统计思维的基础和公理
所有的产品开发和服务都是由一系列相互关联的过程组成。所有的过程都是动态和可变的，理解了这些变化是基于事实管理和系统改进的基础。而统计学思维的核心就是理解过去，控制现在和预测未来。
在CMMI中过程被定义为一系列能够被识别和在实践中执行的活动。但是过程要能够最终产出产品和服务，不可避免要涉及到人，材料，设备，工具等一系列的要素。
关于产品和服务的性能所涉及到的实际的过程表现，必须在做起决定之前进行充分的理解。回答以下问题有利于我们找出实际的过程表现:
1.什么是正常的和固有的过程偏差?
2.哪些固有的误差来源于异常的偏差?
3.造成异常偏差的根源是什么?
统计学提供了我们需要的方法和工具，来度量和分析过程行为，得出结论并执行后续的改进步骤。在OPP中我们首先需要建立过程能力基线PPB，PPB的建立首先要要确定组织的目标，找出影响组织目标的关键子过程，然后收集子过程的数据进行分析。而PPB的作用仅仅是理解过去和控制现在，为了预测未来我们必须要建立PPM过程性能模型。有了PPM我们就可以根据项目的基础信息和模型来预测项目的进度，成本和质量情况。可以使用的模型的类型主要有:
1.基本的统计和预测模型
2.蒙特卡洛模拟和优化模型(what-if分析等)
3.过程模拟模型
4.系统动态模型(基于实时的反馈)
5.概率模型(根据概率论而不是统计来进行预测)
如何使用PPB和PPM去选择过程和一个指标来进行改进。假设组织的目标的改进产品的质量，希望把现场缺陷密度DD(Defect Density) <0.4个/KLOC。而这个目标在我们原来发布的产品和版本中很多都没有达到，组织希望对此进行改进。为了达到这个目标，需要遵循以下步骤进行改进:
1.建立影响DD的评价准则(贡献度，潜在变革，潜在成本和风险)。
2.识别影响DD的影响因子(通过回归分析确定RV,DC和QC三个贡献因子)。
3.建立回归分析模型(DD = 389 + 2.12RV + 5.32DC -24.1QC)。
4.通过建立的评价准则评价因子(可使用蒙特卡洛模拟或敏感性分析)
建立了PPM后就需要考虑如何去改进影响因子以达到我们需要的质量目标，对于RV,DC和QC组织都可能已经有相应的过程能力基线数据，比如DC的上下限为(15,30)，均值为20。根据对多个项目的历史数据分析，可以知道DC大致的概率分布曲线。然后我们根据蒙特卡洛模拟可以得出DD的概率值(比如90%的置信区间下的DD的值为0.42)。
有了这些数据我们可以看到，现在的实际情况是无法达到我们的改进目标的，因此我们准备对DC进行改进，将DC的上下限范围进行缩小，并减小DC的均值。究竟要改进到多少，我们就可以进行what-if分析，通过模型可以得出结论是将DC均值减小为18,上下限为(12,25)的时候可以达到目标要求。
文章来源于领测软件测试网 https://www.ltesting.net/