Montando o time ideal: uma análise multivariada da NBA

Abstract

Este trabalho tem como objetivo aplicar técnicas de análise multivariada para identificar padrões de desempenho entre jogadores da NBA, considerando suas estatísticas individuais. Inicialmente, foram utilizadas a Análise de Componentes Principais (PCA) para reduzir a dimensionalidade dos dados e o cálculo da distância de Mahalanobis para medir a similaridade entre os jogadores. A partir dos scores das componentes principais, foram formados clusters utilizando o método K-Means, agrupando os atletas em cinco grupos, correspondentes às posições tradicionais do basquete. Além disso, o método Simplex foi aplicado para a seleção de um time otimizado, levando em conta restrições como orçamento e balanceamento por posição, possibilitando a comparação com um time de estrelas previamente definido. Os resultados evidenciaram que as técnicas multivariadas utilizadas são eficazes na identificação de padrões e na formação de agrupamentos consistentes, contribuindo para análises mais aprofundadas no âmbito esportivo. Conclui-se que a combinação de estatísticas tradicionais com métodos analíticos avançados pode fornecer insights estratégicos valiosos para times e gestores esportivos.

This study aims to apply multivariate analysis techniques to identify performance patterns among NBA players based on their individual statistics. Initially, Principal Component Analysis (PCA) was used to reduce data dimensionality, and Mahalanobis distance was calculated to measure player similarity. Based on the principal component scores, clusters were formed using the K-Medoids method, grouping athletes into five clusters corresponding to traditional basketball positions. Furthermore, the Simplex method was applied to select an optimized team, considering constraints such as budget and positional balance, allowing for comparisons with a predefined all-star team. The results demonstrated that the multivariate techniques employed are effective in identifying patterns and forming consistent groupings, contributing to deeper analyses in the sports domain. It is concluded that combining traditional statistics with advanced analytical methods can provide valuable strategic insights for teams and sports managers.