对于任何令人困惑的解释，我提前道歉，但我会尽可能清楚。
如果有多个指标以已知的准确性预测结果，并且它们都试图预测相同的结果，你如何正确地添加概率？
例如，如果约翰和大卫正在参加一项测试，从历史上看，约翰答对了80%的问题，大卫答对了75%的问题，而约翰和大卫在一个问题上都选择了相同的答案，那么他们正确的概率是多少？让我们假设约翰和大卫是完全独立的，所有的问题都同样困难。
我认为它们正确的概率高于80%，所以我认为平均值没有意义。
感谢Robert对这个问题的评论，我发现我正在寻找的是一个由贝叶斯定理解决的著名问题，该定理用于在给定新信息的情况下重新评估现有概率。我不会再深入了解它背后的直觉，但3Blue1Brown有一个关于这个主题的非常好的视频。
贝叶斯定理指出：P(A|B(=(P(A(*P(B((/
其中：P(A(是概率1，P(！A(是1-P(A(，P(B(是概率2，并且P(！B(是1-P(B(
在问题的场景中使用这个等式，如果John有80%的机会是对的，David有75%的机会是正确的，并且双方都同意，那么他们都正确的机会是92.3%
为了证明这一点，我编写了一个简单的python脚本，模拟了n次这个确切的场景并打印出结果。在该代码中；专家"；具有一组正确或错误的概率，并且它们的准确性被单独或一起跟踪。
import random
TRIALS = 1000000
exp1_correct = 0
exp2_correct = 0
combined_correct = 0
consensus_count = 0
for i in range(TRIALS):
expert1 = random.random() <= 0.8
expert2 = random.random() <= 0.75
if expert1 and expert2:
combined_correct += 1
if expert1:
exp1_correct += 1
if expert2:
exp2_correct += 1
if expert1 == expert2:
consensus_count += 1
print(f'Expert 1 had an accuracy of {exp1_correct / TRIALS}')
print(f'Expert 2 had an accuracy of {exp2_correct / TRIALS}')
print(f'Consensus had an accuracy of {combined_correct / consensus_count}')
运行此操作可以验证上面的等式是否正确。希望这对和我有同样问题的人有帮助！