Tenis estudio

1. La pregunta

En los Grand Slams los grandes casi nunca caen temprano. ¿Es casualidad o tiene una explicación?

Los Grand Slams se juegan a 5 sets y el resto de torneos de la ATP a 3 sets. La idea es sencilla: mientras más largo es un partido, menos influye la suerte (un mal día, un par de puntos de suerte) y más pesa quién es mejor jugador. Si eso es cierto, el favorito debería ganar más seguido en los partidos a 5 sets.

2. Datos y fuentes

Fuente: Tennis-Data.co.uk, resultados de todos los partidos de la ATP (hombres). La descripción de cada columna está en sus notas.
Período: temporadas 2015 a 2025. Los 11 archivos anuales se unieron en un solo CSV (atp_2015_2025.csv) sin cambiar ningún dato.
Columnas usadas: WRank (ranking del ganador), LRank (ranking del perdedor), Best of (si el partido fue a 3 o a 5 sets) y Comment (si el partido se terminó o hubo retiro).
Favorito: el jugador con mejor ranking (el número más bajo) en el momento del partido.
Herramienta: R con funciones base, y R Markdown para este informe.

3. Metodología

Usamos una regresión lineal simple con dos variables que solo toman los valores 0 y 1:

\[ \text{Favorito gana} = a + b \times \text{Cinco sets} + e \]

Favorito gana: 1 si ganó el jugador con mejor ranking, 0 si ganó el de peor ranking.
Cinco sets: 1 si el partido fue a 5 sets (Grand Slam), 0 si fue a 3 sets.

Con variables de 0 y 1, la lectura es muy directa:

a = qué proporción de partidos a 3 sets gana el favorito.
b = cuánto cambia esa proporción cuando el partido es a 5 sets.

4. Análisis en R

Paso 1: Preparación de los datos

datos <- read.csv("atp_2015_2025.csv")
dim(datos)

## [1] 27574    14

head(datos)

##   ATP Location             Tournament       Date Series   Court Surface
## 1   1 Brisbane Brisbane International 2015-01-05 ATP250 Outdoor    Hard
## 2   1 Brisbane Brisbane International 2015-01-05 ATP250 Outdoor    Hard
## 3   1 Brisbane Brisbane International 2015-01-05 ATP250 Outdoor    Hard
## 4   1 Brisbane Brisbane International 2015-01-05 ATP250 Outdoor    Hard
## 5   1 Brisbane Brisbane International 2015-01-06 ATP250 Outdoor    Hard
## 6   1 Brisbane Brisbane International 2015-01-06 ATP250 Outdoor    Hard
##       Round Best.of        Winner        Loser WRank LRank   Comment
## 1 1st Round       3  Duckworth J.     Simon G.   125    21 Completed
## 2 1st Round       3 Kokkinakis T. Benneteau J.   149    25 Completed
## 3 1st Round       3     Chardy J.   Golubev A.    31    72 Completed
## 4 1st Round       3      Tomic B.   Querrey S.    53    35 Completed
## 5 1st Round       3  Kukushkin M.     Copil M.    69   201 Completed
## 6 1st Round       3      Kubot L.  Anderson K.   177    16 Completed

Paso 2: Pre-proceso

# Solo partidos terminados (sin retiros ni walkovers) y con ranking de los dos jugadores
datos <- subset(datos, Comment == "Completed" & !is.na(WRank) & !is.na(LRank) & !is.na(Best.of))

# Variables de 0 y 1
datos$FAVORITO_GANA <- as.numeric(datos$WRank < datos$LRank)
datos$CINCO_SETS    <- as.numeric(datos$Best.of == 5)

dim(datos)

## [1] 26521    16

table(datos$CINCO_SETS)

## 
##     0     1 
## 21303  5218

Paso 3: Análisis

modelo <- lm(FAVORITO_GANA ~ CINCO_SETS, data = datos)
summary(modelo)

## 
## Call:
## lm(formula = FAVORITO_GANA ~ CINCO_SETS, data = datos)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -0.7137 -0.6295  0.3705  0.3705  0.3705 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 0.629536   0.003268  192.62   <2e-16 ***
## CINCO_SETS  0.084148   0.007368   11.42   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.477 on 26519 degrees of freedom
## Multiple R-squared:  0.004894,   Adjusted R-squared:  0.004856 
## F-statistic: 130.4 on 1 and 26519 DF,  p-value: < 2.2e-16

Paso 4: Post-proceso

porcentaje <- tapply(datos$FAVORITO_GANA, datos$CINCO_SETS, mean) * 100
porcentaje

##        0        1 
## 62.95357 71.36834

barplot(porcentaje, names.arg = c("3 sets", "5 sets"), col = c("gray70", "darkgreen"),
        ylim = c(0, 100), ylab = "% de partidos que gana el favorito",
        main = "¿Cuántas veces gana el favorito?")
text(c(0.7, 1.9), porcentaje + 5, paste0(round(porcentaje), " %"))

5. Resultados

Ecuación estimada

\[ \widehat{\text{Favorito gana}} = 0.630 + 0.084 \times \text{Cinco sets} \]

Cómo se lee:

En los partidos a 3 sets, el favorito gana el 63 % de las veces.
En los partidos a 5 sets, gana el 71 %, o sea 8.4 puntos más.
La diferencia es estadísticamente significativa: es prácticamente imposible que salga así por casualidad con 26,521 partidos.

En otras palabras: a 3 sets, el favorito pierde más o menos 37 de cada 100 partidos; a 5 sets, solo 29 de cada 100.

¿Por qué el R² es tan bajo?

El R² del modelo es de 0.005. Es normal en este tipo de estudio: cada partido tiene mucho de suerte (un mal día, una lesión, un par de puntos clave) y ningún modelo puede adivinar quién gana un partido individual. Aquí no buscamos predecir partidos, sino medir si la proporción de victorias del favorito cambia con el formato. Para eso lo importante es el tamaño del efecto (b) y que sea significativo, y las dos cosas se cumplen.

6. Limitaciones

Correlación no es causalidad. Los partidos a 5 sets son todos de Grand Slam, donde también cambian otras cosas: los mejores jugadores llegan mejor preparados y la diferencia de nivel entre rivales puede ser distinta.
El ranking no es perfecto. Un jugador que regresa de una lesión puede tener mal ranking siendo muy bueno.
Solo hombres. En la WTA todos los partidos son a 3 sets, así que no hay con qué comparar.

7. Cómo reproducir este estudio

Descarga los archivos de la ATP de 2015 a 2025 desde tennis-data.co.uk y únelos en un solo CSV, o usa atp_2015_2025.csv.
Guarda el CSV en la misma carpeta que este archivo .Rmd.
Abre el archivo en RStudio y presiona Knit.

Referencias

Tennis-Data.co.uk. ATP Men’s Tour: match results. http://www.tennis-data.co.uk/alldata.php
R Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing. https://www.r-project.org/

Hecho por Sports Economics · Sports economics made simple.