 0,85 corridas em relação a um jogador "médio".

Portanto, o UZR é dificil de calcular, mas bem fácil de interpretar: Ele representa o número de corridas que a defesa daquele jogador impediu (estatisticamente!) em relação a um jogador médio da mesma posição. Quando eu digo que o melhor defensor da MLB em 2011 é o Brendan Ryan com um UZR de 15,2, isso significa que ter Ryan no seu time ao invés de um Shortstop "médio" evitou que fossem marcadas 15,2 corridas contra o Mariners. Quando eu digo que o Curtis Granderson é o pior CF defensivo da MLB com um UZR de -15,9, é fácil entender que sua defesa é tão ruim que substituindo-o defensivamente por um CF médio teria evitado quase 16 corridas contra o Yankees. E por ai vai. Facil de entender, muito preciso e muito útil - eu realmente adoro essa estatística.


Estatísticas de arremesso
Principais estatísticas: ERA, BABIP, FIP

Tradicionalmente, arremessadores sempre foram medidos por uma estatística muito útil chamado ERA (e antigamente, bons arremessadores só eram bons se tivessem bolas muito rápidas - mais uma estupidez dogmática que faz a gente entender porque a MLB era a Liga que pior aproveitava talento nos EUA).

O ERA - Earned Runs Average - pega todas as Earned Runs (Quando um pitcher está arremesando e cede uma corrida, é computado uma Earned Run  A NÃO SER QUE essa corrida pudesse ter sido evitada, em algum momento, mas não foi por causa de um Erro da defesa - seja esse erro pra ele chegar em base, pra eliminar um terceiro jogador que teria encerrado a entrada antes dessa corrida, e por ai vai. Se for o caso, é uma Unearned Run, e não conta no ERA) cedidas por um pitcher, divididas pelo número de entradas arremessadas, multiplicadas por 9. Em outras palavras, mede quantas corridas um arremessador cede a cada nove entradas (ou um jogo completo) arremessado, e é uma boa medida de avaliar a produção de um pitcher até um dado momento.

Mas o ERA tem uma limitação: Ele mede apenas o que aconteceu, mas não separa exatamente o que nisso foi graças ao arremessador ou aos demais fatores. Dois pitchers exatamente iguais, mas um jogando com uma excelente defesa e outro jogando com uma defesa ruim, provavelmente vão ter ERAs diferentes mesmo se jogarem igualmente bem, porque a quantidade de corridas cedidas por um time certamente será menor quanto melhor for a defesa, mesmo que a ruim não cometa Erros. E além disso, tem o fator sorte: O quanto ela influencia na produção de um arremessador? E se, ao longo de uma temporada, essa sorte normalmente "zera" (mas nem sempre), quando ela vai mudar e como isso influencia o arremessador (quem joga fantasy sabe do que eu falo)?

Essa última de "sorte" parece um pouco forçada, não é? Então volte comigo pro final dos anos 90, quando um cara chamado Voros McCracken - um fã de baseball que brincava com estatísticas nas horas vagas - concluiu que tinha apenas três fatores em um jogo de baseball que o arremessador controlava: Home Runs cedidos, Walks, e Strikeouts (quando um jogador é eliminado com três strikes). Em outras palavras, ele concluiu que, sobre as bolas que os rebatedores colocavam em jogo (Home Run tecnicamente não entra em jogo), os arremessadores não tinham nenhum controle.

Parece um absurdo, certo? Afinal, grandes arremessadores, com grandes arremessos, deveriam ser capazes de segurar os adversários a um aproveitamento menor uma vez que a bola é colocada em jogo. A comunidade da MLB achou um absurdo sem tamanho, e mesmo a comunidade das Sabermetrics achou algo ridículo, e o próprio Bill James começou a coletar dados pra mostrar que Voros estava errado. Mas ele não estava. E foi aí que surgiu a estatística chamada BABIP - Bating Average for Balls in Play (Ou aproveitamento das rebatidas pras bolas em jogo). Os estudos de Voros - futuramente comprovados pela comunidade estatística - mostram que o valor dessa estatística (a proporção das bolas colocadas em jogo que efetivamente viram rebatidas) tende a ser praticamente igual pra todos os pitchers, geralmente em torno dos .300 (pitchers cujo jogo depende mais de bolas que caem - bolas de curva, sinkers, splitters, knucleball, etc - tendem a ter um BABIP um pouco mais baixo, mas nao tanto).  Ainda que as vezes tenhamos alguns pitchers com uma temporada acima ou abaixo dessa média, nunca isso se manteve ao longo das demais temporadas. Portanto, o BABIP é bem simples de interpretar: Se um pitcher está com um BABIP muito fora da curva, é porque a sorte tem interferido bastante nesse tipo de jogada - seja acima (tendo azar) ou abaixo (tendo sorte) do nível normal, isso indica que dificilmente o pitcher vá continuar com esse tipo de atuação por muito tempo.

Adição rapida sobre BABIP: Alguns fatores podem afetar o BABIP de um pitcher, principalmente a composição das suas eliminaçōes (eliminaçōes pelo chao, pelo ar, etc), então alguns sites tem um BABIP "projetado"ou "normal" para o pitcher de acordo com essa composição. Essas variaçōes não são enormes, mas podem afetar de forma significante em alguns casos mais extremos, então em alguns casos vale ver o BABIP "projetado" pra um pitcher ao invés de usar o da Liga como referencia. Exemplo rapido - Em 2009, Andy Pettitte teve um BABIP de .297 e Joel Pineiro um BABIP de .295. No entanto, examinando os tipos de rebatidas que eles induziam, Pineiro foi o principal pitcher da Liga eliminando jogadores por bola rasteira - que tem maior chance de eliminação - de forma que era normal que ele tivesse um BABIP mais baixo, de forma que ele possivelmente teve azar no ano. PEttite, ao contrario, eliminou mais jogadores por lineuots - que tem menor chance de eliminação - e portanto seu BABIP deveria ter sido acima do normal, de forma que ele provavelmente teve sorte em 2009.

Mas o BABIP explica apenas a parte da sorte nas bolas em jogo que o arremessador tem. Isso não é a única coisa que influencia o ERA de um arremessador. A defesa da equipe, por exemplo, tem um papel importante nisso. Por isso foi criado o FIP - Fielding Independent Pitching - que mede exatamente o que o nome sugere, o seu ERA uma vez removidas as influências da defesa e demais fatores (inclusive sorte) focando exatamente nas três coisas que um pitcher é capaz de controlar: Strikeouts, Walks e Home Runs. A conta é complicada e alguns centros ainda divergem no melhor método pra calcular o FIP, mas a interpretação é simples: Quanto seria, aproximadamente, o ERA de um pitcher levando em conta APENAS a sua performance individual, e não fatores como sorte ou defesa. Portanto se um pitcher está com um ERA de 3.30, você pode olhar e pensar "nossa, esse cara ta destruindo!"... Mas ai você ve que ele também está com um BABIP de .270 e um FIP de 4.4, e percebe que não é exatamente assim, e que ele tem tido uma boa ajuda tanto da sua defesa como da sorte e demais fatores que ele não controla, e provavelmente vai sofrer uma regressão conforme a temporada avança pois esses fatores tendem a nivelar. Da mesma forma, um pitcher com um ERA de 3.8 mas com um BABIP de .300 e um FIP de 3.7 tem um mérito individual muito maior que o outro, mas não tem sido tão ajudado.

Tangente rápida/curiosidade: Como voces devem ter percebido, isso é extremamente util quando se está jogando fantasy. Ano passado, Josh Beckett estava com um ERA de 2.10 e vindo de três one-hitters consecutivos lá pelo meio da temporada e meu amigo aproveitou isso pra pular pra primeiro na nossa Liga de fantasy baseball. Eu imediatamente liguei pra ele e avisei "Cara, troque Beckett agora pela melhor oferta que voce tiver (Albert Pujols e algum pitcher que eu não lembro) antes que ele mude de ideia!". Ele achou que eu estava louco ou zuando com a cara dele, mas eu tinha meus motivos: Beckett estava com um BABIP de .220 e um FIP de 3.1 praticamente gritando "REGRESSÃO!" na minha cara, enquanto que Pujols voltava de lesão devagar mas tava com um BABIP - não confiem em BABIP pra rebatedores a não ser em casos muito extremos, btw - abaixo de .200. e o pitcher que vinha junto na troca tinha um FIP respeitavel. Ele fez a troca, Beckett regrediu e não voltou a arremessar naquele nível, Pujols pegou fogo, e meu amigo ganhou a Liga de fantasy. A lição, como sempre: As vezes fãs realmente sabem mais que GMs, até em times de fantasy.


Estatísticas gerais
Principais estatísticas: VORP, WAR

Ok, estamos quase acabando. Agora que temos estatísticas eficientes para medir a produtividade e eficiência de jogadores em termos de arremessos, rebatidas e defesa, ta na hora de juntar tudo isso em uma só medida para a produtividade geral de um jogador num campo de baseball. E pra isso temos duas estatísticas principais, VORP e WAR.

Embora eu não seja muito fã de Value Over Replacement Player (VORP), algo como valor acima de um jogador substituto, por não levar em conta defesa, eu decidi colocar ela aqui por um simples motivo: Ela é precisa e é extremamente fácil de entender. Ela basicamente mede a capacidade de um jogador de produzir corridas (ou, no caso dos arremessadores, evitá-las) acima do que produziria um jogador de Replacement Level (Algo como "Nível de substituição"), que geralmente é definido como sendo entre 70 e 85% de um jogador médio daquela posição, com a porcentagem dependendo da posição. Portanto, se eu te digo que o VORP do Jose Bautista ano passado foi de 77, quer dizer que ele produziu 77 corridas a mais para o seu time no ataque (Rebatendo, chegando em base, correndo nas bases, tudo) do que um RF um pouco abaixo da média (no caso dos pitchers, o contrário, evitou X corridas a mais do que um arremessador assim). Simples, direto, leva em conta quase todos os aspectos relevantes (tirando defesa) como roubos de base, velocidade nas bases, jogos perdidos, etc e é bem fácil de entender, bom pra comparar jogadores... Pena que seja dificílimo calcular. Mas tudo bem, tem sites que calculam pra gente.

Então ok, VORP é uma boa estatística pra comparar jogadores. Mas mesmo assim, nao ganha de WAR - Wins Above Replacement. Outra estatística difícil de calcular, mas que pega o VORP e leva a um outro nível, incorporando defesa e qualquer outro aspecto presente no jogo de um determinado jogador e nos diz quantas vitórias um certo jogador da a um time sobre o famoso "Replacement Player". Ou seja, ele é mais preciso que o VORP porque o VORP é uma medida apenas ofensiva e o WAR mede todos os aspectos desse jogador e no que ele afeta o jogo, mas ao invés de nos dizer em corridas, nos diz em vitórias, mais fácil impossível. Portanto se ano passado Jose Bautista (8.3) foi o lider em WAR, isso quer dizer que se tirassemos ele do Jays e colocassemos no lugar um substituto um pouco abaixo da média da posição, o Jays teria 8.3 vitórias a menos, levando em conta ai também o quanto ele perdeu de jogos e tudo mais. E ela é minha favorita porque, se você pegar uma lista de WAR de uma temporada, vai ver que não necessariamente ela te da os melhores jogadores, mas te da os mais valiosos de uma forma as vezes sutil: Por exemplo, em 2009 o melhor WAR da Liga (8.6) foi do Ben Zobrist, acima dos MVPs Joe Mauer (8.1) e Albert Pujols (8.5). Apesar de Mauer e Pujols terem números ofensivos melhores, Zobrist (que também teve bons números ofensivos e um OBP quase ofensivo de .406) provavelmente foi mais valioso pra Tampa por dois motivos: Primeiro, ele não perdeu nenhum jogo na temporada inteira; e segundo, ele jogou em SETE posiçōes diferentes ao longo da temporada, passando a maior parte do tempo mudando entre 2B e RF... E teve um UZR positivo em todas elas, inclusive 15 e 10 em 2B e RF, respectivamente. Ele cobria qualquer buraco do time, e isso significava demais pra flexibilidade do time.

WAR tem apenas um pequeno problema: Como as duas Ligas possuem regras diferentes quanto ao DH, o WAR normaliza a AL e a NL de forma separada pra tirar essa diferença. O problema é que isso assume que o talento nos dois lados é aproximadamente igual... E quanto não é o caso e temos uma clara disparidade, fica um pouco difícil usar WAR pra comparar jogadores de diferentes Ligas - especialmente pitchers. Ainda assim, um problema pequeno pra uma estatística sensacional.


Resumo final

Ufa, ta acabando. Então vamos lá ver o que vimos hoje:

Principais estatísticas de ataque: OBP (Aproveitamento para chegar em base e evitar eliminaçōes), SLG% (Medida de força pra quantas bases um jogador consegue por rebatida), OPS (produtividade total no bastão), OPS+ (OPS ajustada por estádio, era e com pesos adequados) e wRC+ (medida condensada do valor de um jogador rebatendo, ajustado por era e estádio); são as medidas usadas pra verificar a produtividade de um jogador no bastão e como ele contribui assim para a equipe.

Principal estatística de defesa: UZR (Quantas corridas um jogador cede a menos defensivamente que um jogador "médio" na mesma situação) é usada pra medir a eficiência defensiva de um jogador.

Principais estatísticas de arremesso: ERA (Corridas cedidas por nove entradas), BABIP (Bolas em jogo que viram rebatidas) e FIP (ERA tirando tudo que não está no controle do arremessador); são usadas pra avaliar a produtividade real de um arremessador e o quanto ele tem sido ajudado por sorte e demais fatores além do seu controle.

Principais estatísticas gerais: VORP (Quantas corridas a mais - ou a menos - um jogador  - ou pitcher -gera para seu time em relação a um jogador de RL), WAR (Quantas vitórias um certo jogador te da acima de um jogador de RL); são usadas pra avaliar o valor total de um jogador a um determinado time.

Deu pra entender tudo? Espero que sim, porque deu um trabalho do cão. Foi mal se ficou muito longo, mas queria fazer o mais detalhado e intuitivo o possível pra quem está vendo isso pela primeira vez, e também pra servir caso alguém precise consultar os detalhes algum dia. Espero que tenham aproveitado e que se interessem mais agora por baseball e pelo que os números nos dizem. Até a próxima.