{"id":4721,"date":"2021-02-08T17:22:14","date_gmt":"2021-02-08T20:22:14","guid":{"rendered":"http:\/\/cl.abstracta.us\/blog\/?p=4721"},"modified":"2024-06-06T17:48:59","modified_gmt":"2024-06-06T21:48:59","slug":"metricas-pruebas-performance-software","status":"publish","type":"post","link":"https:\/\/es.abstracta.us\/blog\/metricas-pruebas-performance-software\/","title":{"rendered":"M\u00e9tricas de pruebas de performance"},"content":{"rendered":"\n

Conoce cu\u00e1l es la utilidad del promedio, la desviaci\u00f3n est\u00e1ndar y los percentiles, en los informes de pruebas de performance.<\/strong><\/p>\n\n\n

\n
\"3<\/figure><\/div>\n\n\n

Hay ciertas m\u00e9tricas clave de pruebas de performance que es muy importante comprenderlas correctamente, para as\u00ed sacar las conclusiones correctas de las pruebas.<\/p>\n\n\n\n

Estas m\u00e9tricas requieren una comprensi\u00f3n b\u00e1sica de matem\u00e1ticas y estad\u00edsticas, pero nada demasiado complicado. El problema es que si no comprende bien lo que significa cada uno o lo que representan, llegar\u00e1 a conclusiones muy equivocadas. <\/p>\n\n\n\n

En este post, quiero centrarme en el promedio, la desviaci\u00f3n est\u00e1ndar y los percentiles<\/strong>. Sin entrar en muchas matem\u00e1ticas, discutiremos la utilidad de cada una de estas m\u00e9tricas al analizar los resultados de performance.<\/p>\n\n\n\n

Importancia de analizar los datos como un gr\u00e1fico<\/strong><\/h2>\n\n\n\n

La primera vez que pens\u00e9 en este tema fue durante un curso que imparti\u00f3 Scott Barber<\/a> en 2008 (cuando reci\u00e9n est\u00e1bamos iniciando Abstracta), en su visita a Uruguay. Nos mostr\u00f3 una tabla con valores como este:<\/p>\n\n\n\n

\"tabla<\/figure>\n\n\n\n

Nos pregunt\u00f3 qu\u00e9 conjunto de datos pensamos que ten\u00eda la mejor performance, que no es tan f\u00e1cil de discernir como cuando se muestran los datos en un gr\u00e1fico:<\/p>\n\n\n\n

\"re\"<\/figure>\n\n\n\n

En el conjunto A, se puede decir que hubo un peak<\/em>, pero luego se recupera.<\/p>\n\n\n

\n
\"data<\/figure><\/div>\n\n\n

En el conjunto B, parece que comenz\u00f3 con tiempos de respuesta p\u00e9simos y probablemente 20 segundos despu\u00e9s de la prueba, el sistema colaps\u00f3 y comenz\u00f3 a responder con una p\u00e1gina de error, que luego se resolvi\u00f3 en un segundo.<\/p>\n\n\n

\n
\"conjunto<\/figure><\/div>\n\n\n

Finalmente, en el conjunto C, est\u00e1 claro que a medida que pasaba el tiempo, la performance del sistema continuaba con degradaci\u00f3n.<\/p>\n\n\n\n

El objetivo de Barber con este ejercicio era mostrar que es mucho m\u00e1s f\u00e1cil analizar la informaci\u00f3n cuando se presenta en un gr\u00e1fico<\/strong>. <\/strong>Adem\u00e1s, en la tabla se resume la informaci\u00f3n, pero en las gr\u00e1ficas se pueden ver todos los puntos.<\/p>\n\n\n\n

Por tanto, con m\u00e1s data points<\/em> (marcadores), podemos obtener una imagen m\u00e1s clara de lo que est\u00e1 sucediendo.<\/p>\n\n\n\n

Comprensi\u00f3n de las m\u00e9tricas clave de las Pruebas de Performance<\/strong><\/h2>\n\n\n
\n
\"El
Foto: Pexels<\/em><\/figcaption><\/figure><\/div>\n\n\n

Bien, ahora veamos qu\u00e9 significa cada una de las m\u00e9tricas de las pruebas de performance, y su importancia para fines de an\u00e1lisis.<\/p>\n\n\n\n

1. Promedio<\/strong><\/h3>\n\n\n\n

Para calcular el promedio, simplemente sume todos los valores de las muestras y luego divida ese n\u00famero por la cantidad de muestras. Al hacer esto el promedio resultante es de 3 segundos. El problema con esto es que, al hacerlo al pie de la letra, brinda una falsa sensaci\u00f3n de que todos los tiempos de respuesta son de unos tres segundos, algunos un poco m\u00e1s y otros un poco menos, pero puede que ese no sea el caso.<\/p>\n\n\n\n

Imagine que tiene tres muestras, las dos primeras con un tiempo de respuesta de un segundo, la tercera con un tiempo de respuesta de siete:<\/p>\n\n\n\n

\n

1 + 1 + 7 = 9<\/p>\n\n\n\n

9\/3 = 3<\/p>\n<\/blockquote>\n\n\n\n

Este es un ejemplo muy simple que muestra que tres valores muy diferentes podr\u00edan resultar en un promedio de tres, sin embargo, los valores individuales pueden no estar cerca de 3.<\/p>\n\n\n\n

Mi colega, Fabi\u00e1n Baptista, hizo un comentario divertido relacionado con esto:<\/p>\n\n\n\n

\n

“Si pusiera una mano en un balde de agua a -100 grados Fahrenheit y la otra mano en un balde de lava ardiente, en promedio, la temperatura de mi mano estar\u00eda bien, pero perder\u00eda ambas manos”.<\/em><\/p>\n<\/blockquote>\n\n\n\n

Entonces, al analizar los tiempos de respuesta promedio, es posible obtener un resultado que est\u00e9 dentro del nivel aceptable, pero tenga cuidado con las conclusiones a las que llega.<\/p>\n\n\n\n

Por eso, no se recomienda definir acuerdos de nivel de servicio (SLA) utilizando promedios<\/strong>; en lugar de eso, tenga algo como “El servicio debe responder en menos de 1 segundo en el 99% de los casos”. <\/em>Veremos sobre esto m\u00e1s adelante con la m\u00e9trica de percentiles.<\/p>\n\n\n\n

2. Desviaci\u00f3n Est\u00e1ndar<\/strong><\/h3>\n\n\n\n

La desviaci\u00f3n est\u00e1ndar es una medida de la dispersi\u00f3n con respecto al promedio, es decir, cu\u00e1nto var\u00edan los valores con respecto a su promedio o qu\u00e9 tan separados est\u00e1n<\/strong>.<\/p>\n\n\n\n

Si el valor de la desviaci\u00f3n est\u00e1ndar es peque\u00f1o, esto indica que todos los valores de las muestras est\u00e1n cerca del promedio, pero si es grande, entonces est\u00e1n muy separados y tienen un rango mayor.<\/p>\n\n\n\n

Para entender c\u00f3mo interpretar este valor, veamos un par de ejemplos.<\/p>\n\n\n\n

Si todos los valores son iguales, entonces la desviaci\u00f3n est\u00e1ndar es 0. Si hay valores muy dispersos, por ejemplo, considere 9 muestras con valores de 1 a 9 (1, 2, 3, 4, 5, 6, 7, 8, 9), la desviaci\u00f3n est\u00e1ndar es ~ 2.6 (puede usar esta calculadora online<\/a> para calcularla).<\/p>\n\n\n\n

Aunque el valor del promedio como m\u00e9trica se puede mejorar enormemente al incluir tambi\u00e9n la desviaci\u00f3n est\u00e1ndar, lo que es m\u00e1s \u00fatil a\u00fan son los valores de percentiles.<\/p>\n\n\n\n

3. Percentiles<\/strong><\/h3>\n\n\n\n

Un percentil es una m\u00e9trica de prueba de performance muy \u00fatil, ya que proporciona una medida bajo la cual se encuentra un porcentaje de la muestra<\/strong>. Por ejemplo, el percentil 90 (abreviado como p90) indica que el 90% de la muestra est\u00e1 por debajo de ese valor y el resto de los valores (es decir, el otro 10%) est\u00e1n por encima de \u00e9l.<\/p>\n\n\n\n

Es pr\u00e1ctico analizar m\u00e1s de un valor de percentil (JMeter y Gatling lo hacen en sus informes), mostrando cu\u00e1ntas muestras son p90, p95 y p99. Si estos se complementan con el m\u00ednimo, m\u00e1ximo y promedio, entonces es posible tener una visi\u00f3n mucho m\u00e1s completa de los datos y as\u00ed entender c\u00f3mo se comport\u00f3 el sistema.<\/p>\n\n\n\n

Algunos percentiles tienen nombres particulares, como p100, que es el m\u00e1ximo (el 100% de los datos est\u00e1 por debajo de este valor) y p50, que es la mediana (la mitad de los datos est\u00e1 por debajo y la mitad por encima).<\/p>\n\n\n\n

El percentil se usa t\u00edpicamente para establecer criterios de aceptaci\u00f3n, lo que indica que el 90% de la muestra debe estar por debajo de cierto valor. <\/strong>Esto se hace para descartar valores at\u00edpicos.<\/p>\n\n\n\n

Consideraciones clave<\/h2>\n\n\n\n

Entonces, antes de analizar los resultados de su pr\u00f3xima prueba de performance, aseg\u00farese de recordar estas consideraciones clave:<\/p>\n\n\n\n