1701528680
1701528681
1701528682
1701528683
1701528684
图4-1表盘扇形发球法
1701528685
1701528686
超级预测术
1701528687
1701528688
许多网球选手特别是网球初学者经常会交替发球。
1701528689
1701528690
当与优秀的对手比赛时，你可以用手表或心率表随机化自己的发球。
1701528691
1701528692
剪刀石头布：如何成为超级预测者 [:1701527487]
1701528693
05 利用非随机性带来的优势
1701528694
1701528695
“抛出曲线球”是利用了出其不意的优势。人们往往认为，棒球赛是仅次于扑克的美式骗术大赛。投手在投球中会以不可预料的方式将快球、曲线球、滑球以及更多奇异的投法相结合。虽然人们都明白，随机性是棒球的一个重要元素，但要判断球员制造随机性的能力如何却并不容易。和网球的发球相比，棒球的投球要复杂多了。
1701528696
1701528697
在美国职业棒球大联盟（Major League Baseball, MLB）的赛场上，60%的投球是快球，13%是滑球，12%是变速球，9%是曲线球。但这些不过只是平均值。由于受到球员风格、出局数、双方分数是否接近，以及疲劳、伤痛、风向等其他因素的影响，投手投哪种类型的投球的概率是存在很大变数的。
1701528698
1701528699
超级预测试验
1701528700
1701528701
凯文·科瓦什（Kevin Kovash）和史蒂芬·列维特（Steven D.Levitt）这两位经济学家在2009年做了一项研究，统计了2002—2006年赛季MLB球赛的300万次投球，以检验投球的随机性。另外，在他们研究基础上著成的这篇颇有体育学术研究价值的文章中还探讨了橄榄球。这两位经济学家收集来的庞大数据集合能够令人信服地证明，现实世界里，棒球和橄榄球这两种比赛的投球选择并无随机性，是可以洞穿的。
1701528702
1701528703
他们根据最明显的变量是否相同这一条件，把堆积如山的数据分成数千个类别。举例来说，有很多情况是这样的：投手A朝着击球手B投球，跑垒的是C，而且D、E、F、G已在上场时投出了不同类型的球。如果投手这一轮投出了快球，那么下一轮他投出快球的概率是多大呢？科瓦什和列维特所研究的就是这一类的问题。
1701528704
1701528705
他们发现，跟其他所有人倾向于交替猜测硬币的人头和字以彰显“随机性”一样，MLB的投手交替投球的情况很多。抛出了一个快球之后，投手下一轮再抛出快球的可能性会低4%。变化球路风格的倾向会随这一轮投出的是哪种类型的球而变化。重复滑球的概率大约会低2%。由于滑球不太常见，在各类投球中仅占13%，因此，相对而言，它受投手交替倾向的影响最大。变速球就没有交替过多的情况。
1701528706
1701528707
球员们在赛场上会得益于这一分析结果吗？毫无疑问，球员们将会借此分析接下来将要应对哪种类型的投球。然而，仅仅知道投手喜欢过多地交替投球，并不能说明下一轮投手会投哪种类型的球，因为交替投球只是影响了不同类型投球的出现概率。大多数时候，最有可能出现的球是快球。
1701528708
1701528709
科瓦什和列维特请MLB的高管推测，对击球手来说，相较于不知道接下来会是哪种类型的球，或者在意外中飞来了一个快球这两种情况，知道下一个来球肯定是快球的价值将有多大？（各位读者，您还跟得上吗？）估计值约为0.150攻击指数（on-base plus slugging percentage, OPS）。痴迷于统计数据的人一般都会认同，攻击指数与得分具有相关性。
1701528710
1701528711
科瓦什和列维特做了一番粗略的计算，他们先假设：击球手能够利用概率上的细微增量变化，而由此带来的效果是线性的。知道一个快球紧跟着一个快球的概率会低4%，大概相当于0.006攻击指数。在一个赛季中，每多0.001攻击指数，可多得约2.16分。一支球队的队员若是能够充分利用非随机性带来的优势，一年可多得10～15分。没有哪个球队经理不喜欢球队多得分的。
1701528712
1701528713
问题在于，击球手能否利用这些概率上的微小变化。按照我的猜想，机警的击球手会在心里设想出现可能性最大的投球类型。但我也认为，他们很难同时设想两种投球，更不可能让自己的肌肉同时做好两手准备。这样的话，只有当投手投出的球变成了“可能性最大”的那一类型时，过多的交替效应对击球手才有用。至于为何大多数时候交替效应对击球手的作用不大，其原因倒也简单：快球的出现概率比其他任何类型的投球要高近5倍。而科瓦什和列维特的线性估计很有可能确定了潜在优势的上限。
1701528714
1701528715
比较保险的说法是，在公司举办的垒球比赛和棒球小联盟赛事里，随机化投球的质量更可取。如果你正处在投球手的位置，随机化投球是一个无须借助任何计算的良好选择。
1701528716
1701528717
当你作为击球手时，你则要尝试判断出现可能性最大的投球类型，你需要把你所知的一切因素都用上，除了随机性的心理。如果有两种投球的可能性难分高下，那就认定投手将会投之前他没投的那一种投球。
1701528718
1701528719
科瓦什和列维特还检验了2001—2005年美国橄榄球联盟（National Football League, NFL）的每一场比赛。他们发现，NFL球队的随机性比MLB的投手更糟糕。这些球队大约56%的进攻采用了传球，44%是持球跑。上一轮进攻采用传球方式的球队，下一轮进攻再用传球方式的可能性会低10%。
1701528720
1701528721
当进攻不成功时，球队改变进攻方式的可能性更大。而在传球或持球跑失败一次之后，球队换用另一种方式的概率会提高约14.5%。
1701528722
1701528723
两位经济学家算出，利用对方球队频繁改变进攻方式来预测对方进攻的球队，每场比赛能够多得1分，或者每个赛季（共16场比赛）能多取得半场胜利。
1701528724
1701528725
还是那句话，业余爱好者更不擅长随机化。由于只有两种常见的进攻方式，出现频率上又没有太大差异，猜测有颇大的把握会带来优势。
1701528726
1701528727
超级预测术
1701528728
1701528729
在棒球比赛中，这一轮投出了快球的投手在下一轮再投快球的可能性会低几个百分点。