Beruflich Dokumente
Kultur Dokumente
Internet
Leticia Dávila Nicanor, Pedro Mejı́a Alvarez
CINVESTAV-IPN. Sección de Computación
Av. I.P.N. 2508, Zacatenco. México, DF. 07300
ldavila@computacion.cs.cinvestav.mx, pmejia@cs.cinvestav.mx
Presición
Completitud
1 Introducción Integridad /
Robustez
Confiabilidad Consistencia
Lograr un alto nivel de calidad de un producto o servi- Utilidad general Usabilidad Eficiencia
Compatibilidad
Consistencia
siga estos estándares. En un esfuerzo por definir el Legalidad
concepto de calidad, algunos autores argumentan que Modificabilidad Crecimiento
un atributo de calidad puede contribuir a la obtención
de mejoras en el funcionamiento y operación del soft- Figura 1: Modelo de Boehm para Clasificar los Crite-
ware. rios de Calidad
De acuerdo a la terminologı́a de la IEEE [1], la cali- De acuerdo al estudio de Perry [1], descrito en la Fi-
dad de un sistema, componente o proceso de desarro- gura 2, es posible observar que la relación que man-
llo de software, se obtiene en función del cumplimien- tienen los atributos de calidad varı́a. Cuando los atri-
to de los requerimientos iniciales especificados por el butos mantienen una relación inversa, se asume que
cliente o usuario final. algunos atributos transgreden la operación de otros.
Las especificaciones de la calidad de un producto Por otro lado, cuando los atributos mantienen una re-
de software han sido objeto de trabajo de varios gru- lación directa se asume que es posible que estos se
puedan beneficiar entre sı́. Por ejemplo, si observa- • Seguridad. Representa la capacidad de que el
mos el aspecto de Confiabilidad, veremos que la Reu- sistema no afecte su entorno y el de quien lo utili-
sabilidad le afecta; por el contrario la Mantenibilidad za.
le favorece. Esto es debido a que la Confiabilidad se
refiere a la seguridad de la operación sin errores de • Protección. Representa la capacidad del sistema
un sistema, módulo ó función. Mientras que el obje- para protegerse a si mismo de intrusiones acci-
tivo de un código reusable es que un mismo código dentales o programadas.
pueda operar en distintos ambientes de desarrollo; lo
que aumenta la probabilidad de tener errores difı́ciles Sin embargo la Disponibilidad, Seguridad y Protec-
de percibir dentro del código. Por el contrario la Mate- ción se ven afectadas por la Fiabilidad.
nibilidad se enfoca a reducir el número de errores de Para evaluar la Fiabilidad debemos tomar en cuen-
un sistema, módulo ó función. La conclusión del estu- ta que los sistemas de software no son entidades
dio es que los atributos de calidad que debe tener un estáticas. La Fiabilidad de un sistema se complica
producto de software dependen en gran medida del a medida que este crece. Es posible caracterizar el
objetivo del desarrollo del producto de software, de su comportamiento de la Fiabilidad estudiando el com-
proceso de desarrollo y de su contexto de operación. portamiento de las fallas. Para lo cual podemos con-
En nuestro trabajo proponemos una metodologı́a siderar por ejemplo el tiempo de arribo de fallos, el
para la validación de los atributos de calidad en los número de fallos ocurrido en un tiempo determinado,
sistema de información en Internet. Este artı́culo está la media del tiempo de ocurrencia de fallas. En to-
compuesto por las siguientes secciones. La Sección dos estos casos estamos afectados por variables alea-
2 describe los atributos de calidad y la importancia de torias. Podemos realizar modelos subsecuentes del
los sistemas de información en internet. En la Sec- comportamiento de las fallas tratándolas como parte
ción 3 se describe la metodologı́a que proponemos de un proceso estocástico.
para evaluar el sistema de información. Ası́ mismo, Cuando el software falla es necesario localizar y re-
en esta sección se describe el proceso de modelado parar las fallas que causan los errores del sistema.
estocástico y el proceso de evaluación que seguire-
mos en la metodologı́a propuesta. En la Sección 4 se 2 Sistemas de Información en In-
decribe un caso de estudio que nos permitirá evaluar
nuestra metodologı́a. Finalmente en la Sección 5 ex- ternet
pondremos las conclusiones de nuestro trabajo. Debido a la importancia que la calidad de software en
Correciones C
Internet ha despertado en los ultimos años, la Confe-
rencia Internacional de la Ingenierı́a de Software del
Confiabilidad C
año 2002 (ICSE 2002) se centró en los aspectos de
Eficiencia E Calidad para los Sistemas en Internet [4], [5]. En es-
Integridad I ta conferencia se concluyó que los criterios de calidad
Usabilidad U
más importantes son los siguientes:
Mantenibilidad M
• Fiablidad
Pruebas
P
Flexibilidad F • Usabilidad
Portabilidad
P • Seguridad
Reusabilidad R
Interoperabilidad • Disponibilidad
I
Los primeros 2 pasos de esta metodologı́a se reali- 3. Implementación del Proceso de Mejora.
zan en forma iterativa hasta que los atributos de cali- El objetivo de esta fase es aplicar PSP (Proceso
dad estén tan cercanos al ideal como se requiera. de Software Personal) al desarrollo del producto
En este artı́culo, nos centraremos en la primera par- de software, con el fı́n de mejorar el desempeño
te de esta metodologı́a, que consiste en la evaluación de los atributos de la calidad en el producto de
y predicción de la calidad del producto de software. software. Las condiciones del ambiente de de-
La implementación del modelo PSP y la administra- sarrollo y el tipo de producto de software influyen
ción de la calidad del producto de software están ac- en la selección del proceso de mejora. Además,
tualmente en fase de desarrollo, por lo cual no serán es importante tomar en cuenta como entradas las
descritos en este artı́culo. necesidades de calidad de la organización.
4. Evaluación del sistema final. Nuestro problema radica en estudiar el comporta-
Para cuantificar las mejoras obtenidas con la im- miento de la Fiabilidad en los sistemas de Información
plementación del proceso de mejora (PSP) eva- en Internet. En la gran mayorı́a de los casos este tipo
luaremos nuevamente el atributos de calidad del de sistemas están conformados por un gran número
producto de software. Esperamos que el modelo de módulos. La tendencia al crecimiento en cuanto al
resultante se acerque al comportamiento del mo- tamaño del sistema se ve influenciada por el volumen
delo ideal. De cualquier forma, dependiendo de de información que normalmente manejan. En la ma-
los requerimientos de calidad esperados se deci- yorı́a de los tipos de modelos, el tamaño del sistema
dirá el número de iteraciones Evaluación-Mejora a analizar viene a ser una restricción. Por otro lado es
necesarias. importante contemplar que la metodologı́a se enfoca a
organizaciones, por lo cual el tipo de modelo seleccio-
5. Análisis de los resultados y conclusiones. nado no debe ser demasiado complicado. De acuerdo
al anterior análisis de técnicas de modelado conclui-
Despues de aplicar el proceso de mejora un mos que la opción que mejor se adapta a nuestro ob-
número determinado de veces, llegaremos a ob- jetivo es la obtención de Modelos Estadı́sticos, la cual
tener la calidad deseada en el producto de soft- describiremos a detalle y la aplicaremos a un caso de
ware. En esta fase, se llevará a cabo un análisis estudio.
de las evaluaciones obtenidas del producto de
software, ası́ como la identificación y la cuantifi-
cación de la mejoras obtenidas durante el proce- 3.3 Empleo de Modelos Estadı́sticos
so. Ası́ mismo, se llevará a cabo una comparación Los modelos estadı́sticos tienen su base en el estudio
de los objetivos planteados contra los objetivos de poblaciones. Una población es un conjunto limi-
alcanzados. Este análisis deberá registrarse en tado de individuos o elementos de la misma especie
bitácoras, ya que servirá para mejorar la calidad sometidos a un estudio estocástico. Estos elementos
de productos de software futuros. tienen propiedades fundamentales en común, que son
la base para clasificar a la población.
En nuestro caso, el objeto de estudio (o la pobla-
3.2 Técnicas de Modelado ción) son los atributos de calidad de software. Las
Existen diversas técnicas de modelado como son las métricas de software permiten evaluar a la población.
Cadenas de Markov, Redes de Petri, Verificación de Nuestro interés consiste en estudiar la tendencia del
modelos (Model Checking), Modelos Estadı́sticos . comportamiento de los atributos de calidad (en par-
ticular la Confiabilidad) del producto de software. Para
• Cadenas de Markov. Es una serie de eventos en lo cual nos proponemos evaluar y analizar el compor-
la cual la probabilidad de que ocurra un evento tamiento de los atributos de calidad asociados a un
depende del evento inmediato anterior. Sin em- producto de software mediante el estudio de su distri-
bargo no se recomiendan para modelar Fiabili- bución estadı́stica. La evaluación del comportamien-
dad, debido a que no distinguen entre los fallos to de estos atributos la realizaremos con métricas de
seguros y los no seguros, por otro lado no toman software, y sus resultados los describiremos median-
en cuenta el proceso de restauracion o reparacion te histogramas. El problema fundamental consiste en
en un sistema [8]. reemplazar el histograma por una curva teórica ó mo-
delo que represente una ley de probabilidad. Esta ley
• Redes de Petri. Son grafos orientados a la mode- de probabilidad será la imágen definitiva de la pobla-
lación mediante nodos llamados lugares que re- ción de las métricas de software estudiadas, y permi-
presentan estados o acciones y transiciones que tirán describir el comportamiento del atributo de cali-
representan eventos, normalmente este modela- dad.
do se representa por conjuntos de cuádruplas. A El procedimiento para obtener el modelo estadı́stico
medida que crece el sistema, el número de nodos consiste de los siguientes pasos.
y de transiciones aumenta y como consecuencia
el número de variables que maneja se va multipli- 1. Escoger el tipo de ley de probabilidad que nos
cando [9]. proponemos asociar a la población. Esta ley
podrı́a tener un origen puramente empı́rico; por
• Verificación de modelos (Model Checking). Es un ejemplo, el histograma de los errores que ocurren
modelo que se basa en la especificación formal durante un lapso de tiempo en la operación de un
de los módulos o programas que son representa- producto de software. Ejemplos de estas leyes
dos por sistemas de transición con estados. Pero podrı́an ser, la distribución de Weibull, la Normal,
cuando el espacio de estados es demasido gran- la de Poisson, o la Gamma.
de, este enfoque resulta inapropiado [10].
2. Evaluar los parámetros contenidos en la ley esco-
• Modelos Estadı́sticos. Es un modelo orientado al gida. Una ley contiene parámetros que dependen
estudio de poblaciones (por ejemplo métricas de de la población estudiada. La modelación nos
software). El cual se puede expresar como una proporciona las expresiones para obtener el va-
relación entre entidades a las que se les repre- lor de estos parámetros para todos los modelos.
senta mediante funciones de distribución. Lo que
lleva a la obtención de una ley de probabilidad 3. Comparar la ley escogida. Una vez escogido el
que representa el comportamiento de los atribu- tipo de ley y valorados los parámetros numéricos,
tos de dicha población [11]. debemos verificar que la ley está de acuerdo con
la población estudiada. El resultado de la com- • El presupuesto asignado al desarrollo del
paración puede ser favorable o desfavorable. Si producto de software. El presupuesto tiene
es favorable, expresarı́a que la ley escogida re- un impacto directo en la selección del per-
presenta fielmente a la población estudiada. De sonal, de los componentes utilizados y del
lo contrario, serı́a necesario buscar otra ley que tiempo de desarrollo del producto de softwa-
represente mejor el comportamiento de la pobla- re.
ción.
• Las condiciones de calidad impuestas por la
organización.
Tipos de métricas. Las métricas que se van a La evaluación del proceso de medición la reali-
emplear dependen del atributo de calidad a eva- zamos mediante el estudio de su distribució es-
luar y de las condiciones de desarrollo y opera- tadı́stica. Los resultados de esta evaluación per-
ción del sistema. Los atributos de software más miten analizar el conjunto de datos obtenidos me-
comunes son los mostrados en las Figuras 1 y diante gráficas conocidas como histogramas (los
2. Para cada atributo es posible que existan va- cuales pueden obtenerse mediante herramientas
rios tipos de métricas de software que se pueden como Arena). Los histogramas permiten repre-
aplicar. En algunos casos las métricas de soft- sentar los valores de la métrica contra su frecuen-
ware existentes no son aplicables al ambiente de cia. Estos histogramas nos darán una aproxima-
operación del proyecto, o estas son difı́ciles de ción al tipo de modelo que mejor se ajusta al com-
obtener. En estos casos es posible implementar portamiento de los resultados obtenidos. Nos in-
nuevas métricas que están de acuerdo a las nor- teresa reemplazar el histograma por una ley de
mas de calidad de la organización. Compañı́as probabilidad que mejor represente este compor-
como Motorola, IBM y Hewlett Packard han desa- tamiento. Esta ley de probabilidad será el reflejo
rrollado métricas que se adecuan a su marco de del comportamiento de la población de métricas
producción [12]. estudiadas. La ley escogida nos podrá indicar si
nuestra evaluación fue correctamente realizada.
Condiciones de desarrollo. Las condiciones de
desarrollo del sistema permiten describir: 5. Estimación de los parámetros del modelo.
De acuerdo a la sección 3.3, esta actividad es
• Proceso de desarrollo de software utilizado.
parte fundamental en la obtención del modelo.
Existen distintos procesos de desarrollo co-
Para la obtención del modelo se usan diversas
mo son: (a) Proceso de desarrollo en cas-
técnicas de métodos numéricos, como el método
cada, (b) Proceso evolutivo, (c) Proceso en
de los MLEs (maximun - likelihood estimators), el
espiral, (d) Prototipado ó (e) Reutilización de
método de los mı́nimos cuadrados, regresión po-
componentes.
linomial, entre otras. En ocasiones, es necesario
• El personal involucrado en el desarrollo. De- aplicar varios métodos para llegar a resultados
pendiendo del dominio de la aplicación es confiables, y dependiendo del parámetro a esti-
necesario verificar que el personal sea es- mar algunos métodos son mas adecuados que
pecialista en el área de dominio. otros.
6. Sustitución de los parámetros obtenidos y principales: (a). Investigadores/Profesores, (b) Alum-
graficación del modelo resultante. nos, (c) Público en general. El acceso al sistema es
Una vez obtenidos los parámetros resultantes, con usuario y password. Cada usuario del sistema
éstos son graficados a fı́n de observar su tenden- tendrá acceso a distintos servicios que proporciona el
cia. La gráfica obtenida representa el comporta- sistema. En general se pretende que el sistema pro-
miento del atributo de calidad. vea los servicios de altas de cursos calificaciones y
alumnos, con sus respectivas bajas y modificaciones.
7. Validación del modelo escogido.
Con los parámetros obtenidos debemos verificar 4.2 Fase 1: Determinación del comporta-
que el modelo, tal y como fué construido está de miento ideal de la Fiabilidad
acuerdo con la población de métricas estudiada. En esta fase, se evaluará y modelará el comporta-
Por lo tanto en este proceso, se realiza una com- miento del sistema bajo condiciones ideales, aplican-
paración de los valores que se obtienen con el do el proceso definido en la Sección 3.3.
histograma contra los resultados que se obtienen
con el modelo. 1. Determinación de las condiciones iniciales
para el caso ideal.
8. Realización de las predicciones del atributo de
calidad. Las condiciones para la simulación son las si-
guientes:
En este proceso, las predicciones del atributo de
calidad se realizan mediante la observación del El tiempo entre arribos de los usuarios al sistema
modelo (o ley de probabilidad) obtenido. Con es- se presenta siguiendo una distribución exponen-
te modelo, además de representar el comporta- cial con una media µ = 5 unidades de tiempo.
miento de los atributos de calidad, es posible tam- El tiempo que permanece cada usuario utilizando
bién predecir el comportamiento a futuro de estos el sistema posee una distribución normal con una
atributos. media µ = 5 unidades de tiempo y una varian-
za σ = 3. La modelación del arribo de usuarios
se hace mediante colas, para lo cual se utilizó un
servidor de colas del tipo M/M/1 en el pool del
4 Caso de Estudio servidor web 1 con una probabilidad de (n + 1)−1 ,
En esta sección describiremos mediante un caso de donde n representa el tamaño actual de la cola
estudio las dos primeras fases de la metodologı́a. (número de usuarios en el sistema). La condición
En nuestro caso de estudio, evaluaremos un siste- de salida del sistema para cualquier usuario se
ma de inscripciones vı́a Internet (SIV) para una Uni- presenta, (a) cuando se genera un error del usua-
versidad. La arquitectura del sistema consiste en una rio durante la operación del sistema, y (b) cuando
plataforma Linux (Redhat v.8), un manejador de ba- el usuario solicita su salida del sistema.
ses de datos (MySQL [13]), un servidor Web (Apache Por razones de fiabilidad, en cuanto a la capaci-
[14]). El lenguaje utilizado para las interfaces de usua- dad del servidor Web y la del manejador de la Ba-
rio fue (PHP [15]). El número de lı́neas de código utili- se de Datos, el sistema puede trabajar adecuada-
zadas en la implementación del sistema fue de 1200. mente hasta con k usuarios (donde k = 100). De-
El tiempo empleado para el desarrollo del sistema y pendiendo de su vista, los usuarios pueden reali-
de su documentación ha sido de 6 meses aproxima- zar solo x tipos de transacciones, con t unidades
damente. El diagrama a bloques de sistema se puede de tiempo para realizar cada transacción. Don-
observar el la Figura 3. de x depende de la vista, y t sigue una distribu-
ción normal con una media µ = 5 y una varian-
Acceso al sistema Alta de claves de
acceso al sistema
za σ = 3. El problema consiste en determinar el
Vista del público en general
número de errores que se generan en el sistema
Establecimiento
Vista de los alumnos en un lapso de tiempo determinado. El acceso de
Vista de los investigadores
del perfil
los usuarios y las vistas de información corres-
Información Información de Información
personal
pondiente a cada perfil.
de cursos cursos de alumnos de los alumnos
El lenguaje de programación empleado para la si-
Consultas mulación fué Java.
En la simulación se emplea un modelo
Altas productor − consumidor, en donde la infor-
Control del
mación se maneja mediante una cola de recursos
Bajas periodo
de cambios compartidos. La sincronización del productor-
consumidor se realizó mediante la sincronización
Cambios
de hilos. El productor tienen la función de generar
los datos de salida para el consumidor, de acuer-
Figura 3: Módulos que conforman el Sistema de Infor- do al funcionamiento del modelo lógico descrito
mación via Internet (SIV) en la Figura 4. La función del consumidor es
1 De acuerdo a la Notación de Kendal [7], en la notación A/B/s,
4.1 Planteamiento del Problema A se refiere a la distribución de los tiempos entre arribos, B es la
distribución de los tiempos de servicio y s representa el número
Se trata de un Sistema de Inscripciones vı́a Internet de servidores. Las distribuciones más comunes son M (Markov, o
para una Universidad, en donde existen tres vistas exponencial), G (general), y D (determinista, o constante).
2. Rutina de Incialización 1. Proceso_SIV
Establece el número de sesiones 3. arrive()
para cualquier tipo de usuario
Llama a la rutina de inicialización. Calcula el tiempo del siguiente arribo
Inicializa las estructuras, variables del
sistema y los contadores estadisticos Establece el hilo de ejecución
No Si
Se genera algún
error?
Aumenta en 1 la
Densidad de defectos
Frecuencia
vo a cabo en 100 unidades de tiempo (lo cual se 60
llevó a cabo en aproximadamente 30 segundos
de tiempo de ejecución). Se llevaron a cabo 500 40
evaluaciones.
20
3. Proceso de medición.
0
a. Selección de los componentes a evaluar. 0 2 4 6 8 10
Densidad de Defectos
La simulación se diseñó para medir todos los
componentes que forman al sistema.
Figura 6: Histograma para 500 simulaciones.
b. Medir las caracterı́sticas de los compo-
nentes con las métricas de software.
En este punto como la métrica fué la den- es un metamodelo [7], en donde α y β son sus
sidad de defectos, la simulación se preparó parámetros.
para que en un marco de tiempo de 100 uni-
dades se contabilizará en número de defec- 5. Estimación de los parámetros del modelo.
tos que aparecieron en la simulación del sis- Los parámetros del modelo se obtienen siguiendo
tema. el procedimiento descrito en la sección 3.2), de la
c. Identificar las mediciones anómalas. Por siguiente forma.
el hecho de tratarse de una simulación que Escoger el tipo de ley de probabilidad que nos
trabaja con condiciones ideales las medicio- proponemos asociar al histograma.
nes anómalas fueron pocas. Se desecharon
α
sólo 5 de 500 ejecuciones de la simulacion. f (x) = αβ −α xα−1 e−(x/β) (1)
d. Identificar los componentes anómalos.
Para el caso ideal no se presentaron com- Evaluar los parámetros contenidos en la ley
ponentes anómalos. Esto fue debido a que escogida.
el número de mediciones anómalas (que fue Del análisis de la Ecuación 1 se obtuvo en [7]
de 0.99% del 100% del total de las medicio- mediante estimadores de máxima verosimilitud
nes), y no se centró en algún componente (maximum-likelihood estimators MLEs), las si-
en particular. guientes ecuaciones que permiten calcular los va-
lores de α y β.
4. Evaluación de los resultados y selección del
Pn α
Pn
modelo. i=1 X lnXi 1 i=1 lnXi
P n α
− = (2)
El resumen de los resultados para nuestro proce- i=1 X α n
so de evaluación y selección del modelo se mues-
µ Pn ¶1/α
tra en la Tabla 1. Los elementos que integran el i=1 Xiα
resumen son los siguientes: Densidad de defec- β= (3)
n
tos (D.Defec), frecuencia (Frec), valor asignado
en el eje x (x),la densidad de la probabilidad (Den. La Ecuación 2 se resuelve mediante el método
Prob) y los valores de la distribución acumulativa de Newton-Rapson, mientras que la Ecuación 3
(Dist. Acum). El histograma que corresponde a se obtiene de manera directa conociendo el valor
estos datos se muestra en la Figura 6. de α. Los valores obtenidos de los parámetros a
Mediante el histograma apreciamos que la ten- partir de las Ecuaciones 2 y 3 son:
dencia de los resultados se aproxima a una distri-
bución (o curva) de Weibull. La curva de Weibull α = 2.11 y β = 4.54.
6. Sustitución de los parámetros obtenidos gra- • Dependiendo de su vista, los usuarios sólo
ficación del modelo ideal fi . pueden realizar un número limitado de tran-
De acuerdo a los valores de α y β antes descritos sacciones.
la función de probabilidad se calcula de la siguien-
te forma. Los resultados obtenidos en cada evaluación se
½ 2.11
almacenaron en bitácoras, y se promediaron con
fi (x) = 5.127x1.11 e−(x/4.54) Si x ≥ 0 el fı́n de graficar los histogramas.
0 En otro caso
2. Selección de los atributos a medir y de sus
La gráfica del Comportamiento de la Fiabilidad de métricas.
acuerdo al modelo ideal fi se presenta en la Fi-
gura 8. Tipos de métricas. Al igual que en caso ideal,
el atributo a evaluar es la Fiabilidad y la métrica
7. Validación del modelo obtenido. para dicho atributo será la densidad de defectos.
De acuerdo a la modelación estadı́stica, la curva Condiciones de desarrollo. En el Sistema de
de Weibull permite representar el tiempo de ocu- Inscripciones por Internet seguimos el modelo de
rrencia de fallos de alguna pieza de un sistema ó desarrollo en cascada. En el desarrollo de este
equipo. Por lo cual, el hecho de que el modelo sistema intervinieron dos personas especialistas
obtenido siga una curva de Weibull nos permite en el desarrollo de sistemas en Internet y el tiem-
validar nuestro proceso. En otras palabras, pode- po de desarrollo fue de 6 meses.
mos decir que la métrica Densidad de Defectos es
Tiempo de evaluación.
la adecuada para representar el comportamiento
de la Fiabilidad del producto de software . El tiempo para la evaluación de cada experimento
fue de 100 unidades de tiempo (lo cual se llevo a
8. Realización de las predicciones de la fiabili- cabo en un lapso de 100 minutos). El número de
dad. experimentos para el caso ideal fue de 500 mien-
De acuerdo a la información proporcionada por tras que para el caso real fue de 70. Esto se debió
el Histograma de la Figura 6, es posible obser- a que los 70 experimentos fueron llevados a cabo
var que la tendencia de la curva describe que la en 3 semanas. Para lograr realizar 500 evalua-
densidad de defectos presenta valores bajos con ciones hubieran sido necesarios varios meses de
un alta frecuencia. Esta conclusión se obtiene del ejecución del proceso de evaluación.
hecho de que en la mayorı́a de las evaluaciones
se obtuvo un bajo número de errores. 3. Proceso de medición.
αr 6= αi y βr 6= βi ⇒ fr (x) 6= fi (x).
15
Frecuencia
0
0 2 4 6 8 10 12 Modelo ideal fi(x)
14 Modelo real fr(x)
Densidad de Defectos
12
4
5. Estimación de los parámetros del modelo.
2
La función de densidad utilizada para modelar el
caso real es la siguiente. 0
0 2 4 6 8 10 12 14
α
f (x) = αβ −α xα−1 e−(x/β) (4) x
Referencias
[1] A.C. Gillies. Software Quality, Theory and Management.
Thomson Computer Press. 1999.
[2] H. Van Vliet. Software Engineering, Principles and Practice
, Second Edition. John Wiley and Sons, 2001.
[3] I. Somerville. Software Engineering, Sixth Edition. Pearson
Education Limited, Harlow England, 2001.
[4] J. Offutt. Quality Attributes of Web Software Applications.
IEEE Software, 0740-7459/02. March/April 2002.
[5] Becker and F.E. Mottay. A Global Perspective on Web Site
Usability. IEEE Software, 0740-7459/00, January/February
2001.
[6] D. J. Paulish, Siemens Corporation Research and Anita D.
Carleton, Software Engineering Institute. Case Studies of
Software Process-Improvement Measurement. Computer
IEEE 0018-9162/94, pp.50 1994.
[7] A. M. Law, W. David Kelton. Simulation Modeling and
Analysis. Third Edition McGraw - Hill , 2000.
[8] B. Tombuyses, 1999. Reduction of the Markovian system
by the influence graph method - error bound and reliability
computation. Reliability Engineering and System Safety,
vol. 63, No. 1, pp 1-11. 1999.
[9] S. Donatelli, 1994. Suporposed Generalized Stochastic
Petri Nets:Definition and Efficient Solution. Aplication and
Theory of Petri Nets , pp. 258-277, 1994.
[10] E. Clarke, O. Grumberg, and D. Long, Software Enginee-
ring Institute. Model checking and abstraction. ACM Tran-
sactions on Programing Languajes and Systems, vol. 16,
No. 5, pp. 1512-1542, January 1994.
[11] Alberto Moreno Bonett, Francisco Javier Jauffred M.
1997 Elementos de probabilidad y estadı́stica. ISBN:
9701502574. McGraw - Hill , 1997.
[12] S. H. Kan. Metrics and Models in Software Quality Engi-
neering, Second Edition. Addison - Wesley, 2003.
[13] http:// www.mysql.com
[14] http:// www.apache.org
[15] http:// www.php.com