È possibile migliorare la stima della velocità della luce utilizzando dati sul prezzo del grano in Kansas o sul numero di spettatori di una partita di calcio? L’intuizione classica, radicata nei lavori di Gauss e Legendre, suggerisce una risposta negativa: variabili fisicamente indipendenti dovrebbero essere trattate isolatamente. Tuttavia, nel 1956, Charles Stein scosse le fondamenta della teoria delle decisioni dimostrando che, in dimensione k ≥ 3, lo stimatore naturale della media di un vettore Gaussiano (la media campionaria) non è ammissibile. In questo seminario esploreremo il celebre "Paradosso di Stein". Partendo dal caso empirico dei giocatori di baseball di Efron e Morris, analizzeremo il cuore analitico del problema tramite l’Identità di Stein e il calcolo della divergenza di campi vettoriali in R^k. Vedremo come il paradosso non sia un'anomalia statistica, ma una profonda conseguenza geometrica legata alla transienza del moto browniano e alle proprietà del Laplaciano in alta dimensione. Concluderemo discutendo come l'accettazione di una "piccola distorsione" (bias) permetta di ottenere una "grande precisione" globale, anticipando i moderni metodi di regolarizzazione del Machine Learning. NOTA: L’idea è quella di rendere questo sorprendente risultato comprensibile a chi è alle prime armi nel suo percorso universitario e dare qualche “insight” a chi invece ne sa un pochino di più.