Software Reliability Engineering im Infotainment - Georg-August ...

Diese Daten mit den Daten der obigen Tabelle 5.1-1 stellen wichtige Informationen dar,
wann man mit dem Testen aufhören könnte. Beispielsweise könnte das vorher im
Testkonzept festgelegte Ziel sein, mit dem Testen aufzuhören, wenn 90% aller
eingeschätzten Restfehler gefunden wurden (ebenso könnte man dies als Anteil der
Gesamtfehler berechnen). Im vorliegenden Beispiel würde man also nach ZE 21 mit
dem Testen aufhören.
Tabelle 5.1-2 Vorhersage der Restfehler und der Reliability für IS GHU
ZE
Anteil an Restfehlern
Vorhersage
Reliabilty R(0.01) des Yamada-
Delayed-S-shaped-Modells
R
[
b
( ) ( t+
s
e )]
−bt
−a
( )
( 1+
bt) e − 1+
b( t+
s
x / t = e
)
19 21.74% 0.84
20 17.17% 0.87
21 13.73% 0.90
22 10.3% 0.92
23 8.01% 0.93
5.1.1.2 Analyse der Restfehlerdaten mit Regression
Bivariate Regressionen dienen der Beschreibung des stochastischen Zusammenhangs
zwischen zwei Variablen und der Vorhersage der Werte einer Variablen durch die
andere Variable (vgl. Bortz 1993, S. 166f.). Dieses Beispiel wird auch mit Regressionen
berechnet 12 . Es geht darum, eine Vorhersage zu treffen und zu prüfen, ob eine
Vorhersage nicht nur mit SR-Modellen, sondern auch mit einfachen Regressionen
möglich ist. In der folgenden Abbildung 5.1-4 sieht man die kumulierte Fehlerkurve bis
zur ZE 18, ab der gestrichelten Linie sieht man die Schätzungen der verschiedenen
Modelle und Regressionen. Es wird deutlich, dass die logarithmische Regression ab ZE
19 mehr Restfehler als die Goel-Okumoto und Yamada-Delayed-S-shaped Modelle
vorhersagen. Für die lineare Regression sind alle Restfehler in der ZE 19 gefunden.
Welche Kurve am besten zu den realen Daten passen würde, kann aufgrund der noch
nicht vorliegenden Daten hier nicht entschieden werden. Am wahrscheinlichsten sind
jedoch die Kurven der beiden SR Modelle. In Kapitel 5.3 wird das Ergebnis
weitergehend interpretiert.
12 Die Regressionsfunktion kann hier nicht angegeben werden, da sonst die Anonymität der Daten gefährdet wäre.
49