우리에게는 두 개의 신탁이 있습니다! 첫 번째는 다음과 같습니다. 가격은 현재 날짜에 0.6의 확률로 1.5000 수준을 교차하거나 접촉할 것입니다.
두 번째 신탁은 이에 동의하지 않고 다음과 같이 말합니다. 가격은 현재 날짜에 0.2의 확률로 1.5000 수준을 교차하거나 접촉할 것입니다.
가격이 오늘의 1.5000 수준을 넘거나 닿을 최종 확률은 얼마입니까????????????
예를 들어 첫 번째 오라클의 예측이 두 번째 오라클의 예측(p1=p2=0.2)과 일치하면 최종 확률은 0.2가 됩니다. 간단합니다.
그러나 첫 번째 오라클이 여전히 예측 p1=0.6을 제공한다면? 최종 확률을 계산하는 방법????
arkuls의 예측 가중치가 같으면 p1=p2=0.2의 경우입니다. 그런 다음 평균의 원칙에 따라 모든 arkuls의 예측을 더하고 숫자로 나누는 것이 필요할 것입니다. 즉, 예측값이 0.2이고 두 번째 예측값이 0.6이면 (0.2 + 0.6) / 2 = 0.4, 즉 확률이 증가합니다. 세 번째 arkul이 추가되면 그의 의견도 올바르게 고려됩니다. 그러나 이것은 그들의 예측의 강도가 동일한 경우에만 해당됩니다. 물론 IMHO이지만 그렇게 생각합니다.
arkuls의 예측 가중치가 같으면 p1=p2=0.2의 경우입니다. 그런 다음 평균의 원칙에 따라 모든 arkuls의 예측을 더하고 숫자로 나누는 것이 필요할 것입니다. 즉, 예측값이 0.2이고 두 번째 예측값이 0.6이면 (0.2 + 0.6) / 2 = 0.4, 즉 확률이 증가합니다. 세 번째 arkul이 추가되면 그의 의견도 올바르게 고려됩니다. 그러나 이것은 그들의 예측의 강도가 동일한 경우에만 해당됩니다. 물론 IMHO이지만 그렇게 생각합니다.
처음에는 저도 똑같은 생각을 했습니다. 하지만 예측값의 가중치를 생각해보면 예측값이 0.5에서 제거될 때 가중치가 증가한다는 것을 알았습니다. 즉, 예측값이 100% 또는 0%에 가까울수록 예측값의 가중치가 커집니다. 사실 이 100%는 상한선에서 가져온 것이 아니라 통계에서 가져온 것이며, 예를 들어 50/50 값은 예측자가 약간의 마진으로 예측을 전혀 할 수 없음을 의미하며 그러한 가중치의 가중치는 예측은 자연스럽게 일치하는 것으로 판명되었습니다.
우리에게는 두 개의 신탁이 있습니다! 첫 번째는 다음과 같습니다. 가격은 현재 날짜에 0.6의 확률로 1.5000 수준을 교차하거나 접촉할 것입니다.
두 번째 신탁은 이에 동의하지 않고 다음과 같이 말합니다. 가격은 현재 날짜에 0.2의 확률로 1.5000 수준을 교차하거나 접촉할 것입니다.
가격이 오늘의 1.5000 수준을 넘거나 닿을 최종 확률은 얼마입니까????????????
예를 들어 첫 번째 오라클의 예측이 두 번째 오라클의 예측(p1=p2=0.2)과 일치하면 최종 확률은 0.2가 됩니다. 간단합니다.
그러나 첫 번째 오라클이 여전히 예측 p1=0.6을 제공한다면? 최종 확률을 계산하는 방법????
arkuls의 예측 가중치가 같으면 p1=p2=0.2의 경우입니다. 그런 다음 평균의 원칙에 따라 모든 arkuls의 예측을 더하고 숫자로 나누는 것이 필요할 것입니다. 즉, 예측값이 0.2이고 두 번째 예측값이 0.6이면 (0.2 + 0.6) / 2 = 0.4, 즉 확률이 증가합니다. 세 번째 arkul이 추가되면 그의 의견도 올바르게 고려됩니다. 그러나 이것은 그들의 예측의 강도가 동일한 경우에만 해당됩니다. 물론 IMHO이지만 그렇게 생각합니다.
이미 문제를 통계적인 문제가 아니라 전문가 평가의 문제로 생각하자고 제안한 바 있다.
또한 코스터는 전문가(오라클)를 평가하지 않습니다. 분명히 동일하다고 생각하지만 예측의 신뢰성에 대해서는 아무 말도 하지 않습니다.
나는 그들이 Kemeny 중앙값과 Kemeny 평균을 사용한다는 것을 알고 있습니다.
중앙값 - 점수, 모든 전문가의 점수까지의 거리 합계가 최소입니다.
평균 케메니 - 제곱 거리에 대해서만 동일합니다. 이 경우 min((P-0.2)^2 + (P-0.6)^2)) 가 중간에 있습니다. P=0.4
그러나 이것은 가능성이 아닙니다. 이것은 위원회의 평가에 대한 신뢰도입니다(첫 번째는 6점으로 "예"라고 답했고, 두 번째는 2점으로 자신의 "예"에 대해 확신했습니다).
(가장 단순한 경우 전문가들은 "예" 또는 "아니오"로만 투표하며 결정은 단순 과반수입니다.)
arkuls의 예측 가중치가 같으면 p1=p2=0.2의 경우입니다. 그런 다음 평균의 원칙에 따라 모든 arkuls의 예측을 더하고 숫자로 나누는 것이 필요할 것입니다. 즉, 예측값이 0.2이고 두 번째 예측값이 0.6이면 (0.2 + 0.6) / 2 = 0.4, 즉 확률이 증가합니다. 세 번째 arkul이 추가되면 그의 의견도 올바르게 고려됩니다. 그러나 이것은 그들의 예측의 강도가 동일한 경우에만 해당됩니다. 물론 IMHO이지만 그렇게 생각합니다.
처음에는 저도 똑같은 생각을 했습니다. 하지만 예측값의 가중치를 생각해보면 예측값이 0.5에서 제거될 때 가중치가 증가한다는 것을 알았습니다. 즉, 예측값이 100% 또는 0%에 가까울수록 예측값의 가중치가 커집니다. 사실 이 100%는 상한선에서 가져온 것이 아니라 통계에서 가져온 것이며, 예를 들어 50/50 값은 예측자가 약간의 마진으로 예측을 전혀 할 수 없음을 의미하며 그러한 가중치의 가중치는 예측은 자연스럽게 일치하는 것으로 판명되었습니다.
이미 문제를 통계적인 문제가 아니라 전문가 평가의 문제로 생각하자고 제안한 바 있다.
또한 코스터는 전문가(오라클)를 평가하지 않습니다. 분명히 동일하다고 생각하지만 예측의 신뢰성에 대해서는 아무 말도 하지 않습니다.
나는 그들이 Kemeny 중앙값과 Kemeny 평균을 사용한다는 것을 알고 있습니다.
중앙값 - 점수, 모든 전문가의 점수까지의 거리 합계가 최소입니다.
평균 케메니 - 제곱 거리에 대해서만 동일합니다. 이 경우 min((P-0.2)^2 + (P-0.6)^2)) 가 중간에 있습니다. P=0.4
그러나 이것은 가능성이 아닙니다. 이것은 위원회의 평가에 대한 신뢰도입니다(첫 번째는 6점으로 "예"라고 답했고, 두 번째는 2점으로 자신의 "예"에 대해 확신했습니다).
(가장 단순한 경우 전문가들은 "예" 또는 "아니오"로만 투표하며 결정은 단순 과반수입니다.)
모두 100% 등급입니다. 그들은 모두 형제입니다. 그리고 그들은 모두 한 명의 어머니가 있습니다 - 통계.