한 번 입력하고,
분석을 이어가세요.

ProcessStat은 중소기업 실무자와 학생이 일상적인 데이터 분석과 실험계획을 시작할 수 있는 웹 통계 작업실입니다. 목적을 고르고 숫자를 입력하면 결과와 그래프를 함께 보여줍니다. 자세한 방법과 설정은 필요할 때 펼쳐보세요. 기존 Mellow Tools와 ProcessLab도 계속 사용할 수 있습니다.

내 질문에는 어떤 기능을 쓸까요?

시작하기

1. 알고 싶은 질문을 선택합니다. 포장 중량·작업 방법·학습 시간 예제로 화면을 살펴보거나 빈 표에서 시작하세요. 예제는 모두 연습용 가상 데이터이며 선택하면 현재 표를 교체합니다. 되돌리기로 복구할 수 있습니다.
2. 열 이름을 정하고 숫자를 입력합니다. 표 붙여넣기는 탭·CSV·공백으로 구분한 표를 받습니다. 파일 업로드 없이도 사용할 수 있습니다. CSV는 소수점 마침표를 사용하세요.
3. 사용할 열과 규격·부분군 같은 조건을 지정합니다. 검정 방식과 신뢰수준은 추가 설정에서 바꿀 수 있습니다. 접혀 있을 때도 현재 적용값이 표시됩니다.
4. 결과 보기 또는 Ctrl/⌘+Enter를 누릅니다. 입력이 바뀌면 이전 결과는 다시 분석할 때까지 저장할 수 없습니다.
5. 작업 저장은 데이터와 설정을 JSON으로 보관합니다. 보고서 저장은 결과와 그래프·설정을 독립 HTML로 저장합니다. 보고서와 인쇄에는 접힌 상세 통계도 포함됩니다. 인쇄 메뉴에서는 PDF로 저장할 수 있습니다.

한 열은 한 그룹 또는 변수입니다. 같은 행은 대응 측정 쌍이나 같은 관측 시점을 뜻합니다. 최대 5,000행 · 20열, 회귀 설명 변수는 최대 8개입니다. 표는 30행씩 표시하지만 분석에는 전체 행을 사용합니다. 숫자는 절댓값 10¹² 이하까지 입력할 수 있습니다.

자주 만나는 용어

• 표준편차: 숫자가 평균 주변에 흩어진 정도입니다. 예를 들어 중량이 모두 100g 근처에 모이면 작고, 서로 크게 다르면 큽니다.
• 신뢰구간: 모집단 평균이나 평균 차이 추정의 불확실성을 나타냅니다. 평균의 95% 신뢰구간은 개별 제품 95%의 중량 범위와 다릅니다.
• p값: 차이가 없다는 가정 아래, 관측한 것만큼 또는 더 극단적인 결과가 나올 확률입니다. 차이가 실제로 있을 확률이나 결과가 맞을 확률은 아닙니다.
• 대응 비교: 같은 대상을 전후에 측정했을 때 사용합니다. 같은 사람·제품의 전후 값을 같은 행에 넣으세요. 서로 다른 두 그룹을 행 번호만으로 짝지으면 안 됩니다.
• 교호작용: 한 조건의 효과가 다른 조건에 따라 달라지는 현상입니다. 예를 들어 가열 시간에 따라 온도의 영향이 달라질 수 있습니다.
• 규격과 관리한계: 규격은 고객·설계에서 정한 허용 범위이고, 관리한계는 데이터에서 계산한 공정 변동의 기준입니다.

분석과 계산 기준

추가 분석의 계산 기준

표본 크기·검정력

1표본·대응·2표본 t는 정확한 비중심 t 분포, 일원 ANOVA는 비중심 F(포아송 가중 불완전 베타 급수, λ = k·n·f²), 비율은 연속성 수정 없는 정규근사(2표본은 합동 분산), 분산비는 중심 F로 검정력을 계산합니다. 양측·단측을 고르고 n·검정력·검출 가능한 차이 중 하나를 구합니다. 필요한 n은 목표 검정력에 이르는 가장 작은 정수이며 2표본은 그룹당 n입니다(n₂ = r·n₁). 1표본 비율은 n ≤ 2000이면 정확한 이항 검정력을 함께 보입니다. ANOVA 효과는 그룹 평균들의 표준편차(Cohen f = σ_m/σ) 또는 가장 큰 평균 차이(나머지는 가운데)로 입력합니다. 표준편차는 이전 데이터에서 보수적으로 잡으세요. 기준: R power.t.test·power.prop.test, pwr 패키지, Cohen (1988).

합격판정 샘플링

계수형 1회 샘플링 계획 (n, c)을 다룹니다. 합격 확률은 이항분포, 로트 크기 N이 주어지고 N < 10n이면 초기하분포, 선택 시 포아송으로 계산하며 OC 곡선, AOQ·AOQL, ATI, AQL에서의 생산자 위험과 LTPD에서의 소비자 위험을 보여줍니다. 계획 설계는 c = 0~50마다 LTPD에서 Pa ≤ β가 되는 최소 n(≤ 5000)을 찾고, 그중 AQL에서 Pa ≥ 1 − α를 만족하는 가장 작은 n을 고릅니다. AOQ와 ATI는 불합격 로트를 전수 선별하여 양품으로 교체한다는 가정이며 N이 없으면 AOQ = p·Pa 근사만 계산합니다. 초기하분포는 로트 불량 수를 N·p의 반올림으로 두므로 OC 곡선이 계단 모양입니다. 기준: Montgomery, Introduction to Statistical Quality Control, 15장.

속성 일치도 분석

합격/불합격이나 등급처럼 범주로 판정하는 측정 시스템을 평가합니다. 데이터는 샘플 번호, 측정자 번호, 시행 번호, 판정값(숫자 코드) 열과 선택적인 기준 판정 열로 구성하며, 모든 측정자가 모든 샘플을 같은 횟수로 판정한 균형 설계여야 합니다. 일치율은 한 샘플의 해당 판정이 모두 같은(또는 모두 기준과 같은) 샘플의 비율이며, 신뢰구간은 Clopper–Pearson 정확 이항 구간입니다. 측정자 내(반복 판정), 각 측정자 대 기준, 측정자 간, 전체 대 기준의 네 가지를 계산합니다. Fleiss κ = (P̄ − Pₑ)/(1 − Pₑ)로, P̄는 샘플별 판정 쌍의 관측 일치 비율, Pₑ = Σpⱼ²는 범주 비율에서 기대되는 우연 일치입니다. κ의 z 검정은 Fleiss(1971)의 H₀: κ = 0 표준오차를 쓰며, 기준 대비 κ는 샘플×시행마다 (판정, 기준)의 두 평가자로 계산합니다. 기준이 있으면 Cohen κ(판정×기준 교차표, Fleiss·Cohen·Everitt 1969의 표준오차)도 함께 보고합니다. 범주가 3개 이상인 순서형 등급에는 동점 보정한 Kendall 일치계수 W(χ² = m(n−1)W, df = n−1)와 기준 대비 Kendall τ-b를 추가합니다. 판정 기준은 AIAG MSA 4판을 따라 κ 0.75 이상 양호, 0.40~0.75 조건부, 0.40 미만 부적합이며 일치율은 90% 이상 양호, 80~90% 조건부입니다. 불일치 표는 반복 판정이 서로 다른 혼합 건수와 기준→판정 방향별 건수를 측정자마다 보여 줍니다. 참고: AIAG MSA Reference Manual 4th ed. ch. III-C; Fleiss, J. L. (1971) Psychological Bulletin 76, 378–382; Cohen, J. (1960).

동등성 검정 · TOST

두 평균(또는 평균과 목표값)의 차이가 미리 정한 동등성 한계 안에 있음을 보이는 검정입니다. 고전적 t검정의 큰 p값은 “차이가 없다”의 근거가 아니므로, 같음을 주장하려면 이 검정을 씁니다. 동등성 한계 Δ(또는 비대칭 하한·상한)는 데이터가 아니라 공정·고객 요구에서 분석 전에 정합니다. Schuirmann(1987)의 두 단측 검정(TOST)은 H₀₁: 차이 ≤ 하한과 H₀₂: 차이 ≥ 상한을 각각 유의수준 α의 단측 t검정으로 기각하며, t₁ = (d − 하한)/SE, t₂ = (d − 상한)/SE이고 TOST p값은 두 p값 중 큰 값입니다. 두 검정이 모두 기각되는 것은 차이의 (1 − 2α) 신뢰구간(α = 0.05이면 90%)이 한계 안에 완전히 들어오는 것과 같습니다. 2표본은 Welch(기본) 또는 Student 합동 분산의 표준오차와 자유도를, 대응 비교는 쌍의 차이에 대한 1표본 검정을, 1표본은 목표값과의 차이를 씁니다. 요약값(n, 평균, 표준편차)만으로도 계산할 수 있습니다. 동등성을 보일 수 없다는 결과는 차이가 크다는 뜻이 아니며, 표본이 적어 구간이 넓은 경우가 많습니다. 참고로 실제 차이가 0일 때 검정력 80%로 동등성을 보이는 데 필요한 그룹당 표본 수를 정규 근사 n ≈ 2(z₁₋α + z₁₋β/₂)²σ²/Δ²(1표본·대응은 2를 뺀 식)로 보고합니다. 참고: Schuirmann, D. J. (1987) J. Pharmacokinetics and Biopharmaceutics 15, 657–680; Westlake (1976).

비율·분할표

1개 비율은 정확 이항검정으로 p값을 구합니다. 양측 p값은 관측값보다 확률이 작거나 같은 모든 결과를 더하는 최소우도 방식(R binom.test)이며, 단측 합의 2배도 함께 표시합니다. 신뢰구간은 Wilson 점수구간을 기본으로 하고 Clopper–Pearson 정확구간을 같이 보여주며, 정규근사 z는 참고용입니다. 2개 비율은 합동 비율 z 검정(연속성 보정 없음)과 Fisher 정확검정을 함께 계산하고, 비율 차이의 구간은 Newcombe 점수법(방법 10), 상대위험과 오즈비의 구간은 로그 척도 Wald 방식입니다. 0인 칸이 있으면 상대위험·오즈비에 모든 칸에 0.5를 더합니다. 분할표는 Pearson 카이제곱 독립성 검정으로 χ², 자유도, p값, Cramér V, 기대 도수, 표준화 잔차를 구하며 2×2에서는 Yates 보정과 Fisher 정확검정 p값을 추가합니다. 기대 도수가 5 미만인 칸이 있으면 경고하며, 그때는 Fisher 정확검정이나 범주 합치기를 권합니다. 적합도 검정은 관측 도수를 기대 비율(또는 균등)로 환산한 기대 도수와 비교하는 카이제곱 검정입니다. 참고: Newcombe (1998) Stat Med 17:857–872; Agresti, Categorical Data Analysis; R binom.test / prop.test / fisher.test / chisq.test.

비모수 비교

정규분포를 가정하지 않고 값의 순위로 비교합니다. Mann–Whitney(Wilcoxon 순위합)는 두 독립 그룹의 U·W를 계산하고, 동점이 없고 각 그룹이 20개 이하이면 U 분포를 모두 세어 정확 p값을, 그렇지 않으면 동점·연속성 보정을 적용한 정규근사 p값을 보여줍니다. 위치 차이는 모든 쌍 차이의 중앙값인 Hodges–Lehmann 추정이며, 구간은 정확한 경우 순서통계량(달성 신뢰수준 표시), 근사인 경우 Hollander–Wolfe 대표본 지수로 구합니다. Wilcoxon 부호순위는 같은 행의 전후 차이에서 0을 제외하고 양의 순위합 V를 쓰며, 동점·0이 없고 25쌍 이하이면 정확 p값, 아니면 정규근사입니다. 추정값은 Walsh 평균의 중앙값(유사중앙값)입니다. 부호 검정은 차이의 방향만 세는 정확 이항검정이고, 한 그룹과 기준 중앙값의 비교에도 쓸 수 있습니다. Kruskal–Wallis는 동점 보정한 H를 카이제곱으로 근사하며 효과크기 ε² = H/(N−1)과 Dunn 쌍별 z 검정(Holm 보정)을 제공합니다. Mood 중앙값 검정은 전체 중앙값보다 큰 값의 수를 그룹별 분할표로 만들어 카이제곱으로 비교합니다. 참고: Hollander, Wolfe & Chicken, Nonparametric Statistical Methods; Dunn (1964) Technometrics 6:241–252; R wilcox.test / kruskal.test, scipy.stats.

두 요인 분산분석

결과 Y를 두 요인 A, B와 그 교호작용 A×B로 설명하는 고정효과 모형 Y = μ + αᵢ + βⱼ + (αβ)ᵢⱼ + ε을 효과 코딩(합이 0인 제약)으로 최소제곱 적합합니다. 같은 (A, B) 조합의 행은 반복 측정으로 보며, 조합마다 관측이 1개뿐이면 교호작용을 뺀 가법 모형을 사용합니다. 제곱합은 기본적으로 제II종을 보고합니다: 각 주효과는 다른 주효과를 보정한 뒤의 감소량이고, 교호작용은 두 주효과를 보정한 뒤의 감소량입니다. 제III종은 효과 코딩에서 교호작용까지 보정한 값이며, 균형 자료에서는 두 종류가 같습니다. F = 평균제곱 / 오차 평균제곱이고 p값은 F 분포에서 계산하며, 부분 η² = SS효과 / (SS효과 + SS오차)입니다. 각 요인의 수준 간 사후 비교는 Tukey HSD로, 두 요인 모형의 오차 평균제곱과 자유도를 사용하고 스튜던트화 범위 분포(AS 190 수치적분)로 보정 p값과 동시 신뢰구간을 구합니다. 수준 크기가 다르면 Tukey–Kramer 방식(쌍별 조화평균 n)을 적용합니다. 가정은 오차의 독립성·정규성·등분산이며, 잔차 그래프와 조합별 Brown–Forsythe 검정으로 확인합니다. 참고: Montgomery, Design and Analysis of Experiments; Copenhaver & Holland (1988) J. Stat. Comput. Simul.; R anova/TukeyHSD, statsmodels anova_lm.

측정시스템 분석 · Gage R&R

부품 p개를 측정자 o명이 각각 r회 반복 측정한 완전 교차 설계에서 측정 시스템의 변동을 추정합니다. 기본 방법은 이원 변량효과 분산분석(Y = 부품 + 측정자 + 부품×측정자)이며, 분산 성분은 반복성 = MSE, 부품×측정자 = (MS_po − MSE)/r, 측정자 = (MS_o − MS_po)/(p·r), 부품 = (MS_p − MS_po)/(o·r)로 계산하고 음수는 0으로 둡니다. 상호작용의 p값이 기준(기본 0.25)보다 크면 AIAG 규칙에 따라 상호작용을 반복성에 통합한 모형을 사용합니다. X̄-R 방법은 반복성 EV = R̄/d₂*, 재현성 AV = √((X̄_diff/d₂*)² − EV²/(p·r)), 부품 변동 PV = R_p/d₂*로 계산하며 d₂*는 AIAG 부록 C의 값(부분군 수 15 초과는 d₂)을 사용합니다. Gage R&R = 반복성 + 재현성(측정자 + 부품×측정자), 전체 변동 = GRR + 부품 변동입니다. 연구 변동은 6σ이며, %연구 변동 = σ/σ_전체, %공차 = 6σ/공차, %공정 = σ/σ_공정으로 표시합니다. 구별 범주 수 ndc = 1.41 × σ_부품/σ_GRR(소수점 버림, 1 미만은 1)입니다. 판정 기준은 %GRR 10% 미만 양호, 10~30% 용도·비용에 따라 조건부 허용, 30% 초과 부적합이며 ndc는 5 이상이어야 합니다. R 관리도에서 관리한계를 벗어난 범위는 해당 측정값의 재측정 검토 대상입니다. 기준: AIAG, Measurement Systems Analysis Reference Manual, 4th ed. (2010), Chapter III.

신뢰성·수명 데이터 분석

고장 시간과 고장 여부(1 = 고장, 0 = 우측 중도절단)를 사용해 와이블(2모수)·로그정규·지수·정규 분포를 최대우도법(MLE)으로 적합합니다. 중도절단된 시료는 “그 시점까지 고장 나지 않았다”는 정보만 우도에 반영하므로, 아직 고장 나지 않은 시료를 1로 입력하면 수명이 짧게 추정됩니다. 모수의 표준오차는 관측 정보행렬(로그우도의 2차 미분)에서 구하고, 양수 모수의 신뢰구간은 로그 척도에서 계산합니다. B10 수명(전체의 10%가 고장 나는 시점) 등 백분위 수명, MTTF, R(t)의 신뢰구간은 델타법으로 구합니다. 확률도의 점은 Johnson 보정 순위에 Benard 중앙순위 근사 (i − 0.3)/(n + 0.4)를 적용한 것이며, 직선은 순위 회귀가 아니라 MLE 적합선입니다. 분포 선택 표의 AIC는 작을수록 좋고 차이가 2 미만이면 구별이 어려우므로 고장 메커니즘에 맞는 분포를 우선하세요. Anderson–Darling 통계량은 고장 시간만으로 계산한 근사값으로 중도절단 보정과 p값을 제공하지 않습니다. Kaplan–Meier 생존 확률은 분포 가정 없이 S(t) = Π(1 − d/n)로 구하고 Greenwood 분산으로 신뢰구간을 만듭니다. 그룹 열을 지정하면 로그순위(Mantel–Cox) 검정(카이제곱, 자유도 = 그룹 수 − 1)과 그룹별 분포 적합을 함께 보여줍니다. 참고: Meeker & Escobar, Statistical Methods for Reliability Data (1998); Abernethy, The New Weibull Handbook.

일반 회귀 · 범주형 요인과 교호작용

연속형 X는 그대로, 범주형 X(코드 1, 2, 3 …)는 더미(처리) 코딩으로 넣습니다. 가장 작은 코드가 기준 수준이 되고, 다른 수준의 계수는 기준 수준과의 평균 차이입니다. 제곱항 X², 2요인 교호작용 X_A×X_B(범주형×연속형 포함)을 선택할 수 있습니다. 계수는 Householder QR 최소제곱으로 추정하고 표준오차·t·p값·신뢰구간은 잔차 자유도의 t 분포를 씁니다. 항별 분산분석은 Type II 제곱합입니다: 어떤 항의 제곱합은 그 항을 포함하는 상위 항(제곱항·교호작용)을 뺀 나머지 항들을 모두 넣은 모형에 그 항을 추가했을 때 줄어드는 잔차 제곱합이며, 범주형 항은 수준 수−1의 자유도를 가집니다. 단계적 선택(후진 제거)은 p값이 기준 α보다 큰 항 중 가장 큰 것부터 하나씩 제거하되, 교호작용이나 제곱항이 남아 있는 동안 그 안의 주효과는 계층 원칙에 따라 유지합니다. 예측 R²는 PRESS(잔차/(1−지렛값) 제곱합)로, VIF는 1/(1−R²_j)로, Cook's D는 표준화 잔차와 지렛값으로 계산하며 4/n을 넘는 행을 영향점으로 표시합니다. Y가 비어 있고 X가 채워진 행은 예측용 행으로 보고 평균의 신뢰구간과 새 관측 한 개의 예측구간을 함께 보여줍니다. 참고: Montgomery, Peck & Vining, Introduction to Linear Regression Analysis; Belsley, Kuh & Welsch (1980).

다중 반응 최적화 · 만족도 함수

반응 Y마다 선택한 모형(주효과, 교호작용, 2차)을 일반 회귀와 같은 방법으로 적합합니다. 각 예측값은 Derringer–Suich 만족도 d(0~1)로 바꿉니다: 최대화는 하한 L 이하 0, 상한 T 이상 1, 사이에서 ((y−L)/(T−L))^w; 최소화는 그 반대; 목표값은 하한·상한 밖 0, 목표에서 1, 양쪽에서 거듭제곱 직선; 범위는 안이면 1, 밖이면 0입니다. 가중치 w=1이면 직선, w>1이면 목표 근처에서만 만족도가 높아집니다. 전체 만족도는 중요도 r_i를 지수로 한 기하평균 D=(Π d_i^r_i)^1/Σr_i이므로 한 반응이라도 0이면 D도 0입니다. 최적 조건은 데이터의 최소~최대 범위 안에서 격자 탐색 후 좌표별 미세 조정으로 찾으며, 경계에 닿으면 범위 밖이 더 좋을 수 있음을 알립니다. 만족도 지도는 두 조건을 바꾸고 나머지를 최적값에 고정했을 때의 D입니다. 참고: Derringer & Suich (1980), J. Quality Technology 12, 214–219; Montgomery, Design and Analysis of Experiments, 11.3.

비정규 공정능력 · Box–Cox 변환과 분포 적합

데이터가 치우쳐 정규성 검정을 통과하지 못하면 Box–Cox 변환(y = (x^λ − 1)/λ, λ = 0이면 log)으로 정규에 가깝게 만든 뒤 규격한계도 같은 λ로 변환해 Cp·Cpk를 계산합니다(Box & Cox 1964). λ는 프로파일 우도가 최대가 되는 값이며 보통 0.5 단위로 반올림해 사용하고, 신뢰구간에 1이 포함되면 변환이 꼭 필요하지 않다는 뜻입니다. 대안으로 Weibull·로그정규 등 분포를 직접 적합해 0.135%·50%·99.865% 분위수로 Pp = (USL − LSL)/(X_99.865 − X_0.135), Ppk = min((USL − X₅₀)/(X_99.865 − X₅₀), (X₅₀ − LSL)/(X₅₀ − X_0.135))을 쓰는 백분위법(ISO 21747, AIAG SPC 매뉴얼)이 있으며 Anderson–Darling A²가 가장 작은 분포를 고릅니다. 두 방법 모두 공정이 안정(관리 상태)일 때만 의미가 있고, 예상 PPM은 적합 분포의 꼬리에 크게 좌우되므로 표본이 적을수록 신중히 해석하세요.

공차구간(허용구간)

신뢰구간이 평균의 위치를 말한다면 공차구간은 “신뢰수준 γ로 모집단의 P 이상이 이 범위에 들어간다”는 개별 값의 범위입니다. 정규 가정에서는 x̄ ± k·s이며 양측 k는 Howe(1969)의 근사식, 단측 k는 비중심 t분포로 정확히 계산합니다(n = 20, P = 99%, γ = 95%이면 k ≈ 3.62/3.30). 분포를 가정하기 어려우면 최소·최대 등 순서통계량을 쓰는 Wilks의 비모수 구간을 쓰되, 요구한 신뢰수준을 실제로 달성하려면 큰 표본(예: 95/95에 93개, 99/95에 473개)이 필요합니다. 규격한계와 비교해 공차구간이 안에 들어오면 개별 제품이 규격을 만족한다는 통계적 근거가 됩니다.

EWMA · CUSUM 관리도

Shewhart 개별값 관리도는 큰 이동에 민감하지만 0.5~1.5σ의 작은 지속적 이동은 늦게 잡아내므로, 과거 값을 누적하는 EWMA(z_i = λx_i + (1 − λ)z_i−1, 보통 λ = 0.1~0.3, L ≈ 2.7~3)와 누적합 CUSUM(C⁺/C⁻, k = 0.5, h = 4~5)을 씁니다(Montgomery, Introduction to Statistical Quality Control, 9장). EWMA 한계는 초반에 좁았다가 μ ± Lσ√(λ/(2 − λ))로 수렴하고, CUSUM은 C⁺ 또는 C⁻가 H = hσ를 넘는 시점이 이상 신호이며 FIR(h/2 출발)로 초기 탐지를 빠르게 할 수 있습니다. σ는 기준 구간의 이동범위 평균/1.128로 추정하므로 기준 구간이 안정 상태여야 하고, 목표값이 있으면 중심선을 목표값으로 지정하세요. 작은 이동 탐지에 좋은 대신 큰 급변에는 Shewhart 관리도가 빠르므로 둘을 함께 보는 것이 좋습니다.

VIF · Durbin–Watson · 예측구간 · 영향점

VIF = 1/(1 − R²_j)는 설명변수 j가 다른 설명변수로 얼마나 설명되는지를 나타내며 5~10을 넘으면 다중공선성으로 계수 추정이 불안정하니 변수를 빼거나 합치는 것을 고려합니다(Belsley, Kuh & Welsch 1980). Durbin–Watson은 잔차의 1차 자기상관 지표로 2 근처가 정상, 1.5 미만이면 양의 자기상관(시간 순서 데이터에서 흔함)을 의심합니다. 새 x에서의 예측에는 평균 반응의 신뢰구간(ŷ ± t·s√h₀)과 개별 관측의 예측구간(ŷ ± t·s√(1 + h₀))이 있으며 후자가 항상 넓고 자료 범위 밖 외삽에서는 급격히 커집니다. 영향력 표의 레버리지(> 2p/n), 표준화잔차(|r| > 2), Cook's D(> 4/n)는 결과를 좌우하는 관측치를 가려내는 기준이지 자동 제거 기준이 아닙니다.

공통 가정

관측의 독립성, 표본 수집 방법과 측정 신뢰성은 데이터만으로 자동 보증할 수 없습니다. t검정·고전 ANOVA의 정규 오차 가정, 회귀의 선형성·독립성·등분산성, 공정능력의 안정성·정규성은 사용자가 확인해야 합니다. 결과는 p값뿐 아니라 차이의 크기·신뢰구간·공정상 허용차를 함께 판단하도록 구성했습니다.

데이터 보관

측정 데이터는 이 페이지에서 서버로 전송하지 않습니다. 계산은 브라우저 안에서 수행하고, 작업은 현재 브라우저의 로컬 저장소에 자동 저장됩니다. 저장소 차단·용량 부족 시 화면에 안내합니다. 브라우저 데이터를 삭제하면 자동 저장본도 사라질 수 있으므로 장기 보관할 작업은 JSON으로 저장하세요. 보고서는 저장 시점의 고정 결과이며, 측정값 복원은 JSON 작업 파일을 사용합니다.

검증과 참고 자료

검정과 회귀는 아래 기준 자료 및 해석적으로 계산할 수 있는 예제로 대조합니다. 입력 결측 처리, 상수·선형 종속, 부분군·불량품 수 검증도 자동 검사합니다. 전 기능이 상용 통계 프로그램과 인증된 동등성을 갖는다는 의미는 아닙니다.

• NIST — 2표본 t검정과 인증 예제
• NIST StRD — Pontius 회귀 기준 데이터
• NIST — 공정능력 지수
• NIST — 계량형 관리도

기존 Mellow Tools의 통계·그래프·관리도 계산 코드를 이 서비스 전용 사본으로 사용하고, 공통 데이터 연결·요약값 검정·Holm 보정·다중회귀와 보고서 기능을 추가했습니다. DOE 실험계획표 생성기에서는 부분요인·PB·직교배열·CCD·Box–Behnken·완전요인을 비교하고 실행표를 만들 수 있습니다. DOE 반응 분석·Gage R&R·신뢰성 분석은 현재 범위에 포함되지 않습니다.

통계 작업실 시작 →