📊 statistics

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

Dit artikel stelt een Bayesiaans BLUP-kader (Beste Lineaire Onbevooroordeelde Voorspelling) voor om scores voor niet-gespeelde partijen in toernooien met een round-robin-formule te imputeren, waarbij via simulaties en een casestudie uit Boekarest 2026 wordt aangetoond dat deze methode de voorspelfout en rangschikkingvervorming aanzienlijk vermindert in vergelijking met de huidige binair regels van annulering of forfait van FIDE.

Oorspronkelijke auteurs: Ravi Varadhan

Gepubliceerd 2026-05-28

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ravi Varadhan

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een schaaktoernooi met hoge inzet voor als een groot rondetafel-diner. Elke gast moet met elke andere gast een partij spelen. De persoon die de meeste partijen wint, neemt de prijs mee naar huis. Maar dan slaat het noodlot toe: een gast, laten we hem "De Aftrekkende" noemen, wordt ziek of heeft een noodgeval en moet halverwege het feest vertrekken.

Nu staat de gastheer (de toernooi-organisator) voor een rommelig probleem: Wat doe je met de partijen die De Aftrekkende nooit heeft kunnen spelen?

De Oude Manier: De "Alles-of-Niets"-Regel

Op dit moment gebruiken schaakorganisatoren een zeer starre "alles-of-niets"-regel, gebaseerd op een drempel van 50%, zoals een verkeerslicht dat plotseling van rood naar groen schakelt.

Scenario A (De Aftrekkende vertrekt vroeg): Als ze minder dan de helft van hun partijen hebben gespeeld, zegt de gastheer: "Oké, doe alsof De Aftrekkende nooit is gekomen." Al hun partijen worden gewist. Als je ze versloeg, verdwijnt die winst. Als je van ze verloor, verdwijnt die nederlaag. Het is alsof de partij nooit heeft plaatsgevonden.
Scenario B (De Aftrekkende vertrekt laat): Als ze meer dan de helft van hun partijen hebben gespeeld, zegt de gastheer: "Oké, ze hebben forfait verklaard." Iedereen die niet de kans kreeg om tegen hen te spelen, krijgt een gratis punt (1 punt). Iedereen die wel tegen hen heeft gespeeld, behoudt zijn werkelijke resultaat.

Het Probleem: Dit creëert een vreemde "afgrond". Als een speler na 4 partijen vertrekt, wordt hij gewist. Als hij na 5 partijen vertrekt, krijgt iedereen anders een gratis punt. Dit kleine verschil in timing kan volledig veranderen wie het toernooi wint, wat onrechtvaardig en willekeurig aanvoelt.

Het Nieuwe Idee: De "Slimme Gissing" (Bayesiaanse Imputatie)

De auteur, Ravi Varadhan, stelt een slimmere manier voor om hiermee om te gaan. In plaats van partijen te wissen of gratis punten te geven, moeten we een wiskundige "slimme gissing" gebruiken om te schatten wat er was gebeurd als de partijen daadwerkelijk waren gespeeld.

Denk eraan als het voorspellen van het weer.

De "Historische Voorspelling" (Elo-ratingen): We weten dat De Aftrekkende meestal een zeer sterke speler is (zoals een zonnige dagvoorspelling gebaseerd op gegevens van vorig jaar).
De "Huidige Omstandigheden" (Toernooiprestaties): Maar in dit specifieke toernooi heeft De Aftrekkende verschrikkelijk gespeeld, iedereen verslaan (zoals een plotselinge storm die net is opgekomen).

De nieuwe methode combineert deze twee stukjes informatie. Het vraagt: "Gebaseerd op wie De Aftrekkende normaal is, EN hoe hij op dit moment speelt, wat is de meest waarschijnlijke score voor de partijen die hij heeft gemist?"

Hoe Het Werkt (De "Geklopte Smoothie")

Het artikel stelt een formule voor die werkt als een blender:

De Basis: Het begint met de verwachte score gebaseerd op de ratings van de spelers (de "Historische Voorspelling").
De Aanpassing: Het kijkt naar hoe De Aftrekkende daadwerkelijk heeft gepresteerd in de partijen die hij wel heeft gespeeld. Als hij slecht speelde, verlaagt de formule de verwachte score voor de gemiste partijen. Als hij fantastisch speelde, verhoogt hij deze.
De Weegfactor: De formule bepaalt hoeveel gewicht er moet worden gegeven aan de "Geschiedenis" versus de "Huidige Prestaties".
- Als De Aftrekkende slechts 1 partij heeft gespeeld voordat hij vertrok, vertrouwt de formule meer op de "Geschiedenis" (omdat 1 partij een toevalstreffer kan zijn).
- Als hij 8 partijen heeft gespeeld, vertrouwt de formule meer op de "Huidige Prestaties" (omdat 8 partijen een echt verhaal vertellen).

Het Boekarest 2026 Voorbeeld

Het artikel test dit op een echt (hypothetisch) evenement in Boekarest waarbij een ster-speler, Alireza Firouzja, na 5 partijen moest vertrekken.

De Realiteit: Firouzja speelde zeer slecht (slechts 1 punt uit 5).
De Oude Regel (Forfait): Aangezien hij meer dan de helft had gespeeld, zouden de vier spelers die hem nog niet hadden ontmoet elk een volledig punt (1,0) krijgen. Dit voelt als een windfall, zelfs al speelde Firouzja slecht.
De Nieuwe Regel (Bayesiaans): De formule berekent dat, gezien zijn vreselijke vorm, hij waarschijnlijk de meeste van die gemiste partijen zou hebben verloren of remise zou hebben gemaakt. In plaats van de tegenstanders een volledig punt te geven, beloont hij hen met 0,55 tot 0,70 punten.

Waarom dit belangrijk is: Volgens de oude regel krijgen de spelers die Firouzja daadwerkelijk versloegen (en dus 1,0 punt verdienden) geen enkel voordeel ten opzichte van de spelers die hem nooit hebben ontmoet (die ook 1,0 punt krijgen). De nieuwe regel behoudt het voordeel voor de spelers die daadwerkelijk hebben gevochten en gewonnen.

Het "Simulatie"-Bewijs

Om te bewijzen dat dit werkt, draaide de auteur een enorme computersimulatie – als een videospel – waarbij 180.000 nep-toernooien werden gecreëerd. Ze testten elk mogelijk scenario:

Spelers die vroeg versus laat vertrokken.
Spelers die goed speelden versus slecht speelden.
Verschillende soorten tegenstanders.

Het Resultaat: De "Slimme Gissing"-methode was consequent nauwkeuriger dan de oude "Alles-of-Niets"-regels. Het verminderde de fouten met ongeveer 26% in totaal. Het was vooral goed in het hanteren van de meest voorkomende situatie: wanneer een speler vertrekt omdat hij slecht speelt (door ziekte of slechte vorm).

De Conclusie

Het artikel betoogt dat schaaktoernooien moeten stoppen met het gebruik van de starre "50%-regel" en moeten beginnen met dit wiskundige "Slimme Gissing"-systeem.

Als de organisatoren de beste oplossing willen: Gebruik de Bayesiaanse formule (die gratis is en beschikbaar als computer-app).
Als de organisatoren een eenvoudigere back-up willen: Gebruik in ieder geval de "Forfait"-regel niet meer en pas alleen "Annulering" (wissen van de partijen) toe voor iedereen, want zelfs dat is statistisch beter dan het geven van gratis punten.

Het doel is simpel: Rechtvaardigheid. De winnaar van een schaaktoernooi moet de persoon zijn die het beste heeft gespeeld, niet de persoon die geluk had met het tijdstip van een terugtrekking.

Technische Samenvatting: Bayesiaanse Imputatie voor Niet-Gespeelde Partijen in Ronde-toernooien in het Schaak

Probleemstelling
Ronde-toernooien in het schaken, met name op eliteniveau (bijvoorbeeld Kandidatentoernooi, Grand Chess Tour), staan voor een kritieke administratieve en statistische uitdaging wanneer een speler zich halverwege het evenement terugtrekt. De huidige FIDE-reglementen (Artikel 6.6) hanteren een dichotomische regel gebaseerd op een voltooiingsdrempel van 50%:

< 50% gespeelde partijen: Alle resultaten die de teruggetrokken speler betreffen, worden ongeldig verklaard.
≥ 50% gespeelde partijen: Gespeelde resultaten blijven staan, en niet-gespeelde tegenstanders krijgen een volledige punt toegekend (verlies door forfait).

De auteurs stellen dat deze regel willekeurige discontinuïteiten creëert en de eindrangschikkingen vervormt. Ongeldigverklaring wist legitiem behaalde overwinningen, terwijl forfaittoekenning onverdiende punten geeft die de daadwerkelijke vorm van de teruggetrokken speler en de sterkteverschillen van de resterende tegenstanders negeren. Op eliteniveau, waar de rangschikkingen vaak met een halve punt uit elkaar liggen, kunnen deze vervormingen de verdeling van prijzen en de uitkomsten van kwalificatie voor het wereldkampioenschap beïnvloeden.

Methodologie
Het artikel stelt een Bayesiaans raamwerk gebaseerd op Best Linear Unbiased Prediction (BLUP) voor om scores voor niet-gespeelde partijen te imputeren. De aanpak behandelt het probleem als een kwestie van ontbrekende gegevens, waarbij twee informatiebronnen optimaal worden gecombineerd:

A priori-informatie: Elo-ratingen voor het toernooi, die een verwachte score ( $E_{i,W}$ ) bieden op basis van historische sterkteverschillen.
Waargenomen gegevens: De daadwerkelijke prestatie ( $\bar{s}_W$ ) van de teruggetrokken speler in de partijen die voorafgaand aan de terugtrekking zijn gespeeld.

Het kernmodel veronderstelt een structuur met willekeurige effecten waarbij de score van een speler tegen een tegenstander de som is van de op Elo gebaseerde verwachting, een gemeenschappelijk willekeurig effect dat de huidige toernooivorm van de teruggetrokken speler vertegenwoordigt ( $\beta$ ), en idiosyncratische ruis.

De resulterende imputatieformule voor een niet-gespeelde tegenstander $i$ is:
$I_{i,W} = E_{i,W} + \frac{n}{n+k} (1 - \bar{s}_W - \bar{E})$

Waarbij:

$n$ : Aantal gespeelde partijen door de teruggetrokken speler.
$k$ : Parameter voor a priori sterkte (aanbevolen $k=3$ voor klassieke tijdscontroles), die het vertrouwen in Elo-voorspellingen ten opzichte van waargenomen variantie vertegenwoordigt.
$\bar{E}$ : Gemiddelde Elo-verwachting van de daadwerkelijk gespeelde tegenstanders.
De term $\frac{n}{n+k}$ fungeert als een shrinkage-gewicht, dat de a priori (Elo) afweegt tegen de waargenomen gegevens. Naarmate $n$ toeneemt, vertrouwt de schatting meer op waargenomen vorm; naarmate $n$ klein is, vertrouwt het meer op ratingen.

Belangrijkste Bijdragen

Formeel Statistisch Raamwerk: Het artikel formaliseert het eerlijkheidsprobleem wiskundig en leidt de Bayesiaanse BLUP-schatter af, waarbij wordt bewezen dat deze consistent is, puntenbehoud garandeert ( $I_{i,W} + I_{W,i} = 1$ ), en de gemiddelde kwadratische fout minimaliseert onder lineaire onbevooroordeelde voorspellers.
Validatie via Simulatie: Een Monte Carlo-studie met 180.000 gesimuleerde toernooien (18 scenario's variërend in timing van terugtrekking, speler-vorm en ratingverspreiding) werd uitgevoerd met behulp van leave-one-out cross-validatie (LOOCV) om de voorspellende nauwkeurigheid te evalueren ten opzichte van de waarheid.
Toepassing in Casestudy: De methodologie werd toegepast op de Grand Chess Tour Boekarest 2026, waar GM Alireza Firouzja zich terugtrok na 5/9 ronden met een slechte score (1,0/5).
Open-Source Hulpmiddelen: Een R Shiny-toepassing is ontwikkeld om organisatoren in staat te stellen de methode transparant toe te passen, gevoeligheid voor de a priori-parameter $k$ te visualiseren en uitkomsten te vergelijken met traditionele regels.

Resultaten

Prestatie versus FIDE-regels: De Bayesiaanse BLUP-methode verlaagde de voorspellingsfout (RMSE) met 26% overall in vergelijking met het huidige FIDE-dichotomische systeem.
- Het presteerde 42,8% beter dan de Forfait-regel (grootste winst wanneer de teruggetrokken speler onderpresteerde).
- Het presteerde 12,2% beter dan de Ongeldigverklaring-regel.
- Bayesiaanse imputatie behaalde de laagste RMSE in alle 18 experimentele scenario's.
Bias-Variantie Trade-off: Pure op Elo gebaseerde imputatie had een lage bias wanneer vorm overeenkwam met ratingen, maar faalde wanneer vorm afweek. Pure op prestaties gebaseerde imputatie was onbevooroordeeld maar had een hoge variantie. Bayesiaanse imputatie bereikte de optimale balans, waarbij een bijna nul-bias werd behouden terwijl de variantie aanzienlijk werd verlaagd.
Beleidimplicatie (Ongeldigverklaring versus Forfait): Zelfs zonder Bayesiaanse imputatie aan te nemen, geven de simulaties aan dat uniforme ongeldigverklaring statistisch superieur is aan het huidige dichotomische systeem, met een RMSE die 15–45% lager ligt dan forfait in alle scenario's. De 50%-drempel blijkt een willekeurige discontinuïteit te zijn.
Uitkomst Casestudy: In het scenario Boekarest 2026 verleende Bayesiaanse imputatie niet-gespeelde tegenstanders 0,55–0,70 punten, terwijl de forfaitregel 1,0 toekende. Dit behield het competitieve voordeel van spelers die Firouzja daadwerkelijk hadden verslagen, terwijl de forfaitregel deze overwinningen effectief neutraliseerde door gelijke punten te geven aan degenen die nog niet hadden gespeeld.

Betekenis en Aanspraken
Het artikel stelt dat de voorgestelde methodologie een principieel, transparant en wiskundig verdedigbaar antwoord biedt op een probleem dat momenteel wordt afgehandeld met willekeurige administratieve regels.

Competitieve Integriteit: Door het relatieve voordeel van spelers die een worstelende teruggetrokken speler hebben verslagen te behouden, waarborgt de methode de legitimiteit van toernooirangschikkingen, wat cruciaal is voor hoog-risico evenementen zoals het Kandidatentoernooi.
Aanpasbaarheid: De methode past zich soepel aan aan de hoeveelheid beschikbare gegevens, waardoor het "klif"-effect van de 50%-drempel wordt vermeden.
Aanbevelingen: De auteurs bevelen aan dat de FIDE Bayesiaanse BLUP-imputatie (met $k=3$ ) toepast voor alle evenementen in de cyclus van het wereldkampioenschap. Als minimale hervorming stellen zij voor de huidige dichotomische regel te vervangen door uniforme ongeldigverklaring, wat de data aangeeft superieur te zijn aan het huidige op forfait gebaseerde systeem.

Het artikel concludeert dat hoewel fractionele scores (bijvoorbeeld 0,69) mogelijk aanpassingen in communicatie vereisen (bijvoorbeeld rapportage tot één decimaal), de statistische strengheid van de methode essentieel is voor het behoud van eerlijkheid in modern elitetaalschaak.