Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Zacatecas
Zacatecas
1) Introduccin
Fecha: Del 7 al 11 de octubre de 1968 en Garmisch, Alemania Organizador: Comit de Ciencia de la Organizacin del Tratado del Atlntico Norte (OTAN) Asistentes: Poco ms centenar de provenientes de la academia y gobierno pases. de medio personas industria, de once
Zacatecas
1) Introduccin
Uno de los problemas tratados durante esta reunin fue la dificultad para cumplir con los planes de proyectos de software. Una actividad previa a la planeacin es la estimacin del esfuerzo de desarrollo de software, que incluso ha sido considerada como uno de los tres grandes desafos de la ciencia computacional Adems de la planeacin y control del proyecto, las tcnicas de estimacin se usan dentro de las empresas para la presupuestacin, administracin de riesgos y el anlisis de mejoramiento de inversin.
Zacatecas
1) Introduccin
1.1 Estimacin del software Diversos rubros pueden ser estimados dentro del mbito de la estimacin de proyectos de software: 1. Tamao (lneas de cdigo o puntos de funcin) 2. Esfuerzo (en minutos, das, semanas o meses-persona) 3. Costos (en pesos o dlares) 4. Duracin (tiempo calendario en meses) 5. Recursos de computadora 6. Personal (nmero) 7. Calidad (defectos)
Editor: Cuauhtmoc Lpez Martn. cuauhtemoc@sagitario.cic.ipn.mx Octubre 12, 2007
Zacatecas
1) Introduccin
1.2 Estimacin del esfuerzo de desarrollo de software El software es especialmente difcil de estimar por lo siguiente: 1. Los requerimientos son difciles de establecer con precisin; 2. El producto es esencialmente invisible hasta que ste haya sido finalizado; 3. El producto es difcil de medir (por su naturaleza intangible);
Zacatecas
1) Introduccin
1.2 Estimacin del esfuerzo de desarrollo de software El proceso de estimacin del esfuerzo de desarrollo consiste en actividades especficas: 1. Obtencin de datos a partir de proyectos anteriores; 2. Generacin de modelos de estimacin; 3. Verificacin y validacin de modelos con base en su precisin.
Zacatecas
Zacatecas
Zacatecas
Zacatecas
Zacatecas
Zacatecas
Zacatecas
Zacatecas
3) Lgica Difusa
Desde su origen por Zadeh en 1965, la lgica difusa ha sido objeto de importantes investigaciones: robtica, medicina y procesamiento de imgenes.
Editor: Cuauhtmoc Lpez Martn. cuauhtemoc@sagitario.cic.ipn.mx Octubre 12, 2007
Zacatecas
3) Lgica Difusa
Una desventaja en los modelos estadsticos es la forma por la que ellos disminuyen la comprensin de cmo son aadidas las variables, interacciones y transformaciones. Este problema puede ser al menos parcialmente superado con el uso de la lgica difusa, la cual fue desarrollada por la insatisfaccin de la lgica clsica de todo o nada. La afirmacin central subyacente de este enfoque difuso es que las entidades en el mundo real simplemente no pertenecen a una sola categora. Por ejemplo, un proyecto no es solo pequeo, mediano o grande, sino podra de hecho ser un gran proyecto en su mayora, pero tambin mediano en su minora. Esto puede ser representado con un grado de pertenencia en una categora lingstica particular.
Editor: Cuauhtmoc Lpez Martn. cuauhtemoc@sagitario.cic.ipn.mx Octubre 12, 2007
Zacatecas
3) Lgica Difusa
Todas las tcnicas de estimacin tienen una caracterstica importante: el software es descrito usando datos categricos (en escala nominal u ordinal) tales como pequeo, mediano, promedio o alto. Un enfoque ms comprensivo para tratar con valores lingsticos es precisamente usando la teora de la lgica difusa.
Zacatecas
3) Lgica Difusa
3.1 Conjuntos difusos Un conjunto difuso es un conjunto con una funcin de membresa m en el intervalo real [0, 1]. Esta definicin extiende aquella del conjunto clsico donde la funcin de membresa est en el par {0, 1}. Los conjuntos difusos pueden ser efectivamente usados para representar valores lingsticos tales como bajo, mediano o complejo. La representacin por un conjunto difuso tiene las siguientes ventajas: (1) Es ms general (2) Imita la forma en la que la mente de los humanos interpretan los valores lingsticos y (3) La transicin de un valor es ms gradual que abrupto.
Editor: Cuauhtmoc Lpez Martn. cuauhtemoc@sagitario.cic.ipn.mx Octubre 12, 2007
Zacatecas
3) Lgica Difusa
3.2 Reglas difusas Con base en el conocimiento previo del comportamiento de los datos (correlacin, por ejemplo), deben establecerse reglas difusas del tipo sientonces, ejemplos:
Si (Tamao del programa es Pequeo) entonces (Esfuerzo es Bajo) Si (Tamao del programa es Mediano) entonces (Esfuerzo es Promedio) Si (Tamao del programa es Grande) entonces (Esfuerzo es Alto)
Zacatecas
3) Lgica Difusa
3.3 Funciones de membresa Existen diversos tipos de funciones de membresa. Los ms utilizados dentro de la estimacin del esfuerzo son del tipo triangular, gausiana y trapezoidal:
Zacatecas
3) Lgica Difusa
3.3.1 Funcin de membresa triangular Funcin de tres puntos, definidos como valores mnimo (a), mximo (b) y un punto entre ambos (m), esto es, FM(a,m,b) donde a m b. Sus parmetros escalares (a, m, b) se definen como sigue: FM(x) = 0 si x < a FM(x) = 1 si x = m FM(x) = 0 si x > b
Zacatecas
4) Caso de estudio
1. Programas desarrollados con base en prcticas del Proceso de Software Personal 2. Poblacin de 52 desarrolladores 3. Muestra de 37 desarrolladores 4. 105 programas de 30 desarrolladores para generar los modelos de regresin lineal simple, mltiple y difusos 5. Verificacin de modelos 6. 20 programas de otro grupo de 7 desarrolladores para validar los modelos de regresin lineal simple y difusos
Zacatecas
Modelos de Procesos
People CMM SDCE SCE PSP TSP SPICE SW-CMM Bootstrap
CBA IPI SCAMPI ISO 15939 PSM IPD-CMM EIA/IS 731 SECAM SAM IEEE 1220 EIA 632
Sustituye a Basado en Usa/Referencia Editor: Cuauhtmoc Lpez Martn. cuauhtemoc@sagitario.cic.ipn.mx MIL-STD499B
ISO/IEC 15504
FAAICMM
MOPROSOFT
MPS Br
CMMI
SA-CMM
FAM
RTCA DO-178B
MIL-STD 498
IEEE/EIA 12207
ISO/IEC 90003
ISO/IEC 15288
Zacatecas
El CMM es relevante para Mxico dado que las metas de crecimiento de la industria del software de nuestro pas se basan en niveles de madurez del CMM.
Zacatecas
Niveles organizacionales
CMM
Organizacin
TSP
Equipos
Personas PSP
Zacatecas
CMM-TSP-PSP
Zacatecas
4) Caso de estudio
Proceso de Software Personal
Requerimientos Plan
Planeacin
Directrices
Gua
Pruebas PM
Tiempo Defectos
Producto Terminado
Editor: Cuauhtmoc Lpez Martn. cuauhtemoc@sagitario.cic.ipn.mx Octubre 12, 2007
Zacatecas
4) Caso de estudio
Estndares de codificacin y cuantificacin de cdigo If Estndar de codificacin If a>b Then a-b; Else a+b; Vs. a>b then Begin a-b; end Else Begin a+b; End;
Editor: Cuauhtmoc Lpez Martn. cuauhtemoc@sagitario.cic.ipn.mx Octubre 12, 2007
Zacatecas
4) Caso de estudio
Zacatecas
4) Caso de estudio
Cuaderno de registro de tiempos
Zacatecas
4) Caso de estudio
Cuaderno de registro de defectos
Zacatecas
4) Caso de estudio
Clasificacin de defectos
Zacatecas
4) Caso de estudio
Zacatecas
4) Caso de estudio
Zacatecas
4) Caso de estudio
4.2 Recoleccin de datos para verificacin de modelos Siete programas fueron desarrollados por cada desarrollador. Los criterios bajo los que se basa la muestra extrada son los siguientes: a) Incluye solo aquellos programas del cuarto al sptimo (por tener prcticas iguales dentro del proceso de desarrollo, lo que del primero al tercero no sucede).
Zacatecas
4) Caso de estudio
4.2 Recoleccin de datos para verificacin de modelos
b) Se excluyen programas muy pequeos (cuyo nmero de NyC se encuentre alejado, en desviaciones estndar, de la media del resto de los dems datos)
Zacatecas
4) Caso de estudio
4.2 Recoleccin de datos para verificacin de modelos c) Se excluyeron observaciones atpicas o de influencia cuando se haya encontrado la justificacin para ello.
Zacatecas
4) Caso de estudio
4.2 Recoleccin de datos para verificacin de modelos Diagrama de dispersin de la muestra Resumen de programas excluidos
r=
n n n ( x y ) i =1 x i i i =1 i 2 n n n x i = 1 i = 1 x i
2
n y i =1 i
2 n n n y i = 1 i = 1 y i i
Zacatecas
4) Caso de estudio
4.3 Recoleccin de datos para validacin de modelos
Con base en los criterios establecidos para la muestra, de los 49 programas originales quedaron 20, los otros 29 se resumen enseguida:
Zacatecas
4) Caso de estudio
4.4 Generacin de Modelos 4.4.1 Regresin lineal mltiple (85 programas con cdigo reutilizado)
Zacatecas
4) Caso de estudio
4.4 Generacin de Modelos 4.4.2 Regresin lineal simple (105 programas)
n ( x y ) n x n y n i i =1 i i =1 = 1 i ii b= 2 2 n n n i = 1 x i = 1 x i
)( )
y x a = i =1 i b i =1 n n
n n
Zacatecas
4) Caso de estudio
4.4 Generacin de Modelos 4.4.3 Modelos difusos (105 programas)
Zacatecas
4) Caso de estudio
4.4 Generacin de Modelos 4.4.3 Modelos difusos (105 programas)
Zacatecas
4) Caso de estudio
4.4 Generacin de Modelos 4.4.3 Modelos difusos (105 programas)
Zacatecas
4) Caso de estudio
4.5 Criterios de evaluacin de modelos
Zacatecas
4) Caso de estudio
4.5 Criterios de evaluacin de modelos
Zacatecas
4) Caso de estudio
4.6 Obtencin de estimaciones con base en ecuacin de regresin lineal simple (ejemplo con NyC = 81)
Zacatecas
4) Caso de estudio
4.6 Obtencin de estimaciones con base en modelos difusos con funciones de membresa triangular (ejemplo con NyC = 81)
Zacatecas
4) Caso de estudio
4.6 Obtencin de estimaciones con base en modelos difusos con funciones de membresa gausiana (ejemplo con NyC = 81)
Zacatecas
4) Caso de estudio
4.6 Obtencin de estimaciones con base en modelos difusos con funciones de membresa trapezoidal (ejemplo con NyC = 81)
Zacatecas
4) Caso de estudio
4.7 Verificacin de modelos
Zacatecas
4) Caso de estudio
4.7 Verificacin de modelos
Tras la verificacin de los modelos lineal y difusos, no existe diferencia significativa entre las medias de las MER de los cuatro modelos.
Zacatecas
4) Caso de estudio
4.8 Validacin de modelos
Zacatecas
4) Caso de estudio
4.8 Validacin de modelos
Zacatecas
4) Caso de estudio
4.8 Validacin de modelos
Zacatecas
4) Caso de estudio
4.8 Validacin de modelos
Zacatecas
4) Caso de estudio
4.8 Validacin de modelos Clculo de MMER (primera submuestra)
Zacatecas
5) Conclusiones
El modelo que mostr mejores resultados en su prediccin (con base en su MMER) es el modelo difuso con funciones de membresa triangular. Esto por las siguientes tres razones: 1) Sin considerar heterocedasticidad en los datos, present la menor MMER (con 0.23) que el resto de los tres modelos (dos difusos y uno de regresin). 2) Al dividirse el conjunto de datos en dos submuestras (A y B), tras la demostracin de la existencia de heterocedasticidad, en la submuestra A present mejor MMER (con 0.23), mientras que en la submuestra B slo fue igualado por otro modelo difuso con funciones trapezoidales. 3) Considerando o no la heterocedasticidad, la regresin lineal nunca fue mejor que el modelo difuso con base en su MMER.
Zacatecas
5) Conclusiones
Tres hiptesis de investigacin fueron aceptadas: 1) A partir de una poblacin, la muestra extrada posee una correlacin (r) mayor o igual a 0.71 entre las lneas de cdigo y el esfuerzo, es decir, un r2 0.50. 2) En la verificacin de los modelos lineal y difusos, no existe diferencia significativa entre las medias de las MER de los cuatro modelos. 3) En la validacin de los modelos, en la prediccin de programas a nivel personal haciendo uso de un modelo difuso, se obtiene una MMER 0.25.
Zacatecas
5) Conclusiones
En 1972 Zadeh mencionaba que la lgica difusa podra abrir muchas fronteras nuevas en psicologa, sociologa, ciencias polticas, filosofa, fisiologa, economa, lingstica, investigacin de operaciones, administracin y otros dominios; con el cumplimiento de la meta de esta tesis podra adicionarse a su lista, que la lgica difusa es asimismo til para predecir el esfuerzo de desarrollo de software.
Zacatecas
6) Recomendaciones
Zacatecas
Sesin de Preguntas
Zacatecas
Muchas Gracias!