現在流行敏捷開發，版本迭代也會更快，由於每次版本迭代都是一些小更改，因此對效能上的測試靈敏度要求也會更高，而效能在版本間迭代時總是在動態變化的，因此很難有乙個基準值作為判斷的參考，如果老大需要一些版本時效能迭代的變化資料，比如，版本之間啟動速度變化，以及瀏覽器載入的效能提公升範圍等，由於概率事件，很難說效能真的上公升或者下降了，因為一切都可以解釋成這只是正態分佈中的某一次可能值。
然而，還是可以引入一些數學上的方法的。不過需要用到大學學過的概率論。
1.其實很多場景能抽象為以下模型來坐量化：
隨機抽取100組資料，其中n1組資料通過檢驗，100-n1組不通過檢驗，計算乙個99%的置信區間，其中均值測試結果為通過的概率。
已知這個模型，那我們需要什麼呢，
（1）判斷資料通過或者不通過的標準是什麼。
那麼我們可以把a組的均值mean_a跟方差var_a求出來，當作總體的均值跟方差。然後判斷標準是b組的100個值裡，每乙個值如果在(mean_a-3*sqrt(var_a),mean_a+3*sqrt(var_a))內，則判斷資料為通過檢驗，如果在區間外，則判斷不通過檢驗。
（2）針對這100組資料做計算。
樣本均值：mean=(n1*p+(100-n1)*(1-p))/100,
樣本方差：var =(n1*(1-mean)^2+(100-n1)*(0-mean)^2)/(100-1) ,
樣本標準差：s=sqrt(var)
根據中心極限定理，任何分布的均值都服從正態分佈，因此
抽樣分布均值：mean_1＝mean
抽樣分布標準差: s_1 = s/sqrt(100)
因此樣本均值服從(mean_1,s_1)的正態分佈，通過查詢正態分佈z值表，可以知道樣本在某個標準誤(x)範圍內(mean_1-x,mean_1+x)可以達到99%的可信度,證明：
（1）測試是通過的，證明此項測試指標在迭代過程中有99%的可能沒變化
（2）測試不通過，代表此項測試指標在迭代過程中有變化。（具體如何變化，可以用t檢驗或者z檢驗）
先挖坑，日後填。
構造測試資料 對比測試資料
正確 include using namespace std typedef long long ll const int max n 1e6 10 intmain return0 author max n date 2019 10 04 15.03.21 description 正確 錯誤 inc...
POJ的測試資料
usaco 2006年november題目和測試資料的 2007年open賽題目和測試資料的 以此類推 日本acm比賽 官方 02年 03年以後改2002到2003即可。部分有測試資料 德國的 裡面有很多歐洲的比賽還有一些大學內部的比賽 5 greater new york region 6 wat...
測試資料的準備
測試很多時候需要準備測試資料，例如基礎資料，配置資料，現有資料，動態資料等 那麼如何準備資料，如何做到真實可靠有效？一 測試資料的分類 現有資料 比如在測試一些電商站點的時候會提前插入一些商品資訊，種類資訊物流資訊等 動態資料 比如在測試電商站點的發布商品功能的時候，往往會去建立一些新的商品。我們可...