¿Promedio o slugging? ¿Van de la mano?
En una publicacion hablé sobre la importancia del WAR, una estadística que indica qué tan bueno es el desempeño de un pelotero respecto al resto; además, complementé este reportaje con un artículo que explicaba lo difícil que es batear.
El bateo siempre ha sido un tema candente en las discusiones sobre el béisbol, pero pocas veces se menciona el slugging, una métrica crucial y que intentaré explorar con detalle en este reporte. Como ya sabemos, el promedio de bateo se calcula dividiendo la cantidad de hits entre los turnos al bate. Por ejemplo, Pedro conecta un sencillo, dos dobles y un cuadrangular en siete turnos; al dividir cuatro (la cantidad total de hits) entre siete, obtenemos 0.57142. Redondeando a tres decimales, Pedro tiene un promedio de bateo de .571. Por otro lado, si el jugador Ricardo conecta cuatro cuadrangulares en siete turnos, tendrá el mismo promedio que Pedro, ya que todos los hits valen lo mismo, independientemente de su tipo.
El slugging es similar al promedio de bateo, pero considera las bases alcanzadas en vez de los hits. En el caso de Pedro, que logró nueve bases en siete turnos (una con el sencillo, cuatro con los dobles y cuatro con el cuadrangular), su slugging es de 1.285. Por otro lado, Ricardo, con cuatro cuadrangulares, alcanzó 16 bases en siete turnos, lo que resulta en un slugging de 2.286. Esto muestra que a medida que un bateador conecta más extrabases, su slugging aumenta.
Una pregunta que me hice hace tres semanas fue la siguiente, ¿el promedio de bateo y el slugging están relacionados? El resultado de esta pregunta es este reportaje, del cual explicaré la metodología que usé para su desarrollo, así como los resultados obtenidos.
Metodología
En este análisis, excluí la temporada de 2020 debido a su acortamiento por la pandemia. Mi enfoque se basó en dos elementos principales: la tabla de líderes de slugging en las Grandes Ligas desde 2018 hasta 2023 y el desempeño de estos bateadores en cada una de esas temporadas.
Luego de obtener esta lista, excluí a los jugadores Yordan Álvarez y Pete Alonso, ya que debutaron en 2019, y a Fernando Tatis Jr., quien estuvo suspendido por una temporada. Esto resultó en la siguiente tsbla de bateadores y sus registros, que presento ordenada por el slugging. Quiero resaltar que estos promedios son acumulativos desde 2018.
| Jugador | Slugging | Promedio |
| Mike Trout | 0.609 | 0.292 |
| Aaron Judge | 0.586 | 0.285 |
| Shohei Ohtani | 0.556 | 0.274 |
| Mookie Betts | 0.554 | 0.296 |
| Ronald Acuña Jr. | 0.537 | 0.292 |
| Freddie Freeman | 0.535 | 0.314 |
| J.D. Martinez | 0.533 | 0.289 |
| Bryce Harper | 0.527 | 0.277 |
Esperaba encontrar una relación significativa entre las últimas columnas, pero la realidad demostró lo contrario, ya que, como se observa, no es necesario tener un promedio alto para alcanzar un gran slugging. Esto me llevó a crear el siguiente gráfico en Microsoft Power BI, que, en lugar de simplificar mi análisis, complicó las cosas aún más.
Fuente: Propia; 2024.
¿Cómo interpretamos este gráfico? En primer lugar, cada jugador tiene un color único para su identificación. El promedio de bateo se lee de izquierda a derecha; a medida que se desplaza hacia la derecha, el promedio aumenta. Por otro lado, cuanto más alto esté un punto, mayor será el slugging. Los puntos, que son la intersección entre las métricas, indica qué jugador logró ambas marcas.
Antes de crear el gráfico, esperaba que la mayoría de los puntos estuvieran en la esquina superior derecha, indicando así una fuerte relación entre el promedio de bateo y el slugging. Sin embargo, el resultado me desconcertó.
Pueden observarse algunas campañas que parecen extrañas, como la de Bryce Harper en 2018, cuando bateó .249 y su slugging fue de .496. Otra campaña extraña fue la de Acuña Jr. en 2022, con .266 y .413. A pesar de que Harper y Acuña Jr. son líderes de slugging, esas campañas dejaron mucho que desear, sin embargo, como el lector corroborará, las próximas campañas de ambos jugadores fueron excepcionales, lo que les permitió mantenerse como líderes en los últimos cinco años.
A simple vista, no noté una relación entre el promedio de bateo y el slugging. Por eso, decidí crear una pequeña aplicación en Python para analizar de manera más detallada. Aquí está el resultado obtenido:
Fuente: Propia; 2024.
Antes de entrar en detalles, intentaré explicar lo que es un análisis de clustering. Dado un conjunto de datos, este algoritmo intenta organizarlo de manera que los elementos parecidos queden agrupados. El análisis de clustering encuentra patrones y estructuras ocultas en los datos sin necesidad de que alguien diga qué hay que buscar, en otras palabras, el algoritmo actúa por su cuenta para hallar estas agrupaciones. Entendido esto, el algoritmo encontró tres grupos importantes:
| Cluster | Slugging | Promedio | Cantidad |
| 0 – Rosado – Medio | .540-.613 | .257-.331 | 12 |
| 1 – Celeste – Bajo | .413-.533 | .249-.309 | 18 |
| 2 – Verde – Alto | .596-.686 | .283-.346 | 10 |
El algoritmo proporcionó algunas pistas adicionales sobre lo que estaba buscando. Observemos los grupos Medio/Alto; estos tienen algo en común: el slugging es muy alto (más de .540) y el promedio más bajo es .257. Por otro lado, el grupo Bajo tiene .413 y .249.
Los números de los grupos Medio/Alto coincidieron con mis sospechas iniciales de una fuerte relación entre el bateo y el slugging. Sin embargo, no quedé convencido ya que estos dos grupos acumulan 22 campañas, mientras que el grupo Bajo tiene 18, lo que me deja en el mismo lugar que hace tres semanas en términos de comprensión del tema.
Mi conclusión es que la relación entre el promedio de bateo y el slugging no es tan directa como inicialmente pensaba (al menos con esta muestra de datos), aunque los números sugieren cierta tendencia, como la agrupación de campañas con slugging alto y promedio de bateo moderado en los grupos Medio/Alto, y lo contrario en el grupo Bajo.
Creo que este tema da para varios artículos más,
Imagen de Tom Shide en Pixabay
Bibliografía
List of all of the Baseball Players | Major League Players – Consultada el 8 de abril de 2024
Major League Leaders – Consultada el 8 de abril de 2024
Microsoft Power BI y Python fueron usados para el análisis de los datos.
