Jay King: said reminded the Celtics today that it’s OK to smile during war.

Ridete sguarldrine

È ufficiale....non ne posso più di questa tensione....non so se arrivero sano alla partita!!

Ridi sgualdrina ridi (detto come Bud spencer mentre incitava bevi Galina bevi)

Gaaaaalina, da!

Oggi è l’anniversario del titolo 17…speriamo di onorare questa data e mettere in campo il 20% della grinta di KG!basterebbe quella per vincere
Ah già,a Dallas stanno già festeggiando….mi ero scordato
complimenti vivissimi

Sano fisicamente, intendi

Effettivamente ho rischiato grosso!!!

non lo so, ma per farmi del male ho rivisto la partita e in alcune situazioni abbiamo fatto l'opposto di quello che facevamo normalmente, in attacco nulli è riduttivo...
non mi spiego come si possa giocare cosi molli in una partita di finale... inconcepibile...

Ora, è acqua passata chissene, mi interessa solo la prossima... tensione a palate...

bali duri

Forza Celtics

State calmi.
Gestite l’ansia.

Non me ne vogliate, e nessuno si offenda, ma propongo la 104 per tutti coloro che continuano a dire che in gara 4 abbiamo voluto perdere di proposito per festeggiare in casa e fare l’incasso.
Sono discorsi senza senso, inutile dirvi il perché. A certi livelli sono cose che non le pensi neppure.
Gara 4 è stata una partita giocata in modo superficiale, con pochissimi tensione emotiva e soprattutto zero concentrazione ed applicazione. Sul 3-0, poteva capitare, dopo una gara 3 vinta in trasferta.
Sono state fatte cose pessime, vero.
Sono state perse palle banali, tiri aperti che non hanno preso neanche il tabellone, passaggi nel nulla.
Tutto vero.

Ma:
sono spalle al muro sotto 1-3, loro;
sono consapevoli che anche se vincono gara 5 hanno ancora una montagna da scalare, loro;
in gara 3 alcuni dei loro hanno tirato con l’80%, molto probabilmente ora avranno una regressione verso la media, si chiama varianza;
Doncic non è in forma, lo sta dimostrando sul piano fisico, nei secondi tempi cala vistosamente.

Siamo 3-1 dopo 4 partite.
Siamo esattamente dove volevamo stare.
Sono tranquillo e fiducioso.
Tranquillo e fiducioso anche se malauguratamente dovessimo perdere stanotte.
Ma ho buone sensazioni che ciò non accada.

E' l'ora
Let's go C's

Un dato si definisce “fuori serie” (o “outlier”) in termini di varianza media quando il suo valore differisce significativamente dalla media della serie di dati, misurata in termini di deviazione standard (che è la radice quadrata della varianza).

Ecco una definizione più dettagliata:

• Media (μ): La media aritmetica dei dati nella serie.
• Varianza (σ²): La media dei quadrati delle differenze tra ciascun dato e la media della serie.
• Deviazione Standard (σ): La radice quadrata della varianza.

Un dato x è considerato un outlier se la sua distanza dalla media è più grande di un certo numero di deviazioni standard. Una regola comune è utilizzare la soglia di 2 o 3 deviazioni standard. Formalmente, x è un outlier se:

|x - μ| > kσ

dove:

• μ è la media della serie,
• σ è la deviazione standard della serie,
• k è il fattore di soglia (comunemente 2 o 3).

In altre parole, un dato è considerato un outlier se si trova più lontano dalla media di quanto ci si aspetti basandosi sulla varianza della serie.

Gli outlier possono influenzare in modo significativo l’analisi dei dati, quindi è importante trattarli con attenzione. Ecco alcune delle strategie comuni per gestire gli outlier:

1. Verifica della Validezza:
• Errore di misurazione: Verifica se l’outlier è dovuto a un errore di misurazione o di inserimento dei
dati. Se è così, correggi o rimuovi il dato errato.
• Evento reale: Determina se l’outlier rappresenta un evento reale e significativo. In alcuni casi, gli
outlier possono fornire informazioni utili.
2. Rimozione degli Outlier:
• Rimozione semplice: Se l’outlier è considerato un errore o un valore anomalo che non rappresenta il
fenomeno in esame, può essere rimosso dalla serie di dati. Questa decisione deve essere giustificata
e documentata.
3. Trasformazione dei Dati:
• Logaritmica o altra trasformazione: Applicare trasformazioni (ad esempio, logaritmica) può ridurre
l’impatto degli outlier e rendere i dati più simmetrici.
4. Imputazione degli Outlier:
• Sostituzione con la media o la mediana: Sostituire gli outlier con la media o la mediana della serie di
dati per ridurre il loro impatto senza rimuovere i dati.
• K-Nearest Neighbors (KNN): Usare metodi come KNN per imputare i valori mancanti o anomali in
base ai dati circostanti.
5. Utilizzo di Metodi Robust:
• Statistiche robuste: Utilizzare metodi statistici che sono meno sensibili agli outlier, come la mediana
invece della media, o la regressione robusta.
• Modelli robusti: Applicare modelli di machine learning che sono progettati per gestire gli outlier in
modo più efficace, come l’albero decisionale o il support vector machine (SVM) con kernel
appropriato.
6. Segnalazione degli Outlier:
• Analisi separata: In alcuni casi, può essere utile eseguire un’analisi separata degli outlier per
comprendere meglio i motivi sottostanti e le potenziali implicazioni.
7. Isolamento degli Outlier:
• Modelli di rilevamento degli outlier: Usare modelli specifici per identificare e gestire gli outlier, come
Isolation Forest, Local Outlier Factor (LOF), o algoritmi basati su clustering.

Ogni strategia ha i suoi vantaggi e svantaggi, e la scelta della tecnica appropriata dipende dal contesto specifico, dagli obiettivi dell’analisi e dalla natura dei dati.

4txx, grande rispetto per la tua profonda conoscenza della varianza però la statistica viene spesso usata per trarre conclusioni tanto categoriche quanto errate. Questo perché a fronte di una certa difficoltà nell’eseguire i calcoli, sembra molto semplice trarre le conclusioni. Ma le cose non stanno proprio così perché, riprendendo appunto una citazione latina, “post hoc, ergo propter hoc” (“dopo di questo, quindi a causa di questo”) , spesso la statistica approda ad una conclusione semplicistica che non rispecchia quasi mai la realtà, che si presenta spesso decisamente più complessa.

In definitiva, sembra piuttosto semplice rifugiarsi nella statistica ma attenzione alle trappole della stessa statistica. Come diceva il mio professore di matematica all'università, parlando di statistica: se viene mangiato un pollo ogni tre persone non è detto che le tre persone abbiano mangiato un terzo equivalemnte dello stesso pollo. Lo potrebbe aver mangiato uno solo dei tre, oppure magari è stato divso da una coppia di innamorati. Ma nel primo caso in due non hanno mangiato nulla e nell'altro caso il terzo cosa faceva? li guardava ? Quindi, se due variabili danno come risultato del coefficiente di correlazione: 0.87, non è necessariamente detto che abbiano un rapporto di causalità diretto (x dipende da y o viceversa). E’ altrettanto probabile che entrambe dipendano da una terza variabile z che rappresenta una causa comune.

Spero di essere stato chiaro.

Ah anche tu MarcUS hai avuto il Prof. Fontecedro? Il mio intervento era solo volto a offrire ai lettori e commentatori del forum ,per lo meno quelli non sotto assistenza specialistica, alcune basi teoriche per lo studio di quei dati, cosiddetti outlier, che non sembrano per nulla appartenere alla popolazione di riferimento. E che, quindi, possono avere una spiegazione diversa dalla semplice varianza statistica, soprattutto su un campione che sfiora quasi le 100 partite. Ciò detto, vorrei riportare al caso originario facendo uso del rasoio di Occam. Il rasoio di Occam è un principio metodologico che afferma che, tra le varie spiegazioni possibili per un fenomeno, quella più semplice è da preferire. In altre parole, quando ci si trova di fronte a diverse ipotesi che spiegano i dati o gli eventi in modo adeguato, la spiegazione che richiede il minor numero di assunzioni è quella preferibile.

La formulazione del rasoio di Occam può essere sintetizzata così:

“Entia non sunt multiplicanda praeter necessitatem.”