Geri Dön

Basketbol istatistiklerinin analizi

Analysis of the basketball statistics

  1. Tez No: 46379
  2. Yazar: DERYA TAŞÇI
  3. Danışmanlar: PROF.DR. ÜMİT ŞENESEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Spor, İstatistik, Sports, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 1995
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Belirtilmemiş.
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 59

Özet

ÖZET BASKETBOL İSTATİSTİKLERİNİN ANALİZİ Basketbolda tutulan istatistiklerin değerlendirilmesi her zaman oyuncunun başarıya katkısını ortaya çıkarmak yönündedir. Biz bu çalışmayla olaya daha değişik bir boyut kazandırarak basketbol istatistiklerini oluşturan değişkenlerin başarıya katkılarını ortaya çıkarmaya çalıştık. Ayrıca birbirleriyle dolaylı olarak bağlantılı değişkenleri aynı faktörler altında toplayarak olayı daha basit hale dönüştürmeye çalıştık. Bütün bunları gerçekleştirirken de Regresyon Analizi ve Faktör Analizinden yararlandık. Öncelikle yapılan, bütün bir sezon boyunca tutulan istatistiklerin toplanıp, tarafımızdan oluşturulan yeni bir çizelgede hepsinin yeniden düzenlenmesi olmuştur. Oluşturulan çizelgede atılan sayı ile yenen sayı arasındaki fark olarak tanımladığımız ve“başarı”diye adlandırdığımız bağımlı değişkenimizle birlikte 12 adet açıklayıcı değişenlerimiz (atılan sayı, yenen sayı, oynanan yer, faul atışı yüzdesi, 2 sayılık atış yüzdesi, 3 sayılık atış yüzdesi, savunma ribaundu, hücum ribaundu, assist, top çalma, top kaybı, blok) bulunmaktadır. Gözlem sayımız ise 31'dir (bir sezonda yapılan toplam maç sayısı). Çizelgeyi oluşturduktan sonra elimizdeki bütün değişkenlerin birbirleriyle korelasyonlarını aldıktan sonra başarıyı kendisiyle yüksek korelasyon katsayısına sahip değişkenlerle regresyon modeli uygulayarak tanımlayan denklemler bulduk. Bu denklemleri oluşturan değişkenlerin bazıları başarı değişkenini açıklamakta istatistiki bakımdan anlamlıyken bazılarının anlamsız olduğu görüldü. Bu oluşum aynı denklem içindeki değişkenlerin birbirleri arasındaki yüksek korelasyon katsayısından kaynaklanmakta dır. Aralarında yüksek korelasyon bulunan atılan sayı, 2 sayılık atış yüzdesi ve assist değişkenlerinden en az ikisinin bulunduğu bütün denklemlerde durum böyledir. Bu aşamadan sonra değişken adedini azaltarak başka başlıklar altında başarıyı yeniden tanımlamaya çalıştık. Yani Faktör Analizi yaparak birbirleriyle dolaylı olarak bağlantılı değişkenleri belli faktörler altında toplamak ve başarıyı bu faktörlerle tanımlamak istedik. Asıl ortaya çıkarmak istediğimiz olay bu 12 açıklayıcı değişkenimizi“hücum”ve“savunma”gibi iki faktör altında toplayıp toplayamayacağımızı görmekti. Faktör Analizine başladıktan sonra“hücum”ve“savunma”faktörlerini çalışmamıza uygun olmadığını görmemize rağmen devam ettik, buna karşılık basketboldan anlayanlara aykırı gelebilecek faktör oluşumlarıyla karşılaştık.

Özet (Çeviri)

SUMMARY ANALYSIS OP THE BASKETBALL STATISTICS The statistical assessments in basketball are aiming to figure out the player's contribution to success. Player performances have been observed by using statistics. In our thesis we have tried to look at another dimension and aimed to show the contribution of the different variables of hte basketball stasistics to success. This thesis is based on the statistical values of the Galatasaray Women Basketball 1st division team during the 1993-94 season. The purpose, we mentioned above, is not only to point out the contribution of the statistical variables to success but at the some time to simplify the whole picture by assembling the indirectly related variables under the same time to simplify the whole picture by assembling the indirectly related variables under the same factors. To realize all this we have used both the Regression Analysis and the Factor Analysis. The very first thing to be done for us was to reassess the statistical values recarded during that particular season on a rew table. On our new table, together with our dependent variable“success”we do have 12 independent variables such as scored points on offense, scored points on defense, the places of the games, the free-throw percentage, two points shooting percentages, three points shooting percentages, defensive rebounds, offensive rebounds, assists, steals, turnovers and blocks. Our sample size is 31 (number of the games played during that particular season). We have considered all the simple correlations among our variables and we have found out the ones which have high correlation with the success. Also we have estimated the functions determining the success, by performing the regression analysis with the variables which have high correlation with“success”. Then we have found, the signifiance level of the variables which are forming the functions to explain the success variable. Regression analysis showed that the variables such as points scored on offense, points scored on defense, two points shooting percentage and assists were significant in explaining the success. Their significance level is about % 0,1 or less than that. It is observed that multiple regression functions were not viiivery pleasing because of multicollinearity among some of the independent variables, such as points scored, two points shooting percentage and numbers of assists. The functions formed and numbers of assists. Variables such as scored points on defense and two points shooting percentage and scored points on defense and numbers of assists are found to be statistically significant in explaining the success. The next stage is trying to define the success under different titles by reducing the number of the variables. We want to determine the success by using factor analysis to gather the indirectly related variables under specific factors. What we basically want to point out is whether we can assemble these 12 independent variables under two factors of“defense”and“offense”. Although we figured out it was not convenient for us to worth with factors of“defense”and“offense# using factor analysis, we continued and faced some situations which even might have amazed people who are familier with basketball and not right for basketball mentality. We showed the reason for not being able to find a convenient factor by a measure of sampling adequacy called Kaiser-Meyer Olkin method which compares the grandeur of the observed correlation coefficients (KMO = 0.37664). That means the correlations among the variables. If this number would have been between 0.5 and 1 the explanation would be effective. We saw gathering our variables under 5 factors according tho the initial and final statistical results. Data shows that the % 72.4 of the whole variance stems from these 5 factors. The remaining % 27.6 stems from the other 7 factors. The percentages of the whole variance % 24.7 Stems from factor 1 % 15.1 Stems from factor 2 % 13.5 Stems from factor 3 % 10.3 Stems from factor 4 % 8.8 Stems from factor 5 % 7.4 Stems from factor 6 % 6.0 Stems from factor 7 % 5.1 Stems from factor 8 % 3.6 Stems from factor 9 % 3.3 Stems from factor 10 % 1.7 Stems from factor 11 % 0.5 Stems from factor 12 It is enough to build a model of these 5 factors in order to represent the data. We take the factors that account for variences greater than 1 (eigenualve greater than 1). Factors with a variance less than 1 are no better than a single variable, since each variable has avariance of 1. IXWhen we look at the data we can see that the first 5 factors account for variances greater than 1. When we look at the data of the factor analysis, we see meaningless groups formed by the factor matrix. Before rotation ar factor groups were like this: Factor I Points scored on offense Numbers of assists Two points shooting percentages Three points shooting percentages Numbers of bloks Factor 2 Points scored on defense Steals Factor 3 Turnovers Offensive rebounds Factor 4 The place of the game Free-throw percentage Factor 5 Defensive rebounds After rolation our factor groups changed. But still they're meaningless. xFactor I Points scored on offense Two points shooting percentages Numbers of assists Numbers of blocks Factor 2 Points scored on defense Three points shooting percentages Steals Factor 3 Offensive rebounds Free-throw percentage Turnovers Factor 4 Defensive rebounds Factor 5 Place of the games The groups which have been formed after the observation of the factors do not fit in basketball realities. If our groups would have been like the groups above factor analysis would be perfect for this subject. Factor 1 (Offense) Two points shooting percentages Three points shooting percentages Free throw percentage Numbers of assists Points scored on offense Offensive rebounds Turnovers Place of the games Factor 2 (defense) Points scored on defense Steals Block Defensive rebounds XIFinally, the result is not how we have been expecting at all such as only two factors of ”defense“ and ”offense" but instead 5 factors have been formed which are not acceptable by basketball surroundings. What has led us here to that points is the limited data that has been collected. Therefore it would be usuful to repeat the same analysis by collecting more data in the future. XII

Benzer Tezler

  1. Tez No

    598379

    Genç basketbolcuların çeviklik, vücut kompozisyonu ve rast test ölçümlerinin incelenmesi

    Analyzing the measurement of agility, body composition and rast of young basketball players

    MEVLÜT ARPAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    SporAnkara Yıldırım Beyazıt Üniversitesi

    Beden Eğitimi ve Spor Ana Bilim Dalı

    DOÇ. DR. GAMZE ERİKOĞLU ÖRER

  2. Tez No

    814548

    Development of a mobile app tracking stats and goals of young basketball players: Design-based research

    Genç basketbol oyuncularının istatistiklerini ve hedeflerini takip eden bir mobil uygulamanın geliştirilmesi: Tasarım tabanlı araştırma

    RAMAZAN TAŞÇIOĞLU

    Doktora

    İngilizce

    İngilizce

    2023

    SporAnadolu Üniversitesi

    Beden Eğitimi ve Spor Ana Bilim Dalı

    PROF. DR. SERDAR KOCAEKŞİ

    DOÇ. DR. İLKER USTA

  3. Tez No

    714777

    Prediction of basketball game results using machine learning algorithms: Analysis of NBA & TBL

    Makine öğrenmesi yöntemleri ile basketbol maç sonucu tahmini: NBA ve TBL analizleri

    CANER KAHRAMAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    İstatistikOrta Doğu Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. BARIŞ SÜRÜCÜ

  4. Tez No

    82757

    Performance evaluation in basketball by using statistical techniques

    İstatistiksel yöntemlerle basketbolda performans ölçümü

    BARIŞ SÜRÜCÜ

    Yüksek Lisans

    İngilizce

    İngilizce

    1999

    İstatistikOrta Doğu Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    ÖMER GÜCELİOĞLU

  5. Tez No

    904181

    Basketbolcuların kişilik özellikleri, sportif öz güvenleri ve algıladıkları grup bütünlüğü arasındaki ilişkinin incelenmesi

    The correlation between the personality traits of basketball players, sportive self-confidence and perceived group cohesion

    NEVAL NURSEDA YEŞİL

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    SporMersin Üniversitesi

    Beden Eğitimi ve Spor Ana Bilim Dalı

    DOÇ. DR. FATMA ÇEPİKKURT

Geri Dön