2025/01/16 TIL

• 가설 증명(검증) 방법

  • 시각적 방법

  • 통계적 방법

  • 머신러닝·딥러닝 방법

  • 생산/제조 분야에서는 아래와 같은 뚜렷한 문제정의와 통계를 활용한 문제 해결이 가능합니다.

  • 두 집단의 비율(결함률) 비교: 이항자료 2표본 비율 검정, 카이제곱 검정

  • 두 집단(공정)의 분산 비교: F-test, Levene’s test

  • 평균이 특정 값과 다른지(한 집단): 일표본 t-검정

  • 3개 이상 집단의 평균 비교: 일원분산분석(One-way ANOVA)

  • 두 집단의 평균 비교(연속형, 독립 표본): 독립표본 t-검정

  • 근무 연차(연속 변수) vs 생산성: 상관분석, 회귀분석

    데이터분석에서 데이터를 정확히 분류하는 것은 매우 중요합니다.

• 예) 제품 불량 발생 횟수(이산형), 생산 라인별 불량률(연속형), 불량 원인 범주(범주형)

• 데이터 유형별로 적절한 통계 기법, 시각화 방법이 달라집니다.

아래는 품질분석에서 자주 접하는 데이터 유형입니다.

예를 들어, 제품 무게(연속형)라면 평균·표준편차로 관리하는 것이 일반적

하루 불량 발생 건수(이산형)의 경우, 포아송 분포 등을 고려할 수 있습니다.

• 수치형 데이터 예시
  • 시간대별 온도, 압력, 불량 건수 등
  • 기본 통계값(평균, 분산 등) 확인, 관리도(X-R, X-s 등)를 작성
• 범주형 데이터 예시
  • 불량 유형(“설비오류”, “작업자 미숙” 등)을 분류하고, 어떤 범주가 가장 큰 비중인지 파악
  • 파레토 차트(Pareto)로 80:20 법칙 확인

데이터 종류를 왜 분류해야 할까?

• 데이터의 생김새에 따라 (수치형, 범주형 등) 시각화·해석·적용 통계모델이 달라짐

• Python 등에서 라이브러리 함수를 적용할 때, 데이터 유형에 따른 함수를 구분해 써야 함

• 귀무가설(H0)

  • “현재 상황(기존 가정, 차이가 없다 등)이 맞다”는 가정
  • 통계검정에서 ‘특별한 변화나 차이가 없다’라는 내용을 담는 경우가 많습니다.
  • 예) “두 그룹의 평균은 차이가 없다”, “이 공정의 결함률은 5%이다” 등

• 대립가설(H1)

  • “귀무가설과는 반대되는 주장”
  • 즉, “새로운 변화나 차이가 존재한다” 또는 “기준값과 다르다”라는 내용을 포함합니다.
  • 예) “두 그룹의 평균은 차이가 있다”, “이 공정의 결함률은 5%가 아니다” 등

쉽게 말해,

• 귀무가설(H0)은 “변화 없다” (기존 상태 유지)
• 대립가설(H1)은 “변화(차이) 있다” (혹은 기존 값과 다르다)