转CMMI4级实践问题30问Word格式.docx

1、当在控制图上剔除异常点后，是否在图上直接删除异常点， 3不再描在图上呢？. 8第13 问：在当控制图上存在多个异常点时，是1 次性都将这些异常点剔除掉，还是按其他规则剔除异常点？ . 8第14 问:剔除异常点后，控制线就会收窄，收窄后有些点又超过控制线了，这时候还重新算吗？如果100 个点剔除了80 个点可以吗？ . 8第15 问：如何选择控制图？最常用的控制图是哪几种？ . 9第16 问：对哪些子过程应用控制图？. 9第17 问：如何选择判异准则？. 9第18 问：使用XMR 图，并只使用点出界规则，是否数据也必须按时间为顺序排列？. 9第19 问：基线是否一定关于均值对称？如果不对称是如何

2、计算出来的？. 11第20 问：何时变更基线？. 11第21 问：基线是组织的质量与过程性能目标是什么关系？ . 12第22 问： 什么是过程性能模型？ . 12第23 问：何时使用过程性能模型？. 12第24 问：如何建立过程性能模型？. 13第25 问：如何采用统计方法建立性能模型？ . 13第26 问：性能模型如何分类？. 14第27 问：性能模型中的x 是否一定是过程的稳定属性？ . 15第28 问： 2-3 级的估算与4-5 级的估算有什么区别？ . 15第29 问：如何建立质量与过程性能目标？ . 15第30 问：究竟要不要评估4-5 级？. 16编写后记. 184第1问:答：（1

3、） 由商务目标派生出基线需求组织级的产品质量与中孚实业过程性能目标是什么？这些目标可以通过哪些度量元来刻画？哪些因素影响了目标的达成？这些因素可以通过哪些度量元来刻画？这些度量元是否可以建立基线？（2） 建立力所能及的基线需要建立基线，但是却无历史数据，或者收集基线数据的成本很高，也就只能放弃，需要等到时机成熟了才能建立相关基线。（3） 对基线分类：规模、质量、进度、工作量、成本、效率等。第2问 ：基线是根据组织级项目组的历史数据进行过程稳定性分析统计得到的。在做稳定性分析可以画各种控制图，比如X-R图，X-S图，XMR图等，注意一般不画单点的X图，因为单点值未必符合正态分布，而且sigma比

4、较大，对异常不敏感。在建立基线时注意区分不同属性的项目，有可能需要分解建立基线，比如需要区分项目类型、生命周期模型、技术路线、人员背景、项目规模等。如果没有区分上述属性，在画出控制图后，注意数据点的分层或分组现象。第3问 ：5个点能否证明过程是稳定的？按照统计学的基本常识，一般需要25-30个分组，才可以证明过程是稳定的，5个点（分组）是不能证明过程是稳定的。不稳定并不代表不可以建立基线，可以利用少数，比如多于6个点，来建立尝试控制限。判稳的基本原则是： 连续25个点，界外点数d=0; 连续35个点，界外点数d1; 连续100个点，界外点数d2;满足上面的原则之一即可认为过程稳定。5第4问 ：

5、是可变的。请看CMMI模型QPM PA的SP2.2：第1条子实践：Establish trial natural bounds forsubprocesses having suitable historical performance data.注意这里提到的是trial 自然边界，即根据历史项目的数据得到的自然边界，也是就是历史项目的上下限，是个trial的，是尝试性的，不是本项目的，先拿这个上下限来控制第2条子实践：Collect data, as defined by the selectedmeasures, on the subprocesses as they execute.收

6、集本项目的度量数据第3条子实践：Calculate the natural bounds of processperformance for each measured attribute.计算本项目的上下限第7条子实践：Recalculate the natural bounds for eachmeasured attribute of the selected subprocesses as necessary.重新计算！第5问 ：项目根据组织级基线和吉林敖东项目目标订出初始的上限下限均值，按照这个控制线进行控制，那到什么时候再重新计算上下限呢，是超过初始上限就重新计算还是等到凑够一定的

7、点后再重新计算？新产生的数据点多于3点以后，可以重新计算，主要看新产生的点是否有一定趋势，比如是否均值或sigma和最初定义的差别比较大。当然当数据多一些时再重新计算更有说服力。第6问 ：项目级的过程稳定和组织的过程稳定是不一样的。项目是关注的本项目组内的过程稳定性，组织关注的是项目之间的，2者关注点是不一样的。如果项目级的上下限和组织级的不一样，说明项目组的能力和组织级的能力不一样，可能优于组织级也可能劣于组织级，但如果差别没有6超出组织级均值的上下3sigma，则认为是组织级还是稳定的。第7问 ：现sigma值比较大，怎么办？（1） 考察离散系数的大小，即: sigma/平均值，离散系数不

8、能太大，一般掌握在=15%，这是经验数字。（2） 如果认为sigma太大，就取2 sigma或2.5 sigma作为上限。（3） 对数据进行分类，如果离散系数比较大可能是由于在该度量值中混杂了多种类型的数据而导致的，比如有时做了代码走查，有的没有做代码走查，则在系统测试阶段发现的缺陷密度可能浮动比较大，可以区分来进行分析。第8问：现项目的实际点都偏离均值，如果不定在0%又觉得项目开始就期望控制进度偏差不是不合理这是2个问题：（1） 目标如何确定？目标是否合理？（2） 能力如何？能力与目标如何协调？项目开始时确定的0%是目标值，不是历史数据的统计值，不是能力值。CMMI 模型QPM SP1.1的

9、说明，明确提出了目标的可行性问题，要基于历史性能建立目标。目标确定时未必就是：0%-16%，这样的一个封闭区间，目标也可以这样确定：进度偏差不超过16%。如果历史数据基线，进度偏差率是10%，则目标值为0%，2者不匹配，不匹配怎么办？ 可以采用如下的措施：（1） 运用CAR,分析能力不足的原因，采取措施，提高过程能力（2） 修改目标值，降低目标在CMMI模型QPM PA中的SP2.3的第1条子实践： Compare thequality and process-performance objectives to the naturalbounds of the measured attribu

10、te. 一般项目组的性能目标是来源于组织级的性能基线。第9问：7度拖延，项目中多次发生，这样是不是就认为是项目固有的，就不剔除，参与计算（即使它超过了上下限）?普通原因指的是造成随时间的推移具有稳定且可重复的分布过程中的许多变差的原因、我们称之为处于统计控制状态、在统计上受控制,或者简称为受控。普通原因表现为一个稳定系统的偶然原因，只有变差的普通原因存在且不改变时,过程的输出才是可预测的. 普通原因一般是难以避免的，普遍存在的情况。整改难度大，一般需要持续改进。特殊原因（通常也称可查明原因）指的是造成不是始终作用于过程的变差的原因,即当它们出现时将造成（整个）过程的分布改变，但他们又不是总是出

11、现,是偶尔出现，是不可预测的，并非对每次过程的执行都出现。特殊原因可以采取纠正措施，相对容易整改的。过程中，85%的问题是由普通原因引起的，对应的改善称为系统级改进；只有15%的问题由特殊原因造成，对应的改善只能称为过程控制。当我们实施一个软件过程时，可以认为过程=输入+活动+人+工具+方法+输出，对于上面提到的输入，活动、人、工具、方法都应该有明确的要求，质量要求等等，如果没有显著达到这些要求就可以识别为特殊原因，这些要求有可能没有明确文档化。进度延期的问题如果是由于人员偶尔没有按计划参与，那就是特殊原因。如果频繁重复发生，而且是项目组无法避免的，那只能识别为共性原因，正如堵车，天天堵车，无

12、法避免，堵车已经成为你去上班这个过程的固有属性，那我们只能认为他是普通原因。第10问：未必。比如特殊原因1是正向作用，特殊原因2是反向作用，二者可能作用抵消，在过程的参数上表现的就可能没有异常。如果有过程异常，也未必是特殊原因造成的，有可能是误判。第11问：8异常也区别是好的异常还是坏的异常，好的异常也有可能剔除，因为不代表是一种趋势，如果是一种趋势，则是剔除其他点，而保留这些点，重新计算控制线。第12问：在传统企业的控制图中，一般是在图上直接删除点后重算，在软件过程的控制图中，除XMR图外一般是在图上不删除点，但计算数据时不纳入计算。理由如下：（1） 软件企业本身过程的数据采样点比较少；（2

13、） 异常点可能存在一定的模式，保留在图上便于发现这种模式；对于XMR图，一般是在图上直接删除之。第13问：在当控制图上存在多个异常点时，是1次性都将这些异常点剔除掉，还是按其他规则剔除异常点？剔除不剔除异常点是根据分析的原因来决定的，要看是否是一个特殊原因造成的，只要是特殊原因造成的就要删除之，此时删除的有可能不仅仅是表现为异常的数据点，也有可能是在图上并没有表现出异常的点，因为这些点和异常点可能具有相同的原因系统。也有可能在图上是异常点，但是分析后发现是由于其他异常点的影响造成的，而不是特殊原因造成的，则不能删除。剔除时有可能不是剔除一个数据点，而是改变某点的值，比如某个点的值是100，但是

14、其中只有30是由于特殊原因造成的，此时应是将该样本点的取值改为70，重新计算。第14问:如果100个点剔除了80个点可以吗？重新计算。如果100个点剔除了80个点，只要这80个点都是特殊原因造成的，采取了措施，规避了问题的再次发生，那也是合理的。得到的9控制限是可以作为尝试控制限来使用。如果采用判稳的原则，可以认为该过程是不稳定的。判稳与判异是不同的原则。第15问：在选择控制图时，首先选择要判断数据的类型：连续型变量可用的控制图有：X-R,X-S,XMR等，离散型变量可用的控制图有：U,c,z，P,nP图等。X-R,X-S图是适合分组数据的，如果分组的容量小于10则选择X-R，否则选择X-S图

15、，如果是单点值则选择XMR。对于离散型变量要判断分布的类型，如果是二项分布则采用P,nP图，如果是泊松分布则选择U，c,z图，对于离散型变量也可以选择XMR图。在软件领域里最常用的就是XMR图和U图。第16问：在一个项目组中重复多次的子过程。在组织内重复多次的。对项目的目标及组织的目标起到关键作用的。可以通过相关性分析判断与目标的关联程度。第17问：在已形成国际标准与国家标准的，在工业领域里使用的有8条规则，在软件领域里，SEI推荐的是4条规则，即1248规则：1：如果有1个点出界则判异；2：如果在3个连续点中有2个点在2sigma到3sigma之间则判异；4：如果在5个连续点中有4个点在1s

16、igma到2sigma之间则判异；8：如果连续8个点在中心线的同一侧则判异。当然可以不局限于上边4条规则，可以选择国际标准中的其他4条，在MINITAB中可以任选规则，规则选择的多，增加了分析成本，可能存在误判，规则选择的少，可能存在漏判，通常情况下，应该选择至少3条规则。第18问：使用XMR图，并只使用点出界规则，是否数据也必须按时间为10顺序排列？（1） 通常情况不应该只采用点出界规则。对X图可以采用上面的1248规则，对于MR图可以只使用点出界规则。（2） 数据也应该按时间为顺序排列。如果以不同的顺序排列数据，得出的估计标准差是不同的。如下面的示例：有如下3个项目的数据，为同行评审发现的

17、SRS的缺陷密度，单位为个/页：P1:0.56P2:1.47P3:0.40如果按上述顺序排列，得出的XMR图的X图为：1 2 31-1-2观测值单独值_X =0.809UCL=3.433LCL=-1.816C 4 的单值控制图如果变换顺序为：则XMR图X图为：112.52.01.51.00.50.0-0.5-1.0UCL=2.423LCL=-0.805C 3 的单值控制图可以看到得出的UCL，LCL是不同的。如果不采用XMR图，直接采用计算此3个数的标准差，可得标准差为0.575,如果再以此计算UCL，LCL，可得：UCL=2.534，LCL=-0.916由此可已看出，结果是不同的。第19问：

18、如果不对称是如何计算出来的？基线不一定是对称的，在第2问中已经介绍了一种建立基线的方法，如果不是采用XMR图的方法建立基线，而是采用箱线图或概率区间分析的方法建立基线，则基线可能就是不对称的。比如如果数据偏态分布很明显，则可以取众数或中位数作为期望值，此时建立的基线就可能是不对称的。在采用箱线图时也可以排除异常点。第20问：基线变更的时机包括：（1） 过程发生了变化12（2） 积累的数据发生了变化（3） 组织的目标发生了变化基线变更时需要进行假设检验，以判断基线变更是否有实际的意义，在统计学上是否显著。第21问：基线是对实际历史数据的统计分析，代表了组织的历史性能，质量与过程性能目标是组织根据

19、自身的实际情况确定的期望。目标未必等于基线，通常情况下，目标优于或等于基线，目标的确定既要考虑历史的性能也要考虑商务的需求。有一些企业，从商务上没有明确的量化质量与过程需求，因此确定了基线与目标相同。第22问：过程性能模型（PPM）是关于过程的属性与其工作产品之间关系的描述，它是基于历史的过程性能数据开发的并通过收集的项目的过程和产品度量元进行调整以用来预测执行过程的结果。通俗的讲就是通过过程的输入及属性预测过程的输出，但是过程性能模型必须满足以下的几个基本特征：（1）定量模型：是定量模型而不是定性模型；（2）实用性 ：是基于本组织的历史数据分析得到，而不是业内的标杆组织的模型；（3）x可控：

20、过程性能模型中的x必须含有可控变量；（4）区间预测：PPM对Y值的预测是一个区间而非单点值；（5）绑定过程：PPM是针对某个过程或子过程建立的，是预测过程的性能。（6）绑定目标：与组织的商业目标、过程性能与质量目标强相关。第23问：（1）在组织级估算、分析、预测组织标准过程的过程性能预测组织商务目标的达成分析、预测过程改进的（潜在的）投资回报、影响、收益：13分析的缺陷与问题实施的行动建议实施的过程改进建议候选的革新评价过程性能的变化是否达到了预测的目标（2）在项目级估算、分析、预测已定义过程的性能预测项目目标的达成选择过程与子过程第24问：SEI建议了6种性能模型建模的方法：（1）基本统计方

21、法（2）Monte Carlo模拟（3）过程模拟（4）系统动力学（5）概率网络（6）可靠性增长在实践中应用最多的是：基本统计方法与Monte Carlo模拟。基本统计方法中包括了：线性回归分析，方差分析，Logistic回归。线性回归分析适合于Y与X均是连续变量且符合正态分布的场景，方差分析适合于x中包含分类变量的场景，Logistic回归适合于y是分类变量的场景。Monte Carlo模拟适合于X是不确定的取值，需要通过模拟来预测y的分布的场景。第25问：（1）数据校验（2）剔除离群点（3）正态分布检验：各定比、定距类的X 与Y 要服从正态分布，如果不服从正态分布要对数据进行对数变换或者转换

22、刻度类型（4）散点图分析：观察是否相关、是否线性相关，如果相关但非线性，则对X 或Y 进行变换14（5）相关性分析：采用pearson、sperarman、方差分析或卡方检验分析X 与X 之间的相关性、X 与Y 之间的相关性。如果X 与X之间存在相关性，则这些X 不能同时出现在一个模型中，如果X 与Y 不存在相关性，则X 不出现在模型中（6）如果Y 是定比或定距变量，X 是定比或定距变量则采用线性回归分析建模，如果X 中包含分类变量则采用ANOVA 建模，如果Y 是定序或定类变量则采用LOGISTIC 回归建模。（7）对方程进行T 检验、F 检验、拟合优度检验、残差检验，判定方程的有效性。（8

23、）确定方程表达式及其适用范围第26问：可以从多个维度上对性能模型进行分类。从Y的类型的角度进行分类：质量、进度、性能、客户满意度、成本等从Y与X所代表的过程的角度分类：投入-产出型PPM（in-out PPM）：根据某个过程的输入与属性预测其输出。如：系统测试发现的缺陷个数=f（系统测试用例的个数，系统的规模，系统测试的投入工作量，测试人员的水平，开发人员的水平，测试的轮数）。产出-产出型PPM（out-out PPM）：根据上游过程的输出与属性预测下游过程的输出，是过程之间交互影响关系的预测。系统测试发现的缺陷个数=f（需求评审发现的缺陷个数，设计评审发现的缺陷个数，代码走查发现的缺陷个数，单元测试发现的缺陷个数，集成测试发现的缺陷个数）。混合型：上述两种模型的杂合。估算的内容 估算方法估算的可信度估算的输入级经验法 本项目的属性影响工作量的项目的固有属性项目的工作量与成本经验法+模型法单点值或区间 本项目的属性历史数据4-5经验法+基于历史数据推导出的模