Une théorie physique qui s’est avérée utile pour prédire le comportement des foules de molécules et de mouches des fruits semble également fonctionner dans un contexte très différent : un terrain de basket.
Un modèle basé sur la théorie fonctionnelle de la densité peut suggérer le meilleur positionnement pour chaque joueur sur le terrain de basket dans un scénario donné s’il souhaite augmenter sa probabilité de marquer ou de défendre avec succès.
Boris Barron, doctorant en physique travaillant avec Tomás Arias, professeur au Département de physique, au Collège des arts et des sciences, a présenté ses travaux le 9 mars au Conférence de la Société américaine de physique à Las Vegas.
Barron a eu l’idée de son projet de Nathan Sitaraman, qui consulte une équipe de la NBA pour les aider à améliorer leur jeu grâce à l’analyse des données. Sitaraman a pu obtenir des données très détaillées sur les positions des joueurs des matchs NBA de cette saison, que Barron a ensuite utilisées pour développer son modèle.
En utilisant les résultats, Barron est en mesure de :
« Nous pouvons voir précisément où un joueur devrait être pour aider son équipe, et ces quelques pieds peuvent entraîner jusqu’à 3% de différence (de réussite) », a-t-il déclaré.
« Dans ces matchs à haut score, trois points sur 100 sont un gros problème pour un joueur », a déclaré Arias, membre présidentiel de Stephen H. Weiss.
Les modèles mathématiques que Barron utilise sont basés sur des méthodes lauréates du prix Nobel développées à l’origine pour étudier de grandes collections d’électrons en interaction mécanique quantique. Le travail s’appuie sur les recherches d’Arias, qui combinent des concepts mathématiques et des approches de la théorie des fluctuations fonctionnelles de la densité pour tout étudier, du comportement des foules aux phénomènes sociaux tels que la migration et la ségrégation.
Ces méthodes fonctionnent lorsque vous analysez un jeu comme le basket-ball, a déclaré Arias, car le comportement de groupes de personnes est difficile à quantifier.
« Nos techniques physiques entrent en jeu parce que vous ne regardez pas les joueurs individuellement, mais comment ils collaborent sur le terrain », a-t-il déclaré. « C’est pourquoi vous avez besoin de cette analyse de niveau supérieur. »
Les implications pour les sports d’équipe comme le basket-ball sont évidentes, a déclaré Barron.
Les entraîneurs pourraient saisir des données spécifiques à l’équipe ou au joueur pour leurs adversaires dans ce modèle afin de développer une stratégie pour contrecarrer les jeux les plus courants. Les entraîneurs pourraient effectuer des calculs avant un match, puis les afficher sur un appareil intelligent qu’ils pourraient utiliser sur le banc, les aidant à illustrer les itinéraires précis que les joueurs devraient emprunter, en fonction des données. Ils pourraient obtenir des données spécifiques à chacun de leurs joueurs pour savoir quels joueurs contribuent le plus au succès de l’équipe.
Pensez au film de 2011 « Moneyball », a déclaré Arias, Brad Pitt joue Billy Beane, manager des Oakland A’s de la Major League Baseball, qui constitue une équipe basée sur l’analyse des données, en utilisant les pourcentages de base des joueurs plutôt que des mesures plus traditionnelles de succès. .
« Notre approche est assez générale », a déclaré Barron, « donc je peux voir qu’elle pourrait profiter plus largement au sport. Des données de position détaillées sont de plus en plus disponibles. »
Plus d’information:
Approche de la théorie de la fluctuation fonctionnelle de la densité (DFFT) pour modéliser le basket-ball : mars.aps.org/sessions/S14/7