Таблица 4.4

Распределени* программ исследуемых подсистем ,по классам программных средств (Проект 3)

Подсистемы

Число программ в выделенных классах программных средств

ничениями не вызывал каких-либо затрудиений, и в результате были получены шесть ненулевых коэффициентов.

Результаты по классу INP, по-видимому, не могут считаться надежными, однако по всем остальным приведенным классам, включая и не столь многочисленный класс SET (16 программ), они представляются достаточно достоверными. Класс INP в дальнейших исследованиях не рассматривался.

В связи с тем, что некоторые из 16 параметров являются, как отмечалось выше, зависимыми, в хо.ае дальнёВШих исследований учитывались только 10 параметров: Lloop, L,f, BR, АР, SYS, I/O, СОМР, DATA, NEX, COM. Подобный отбор независимых параметров был обусловлен еще и тем, что стандартные методы линейного регрессионного анализа (при отсутствии ограничений) неприемлемы, если две или более управляющие, или независимые переменные

) Видимо, в случае, когда число ненулевых коэффициентов значительно меньше числа программ, для получения коэффициентов регрессии требуется применение метода нелинейкето иро-граммировапия.

Коэффициенты регрессии для различных параметров на

выделенным кла

Параметры и соответствуюгаие

Пример использования данных таблицы:

Для некоторой программы класса OUT найдены следующие оценки параметоов. ошибок в программе равно PkOBS=0,706o2-9 +0,021.50-158+0.611 -1 = 10,4 11.

оказываются на самом деле линейно-зависимыми. Множество таких параметров будем называть стса-тым.

Расчетные значения коэффициентов регрессии и стандартные отклонения для подсистем А - Н, функции и и ранее выделенных специальных классов программ приведены в табл. 4.6. Результаты были получены с помощью метода наименьших квадратов с ограничениями и могут быть непосредственно сравнимы с данными табл. 4.2 и 4.5, полученными при использовании полного набора параметров. Такое сравнение показывает, что как в случае сжатого множества параметров, так и в случае их полного набора коэффициенты при соответствующих переменных ведут себя аналогичным образом, т.е. либо они одновременно равны нулю, либо принимают почти одинаковые значения.

При проведении регрессионного анализа был1а

) В этом случае определитель матрицы управляющих переменных равен нулю н,следовательно, обращение матрицы с целью нахождения коэффициентов регрессии оказывается невозможным.

Таблица 4.5

дежности программного обеспечения, соответствующего ссам программ

Zc Zn и Zic-9, 158 и 1 соотЕРТствеино. В этом случае нрогиозируемое количество

также сделана попытка определить минимальный набор параметров, использование которых в уравнении регрессии не приводило бы к значительному уменьшению коэффициентов множественной корреляции или к сильному увеличению стандартного отклонения прогнозируе.мых величин. Соответствующие результаты приведены в табл. 4.7, где для всех подсистем и классов программного обеспечения выписз ны индексы ненулевых коэффициентов уравнения регрессии, показаны минимальные .множества параметров, новые (незначительно увеличившиеся) стандартные отклонения и новые (незначительно уменьшившиеся) коэффициенты множественной корреляции.

На основе проведенного линейного регрессионного анализа может быть сделан вывод, что для эффективного предсказания ожидаемого количества ошибок в программном обеспечении при его разработке могут быть использованы модели с малым числом параметров. В качестве таких параметров выбирают Z4 (число ветвей), Ze (число интерфейсов прикладных программ), Zg (число операторов обработки дан-