Sistema Car Park Management

O propósito do caso de estudo Car Park Management (CPMS) é o de gerir o acesso de veículos a um parque. Para tal, é necessário administrar todos os dispositivos do parque (por exemplo, cancelas, portões, e caixas de pagamento), controlar entradas e saídas, pagamentos, entre outros. Este caso de estudo foi baseado no curso de e-Learning dado por Darimont e que pode ser consultado em [62]. Por motivos de confidencialidade não podemos apresentar o modelo deste caso de estudo.

5. Validação 5.2. Resultados das métricas relacionadas com o objectivo de completude

5.2 Resultados das métricas relacionadas com o objectivo de

completude

Nesta secção, para cada questão relacionada com o objectivo de completude, apresentaremos: um gráfico de colunas no lado esquerdo da imagem, onde cada coluna é referente a um caso de estudo diferente; e um gráfico boxplot, que mostra o grau de dispersão e assimetria dos dados. Os gráficos boxplot são compostos por:

 Caixa ou box: contém os valores entre o percentil 25 e o percentil 75 da amostra (sendo esta a amostra razoável – sem os valores atípicos) e apresenta três estatísticas: quartil inferior – correspondente ao limite inferior da caixa; mediana – correspondente ao centro da amostra (delimitada pelos bigodes); quartil superior – corresponde ao limite superior da caixa;

 Bigodes ou whiskers: os bigodes estendem 1,5 vezes o comprimento da caixa ou, se nenhum elemento da amostra estiver fora desses limites, indicam os valores mínimos e máximo da amostra. Numa amostra normal, cerca de 95% dos dados estão entre os bigodes;

 Valores atípicos ou outlier: correspondem aos valores da amostra que se encontram desfasados dos restantes valores, e podem ser de dois tipos: atípicos – valores que se encontram à distância de uma caixa e meia do quartil inferior ou do quartil superior (representados por círculos); extremos – valores que se encontram à distância de três caixas do quartil inferior ou do quartil superior (representados por asteriscos).

P1 – PLGWA. A primeira questão preocupa-se com quão longe está o

modelo de atribuir a responsabilidade de todos os seus objectivos a agentes. No lado esquerdo da Figura 5.1, podemos observar a percentagem de objectivos folha com pelo menos um agente. Essa percentagem é referente a cada modelo de objectivos de cada caso de estudo. O caso de estudo CPMS apresenta o modelo mais completo, relativamente à atribuição das responsabilidades dos objectivos, enquanto que o caso de estudo BARTS apresenta uma percentagem PLGWA muito menor em relação aos outros casos de estudo. Por esse motivo, este caso de estudo é visto como um valor atípico no gráfico boxplot, indicando um menor foco na atribuição de responsabilidades dos agentes do modelo. De

5. Validação 5.2. Resultados das métricas relacionadas com o objectivo de completude

forma global, cerca de 70% dos objectivos folha nos modelos de objectivos cumprem a regra de completude, que especifica que um objectivo folha deve ser atribuído a um agente. Com um número par de observações (oito), não existe um valor médio único e a mediana é a média dos dois valores médios [63].

Figura 5.1: Percentagem de objectivos folha com agentes

P2 – PLGWO. A segunda questão preocupa-se com o nível de detalhe dos

modelos de objectivos, com respeito à percentagem de objectivos folha associados a objectos. A Figura 5.2 mostra que a maior parte dos casos de estudo mal especificam os objectos nos seus modelos de objectivos. Os casos de estudo BARTS e LASS são os que fornecem um maior número de objectivos folha com objectos no modelo, no entanto com uma percentagem menor que 50%. Em contrapartida, os casos de estudo CPMS, LMS, MSS e SHS, negligenciam por completo a existência de objectos. No gráfico boxplot a mediana é abaixo de 10%, e não são identificados valores atípicos. Estes casos de estudo parecem indicar que a identificação de objectos não representa uma prioridade na fase de elicitação de requisitos.

5. Validação 5.2. Resultados das métricas relacionadas com o objectivo de completude

Figura 5.2: Percentagem de objectivos folha com objectos

P3 – PLOWS. A terceira questão relaciona-se com o nível de detalhe que

os modelos de objectivos dão aos obstáculos com resoluções. Na Figura 5.3 podemos ver que os casos de estudo CPMS e ES, ambos retirados de tutoriais KAOS, e o caso de estudo SHS, adaptado de um trabalho realizado para uma cadeira de Engenharia de Requisitos (onde o exemplo ES é bastante referido), são aqueles que fornecem um maior número de obstáculos com resoluções. Os restantes casos de estudo têm um baixo valor de percentagem de obstáculos com resoluções, o que sugere que a especificação de resoluções para obstáculos não é uma grande preocupação nesta fase de requisitos. O caso de estudo LMS apresenta um valor nulo nesta medição por não apresentar obstáculos no seu modelo (e, por esse motivo, não apresenta as suas resoluções).

5. Validação 5.2. Resultados das métricas relacionadas com o objectivo de completude

Figura 5.3: Percentagem de obstáculos folha com resoluções

P4 – PLGWOp. A quarta questão refere o nível de detalhe que o modelo

de objectivos tem em relação às operações associadas aos objectivos folha. A Figura 5.4 mostra que as operações foram escassamente representadas nos casos de estudo revistos, com uma taxa de objectivos folha com operações abaixo dos 25%. MSCS é o caso de estudo onde as operações aparecem mais frequentemente. A mediana apresentada no boxplot é menor que 10%, mas não são identificados valores atípicos. A identificação de operações e suas associações com objectivos folha não aparenta ser uma preocupação nesta fase.

5. Validação 5.2. Resultados das métricas relacionadas com o objectivo de completude

Figura 5.4: Percentagem de objectivos folha com operações

P5 – POpWA. A última questão tem como finalidade medir o nível de

detalhe dos modelos de objectivos com respeito à associação de operações com agentes. É de notar, tal como pode ser visto na Figura 5.4, que os casos de estudo CPMS, MSS e SHS não apresentam qualquer operação. Por consequência, os seus valores são omitidos, tal como mostra a Figura 5.5 (não faz sentido incluir os seus valores nulos na computação da métrica POpWA, tal como indica a pré-condição na Tabela 4.7). Três dos restantes casos de estudo (BARTS, LASS e MSCS) não apresentam ligações entre operações e agentes. Portanto, restam-nos apenas dois casos de estudo, ES e LMS, onde apenas cerca de metade das operações se encontram associadas a agentes.