Resumenes gráficos de variables en escala nominal

Las dos formas más frecuentes de resumir gráficamente variables de escala nominal son los diagramas de barras y los diagramas de sectores. Lo que se representa en ambos casos es la cantidad de eventos que se han dado en cada una de las categorías. Es importante señalar, que el orden en el que se presentan las categorías no tiene ningún significado.

En apuestas deportivas no es fácil encontrar casas que nos ofrezcan apuestas relacionados con variables en escala nominal. Uno de los pocos ejemplos que podemos encontrar son apuestas al primer evento que se puede producir en un partido de futbol. Bwin es una de las pocas casa en las que se pueden encontrar apuestas de este tipo y hace un par de semanas ofrecían lo siguiente para el partido entre el Cluj y el Chelsea (lo he seleccionado en honor a mi compañero Baldani que es un apasionado de la liga Rumana):

Primer evento en la primera parte

1. Tarjeta @ 1.7
2. Gol @2.65
3. Sustitución @15
4. Medio tiempo @8.5

Este es un claro ejemplo de variables en escala nominal. Se ofrecen 4 categorías diferentes con sus cuotas entre las cuales no existe ningún tipo de relación de orden, entendiendo por orden, el que una categoría sea mayor a otra. Evidentemente no se puede decir que tarjeta sea mayor que sustitución o que gol sea menor que medio tiempo.

Para realizar nuestro resumen utilizaremos los datos que ofrecía la propia Bwin. Allí podíamos encontrar los resultados de los dos equipos en sus seis ultimos encuentros y además entrando en cada uno de los partidos podíamos ver los detalles del mismo. Esta será nuestra fuente de datos para este ejemplo.

Iremos partido por partido apuntando el primer evento hasta obtener una columna con 12 datos (6 datos por cada equipo)

Una vez tenemos esto, el siguiente paso es construir un histograma y esto se puede hacer de varias formas en Excel. La que más utilizo, porque creo que es la más rápida y flexible es la tabla dinámica, aunque también se pueden usar otras como los subtotales, la función histograma implementada en el complemento de análisis de datos, la función de excel frecuencia() o la más simple contar.si(). Es esta última la que vamos a explicar en este ejemplo.

El resultado final que vamos a obtener es una hoja como esta:

En la que en la columna D tenemos los datos de los partidos, que hemos ido sacando de Bwin y en las columnas H-I-J-K tenemos los resultados.

Así, partiendo de la tabla de datos, vamos a crear la siguiente:

En la primera columna colocaremos los cuatro tipos de eventos. IMPORTANTE, la función contar.si() no distingue entre mayúsculas y minúsculas, pero si es sensible a los espacios entre palabras o al final de las mismas. Así que, lo que recomiendo, es copiar y pegar los identificadores de cada una de las categorías para no equivocarnos al teclear.

En el resto de la tabla introduciremos la siguientes fórmulas. Los $ supongo que sabeís para que sirven, y se colocan SOLO EN WINDOWS pulsando [F4] repetidas veces, para fijar la celda, la columna o la fila. Volveremos sobre esto en otras entradas.


La columna de frecuencias la obtendremos con la función contar.si() de Excel, que tiene dos argumentos. El primero es el rango donde se encuentran nuestros datos, y el segundo es el criterio, lo que queremos que Excel cuente. Para nuestro ejemplo el rango de datos siempre es el mismo y lo fijamos con los símbolos de $ para que no varíe al arrastrar la función y el segundo es el nombre de la categoría. Con esto conseguiremos que Excel nos cuente la cantidad de veces que aparece el nombre de la categoría en el rango de datos que le hemos dado. A esto habitualmente se le llama frecuencia.

En la siguiente columna hemos calculado un cociente entre la frecuencia de cada categoría y el total de elementos que tenemos. Esto representa la cantidad de elementos que tenemos de cada categoría con respecto al total. A esto se le llama frecuencia relativa y se suele representar en porcentajes, porque también coincide con la probabilidad de que se de un resultado de esa categoría.

Y con esto tenemos ya nuestro resumen gráfico en forma de histograma


Que podríamos representar también en diagrama de sectores:


Como podeis ver en este caso los % coinciden con las frecuencias relativas que hemos calculado en la tabla.

El último paso que nos quedaría sería el de utilizar estos datos para evaluar las cuotas que nos ofrecía Bwin. Si considerasemos como representativos estos seis partidos de cada equipo para evaluar el partido en cuestión, las cuotas que Bwin debería haber ofrecido serían las mostradas en la última columna de la tabla. Para su cálculo simplemente divdiremos 1 por la frecuencia relativa. Comparando estas cuotas teóricas con las ofrecidas por Bwin vemos que existe una discrepancia en la de Sustitución, que Bwin la ofrecía a 15, mientras que en nuestro cálculo habíamos obtenido 6. Esta sería para nosotros una apuesta de valor (value bet) y sería la que deberíamos elegir.

Antes de acabar puntualicemos varias cosas, por si las moscas.

1. Los datos de partida son inventados, pero las cuotas eran las reales
2. No es muy conveniente utilizar solo 6 partidos como un estimador razonable. Cuando se usan tablas de contingencia se habla de que hay que tener como mínimo 5 datos por cada casilla. En nuestro caso sería conveniente tener al menos 5 datos para cada una de las categorías, lo que solo se cumple para una de ellas.
3. Es muy probable que la value bet que obtengamos no sea la que tiene una probabilidad más alta de salir, lo que quiere decir que es probable que no salga. Pero, pero, pero, si seguimos utilizando este método y nuestros análisis son correctos, la frecuencia con la que se irán dando los aciertos hará que se compensen las pérdidas a largo plazo.

Creo que ha sido un pequeño ladrillo para comenzar la semana. Espero que no se haya dormido nadie. Hasta otra

Las dos caras de la verdad

En relación a la entrada anterior, haremos un comentario sobre la preparación para apostar. Desde luego que no tenemos que hacer una gran marca en el test de Cooper, ni lograr hacer más de 100 dominadas para afrontar el cierre de una apuesta, pero sí que debemos partir de un estado físico y mental mínimamente adecuado para este hecho.

Cuando nos enfrentamos al cierre de una apuesta, suceso que habitualmente hacemos con total naturalidad en la mayor parte de los casos, debemos ser conscientes de que la calma y la frialdad han de anteponerse a cualquier otra sensación del cuerpo. Con la misma predisposición deberemos proceder a la lectura de los infinitos pronósticos que se ven publicado en los diferentes foros, blogs y demás espacios de la red.

Si leyésemos un post de este tipo ¿cuál sería nuestra reacción?

F.C.Barcelona-Atlético de Madrid: el segundo partido más esperado del año para los rojiblancos tras el duelo con su eterno y vecino rival el Real Madrid. Este partido enfrenta al quinto y séptimo clasificados en la liga con un Atlético más que motivado para la victoria final. Comandados por su líder el Kun y reforzados sus planteamientos tras el partido de la Champions League, competición en la que marchan co-líderes empatados a puntos con el todopoderoso Liverpool, llegan a un Camp Nou que esperará a los blaugranas con excepticismo.

Tras la agónica remontada de los culés en campo del débil Shaktar Donest, propiciado por un error colegial del portero, los locales tendrás más dudas que certezas a la hora de plantear su fútbol. Con un Henry que ha pasado de ser el 9 indiscutible de Guardiola a ser el blanco de todas las críticas, un Etoo tan voluntarioso como poco efectivo en su mejor faceta, el gol, y un Messi que parece ser un carro de fuegos de artificio, deberán doblegar a la tercera mejor defensa del campeonato. Esto, sumado a que en los últimos 8 enfrentamientos directos del Barcelona-Atlético sólamente 2 cayeron del lado catalán, podemos arriesgar un stake moderado por la victoria rojiblanca en el colosal estadio del Barcelona a la descabellada cuota de 6,50.

Si por contra leemos para el partido F.C. Barcelona-Atlético de Madrid leemos el siguiente post a favor de la victoria local, ¿cuál sería nuestra inercia?:

F.C.Barcelona-Atlético de Madrid: clásico entre los clásicos en el Camp Nou. El F.C. Barcelona recuperado de las dudas que asaltaron tras la derrota en "Los Pajaritos" ha comenzado su despegue a fuerza de remontadas. Cuando todo parecía en contra de la reacción de los de Pep en el Olímpico de Monjuit, Henry sacó su mejor cara y logró cazar un rechace que supuso el inicio del despegue culé. Un partido destinado al empate, fue salvado por el camerunés Etoo con una acción que terminó en un más que discutido penalty transformado por Messi, el mejor jugador del mundo en estos momentos. Y es que el Barcelona tiene demasiados recursos ofensivos, con Xavi (en la versión más goleadora de su historia), Etoo, Henry, Messi e incluso Gudhjonsen desde el banquillo hacen muy difícil que el Barcelona termine un partido sin hacer gol.

Por si este baño de moral fuese poco, volvió a zambullirse en tan cálidas aguas durante su enfrentamiento en la máxima competición continental. Se perfiló con una nueva remontada como sólido líder de su grupo y ofreciendo un final de partido que nos indican lo fuerte y mentalizado que está el conjunto de Guardiola para exprimir los partidos hasta obtener la victoria.

Por el lado colchonero, muchas serán las bajas que presenten el domingo. Aguirre no podrá contar con la presencia ni de Maniche, ni Simao, Seitaridis, Pablo Ibáñez y Forlán, por lo que ha recurrido a tres hombres del filial, Álvaro Domínguez, Keko y Joshua para completar la convocatoria. Si a esto le añadimos que de los últimos tres enfrentamientos entre los dos, el Barcelona obtuvo la victoria en 2 de ellos y sólo perdió a domicilio el año pasado, que ha marcado un total de 11 goles en esos tres partidos y recibido 4, podremos confiar en la segura victoria blaugrana.

Esto nos indica que además de dejar a un lado nuestros colores futbolísticos o deportivos, deberemos medir muy bien los post, que normalmente nos muestran los datos que más justifican el pronóstico del autor, dejando a veces otros que bajarían algunos puntos la confianza en los mismos.

Precaución amigo apostador. Toda apuesta suele tener dos caras como la película de Richard Gere y Eduard Norton que desde aquí recomiendo ver.

¿Por qué apostamos?

Existe una pregunta que todo apostante debería hacerse alguna vez: ¿Por qué apostamos?. O más concretamente ¿por qué he seleccionado este evento para apostar?. En la mayoría de los casos nos encontraríamos con respuestas del tipo, 'porque creo que va a salir', 'porque me da a mi que voy a acertar', 'porque tengo el presentimiento' o cosas similares. No parecen estos razonamientos demasiado lógicos ni consistentes, como para concluir que podemos seguir en esto de las apuestas con una cierta garantía de exito.

Si algún bookie nos ofreciese la posibilidad de apostar a que el gordo de la lotería nacional va a ser un número par o impar a una cuota de 1,95, es bastante probable que a ninguno de nosotros nos llamase demasiado la atención. Pero que pasaría si viesemos algo así:

  1. El gordo de la lotería nacional va a ser un número par @ 2,3
  2. El gordo de la lotería nacional va a ser un número impar @1,8

¿Que es lo que haríamos en este caso?.

Supongo que una gran mayoría pondría su dinero en la selección 1, pensando que tenemos una cuota de 2,3 en un evento con el 50% de probabilidad, un evento cara o cruz, básicamente. Este tipo de razonamiento es de lo más lógico ante este tipo de apuestas y debería ser el que utilizasemos para seleccionar cualquiera de nuestras apuestas deportivas. Deberíamos buscar cuotas con valor ('value bets'), cuotas cuya probabilidad asociada sea menor a la probabilidad real de que el resultado se de.

Una cuota de 2,3 correspondería, despreciando la comisión del bookie, a una probabilidad asociada de 1 / 2,3 = 43,48%. Esto es más de un 6.5% menor que la probabilidad real de que se de este resultado. Si tuviesemos la suerte de encontrar eventos de este tipo, el beneficio final esperado de nuestras apuestas sería:

VE = 0,5 * (2,3 -1) - 0,5 * 1 = 0,15

Es decir a largo plazo estaríamos ganando un 15% por unidad apostada.

El problema de esta estrategia, que repito debería ser la que nos guiase en esto de las apuestas, radica en la estimación de la probabilidad real de que el resultado se de. Teoricamente el bookie tiene más medios, tanto humanos como materiales, para estimar esta probabilidad mejor que nosotros. Lo que sucede es que hay veces que bien el bookie, bien nosotros (la mayor parte de las veces), fallamos en la estimación. Y a esto es a lo que quería llegar, muchas veces la estimación de la probabilidad no es tan sencilla como parece a primera vista.

En la pelicula 21 BlackJack, Kevin Spacey, que interpreta a un profesor de ecuaciones no lineales en el mítico instituto MIT, propone un problema a sus alumnos durante una de sus clases. El problema es una variante del famoso problema de Monty Hall, y decia algo así (lo cito de memoria):

Tengo tres cajas tapadas, en una de las cuales hay un cheque de 1000$ y te doy a elegir una de ellas.

Una vez has hecho tu elección yo, que se en que caja está el cheque, te abro una de las dos cajas que no has elegido y que no contiene el cheque. Si llegado a este momento te diese a elegir entre quedarte con tu caja o cambiarla por la otra que yo tengo ¿que harías?.

Una vision rápida y errónea del problema, podría ser.

En un primer momento tengo 3 cajas, con lo que la probabilidad de acertar al seleccionar la caja es de 1/3

Cuando abre la caja mala, me quedo con dos cajas, con lo que la probabilidad de acertar ahora es de 1/2, y es la misma para ambas cajas. Con lo que me da lo mismo cambiar que quedarme con la caja que había elegido en un principio. Meeeeeecccc, ERROR!!!

Demos un paso atrás y volvamos al principio.

Tenemos tres cajas y elegimos una. Tenemos 1/3 de posibilidades de haber elegido la caja buena y el profesor tiene un 2/3 de probabilidad de haberse quedado con la caja con el cheque. Si al abrir una caja que no contiene el cheque, me dan la posibilidad de pasarme al conjunto que tenía 2/3 de posibilidades de tener la caja con el cheque, así que debo cambiar siempre. Si hago esto, solo perderé en los casos en los que haya tenido la suerte de elgir la caja con el cheque en la primera elección, que será el 33% de las veces, mientras que ganaré el cheque en el 66% de las veces restante. Así, como dicen en la película, cambiaremos y le agradeceremos el favor de darnos un 33% más de probabilidad de acertar.

Casos con apariencia sencilla como este, inducen muchas veces al error en las estimaciones de las probabilidades y, por desgracia para nosotros, en las apuestas deportivas los casos son bastante más complicados, con lo que la probabilidad de equivocarsenos en las estimaciones son mucho mayores. En las diferentes entradas del blog relativas a la estadistica lo que vamos a intentar es ofrecer las pautas y herramientas necesarias para que nuestras estimaciones sean lo más precisas posibles. Hasta entonces os dejo con dos tonterías para que os divirtaís:

  1. ¿Cual es la probabilidad de sacar una cara en 4 lanzamientos de una moneda?
  2. ¿Realmente deberíamos elegir la opción par en la apuesta de la lotería nacional?

Estaría bien oir vuestros comentarios sobre esto, aunque fuese en plan anónimo. No voy a examinar ni calificar ninguno de ellos, simplemente nos servirán para dabatir sobre las soluciones. Un saludo a todos.

Manejo de Datos en Excel

Antes de continuar con nuevas entradas, vamos a hacer un recorrido por el Excel para conocer algunas de sus funciones que nos van a ser muy útiles en el manejo de datos. La mayoría de los ejemplos que colocaremos en el blog se harán con este programa, y solo en caso de extrema necesidad utilizaremos otros paquetes estadísticos. Para seguir estos post será necesario tener un conocimiento mínimo de Excel ya que voy a saltarme los pasos de principiante y me centraré en utilidades un poco más avanzadas y menos conocidas de este programa. Todo lo que comente, vale para las versiones 2003 y 2007 de excel.

  • Introducir datos en varias celdas a la vez:
Esto, como la mayoría de cosas en excel se puede hacer de varias formas. Podríamos hacerlo introduciendo el dato en una celda y posteriormente, copiando y pegando en el resto, pero hay un atajo bastante útil que nos permite hacerlo en una sola operación.
  1. Seleccionamos las casillas donde queremos introducir los datos.
  2. Escribimos en cualquiera de ellas el dato que queremos que aparezca en todas
  3. Si pulsamos [INTRO] (colocaré en este formato las teclas) el dato se coloca en una casilla, pero pulsando [CTRL]+[INTRO] se introducirá en todas las casillas seleccionadas a la vez.

  • Introducir datos en varias celdas, de diferentes hojas a la vez:
También se pueden introducir datos en una o varias celdas de diferentes hojas a la vez. Para ello lo único que deberemos hacer es seleccionar varias hojas, con [CTRL] o [SHIFT] y pulsando sobre la pestaña de las hojas, para seleccionarlas y a partir de aquí todo lo que hagamos en las celdas automáticamente quedará copiado en las hojas seleccionadas.

  • Introducir la Fecha Actual y la Hora Actual:
Las funciones Ahora(), y Hoy(), nos devuelven información sobre el dia y la hora actual, y se actualizan cada vez que recalculamos la hoja (para recalcular la hoja manualmente se puede hacer pulsando [F9]). Si lo que necesitamos es introducir la fecha de hoy, en lugar de hacerlo a mano tecleando el dia mes y año, podemos hacerlo automáticamente con [CTRL] + [SHIFT]+[; ] para la hora utilizaremos [CTRL] + [SHIFT]+[: ]

  • Extender Listas, Fórmulas y Números:
Excel tiene predeterminadas listas de meses del año y dias de la semana, con lo que para escribir los meses de año lo único que debemos hacer es colocarnos en una celda, escribir ENE (o ENERO) y arrastrar para que se vayan rellenando las celdas con los meses consecutivamente.

Las listas de los meses y días de la semana vienen predefinidas en el programa, pero se pueden modificar e incluso añadir más listas personalizadas. Para ello debemos ir a Herramientas -> Opciones -> Listas Personalizadas en Excel 2003, en el 2007 vamos a Opciones de Excel -> Listas Personalizadas.

Para arrastrar más rápidamente, podemos hacer
DOBLE CLICK en el cuadradito de arrastrar. Esto nos rellenará todas las celdas hacia abajo hasta completar una columna igual a la que se encuentra a su lado.

Si arrastramos una fecha o una hora, nos rellenará las casillas incrementando en un dia o en una hora. Esta función es realmente interesante porque podemos variar a nuestro gusto el incremento. Para ello lo que hacemos es rellenar dos casillas adyacentes con los números, las fechas o las horas que queramos y separadas por el incremento que necesitemos. Si seleccionamos las dos casillas y arrastramos conseguiremos una lista con el incremento que había entre las dos primeras celdas.

Por último pulsando en el cuadrado naranja podemos seleccionar el tipo de relleno que queríamos hacer al arrastrar. Si lo que queríamos era copiar solo los datos pulsaremos en copiar en lugar de rellenar la serie.

Con esto acabamos la entrada de hoy, seguiremos con más información sobre funciones de excel en las siguientes entradas, en las que seguiremos también con el curso básico de estadística. Hasta entonces sed felices.

Análisis Exploratorio de Datos (EDA)

El manejo de grandes cantidades de datos en bruto suele ser complicado y engorroso. A nuestra vista le resulta mucho más sencillo extraer conclusiones de gráficos que de datos colocadoe en forma de tabla. En un gráfico se puede comprobar más rápidamente como se agrupan los datos, si aparecen tendencias, ciclos, o si existen posibles errores. Vamos a ver todo esto más claro con el siguiente ejemplo.

Tomaremos los datos de temperaturas medias de un municipio de La Coruña que aparecen en la siguiente web: http://www.tutiempo.net/clima/A_Coruna_Alvedro/2007/80020.htm

En los meses de Enero, Marzo y Mayo las temperaturas medias por día han sido las siguientes:


En la tabla es difícil apreciar tendencias o puntos discrepantes, sin embargo si representamos gráficamente estos mismos datos la cosa cambia.


Con el gráfico se aprecia que el mes de enero ha tenido mucha más variabilidad que el resto, el mes de marzo ha sufrido un descenso continuado de las temperaturas, mientras que en mayo ha sido el mes mas caluroso y bastante estable.

Es evidente que el gráfico es mucho más fácil de interpretar que la tabla llena de números, pero estos tienen sus restricciones también. Si en lugar de representar 100 datos, como hemos hecho, hubiesemos tenido que representar un conjunto mucho mayor, el gráfico tampoco nos daría demasiada información ya que nos aparecería una nube de puntos tan densa que no apreciaríamos nada. Para condensar toda esa información y mostrarla de manera mucho más fácil de interpretar se utilizan tanto los resúmenes gráficos como los numéricos.

Durante los siguientes posts vamos a abordar ambos tipos de resúmenes, que se encuentran enmarcados dentro de lo que comunmente se llama Analisis Exploratorio de Datos (EDA en Inglés). Comenzaremos con los gráficos, para posteriormente comentar los resumenes numéricos, e intentaremos en todos ellos utilizar ejemplos de datos obtenidos de competiciones deportivas.

Resultados Picks US Open

Primera Semifinal: Federer - Djokovic


En esta primera las cosas fueron bastante bien, de los 7 eventos posibles, hubo 5 aciertos y 2 fallos. Entre los aciertos está el pick del under en las dobles faltas totales.


Segunda Semifinal: Nadal - Murray


En la segunda las cosas se torcieron un poco debido probablemente a la sorpresa con la victoria de Murray. Los dos primeros sets gano sus servicios muy fácil lo que hizo que tomase mucha confianza en el servicio y que bajase el nivel de dobles faltas. Esto nos hizo fallar el pick, de todas formas de los 7 eventos hubiesemos acertado 4 y fallado 3.

En total 9 aciertos y 5 fallos que da un porcentaje de aciertos del 64%, que está bastante bien teniendo en cuenta que las líneas propuestas por los bookies estaban bastante bien ajustadas a las previsiones hechas. Seguiremos analizando con este sistema otros torneos de tenis en el futuro a ver como responde.

Apuestas raras en tenis V2.0

Volvemos con las semifinales del cuarto gran slam de la temporada y vamos a repasar, de manera similar a lo que hicimos para wimbledon, como han cuadrado los bookies sus líneas de apuestas.

Primera Semifinal: Federer - Djokovic

El total de juegos estimado por los bookies para este partido lo han fijado en 41.5.
  • ACES:

Las estimaciones del bookie para este partido (no menciono ningún bookie para no herir sensibilidades) son de 26,5 Aces totales, handicap de 2,5, 14,5 aces para Federer y 12,5 para Djokovic. Como podemos ver han afinado bastante más que la primera vez y no se ve ninguna discrepancia grande así que no seleccionaremos nada.
  • DOBLES FALTAS

Para este apartado tenemos, 7,5 de total de dobles faltas, 3,5 para Federer y 3,5 para Djokovic. Parece que han corregido un poco a la baja y la mayor discrepancia que aparece es en el total de dobles faltas por partido, que iremos con el under 7.5

Segunda Semifinal: Nadal - Murray

El total de juegos estimado por los bookies para este partido lo han fijado en 38.5.
  • ACES:

Las estimaciones para este partido son de 14,5 Aces totales, handicap de 3,5, 5,5 aces para Nadal y 8,5 para Murray. La línea de Murray la han bajado un poco debido probablemente a que Nadal es un gran restador y no resulta sencillo hacerle un saque directo. Como no hay discrepancias demasiado claras dejaremos este apartado sin ningún pick.
  • DOBLES FALTAS

Las estimaciones en cuanto a dobles faltas son de 6,5 para el total, 2,5 para Nadal y 4,5 para Murray. Además las cuotas indican una tendencia al under para los tres casos. Aquí creo que si que hay cuotas con value para los picks. Para Nadal la estimación es bastante ajustada, pero para Murray han ido un poco bajo, cuando, bajo mi punto de vista, arriesgará más en el saque buscando que Nadal no le presione con el resto. Así que, apoyandonos en este argumento, iremos con Over 6,5 para el total.

Esperemos tener suerte.