Validation des mesures logicielles
La validation de la mesure du système logiciel comporte deux étapes -
- Valider les systèmes de mesure
- Valider les systèmes de prédiction
Validation des systèmes de mesure
Des mesures ou des systèmes de mesure sont utilisés pour évaluer une entité existante en caractérisant numériquement un ou plusieurs de ses attributs. Une mesure est valide si elle caractérise avec précision l'attribut qu'elle prétend mesurer.
La validation d'un système de mesure logiciel consiste à s'assurer que la mesure est une caractérisation numérique appropriée de l'attribut revendiqué en montrant que la condition de représentation est satisfaite.
Pour valider un système de mesure, nous avons besoin à la fois d'un modèle formel qui décrit les entités et d'une cartographie numérique qui préserve l'attribut que nous mesurons. Par exemple, s'il y a deux programmes P1 et P2 et que nous voulons concaténer ces programmes, nous nous attendons à ce que toute mesurem de longueur pour satisfaire cela,
m (P1 + P2) = m (P1) + m (P2)
Si un programme P1 a plus de longueur que le programme P2, puis n'importe quelle mesure m devrait également satisfaire,
m (P1)> m (P2)
La longueur du programme peut être mesurée en comptant les lignes de code. Si ce décompte satisfait les relations ci-dessus, nous pouvons dire que les lignes de code sont une mesure valide de la longueur.
L'exigence formelle pour valider une mesure consiste à démontrer qu'elle caractérise l'attribut déclaré au sens de la théorie de la mesure. La validation peut être utilisée pour s'assurer que les mesureurs sont correctement définis et sont cohérents avec le comportement réel de l'entité.
Validation des systèmes de prédiction
Les systèmes de prédiction sont utilisés pour prédire certains attributs d'une future entité impliquant un modèle mathématique avec des procédures de prédiction associées.
La validation des systèmes de prédiction dans un environnement donné est le processus consistant à établir la précision du système de prédiction par des moyens empiriques, c'est-à-dire en comparant les performances du modèle avec des données connues dans l'environnement donné. Cela implique l'expérimentation et le test d'hypothèses.
Le degré de précision acceptable pour la validation dépend du fait que le système de prédiction est déterministe ou stochastique ainsi que de la personne qui effectue l'évaluation. Certains systèmes de prédiction stochastique sont plus stochastiques que d'autres.
Des exemples de systèmes de prédiction stochastique sont des systèmes tels que l'estimation des coûts logiciels, l'estimation de l'effort, l'estimation des horaires, etc. Par conséquent, pour valider formellement un système de prédiction, nous devons décider de son degré de stochastique, puis comparer les performances du système de prédiction avec des données connues.