home *** CD-ROM | disk | FTP | other *** search
/ Cream of the Crop 20 / Cream of the Crop 20 (Terry Blount) (1996).iso / database / sbs301.zip / BASEBALL.INF < prev    next >
Text File  |  1995-07-24  |  14KB  |  324 lines
  1. BASEBALL.INF
  2. August 1, 1995
  3.  
  4.                     JUST HOW DOES THIS THING WORK?
  5.  
  6. A few people have asked how SBS goes about simulating a game, so I
  7. decided to write down a few notes for those interested.
  8.  
  9.  
  10. HITTING vs PITCHING - the first step:
  11.  
  12. A hitter can do one of six things in SBS. He can:
  13.   1) Make an out.
  14.   2) Get a walk.
  15.   3) Get a single.
  16.   4) Get a double.
  17.   5) Get a triple.
  18.   6) Get a Home Run.
  19. (He could also get on base on an error but that is really a subset of
  20. making an out as far as the stats are concerned). SBS calculates from
  21. the hitter's record the probability of each occurrence. Then the
  22. pitcher's record is considered which modifies the probabilities. This
  23. will be demonstrated by working through an example. Consider the batter
  24. named Joe Hitter:
  25.  
  26.              AB  Hits 2B  3B  HR  BB  K   AVG
  27. Joe Hitter  482  147  20   4  12  41  71 .305
  28.  
  29. Compute PA (Plate Appearances) = AB + BB = 523
  30.   (ignore sacrifice hits and Hit-By-Pitched-Balls which would make PA a
  31.   little larger)
  32. Compute HBB (probability of Walk) = BB / PA                       = .078
  33. Compute H1 (probability of single) = (Hits - (2B + 3B + HR)) / PA = .212
  34. Compute H2 (probability of double) = 2B / PA                      = .038
  35. Compute H3 (probability of triple) = 3B / PA                      = .007
  36. Compute H4 (probability of HR) = HR / PA                          = .023
  37.                                                                  -------
  38.                                                                     .358
  39.  
  40. What's left is the probability of making an out (or possibly getting on
  41. on an error): 1.000 - .358                                        = .642
  42.  
  43. We have determined Joe's probabilities as a whole against all the
  44. pitchers he faced that particular season. But now we have to calculate
  45. probabilities given a particular pitcher. Consider a player named Jack
  46. Pitcher:
  47.  
  48.               IP  Hits  HR  BB  K
  49. Jack Pitcher 200  210   15  50  80
  50.  
  51. If a pitcher threw 200 innings we know he got approximately 600 batters
  52. out. The ones he did not get out got hits or walks or reached on errors.
  53.  
  54. Compute BF (batters faced) = (IP x 3) + Hits + BB
  55.  
  56. Sometimes a pitcher gets a few extra outs such as double plays and
  57. runners getting thrown out on the bases. On the other hand sometimes he
  58. faces extra hitters because his defense makes errors. These two factors
  59. just about cancel each other out so we can leave the BF equation alone
  60. for purposes of explanation.
  61.                        
  62. We now need to compute the probabilities for the pitcher for the same
  63. events that we calculated for the batter.
  64.  
  65. Compute BF (batters faced) = (IP x 3) + Hits + BB = 860
  66.  
  67. Compute PBB (probability of Walk) = BB / BF                      = .0581
  68. Compute P1 (probability of single) =  Hits x .717 / BF           = .1751
  69. Compute P2 (probability of double) =  Hits x .174 / BF           = .0425
  70. Compute P3 (probability of triple) =  Hits x .024 / BF           = .0059
  71. Compute P4 (probability of HR) = HR / BF                         = .0174
  72.  
  73. The statistics do not usually tell us how many singles, doubles and
  74. triples a pitcher allowed. Usually just the totals hits and home runs
  75. are given. However, we can use the multipliers .717, .174 and .024 to
  76. estimate singles, doubles and triples from the total number of hits.
  77. [If all "HR's allowed" are zero in the .DAT file, SBS uses a "league
  78. average" for P4 found from data in the .CFG file. This essentially
  79. removes any influence a pitcher has over this statistic, however].
  80.  
  81. Comparing the percentages we obtained from the hitter with the pitcher
  82. we have come up with the following:
  83.  
  84. Event       Hitter       Pitcher
  85. ------      ------       -------
  86. walk         7.72%         5.81%
  87. single      20.90%        17.51%
  88. double       3.77%         4.25%
  89. triple       0.75%         0.59%
  90. home run     2.26%         1.74%
  91. out         64.60%        70.10%
  92.  
  93. At first glance it might seem that all we need to do now is average the
  94. hitters and pitchers events like this:
  95.  
  96. single = (20.9% + 17.51%) / 2 = 19.21%
  97. etc. for the rest of the events
  98.  
  99. This method is unacceptable, however, because it penalizes the outstanding
  100. players and rewards the poor players. That is, it tends to lump everyone
  101. together too much. In our example above we have a good hitter, (.305 vs
  102. the league) against a quite average pitcher. Certainly we could not
  103. expect his single% to DROP to 19.21% from 20.90%! After all if this is
  104. an average pitcher we would expect our batter to do at least as well
  105. against him as he did against the rest of the league!
  106.  
  107. The solution is to use "league averages" for the events and to compare
  108. our pitcher's performance against the league averages. For example, we
  109. can pick up a baseball statistics magazine containing the statistics
  110. from the preceding year, and calculate the total "batter's faced" for
  111. all the pitchers for the entire season. We can also total the number of
  112. walks, hits, and home runs -- and estimate using our multipliers above
  113. -- the total number of singles, doubles, and triples. Then we can
  114. calculate our "league averages".
  115.  
  116. For example, we find that for an entire season there was 17,500 innings
  117. pitched, 16,500 hits, 1450 Home Runs, 6,300 walks. Calculate League
  118. Averages:
  119.  
  120.   League Avg. BF = 17,500 x 3 + 16,500 +  6,300 = 75,300
  121.  
  122.    " " " "    LABB     =         6,300 / 75,300 = .0837
  123.    " " " "    LA1      = .717 x 16,500 / 75,300 = .1571
  124.    " " " "    LA2      = .174 x 16,500 / 75,300 = .0381
  125.    " " " "    LA3      = .024 x 16,500 / 75,300 = .0053
  126.    " " " "    LA4      =         1,450 / 75,300 = .0193
  127.  
  128. Finally we can combine our hitter percentages with our pitcher
  129. percentages to get meaningful probabilities:
  130.  
  131. Combined percentages:
  132. walk%     = HBB * (PBB / LABB)  = .0536
  133. single%   = H1  * (P1  / LA1)   = .2329
  134. double%   = H2  * (P2  / LA2)   = .0421
  135. triple%   = H3  * (P3  / LA3)   = .0083
  136. home run% = H4  * (P4  / LA4)   = .0204
  137.  
  138. Note that if the pitcher's percentages are nearly equal to the League
  139. Averages, the second factor becomes essentially 1 and the hitter
  140. performs as expected. But if the pitcher's percentages are substantially
  141. better (lower) than the League Averages, the second factor will be less
  142. than 1 and the hitter will suffer. The reverse is true if the pitcher's
  143. percentages are worse (larger) than the League Averages.
  144.  
  145.  
  146. RIGHTYS VS LEFTYS - the second step:
  147.  
  148. The example above is the basis of how a given hitter is expected to
  149. perform against a given pitcher. But we also can fine-tune our model to
  150. correct for the baseball maxim that right-handed batters do better
  151. against left-handed pitchers and vice-versa. [A batter facing a
  152. like-handed pitcher suffers somewhat]. This is, of course, a very
  153. individual thing -- not affecting some players while severely affecting
  154. others. SBS does not know which players are exceptional in this area --
  155. the data files do not show a breakdown versus right or left handed
  156. opponents. But we can make some broad assumptions which are useful in
  157. large simulations.
  158.  
  159. Approximately two-thirds of all innings pitched are by right-handers.
  160. Because a typical batter will see so much more right-handed pitching
  161. than left-handed pitching, his average vs. left-handed pitching will
  162. show a greater fluctuation.
  163.  
  164. Consider the following typical scenario for a RIGHT-handed hitter:
  165.  
  166.                               AB   Hits  Avg.
  167.                             _________________
  168.  Total                     | 600   180  .300
  169.                            |
  170.  vs. Right-Handed Pitching | 400   116  .290
  171.                            |
  172.  vs. Left-Handed Pitching  | 200    64  .320
  173.  
  174. Notice that his boost vs left-handed pitching (20 points) is twice that
  175. of his penalty vs. right-handed pitching (10 points). This is because he
  176. sees approximately twice as much right-handed pitching over the course
  177. of a season.
  178.  
  179. For the typical LEFT-handed hitter:
  180.  
  181.                               AB   Hits  Avg.
  182.                             _________________
  183.  Total                     | 600   180  .300
  184.                            |
  185.  vs. Right-Ha