CRPS porównuje przewidywaną dystrybuantę F z „doskonałą” dystrybuantą obserwacji, czyli funkcją skokową H(x − y) skaczącą z 0 do 1 w punkcie obserwacji y. Metryka całkuje po całej osi rzeczywistej kwadrat różnicy tych dwóch dystrybuant: CRPS(F, y) = ∫_ℝ (F(x) − H(x − y))² dx. Im bliżej F leży idealnej dystrybuanty skokowej (dobra kalibracja + wysoka ostrość), tym mniejsza całka. W praktyce, gdy prognoza jest ansamblem próbek {x_1,…,x_m} (np. członkowie ensemble pogodowego), stosuje się formę energetyczną estymowaną z próbek: CRPS ≈ (1/m) Σ_i |x_i − y| − (1/(2m²)) Σ_i Σ_j |x_i − x_j|. Pierwszy człon karze odległość próbek od obserwacji (dokładność), drugi nagradza rozrzut ansamblu (ostrość/spread). Wynik ma jednostki zmiennej prognozowanej; dla prognozy deterministycznej redukuje się do |x − y| = MAE.
Punktowe metryki (MAE, RMSE) oceniają tylko pojedynczą estymatę i ignorują niepewność oraz kształt przewidywanego rozkładu. CRPS rozwiązuje problem uczciwej, jednoliczbowej oceny prognoz probabilistycznych na ciągłej dziedzinie — nagradza zarówno kalibrację, jak i ostrość (sharpness) rozkładu, a jako reguła ściśle właściwa premiuje podawanie prawdziwego rozkładu predykcyjnego.
Pełna funkcja rozkładu skumulowanego prognozy — reprezentacja niepewności, którą CRPS ocenia w całości, a nie tylko jej wartość oczekiwaną.
Definicja ∫(F(x) − H(x − y))² dx: całka z kwadratu różnicy między prognozowaną dystrybuantą a funkcją skokową obserwacji.
Równoważna postać E|X − y| − ½ E|X − X′| estymowana z próbek ansamblu; umożliwia obliczanie CRPS metodą Monte Carlo bez jawnej dystrybuanty.
Standardowy estymator ansamblowy CRPS jest obciążony dla małej liczby członków m i systematycznie zaniża spread.
CRPS ma jednostki zmiennej prognozowanej, więc wartości nie są porównywalne między zmiennymi o różnej skali bez normalizacji.
Matheson i Winkler wprowadzają reguły oceny dla ciągłych rozkładów prawdopodobieństwa, definiując CRPS.
Gneiting i Raftery umieszczają CRPS w ogólnej teorii ściśle właściwych reguł oceny i jej postaci energetycznej.
GenCast (Google DeepMind) raportuje przewagę nad operacyjnym ansamblem ENS na CRPS dla ponad 96% celów weryfikacji.
Złożoność czasowa: O(m log m). Złożoność przestrzenna: O(m).
Wybór estymatora ansamblowego: obciążony vs. nieobciążony/„fair” (korekta na skończone m), postać PWM lub całkowanie numeryczne dystrybuanty.
Liczba próbek/członków ansamblu użytych do estymacji CRPS; małe m zawyża obciążenie estymatora bez korekty „fair”.
Obliczenie CRPS jest niezależne dla każdego punktu weryfikacji (czas, lokalizacja, zmienna), więc jest trywialnie zrównoleglalne między celami weryfikacji.
CRPS to lekka metryka skalarna liczona post-hoc na wyjściach modelu; nie wymaga specjalizowanego sprzętu.
