Wie ein Modell den Spurs-Pick vorhersagte

Der Draft, der entkam

Ich beobachtete die NBA-Draft-Lotterie wie eine Monte-Carlo-Simulation in Echtzeit – jeder Ping des Balls war eine posteriorielle Stichprobe aus meiner in R erstellten Prior-Verteilung. Kein Zauber. Kein Schicksal. Nur Wahrscheinlichkeiten.

Die Spurs bekamen den #2-Pick. Alle jubelten. Ich nicht. Denn mein Modell hatte ihnen eine 14%-Chance zugewiesen – basierend auf Gewinn-Wahrscheinlichkeiten, Verletzungshistorie und Draft-Position-Entropie – nicht auf Hype oder Medien-Narrative.

Das Signal, das ignoriert wurde

Sie nannten es „Glück“. Ich nannte es P(D|H). Die Daten kümmerten sich nicht um Ihre emotionale Vorurteile – sie kümmerten sich um Kovarianzmatrizen, erwartete Wertevektoren und bedingte Übergänge über 50.000 Simulationen.

Das Frontoffice der Warriors? Sie nutzten Excel aus ’98. Mein Modell nutzte PyMC3 mit Priors, informiert von G-League-Leistung und College-Rekrutierungs-Entropie.

Warum niemand es glaubte

Sie sehen Ergebnisse als Narrative. Ich sehe sie als Posteriors. Wenn Sie fragen: „Wer bekam den Pick?“ – fragen Sie, welches Team die höchste marginale Wahrscheinlichkeit unter Ihren Annahmen hat – nicht unter meinen. Mein Modell jubelt nicht. Es berechnet. Und manchmal… wird es ignoriert.

Sie wollen an Magie glauben? Ich vertraue auf Konfidenzintervalle.