<?xml version="1.0"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/"><rdf:Description rdf:about="https://repozitorij.uni-lj.si/IzpisGradiva.php?id=141222"><dc:title>Mera pričakovanih zadetkov v nogometu in njena uporaba</dc:title><dc:creator>Peček,	Urh	(Avtor)
	</dc:creator><dc:creator>Kejžar,	Nataša	(Mentor)
	</dc:creator><dc:subject>pričakovani zadetki</dc:subject><dc:subject>pričakovane točke</dc:subject><dc:subject>Monte Carlo simulacija</dc:subject><dc:subject>logistična regresija</dc:subject><dc:subject>Poissonova porazdelitev</dc:subject><dc:subject>model Dixon-Coles</dc:subject><dc:subject>nogomet</dc:subject><dc:description>V delu je obravnavana mera pričakovanih zadetkov v nogometni igri. Koncept in izračun pričakovanih zadetkov je predstavljen tako teoretično kot praktično. Opisane so spremenljivke, za katere menimo, da v nogometni igri vplivajo na vrednosti pričakovanih zadetkov. Analiziran je vpliv porazdelitve vrednosti pričakovanih zadetkov in njihova uporaba za kvantifikacijo uspešnosti igralca ali ekipe. Na podlagi pričakovanih zadetkov je izpeljana in praktično predstavljena mera pričakovanih točk. Predstavljena je metoda napovedovanja rezultatov nogometnih tekem, ki temelji na Poissonovi porazdelitvi in je posodobljena z upoštevanjem pričakovanih zadetkov. Na praktičnem primeru so primerjane metode z in brez upoštevanja pričakovanih zadetkov.

Obravnavana tema se trenutno zelo hitro razvija. Večina zamisli je objavljena v polstrokovnih člankih na spletu. V pričujočem delu so prevedene v matematični oziroma statistični jezik ter urejeno in celostno predstavljene, dodane pa so tudi nekatere nove, avtorjeve zamisli. Vsem teoretično predstavljenim konceptom so dodani praktični primeri.

Vse analize, simulacije in rezultati so pridobljeni s pomočjo računalniškega statističnega programa R. V sklopu tega so uporabljeni tudi nekateri specifični paketi, kot so regista, StatsBombR, ggsoccer, SBpitch, worldfootballR in soccermatics.

Uporabljeni pristop se je izkazal kot učinkovit. V prihodnosti bi bilo smiselno razširiti analize na preučevanje dejavnikov, ki vplivajo na spremenljivke, iz katerih se izračuna vrednost xG. Lahko bi preučili tudi, kako se vrednosti xG razlikujejo med različnimi ravnmi tekmovanj, ali pa bi za napovedovanje rezultatov nogometnih tekem uporabili modele strojnega učenja, v katere bi vključili vrednost xG.</dc:description><dc:date>2022</dc:date><dc:date>2022-09-26 09:40:00</dc:date><dc:type>Magistrsko delo/naloga</dc:type><dc:identifier>141222</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>
