Η κανονική περίοδος και τα πλέι-οφς του NBA : σύγκριση και προβλέψεις με στατιστικές μεθόδους

Χρυσής, Βασίλειος

dc.contributor.advisor	Πολίτης, Κωνσταντίνος
dc.contributor.author	Χρυσής, Βασίλειος
dc.date.accessioned	2024-04-04T06:50:06Z
dc.date.available	2024-04-04T06:50:06Z
dc.date.issued	2024-03
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/16349
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/3771
dc.description.abstract	Τη σημερινή εποχή τα δεδομένα αποτελούν τη βάση της σύγχρονης κοινωνίας, αποτυπώνοντας τον ψηφιακό κόσμο και τις αλληλεπιδράσεις μας με αυτόν. Η συλλογή τους αποτελεί ένα σημαντικό βήμα στη διαδικασία ανάλυσης και εξαγωγής σημαντικών πληροφοριών. Από τη βιομηχανία μέχρι τον αθλητισμό, η τεχνολογία έχει δημιουργήσει μια μεγάλη συλλογή δεδομένων. Στον αθλητισμό και ειδικότερα στις διοργανώσεις της καλαθοσφαίρισης η ανάλυση δεδομένων έχει αλλάξει θεμελιωδώς τον τρόπο που οι ομάδες και οι προπονητές σχεδιάζουν τους αγώνες και αντιδρούν στον αγωνιστικό χώρο. Με τη συνεχή ροή στατιστικών δεδομένων, τόσο για τους παίκτες όσο και για τις ομάδες, δίνεται η δυνατότητα στους προπονητές να βελτιώσουν τα αδύναμα σημεία της ομάδας τους και να επαναπροσδιορίσουν τις στρατηγικές τους. Μέσω αυτών των δυνατοτήτων η ανάλυση δεδομένων αναδεικνύει ένα νέο επίπεδο προηγμένης προετοιμασίας και ανταγωνιστικότητας στα πρωταθλήματα. Στην παρούσα διπλωματική εργασία εκτός από τις κλασικές μεταβλητές που συλλέγονται στους αγώνες καλαθοσφαίρισης της διοργάνωσης του National Basketball Association (NBA), όπως οι πόντοι ανά παιχνίδι και οι ασίστ, δημιουργήθηκαν και ορισμένες νέες στατιστικές μεταβλητές, όπως οι κατοχές και ο δείκτης DRt, ώστε να επιτευχθούν οι στόχοι που τέθηκαν εξαρχής. Αρχικά, παρουσιάζεται μέσω πινάκων και κατάλληλων γραφημάτων μια περιγραφική ανάλυση όλων των μεταβλητών για τα δεδομένα που συλλέχθηκαν από τις τελευταίες δεκαπέντε (15) σεζόν της διοργάνωσης. Έπειτα ακολουθούν ορισμένοι έλεγχοι, κανονικότητας και συσχέτισης, που εκτελέστηκαν προτού εφαρμοστούν τα κατάλληλα γενικευμένα γραμμικά μοντέλα, ώστε να βρεθούν οι σημαντικότερες μεταβλητές που επηρεάζουν την κατάκτηση του πρωταθλήματος και την πρόκριση (ή μη) μιας ομάδας στην φάση των Playoffs. Ακόμα, γίνεται μια ανάλυση των δεδομένων βάσει χρονοσειρών ώστε να παρουσιαστούν προβλέψεις για τις επόμενες δύο (2) σεζόν. Στη συνέχεια, χρησιμοποιούνται κατάλληλες τεχνικές μηχανικής μάθησης, ώστε να δημιουργηθούν ορισμένα μοντέλα ταξινόμησης (classification) και να διερευνηθεί αν υπάρχουν ανάμεσα στα δεδομένα κλάσεις με κοινά χαρακτηριστικά (clustering), για να εξεταστεί η πρόκριση των ομάδων στη φάση των Playoffs. Τέλος, παρουσιάζονται τα τελικά συμπεράσματα της εργασίας και τυχόν ομοιότητες με προηγούμενες αναλύσεις που έχουν γίνει.	el
dc.format.extent	216	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Η κανονική περίοδος και τα πλέι-οφς του NBA : σύγκριση και προβλέψεις με στατιστικές μεθόδους	el
dc.title.alternative	Regular season and playoffs at the NBA : comparison and predictions using statistical methods	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης	el
dc.description.abstractEN	In modern times, data is considered an integral part of society, reflecting the digital world as well as our interactions within it. Data acquisition and, subsequently, its analysis leads to extraction of important information, shedding light to many “gray” aspects. From the pharmaceutical industry to sports, technology has contributed to the acquisition of a vast pool of data. More specifically in sports, particularly in basketball events, data analysis has fundamentally altered how teams and their coaches plan the games as well as how they behave on the field. With the continuous flow of statistical data for both players and teams, coaches get to have better insights and, consequently, improve the “Achilles Heel” of their team's and redefine their strategies. Thus, data analysis seems to have unlocked a whole new level of advanced preparation and competitiveness in championships. This thesis focuses on sports and utilizes a combination of the performance indicators collected in National Basketball Association (NBA) games (e.g points per game and assists) and novel, recently created statistical variables, such as possessions and the DRt index. Initially, a descriptive analysis of all variables for the data collected from the last fifteen (15) seasons of the tournament is presented through tables and appropriate graphs. Then, certain tests of normality and correlation are conducted before applying suitable generalized linear models to find the most significant variables affecting championship conquest and a team's advancement (or lack thereof) to the Playoffs stage. Additionally, a time series data analysis is performed to provide forecasts for the next two (2) seasons. Subsequently, appropriate machine learning techniques are used to create classification models and explore if there are classes with common characteristics among the data (clustering) to examine team advancement to the Playoffs stage. The final conclusions of the study are presented along with comparisons to previous analyses conducted.	el
dc.contributor.master	Εφαρμοσμένη Στατιστική	el
dc.subject.keyword	NBA basketball	el
dc.subject.keyword	Μπάσκετ	el
dc.subject.keyword	Λογιστική παλινδρόμηση	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	Χρονοσειρές	el
dc.subject.keyword	Στατιστική ανάλυση	el
dc.date.defense	2024-03-26

Αρχεία σε αυτό το τεκμήριο

Name:: Chrysis_22012.pdf
Μέγεθος:: 8.036Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα