C06 Flashcards

(35 cards)

1
Q

Définir l’analyse de processus

A
  • Vérifie pertinence, complétude, complexité
  • Valide cycle de vie et ordonnancement
  • Basée sur données d’exécutions
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Identifier les éléments à détecter en analyse de processus

A
  • Éléments de trop
  • Éléments manquants
  • Complexité inadéquate
  • Ordonnancement incorrect
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Expliquer la notion d’éléments de trop

A
  • Activités/rôles/artéfacts inutiles
  • Alourdissent le processus
  • Piège : confondre redondance et contrôle
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Expliquer la notion d’éléments manquants

A
  • Activités/rôles/artéfacts absents
  • Génèrent risques de qualité
  • Indice : écarts répétés
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Décrire l’analyse qualitative

A
  • Basée sur jugements d’experts
  • Interprète observations contextuelles
  • Utile en contexte complexe
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Citer un exemple d’analyse qualitative

A
  • Jugement sur criticité d’un bogue
  • Pertinence d’une activité (revue)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Expliquer la codification qualitative

A
  • Transforme qualitatif → catégories
  • Facilite analyses statistiques
  • Perd détails (carte ≠ terrain)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Lister limites de la codification

A
  • Perte d’informations fines
  • Choix de catégories sensible
  • Piège : sur-simplification
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Décrire l’analyse quantitative

A
  • Données objectives, mesurables
  • Heures, LOC, bogues résolus
  • Nécessite métriques bien définies
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Définir une bonne approche de mesure

A
  • Choisir quoi/comment mesurer
  • Stocker correctement les données
  • Éliminer données obsolètes
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Identifier les bénéfices de l’analyse quantitative

A
  • Suivi précis
  • Comparaisons fiables
  • Prévisions possibles
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Comparer analyse qualitative vs quantitative

A
  • Qualitative : jugement, contexte
  • Quantitative : chiffres, objectivité
  • Choix dépend du problème
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Décrire le lien entre monde empirique et abstrait

A
  • Mesures relient terrain → modèles
  • Modèles exigent définitions opérationnelles
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Définir l’approche GQM

A
  • Goal → Question → Metric
  • Objectifs guident questions
  • Questions définissent mesures
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Expliquer utilité de GQM

A
  • Aligne mesures et objectifs
  • Réduit collecte inutile
  • Améliore interprétation
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Définir une échelle nominale

A
  • Classe catégories
  • Exclusives et exhaustives
  • Aucune comparaison possible
17
Q

Exemple d’échelle nominale

A
  • Numéros de chandail
  • Section de cours
  • Piège : ne pas inférer ordre
18
Q

Définir une échelle ordinale

A
  • Exprime un ordre
  • Asymétrie et transitivité
  • Pas d’information sur distances
19
Q

Exemple d’échelle ordinale

A
  • Classement d’adresses
  • Ordre d’importance
  • Piège : pas d’opérations arithmétiques
20
Q

Définir une échelle intervalle

A
  • Compare écarts exacts
  • Zéro arbitraire
  • Opérations + et - permises
21
Q

Exemple d’échelle intervalle

A
  • Température °C
  • Différences comparables
  • Piège : pas de proportions
22
Q

Définir une échelle ratio

A
  • Zéro absolu réel
  • Permet proportions
  • Plus puissante des échelles
23
Q

Exemple d’échelle ratio

A
  • Vitesse km/h
  • 20 km/h = 2× 10 km/h
  • Interprétation valide
24
Q

Définir corrélation

A
  • Relation statistique entre variables
  • Ne prouve pas causalité
  • Peut être coïncidence
25
Définir causalité
* Cause précède effet * Relation logique * Validation terrain nécessaire
26
Identifier pièges corrélation vs causalité
* Variables parasites * Causes communes * Coïncidences
27
Expliquer importance de valider une corrélation
* Vérifier lien réel * Éviter conclusions erronées * Observation terrain
28
Définir l’utilité des mesures (comprendre)
* Comprendre processus/produit * Identifier comportements * Supporter décisions
29
Définir l’utilité des mesures (évaluer)
* Analyser coûts/bénéfices * Vérifier atteinte d’objectifs * Comparer alternatives
30
Définir l’utilité des mesures (contrôler)
* Suivi de projet * Contrôle ressources/processus * Détection dérives
31
Définir l’utilité des mesures (prédire)
* Planification temps/risques * Estimations réalistes * Support prévisionnel
32
Définir l’utilité des mesures (améliorer)
* Identifier défauts * Repérer inefficiences * Ajuster processus
33
Comparer zéro arbitraire vs zéro absolu
* Arbitraire : intervalle, pas proportions * Absolu : ratio, proportions valides
34
Quand préférer échelle ratio ?
* Mesures physiques * Calculs proportionnels * Analyse fine
35
Quand préférer échelle nominale ?
• Catégoriser données • Groupements simples • Aucun ordre requis