Los modelos de crecimiento de confiabilidad de software (SRGMs) basados en el proceso de Poisson no homogéneo han desempeñado un papel significativo en predecir el número de errores restantes en el software, mejorando la confiabilidad del software. Los errores de software suelen atribuirse a los errores mentales de los desarrolladores de software, lo que requiere una detección y resolución oportuna. Sin embargo, se ha observado que el mecanismo de cometer errores humanos está influenciado por factores como el aprendizaje y la fatiga. En este artículo, abordamos el problema de integrar el factor de fatiga de los probadores de software en el proceso de aprendizaje durante la depuración, lo que lleva al desarrollo de SRGMs más realistas. El primer modelo representa el fenómeno de aprendizaje del probador de software utilizando la función hiperbólica tangente, mientras que el segundo modelo utiliza una función exponencial. Una función de decaimiento exponencial modela la fatiga. Investigamos el comportamiento de nuestros modelos propuestos comparándolos con SRGMs similares, incluidos dos modelos correspondientes en los que se elimina el factor de fatiga. A través del análisis, evaluamos la calidad de ajuste, el poder predictivo y la precisión de nuestros modelos. Los resultados experimentales demuestran que el modelo de aprendizaje hiperbólico tangente con fatiga supera a los existentes en cuanto a ajuste, poder predictivo o precisión. Al incorporar el factor de fatiga, los modelos proporcionan una representación más completa y realista de la confiabilidad del software.