지금까지의 초기하분포 소프트웨어 신뢰성 성장 모델(HGDM)에 대한 연구들은 디버깅을 할 때 새로운 결함이 생기지 않는다고 가정하고 있다. 그러나 테스트와 디버그 단계에서도 결함이 도입될 수 있으므로 이 완전 디버깅의 가정은 완화되어야 한다. 이러한 시도의 일환으로 Hou, Kuo와 Chang [7]은 불완전 디버깅 환경에서의 HGDM을 개발하였지만 학습 인자를 상수로 가정하였다. 본 논문에서는 불완전 디버깅 환경에서의 랜덤 반응 계수를 도입하고 변수 학습 인자를 허용하는 두 가지 측면에서 기존 HGDM을 수정하고 보완한다. 그리고 제안된 모델의 특징을 살펴보고 제안된 모델을 실제 자료에 적용해 본다.

The hyper-geometric distribution software reliability growth model (HGDM) usually assumes that all the software faults detected are perfectly removed without introducing new faults. However, since new faults can be introduced during the test-and-debug phase, the perfect debugging assumption should be relaxed. In this context, Hou, Kuo and Chang [7] developed a modified HGDM for imperfect debugging environment, assuming that the learning factor is constant. In this paper we extend the existing imperfect debugging HGDM for two respects introduction of random sensitivity factor and allowance of variable learning factor. Then the statistical characteristics of the suggested model are studied and its applications to two real data sets are demonstrated.