Se puede aumentar el ci
Contenidos
cuando el nivel de confianza aumenta, el intervalo de confianza
Conseguir que las pruebas sean correctas en una canalización de integración continua es una parte crítica del desarrollo de software a escala web. Para muchas empresas, es un reto, especialmente con las pruebas de rendimiento automatizadas. No es por falta de esfuerzo. Muchas empresas no parecen darse cuenta del valor total de sus esfuerzos. Las razones son muchas. Algunos esfuerzos de pruebas se limitan a reinventar la rueda. Otras se llevan a cabo de forma aleatoria sin otra intención aparente que la de ejecutarlas. Garantizar que las pruebas son adecuadas y están orientadas a cumplir los requisitos de la empresa es una idea tardía.
Cualquier empresa puede llevar a cabo pruebas de rendimiento útiles y eficientes en una tubería de CI automatizada. Todo lo que se requiere es un poco de conocimiento útil de los que saben. Para aumentar este círculo de «conocedores», hemos creado una lista de diez consejos para mejorar las pruebas de rendimiento dentro de los Pipelines CI.
Si quiere identificar rápidamente si algo terrible está sucediendo con los procesos de prueba de su empresa, considere el siguiente escenario. Es el momento de la liberación de la producción. Todo el mundo en el equipo de desarrollo está sentado alrededor de la mesa de la sala de conferencias en un estado de ansiedad de nudillos blancos a la espera de las pruebas de extremo a extremo para que el código puede ser empujado para la liberación. En cualquier caso, estás perdido. ¿Por qué? Después de todo, si las pruebas van bien, el código saldrá adelante. No es un gran problema, ¿verdad? No es así.
la anchura de un intervalo de confianza será
Al leer un informe de investigación, la amplitud del IC proporciona seguridad (o confianza) respecto a la precisión de los datos. Los IC se calculan con un nivel de confianza, por ejemplo el 95%. Este nivel está predeterminado por el investigador. Los niveles de confianza suelen calcularse de forma que este porcentaje sea del 95%, aunque a veces se aplican otros del 90%, 99% y 99,9%.
Los investigadores recogen datos numéricos y luego aplican pruebas estadísticas. Un ejemplo de prueba estadística común aplicada por los investigadores es la media, que luego se utiliza para aproximar la media de toda una población. Los IC proporcionan una indicación de la fiabilidad de estos resultados para reflejar el conjunto de la población.
Un IC es un rango numérico utilizado para describir los datos de la investigación. Por ejemplo, para un resultado de estudio sobre el peso, un IC puede ser de 53 a 71 kg. Este intervalo de 53 a 71 kg es el lugar en el que hay un 95% de certeza de que el peso real se encuentra (si se aplica un IC del 95%).
La prensa generalista suele citar los IC al interpretar los resultados de las encuestas, por ejemplo: los resultados de la última encuesta telefónica de XXX Research sobre dos técnicas de pérdida de peso mostraron que el 62% de los encuestados se inclinaba por la técnica A, mientras que el 39% elegía la técnica B. Esta encuesta telefónica de 12.073 encuestados tenía un margen de error de más o menos 4,2 puntos porcentuales.
intervalo de confianza
El campo de la estadística intenta «cuantificar la incertidumbre» que se encuentra en los datos. Los intervalos de confianza, los intervalos de predicción y los intervalos de tolerancia son formas de conseguirlo. Es importante entender las diferencias entre estos intervalos y cuándo es apropiado utilizar cada uno. Después de describir cada tipo de intervalo, se ofrece un ejemplo en el que se utilizan los tres.
Los intervalos de confianza, los intervalos de predicción y los intervalos de tolerancia son tres enfoques distintos para cuantificar la incertidumbre en un análisis estadístico. A continuación se explican estos tres tipos de intervalos para el caso simple del muestreo de una distribución gaussiana.
Supongamos que los datos se muestrean aleatoriamente a partir de una distribución gaussiana y que usted está interesado en determinar la media. Si se muestrea muchas veces y se calcula un intervalo de confianza de la media de cada muestra, se espera que el 95% de esos intervalos incluya el valor verdadero de la media de la población. El diagrama siguiente muestra los intervalos de confianza del 95% para 100 muestras de tamaño 3 de una distribución gaussiana con una media real de 10. Observe que 95 de los 100 intervalos capturan 5. Esto es lo que esperaríamos ver. No sabrá si el intervalo concreto que le interesa captura la media verdadera, pero puede esperar que el 95% de los intervalos que calcule capturen el verdadero parámetro poblacional.
intervalo de confianza del 95%.
A menudo, la forma más práctica de disminuir el margen de error es aumentar el tamaño de la muestra. Normalmente, cuantas más observaciones se tengan, más estrecho será el intervalo alrededor de la estadística de la muestra. Por lo tanto, a menudo se pueden recoger más datos para obtener una estimación más precisa de un parámetro de la población.
Debe sopesar las ventajas de una mayor precisión con el tiempo y los recursos adicionales necesarios para recoger una muestra mayor. Por ejemplo, un intervalo de confianza lo suficientemente estrecho como para contener sólo el parámetro de la población requiere que se midan todos los sujetos de la población. Obviamente, una estrategia de este tipo suele ser muy poco práctica.
Esto se debe a que la reducción de la variabilidad de sus datos disminuye la desviación estándar y, por tanto, el margen de error de la estimación. Aunque puede ser difícil reducir la variabilidad de los datos, a veces se puede hacer ajustando la forma de recopilarlos. Por ejemplo, puede utilizar un diseño emparejado para comparar dos grupos. También puede reducir la variabilidad mejorando el proceso para que sea más consistente o midiendo con más precisión.