Die Zahl der Fehler, die in einer Software enthalten sind, ist nie genau bekannt. Daher versucht man mit verschiedenen empirischen Verfahren, aus den Ergebnissen von Tests oder Inspektionen der Software einen Schätzwert für die Fehlerzahl zu berechnen. Eine typische Eingabe für solche Verfahren ist die Anzahl der gefundenen Fehler je Testdurchlauf. Von dem Schätzwert hängt die Entscheidung ab, ob die Software ausgeliefert werden kann oder erst weiter verbessert werden muß. Das gilt entsprechend auch für andere Software-Dokumente, wie z.B. Pflichtenhefte oder Entwürfe. Im Vortrag möchte ich zwei sehr unterschiedliche Verfahren zum Schätzen der Fehlerzahl vorstellen:

1. Das Hypergeometrische Modell zum Schätzen der Fehlerzahl in Code nach einer Testreihe.

2. Das Hypergeometrische Modell ist ein Standardmodell in der Software-Zuverlässigkeit. Vor einiger Zeit ist es mir gelungen, offene Theoriefragen über Maximum-Likelihood-Schätzer für dieses Modell vollständig zu klären; dabei hat sich ein neuer und sehr schneller Algorithmus zur Berechnung von ML-Schätzern ergeben, den ich vorstellen möchte. Ein Regressionsansatz zum Schätzen der Fehlerzahl in beliebigen Software-Dokumenten nach einer Software-Inspektion. Trotz einer gewissen Ähnlichkeit von Software-Inspektionen mit Testreihen liefern die Verfahren aus der Software-Zuverlässigkeit nur sehr schlechte Schätzwerte für die Fehlerzahl, wenn man sie auf Inspektionsergebnisse anwendet. Ich möchte an einem Beispiel verdeutlichen, warum das so ist. Ferner möchte ich einen meinen eigenen, neuen Ansätze zur Lösung des Fehlerschätzproblems für Inspektionen vorstellen, der auf Regressionstechniken basiert. Mein neuer Ansatz ist auf dem Standard-Benchmark für Inspektionen um einen Faktor 4 bis 6 besser als die bekannten Verfahren.