Bayesian Imputation for Unplayed Games in Round-Robin Chess Tournaments: Application to Grand Chess Tour, Bucharest 2026

Sintesi Tecnica: Imputazione Bayesiana per Partite Non Giocate nei Tornei di Scacchi all'Italiana

Enunciazione del Problema
I tornei di scacchi all'italiana, in particolare a livello élite (ad esempio, Candidati, Grand Chess Tour), affrontano una sfida critica amministrativa e statistica quando un giocatore si ritira a metà evento. L'attuale regolamento FIDE (Articolo 6.6) adotta una regola dicotomica basata su una soglia del 50% di completamento:

• < 50% di partite giocate: Tutti i risultati che coinvolgono il giocatore ritirato vengono annullati.
• ≥ 50% di partite giocate: I risultati giocati restano validi e agli avversari non ancora affrontati viene assegnato un punto intero (per forfait).

Gli autori sostengono che questa regola crea discontinuità arbitrarie e distorce la classifica finale. L'annullamento cancella vittorie legittimamente ottenute, mentre l'assegnazione per forfait concede punti non guadagnati ignorando la forma effettiva del giocatore ritirato e le differenze di forza dei suoi avversari rimanenti. In campi élite dove le classifiche spesso si separano per mezzo punto, queste distorsioni possono alterare la distribuzione dei premi e gli esiti di qualificazione al Campionato del Mondo.

Metodologia
Il documento propone un quadro bayesiano basato sulla Migliore Predizione Lineare Non Distorta (BLUP) per imputare i punteggi delle partite non giocate. L'approccio tratta il problema come una questione di dati mancanti, combinando in modo ottimale due fonti di informazione:

1. Informazione A Priori: I punteggi Elo pre-torneo, che forniscono un punteggio atteso ($E_{i,W}$) basato sulle differenze storiche di forza.
2. Dati Osservati: La prestazione effettiva del giocatore ritirato ($\bar{s}_W$) nelle partite giocate prima del ritiro.

Il modello di base assume una struttura ad effetti casuali in cui il punteggio di un giocatore contro un avversario è la somma dell'aspettativa basata sull'Elo, di un effetto casuale comune che rappresenta la forma attuale del giocatore ritirato nel torneo ($\beta$), e di un rumore idiosincratico.

La formula di imputazione risultante per un avversario non affrontato $i$ è:
$$I_{i,W} = E_{i,W} + \frac{n}{n+k} (1 - \bar{s}_W - \bar{E})$$

Dove:

• $n$: Numero di partite giocate dal giocatore ritirato.
• $k$: Parametro di forza a priori (si raccomanda $k=3$ per controlli di tempo classici), che rappresenta la fiducia nelle previsioni Elo rispetto alla varianza osservata.
• $\bar{E}$: Aspettativa Elo media degli avversari effettivamente affrontati.
• Il termine $\frac{n}{n+k}$ agisce come un peso di contrazione, bilanciando l'a priori (Elo) con i dati osservati. All'aumentare di $n$, la stima si basa maggiormente sulla forma osservata; quando $n$ è piccolo, si basa maggiormente sui punteggi.

Contributi Chiave

1. Quadro Statistico Formale: Il documento formalizza matematicamente il problema dell'equità e deriva lo stimatore bayesiano BLUP, dimostrando che è coerente, conserva i punti ($I_{i,W} + I_{W,i} = 1$) e minimizza l'errore quadratico medio tra i predittori lineari non distorti.
2. Validazione tramite Simulazione: È stato condotto uno studio Monte Carlo che coinvolge 180.000 tornei simulati (18 scenari variabili per tempistica del ritiro, forma del giocatore e diffusione dei punteggi) utilizzando la validazione incrociata leave-one-out (LOOCV) per valutare l'accuratezza predittiva rispetto alla verità fondamentale.
3. Applicazione al Caso di Studio: La metodologia è stata applicata al Grand Chess Tour Bucharest 2026, dove il GM Alireza Firouzja si è ritirato dopo 5/9 turni con un punteggio scarso (1.0/5).
4. Strumentazione Open-Source: È stata sviluppata un'applicazione R Shiny per consentire agli organizzatori di implementare il metodo in modo trasparente, visualizzare la sensibilità al parametro a priori $k$ e confrontare i risultati con le regole tradizionali.

Risultati

• Prestazioni rispetto alle Regole FIDE: Il metodo bayesiano BLUP ha ridotto l'errore di previsione (RMSE) del 26% complessivamente rispetto all'attuale sistema dicotomico FIDE.
  • Ha superato la regola del Forfait del 42,8% (maggiori guadagni quando il giocatore ritirato stava performando male).
  • Ha superato la regola dell'Annullamento del 12,2%.
  • L'imputazione bayesiana ha ottenuto il RMSE più basso in tutti e 18 gli scenari sperimentali.
• Compromesso Bias-Varianza: L'imputazione puramente basata sull'Elo aveva un basso bias quando la forma corrispondeva ai punteggi, ma falliva quando la forma si discostava. L'imputazione puramente basata sulla prestazione era non distorta ma presentava un'alta varianza. L'imputazione bayesiana ha raggiunto il compromesso ottimale, mantenendo un bias vicino allo zero riducendo significativamente la varianza.
• Implicazione Politica (Annullamento vs Forfait): Anche senza adottare l'imputazione bayesiana, le simulazioni indicano che l'annullamento uniforme è statisticamente superiore all'attuale sistema dicotomico, ottenendo un RMSE inferiore dal 15% al 45% rispetto al forfait in tutti gli scenari. La soglia del 50% si rivela una discontinuità arbitraria.
• Esito del Caso di Studio: Nello scenario Bucharest 2026, l'imputazione bayesiana ha assegnato agli avversari non affrontati 0,55–0,70 punti, mentre la regola del forfait ne ha assegnati 1,0. Ciò ha preservato il vantaggio competitivo dei giocatori che avevano effettivamente sconfitto Firouzja, mentre la regola del forfait ha di fatto neutralizzato quelle vittorie assegnando punti uguali a chi non aveva ancora giocato.

Significato e Affermazioni
Il documento afferma che la metodologia proposta fornisce una soluzione principiata, trasparente e matematicamente difendibile a un problema attualmente gestito da regole amministrative arbitrarie.

• Integrità Competitiva: Preservando il vantaggio relativo dei giocatori che hanno sconfitto un giocatore ritirato in difficoltà, il metodo salvaguarda la legittimità delle classifiche del torneo, aspetto critico per eventi ad alto rischio come il torneo dei Candidati.
• Adattabilità: Il metodo si adatta fluidamente alla quantità di dati disponibili, evitando l'effetto "scogliera" della soglia del 50%.
• Raccomandazioni: Gli autori raccomandano che la FIDE adotti l'imputazione bayesiana BLUP (con $k=3$) per tutti gli eventi del ciclo del Campionato del Mondo. Come riforma minima, propongono di sostituire l'attuale regola dicotomica con l'annullamento uniforme, che i dati dimostrano essere superiore all'attuale sistema basato sul forfait.

Il documento conclude che, sebbene i punteggi frazionari (ad esempio, 0,69) possano richiedere aggiustamenti nella comunicazione (ad esempio, riportando un decimale), il rigore statistico del metodo è essenziale per mantenere l'equità negli scacchi élite moderni.