Temas de conferencia El intervalo de prediccin La organizacin de los datos indirectos Estimacin con datos limitados Estimacin de la precisin consideraciones

Estimacin El intervalo de prediccin El intervalo de prediccin proporciona un rango probable de la estimacin. Un intervalo de prediccin de 70% da el rango dentro del cual el tamao real probablemente caer 70% del tiempo. El intervalo de prediccin no es un pronstico, slo una expectativa. Se aplica slo si la estimacin se comporta como los datos histricos. Se calcula a partir de los mismos datos utilizados para calcular los parmetros de regresin. Un intervalo de prediccin Ejemplo

El clculo de la distancia

El rango define el error probable en torno a la proyeccin dentro de la cual es probable que caiga el valor real. Datos muy dispersos tendrn una gama ms amplia de datos estrechamente agrupados. 1 ( x k x avg ) t ( p , df ) 1 + + Range = n n ( xi xavg )2
i =1

Las variables son n - nmero de puntos de datos - la desviacin estndar alrededor de la lnea de regresin t (p, df) - el valor de la distribucin t de probabilidad p (70%) y df (n-2) grados de libertad x - los datos: s - la estimacin, i - un punto de datos, y el promedio - promedio de los datos

El clculo de la desviacin estndar

La desviacin estndar mide la variabilidad de los datos alrededor de la lnea de regresin. Datos muy dispersos tendrn una desviacin estndar superior a los datos estrechamente agrupados. La desviacin estndar es la raz cuadrada de la varianza.

Calcular el intervalo de prediccin

Calcular el rango de prediccin para el tamao y el tiempo para el ejemplo de la charla 3 (diapositivas 42 y 43). Calcular los intervalos de prediccin superior (UPI) e inferior (LPI) para el tamao. UPI = P + Rango = 538 + 235 = 773 LOC LPI = P - Rango (o 0) = 538-235 = 303 LOC Calcular la UPI y los intervalos de prediccin LPI por el tiempo. UPI = Tiempo + Rango = 1186 431 = 1617 min. LPI = Tiempo - Rango (o 0) = 1186-431 = 755 min.

Organizador Proxy Data -1

Para hacer una estimacin romper el producto previsto en partes relacionar estas piezas previstas para las partes que ya tiene construido utilizar el tamao de las partes previamente construidas para estimar la tamaos de las nuevas piezas Para ello, es necesario rangos de tamao para los tipos de piezas que normalmente se desarrollan. Para cada tipo de producto, tambin necesita rangos de tamao para que puedas juzgar el tamao de las piezas nuevas.

Organizacin de datos proxy -2

Para determinar los rangos de tamao, comenzar con los datos de la pieza. Suponga que tiene los siguientes datos. clase A, tres puntos (o mtodos), 39 LOC totales clase B, cinco elementos, 127 totales LOC clase C, dos puntos, 64 LOC totales clase D, tres elementos, 28 LOC totales clase E, un artculo, 12 LOC clase F, dos artculos, 21 LOC totales El LOC por artculo es de 13, 25,4, 32, 9.333, 12, 10.5. El objetivo es definir rangos de tamao que se aproximan a nuestra sensacin intuitiva de tamao.

Organizacin de proxy -3 datos

Para producir los rangos de tamao, ordenar los datos de la siguiente manera.

Los LOC datos ordenados por pieza: 9.333, 10.5, 12, 13, 25.4, 32. Organizar estos datos de la siguiente manera. Elija el elemento ms pequeo de muy pequea: VS = 9.333. Seleccione el elemento ms grande, muy grande: VL = 32. Elija el elemento central como medio de: M = 12 o 13. Para los grandes y pequeos intervalos, recoger los puntos medios entre M y VS y M y VL: 10.9 y 22.25. Aunque estos pueden ser intervalos tiles, probablemente no son estables. Es decir, los puntos de datos adicionales que probablemente se traducir en ajustes sustanciales tamao de rango.

Intuitivo Tamao Rangos -1

Al juzgar el tamao, nuestra intuicin se basa generalmente en una distribucin normal. Es decir, pensamos en algo tan de tamao medio si la mayora de estos artculos son de ese mismo tamao. Consideramos que algo es muy grande, si es ms grande que casi todos los elementos de su categora. Cuando los elementos se distribuyen de esta manera, se denomina una distribucin normal. Con los datos distribuidos normalmente, los rangos deben permanecer razonablemente estable con la adicin de nuevos puntos de datos.

Intuitivo Tamao Rangos -3

Con un gran volumen de datos, se puede calcular la media y la desviacin estndar de los datos.

Para los rangos de tamao Medio sera el valor medio. Grande sera media ms una desviacin estndar. Pequeo se quiere decir menos una desviacin estndar. Muy grande sera media ms dos desviaciones estndar. Muy pequea se significa menos dos desviaciones estndar. Este mtodo proporcionara rangos de tamao adecuado intuitivos si los datos se distribuyen normalmente.

La Distribucin de Tamao de los datos

Datos del tamao del programa no se distribuyen normalmente. muchos valores pequeos unos valores grandes no hay valores negativos Con los datos del tamao, la media menos una o dos desviaciones estndar a menudo da valores de tamao de negativos. La estrategia comn para hacer frente a esas distribuciones es tratarlo como una distribucin lognormal.

La distribucin Log-Normal
Para normalizar los datos de tamao, haga lo siguiente: 1. Tome el logaritmo natural de los datos. 2. Determine la media y la desviacin estndar de los datos de registro. 3. Calcule los valores medios, grandes, muy grandes, pequeas y muy pequeas para los datos de registro. 4. Lleve el registro inverso de los rangos para obtener los valores de tamao de rango.

Este procedimiento producir generalmente rangos de tamao de tiles.

Organizacin de datos proxy -4

Una forma matemticamente precisa para determinar los rangos de tamao de proxy se describe en el texto (pginas 78-79). Esta forma sencilla de determinar estos intervalos de tamao no funcionar si no tienes un montn de datos. De lo contrario, puede causar subestimaciones. Rangos de estimacin comparativa
VS 9.33 -1.67 5.55 S 13.19 7.68 9.19 M 17.04 17.04 15.22 L 24.52 26.39 25.21 VL 32.00 35.75 41.75

Simple Normal Log-Normal

Estimacin con datos Limited -1

diapositiva 18