Modeling and Computing Probabilities of NBA Players Shooting Averages: Empirical and Theoretic Distributions
Notice bibliographique
Résumé
For our statistic analysis we chose the sports area, namely basketball and NBA. NBA is the most popular basketball association and league in the world. It includes 29 teams - 27 U.S.A. teams and 2 Canadian ones. Besides observing each team's and players' performance there are also many commercial activities related to the NBA games like advertising, selling tickets, selling basketball gears & accessories which serve as a broad field for statistic analysis. Our objective was to collect raw data of 150 randomly chosen NBA players quantitatively, qualitatively and graphically analyze the data and make conclusions which could be used in decision-making process of the NBA association, each coach or for other business related activities. There are many categories NBA players' statistics are collected on. We chose the shooting percentage of a player which means the percentage proportion of made shots over total shots that a player takes in games. In the first part of the project we are analyzing the gathered data to obtain descriptive statistics of our sample and histograms help us to understand the distribution of the data. In the next step we are providing the probabilities of shooting percentages falling into determined intervals. One of the challenges of the project was to hypothesize 3 possible continuous probability distribution functions which we eventually compare to our empirical histogram. In the last part of the project we discuss our observations and make conclusions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».