TIL

[통계] 상관계수

차햐 — Tue, 27 Oct 2026 20:01:04 +0900

1. 상관계수란?

쉬운 말로

"A가 커질 때 B도 커지나? 작아지나? 아니면 상관없나?"를 숫자 하나로 표현한 것이다.

정확한 정의

두 변수 사이 선형 관계의 방향과 강도를 나타내는 지표
가장 많이 쓰는 것은 피어슨 상관계수(Pearson's r) 이다.

2. 값의 범위와 의미

상관계수 r은 항상 -1 이상 1 이하이다.

 -1 ←──────────── 0 ────────────→ +1
완벽한 음의 관계   관계 없음   완벽한 양의 관계

r 값	방향	의미	예시
+1에 가까움	양(+)의 상관	X가 커지면 Y도 커짐	식각 시간 ↑ → 식각 깊이 ↑
0에 가까움	상관 없음	직선 관계가 거의 없음	측정 순번 ↔ 두께
-1에 가까움	음(−)의 상관	X가 커지면 Y는 작아짐	식각 시간 ↑ → 남은 막 두께 ↓

부호(+/−)는 방향, 절댓값 크기는 강도를 뜻한다.

3. 강도 해석 기준

\|r\|	해석 (일반적인 기준)
0.0 ~ 0.2	거의 없음
0.2 ~ 0.4	약한 상관
0.4 ~ 0.6	보통 상관
0.6 ~ 0.8	강한 상관
0.8 ~ 1.0	매우 강한 상관

⚠️ 이 기준은 분야나 교재마다 조금씩 다른 대략적인 기준이다. 절대적인 규칙이 아니다.

4. 어떻게 계산하나?

공식

r = X와 Y의 공분산 / (X의 표준편차 × Y의 표준편차)

쉽게 풀면

구성 요소	의미
공분산	X와 Y가 같은 방향으로 움직이는 정도 (단위에 따라 크기가 달라짐)
표준편차로 나누기	단위를 없애서 -1 ~ 1로 맞춰 주는 과정

그래서 상관계수는 단위와 상관없이 비교할 수 있다.
(두께를 nm로 재든 μm로 재든 r 값은 같다)

5. 피어슨 vs 스피어만

구분	피어슨 (Pearson)	스피어만 (Spearman)
보는 관계	직선(선형) 관계	순위(단조) 관계
사용 데이터	연속형 수치 데이터	순위 데이터, 곡선 관계
이상치 영향	크게 받음	상대적으로 덜 받음
언제 쓰나	기본값, 산점도가 직선 모양일 때	이상치가 많거나, 꾸준히 증가하지만 직선은 아닐 때

단조 관계: 한쪽이 커지면 다른 쪽도 계속 커지는 (또는 계속 작아지는) 관계. 직선일 필요는 없다.

6. 상관계수 주의사항

주의점	설명
① 상관 ≠ 인과	같이 움직인다고 해서 한쪽이 원인이라는 뜻은 아님. 제3의 변수가 둘 다에 영향을 줄 수 있음
② 직선 관계만 측정	U자 곡선처럼 관계가 뚜렷해도 r ≈ 0이 나올 수 있음
③ 이상치에 민감	극단값 1~2개로 r이 크게 바뀔 수 있음
④ 산점도 먼저 확인	같은 r 값이라도 실제 데이터 모양은 완전히 다를 수 있음 (앤스컴 콰르텟이 대표 예시)
⑤ 표본 수 확인	데이터가 적으면 우연히 높은 r이 나올 수 있음 → p-value도 같이 확인

①번 예시

여름에 아이스크림 판매량과 물놀이 사고가 같이 늘어난다.
→ 아이스크림이 사고의 원인이 아니라 기온이라는 제3의 변수 때문이다.

7. 상관계수 vs 결정계수(R²)

회귀분석과 연결되는 부분이다.

구분	상관계수 r	결정계수 R²
범위	-1 ~ 1	0 ~ 1
의미	관계의 방향 + 강도	모델이 Y의 변동을 설명하는 비율
관계	—	단순선형회귀에서는 R² = r²

예시: r = 0.9 → R² = 0.81 → "X가 Y 변동의 약 81%를 설명"

8. Python으로 해보기

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats

# 가상 예시 데이터
df = pd.DataFrame({
    'etch_time':     [10, 12, 15, 18, 20, 22, 25, 28, 30],
    'etch_depth':    [172, 195, 228, 265, 290, 310, 352, 385, 410],
    'remain_oxide':  [830, 806, 772, 738, 712, 690, 650, 618, 590]
})

# 1) 산점도로 모양 먼저 확인
plt.scatter(df['etch_time'], df['etch_depth'])
plt.xlabel('Etch Time (s)')
plt.ylabel('Etch Depth (nm)')
plt.show()

# 2) 상관계수 행렬
print(df.corr())                      # 기본값: 피어슨
print(df.corr(method='spearman'))     # 스피어만

# 3) 상관계수 + p-value 같이 보기
r, p = stats.pearsonr(df['etch_time'], df['etch_depth'])
print(f'r = {r:.3f}, p-value = {p:.4f}')

# 4) 히트맵으로 한눈에 보기
sns.heatmap(df.corr(), annot=True, cmap='coolwarm', vmin=-1, vmax=1)
plt.show()

코드 포인트

코드	역할
`df.corr()`	모든 수치형 컬럼 쌍의 상관계수를 표로 계산
`method='spearman'`	스피어만 상관계수로 계산
`stats.pearsonr()`	두 변수의 r과 p-value를 함께 반환
`sns.heatmap()`	상관계수 행렬을 색으로 시각화 (`annot=True`는 숫자 표시)

9. QA/QC 실무에서는 어떻게 쓰일까?

활용	예시
영향 변수 1차 선별	수십 개 공정 변수 중 불량률과 상관이 높은 변수부터 확인
측정 항목 간 관계 파악	식각 전 두께와 식각 깊이가 연관되는지 확인
중복 측정 항목 찾기	서로 상관이 매우 높은 항목은 정보가 겹칠 수 있음
회귀분석 전 사전 점검	다중회귀에서 X끼리 상관이 높으면 다중공선성 의심
원인 분석의 출발점	상관이 높은 변수를 원인 후보로 두고 추가 검증

실무에서 상관계수는 "답"이 아니라 "어디를 더 볼지 알려 주는 단서" 로 쓰는 것이 맞다.

✅ 핵심 정리

항목	한 줄 정리
상관계수 r	두 변수가 함께 움직이는 방향과 강도 (-1 ~ 1)
부호	+면 같은 방향, −면 반대 방향
크기	절댓값이 1에 가까울수록 강한 관계
피어슨	직선 관계, 이상치에 민감
스피어만	순위 관계, 이상치에 덜 민감
r vs R²	단순선형회귀에서 R² = r²
주의	상관 ≠ 인과, 산점도 먼저, p-value 확인

머리에 쥐날거같음이

[통계] 회귀

차햐 — Tue, 27 Oct 2026 19:56:25 +0900

1. 회귀분석이란?

쉬운 말로

데이터 점들 사이에 가장 잘 맞는 선 하나를 긋는 것이다.
선을 그어 두면 새로운 X 값이 들어왔을 때 Y를 예측할 수 있다.

정확한 정의

하나 이상의 독립변수(X) 가 종속변수(Y) 에 미치는 영향을 수학적 모델(회귀식)로 추정하는 통계 기법

용어	다른 이름	의미	예시 (식각 공정)
독립변수 (X)	설명변수, 입력변수	원인 쪽 변수, 내가 조절하거나 관찰하는 값	식각 시간
종속변수 (Y)	반응변수, 결과변수	결과 쪽 변수, 예측하고 싶은 값	식각 깊이

2. 상관분석 vs 회귀분석

구분	상관분석	회귀분석
질문	두 변수가 같이 움직이는가?	X가 1 늘면 Y는 얼마나 변하는가?
결과	상관계수 r (-1 ~ 1)	회귀식 (Y = a + bX)
방향성	X, Y 구분 없음	X → Y 방향이 있음
예측	불가능	가능

정리: 상관분석은 "관계가 있나?"를 확인하고, 회귀분석은 "그 관계를 식으로 만들어 예측"한다.

3. 단순선형회귀 (가장 기본)

X가 1개인 회귀분석이다.

회귀식

Y = β₀ + β₁X + ε

기호	이름	의미
β₀	절편 (Intercept)	X가 0일 때 Y의 값
β₁	기울기 (Slope, 회귀계수)	X가 1 증가할 때 Y의 변화량 ⭐
ε	오차 (Error)	식으로 설명하지 못하는 나머지

예시로 이해하기

식각 깊이 = 50 + 12 × 식각 시간

→ 식각 시간이 1초 늘어나면 식각 깊이가 평균적으로 12nm 깊어진다고 해석한다.
(숫자는 이해를 위한 가상 예시)

4. 선은 어떻게 긋나? → 최소제곱법

쉬운 말로

실제 점과 선 사이의 거리(오차)가 가장 작아지도록 선을 긋는다.

정확한 개념

잔차(Residual) = 실제값 − 예측값
잔차를 그냥 더하면 +와 −가 상쇄되므로 제곱해서 더한 값이 최소가 되는 선을 찾는다.
이것을 최소제곱법(OLS, Ordinary Least Squares) 이라고 한다.

잔차 = 실제 Y − 예측 Y
목표: Σ(잔차²) 를 최소로!

5. 회귀 결과 확인할 것

지표	의미	해석 기준
회귀계수 (coef)	X가 1 늘 때 Y의 변화량	+면 비례, −면 반비례
p-value	그 계수가 우연히 나왔을 가능성	보통 0.05 미만이면 통계적으로 유의
R² (결정계수)	모델이 Y의 변동을 얼마나 설명하는가	0~1, 1에 가까울수록 설명력 높음
잔차 (Residual)	모델이 못 맞춘 부분	패턴 없이 고르게 흩어져야 좋은 모델

R² 예시 해석

R² = 0.80 → "식각 시간이 식각 깊이 변동의 약 80%를 설명한다"

⚠️ R²가 높다고 무조건 좋은 모델은 아니다. 잔차 그래프도 함께 확인해야 한다.

6. 다중회귀 (X가 여러 개)

실제 공정에서는 결과에 영향을 주는 요인이 하나가 아니다.

Y = β₀ + β₁X₁ + β₂X₂ + β₃X₃ + ... + ε

예시: 식각 깊이 = f(식각 시간, 가스 유량, 챔버 압력, RF 파워)

추가로 볼 것	이유
수정된 R² (Adjusted R²)	변수를 많이 넣기만 해도 R²는 올라가므로, 변수 개수를 보정한 값을 본다
다중공선성	X끼리 서로 강하게 연관되면 계수 해석이 불안정해진다 (VIF로 확인)

7. 회귀분석 주의사항

주의점	설명
① 회귀 ≠ 인과관계	관계가 있다는 것이지, X가 Y의 원인이라고 확정하는 것은 아님
② 범위 밖 예측 금지 (외삽)	식각 시간 10~30초 데이터로 만든 식으로 100초를 예측하면 안 됨
③ 이상치에 민감	극단값 몇 개가 선의 기울기를 크게 바꿀 수 있음
④ 직선 관계 가정	실제 관계가 곡선이면 선형회귀는 맞지 않음 → 산점도 먼저 확인
⑤ 잔차 확인 필수	잔차에 패턴이 보이면 모델이 뭔가 놓치고 있다는 신호

8. Python으로 해보기

import pandas as pd
import statsmodels.formula.api as smf
import matplotlib.pyplot as plt

# 가상 예시 데이터: 식각 시간(초) vs 식각 깊이(nm)
df = pd.DataFrame({
    'etch_time':  [10, 12, 15, 18, 20, 22, 25, 28, 30],
    'etch_depth': [172, 195, 228, 265, 290, 310, 352, 385, 410]
})

# 1) 산점도로 관계 먼저 확인
plt.scatter(df['etch_time'], df['etch_depth'])
plt.xlabel('Etch Time (s)')
plt.ylabel('Etch Depth (nm)')
plt.show()

# 2) 회귀분석 실행 (Y ~ X 형태로 작성)
model = smf.ols('etch_depth ~ etch_time', data=df).fit()

# 3) 결과 요약
print(model.summary())

`summary()`에서 볼 곳

coef 열의 etch_time → 기울기 (1초당 깊이 변화량)
coef 열의 Intercept → 절편
P>|t| → p-value
상단의 R-squared → 결정계수

예측하기

new = pd.DataFrame({'etch_time': [24]})
print(model.predict(new))   # 식각 시간 24초일 때 예상 깊이

9. QA/QC 실무에서는 어떻게 쓰일까?

활용	예시
공정 조건 → 결과 예측	식각 시간·압력으로 식각 깊이 예측
영향 요인 파악	여러 공정 변수 중 두께 편차에 영향이 큰 변수 찾기
목표값 역산	목표 깊이를 맞추려면 시간을 얼마로 설정해야 하나?
이상 탐지	예측값과 실제값 차이(잔차)가 유독 큰 웨이퍼 찾기
장비 드리프트 확인	시간(가동일수)에 따라 측정값이 서서히 변하는 추세 확인

✅ 핵심 정리

항목	한 줄 정리
회귀분석	X와 Y의 관계를 식으로 나타내 예측하는 방법
기울기 β₁	X가 1 늘 때 Y가 얼마나 변하는지
최소제곱법	잔차 제곱합이 최소가 되도록 선을 긋는 방법
p-value	0.05 미만이면 통계적으로 유의
R²	모델의 설명력 (0~1)
다중회귀	X가 여러 개일 때, 수정된 R²·다중공선성 확인
주의	회귀 ≠ 인과, 범위 밖 예측 금지, 잔차 꼭 확인

[통계] A/B 테스트 공부

차햐 — Tue, 27 Oct 2026 15:16:40 +0900

1. 핵심 내용

✔️ A/B 테스트란?

사용자를 무작위로 두 그룹으로 나눈 뒤 비교하는 실험이다.

그룹	보는 버전	역할
A (대조군)	기존 버전	비교의 기준
B (실험군)	새로 바꾼 버전	효과를 확인할 대상

✔️ 왜 '무작위'가 중요할까?

무작위로 나누면 날씨, 요일, 사용자 성향 같은 조건이 두 그룹에 고르게 섞인다.
그래서 결과에 차이가 나면 "바꾼 요소 때문"이라고 말할 수 있다.

포인트
일반 데이터 분석은 "같이 움직인다(상관관계)"까지만 알려준다.
A/B 테스트는 "이것 때문에 바뀌었다(인과관계)"까지 확인할 수 있다.

2. 주요 포인트 7가지

1️⃣ 무작위 배정이 핵심

사용자가 스스로 그룹을 고르면 안 된다.

❌ "배너를 클릭한 사람 vs 안 한 사람" → 원래 관심 많은 사람이 섞여 결과를 믿을 수 없다
✅ "배너를 보여준 그룹 vs 안 보여준 그룹"으로 무작위로 나눈다

2️⃣ 가설과 지표를 먼저 정하기

가설: "무엇을 바꾸면 어떤 지표가 얼마나 오를 것이다"
핵심 지표 1개: 성공 여부를 판단하는 기준
가드레일 지표: 핵심 지표가 올라도 나빠지면 안 되는 지표

3️⃣ 표본 크기와 기간은 미리 계산하기

작은 차이를 잡으려면 생각보다 훨씬 많은 인원이 필요하다
요일마다 사용 패턴이 다르므로 보통 최소 1~2주 진행한다

4️⃣ 차이의 '크기'보다 '신뢰도'

같은 2%p 차이라도 의미가 다르다.

그룹당 인원	A 전환율	B 전환율	판단
100명	10%	12%	우연일 수 있음
20,000명	10%	12%	우연이라 보기 어려움

→ 통계적 유의성과 신뢰구간으로 판단한다.

5️⃣ 중간에 멈추지 않기

❌ 원하는 결과가 보이는 순간 종료 (Peeking)
❌ 원하는 결과가 나올 때까지 재실험 (p-해킹)
✅ 정해둔 기간과 인원을 끝까지 채운다

6️⃣ 그룹 비율이 어긋나면 의심하기

5:5로 나눴는데 크게 틀어졌다면 대개 버그다.
→ 결과를 해석하기 전에 원인부터 찾는다.

7️⃣ 너무 좋은 결과는 먼저 검증하기

놀라운 숫자는 측정 오류인 경우가 많다.
→ 결과가 좋을수록 한 번 더 의심한다.

3. 어디에 쓸까? (사용처)

분야	이런 걸 실험해요
웹·앱 UI/UX	버튼 색·문구, 페이지 레이아웃, 회원가입 단계 수
이커머스	상품 상세 페이지 구성, 할인 표시 방식, 결제 흐름
마케팅	이메일 제목, 광고 문구·이미지, 랜딩 페이지
콘텐츠·미디어	기사 제목, 썸네일, 추천 알고리즘
가격·프로모션	쿠폰 금액, 무료배송 기준, 구독 플랜 구성
알림·CRM	푸시 알림 문구, 발송 시간
검색·광고 플랫폼	검색 결과 배치, 광고 노출 방식
️ 정치 캠페인·비영리	후원·가입 페이지

실제 사례 2가지

Microsoft Bing (2012)

6개월 넘게 방치됐던 "광고 제목 표시 방식 변경" 아이디어를 가볍게 테스트
결과: 매출 12% 증가 (미국에서만 연 1억 달러 이상 가치)
출처: Kohavi & Thomke, The Surprising Power of Online Experiments (HBR 2017)

오바마 대선 캠페인 (2008)

가입 페이지의 이미지·영상 6종 × 버튼 문구 4종 = 24개 조합 테스트
결과: 가입률 8.26% → 11.6%, 약 40% 개선
출처: Optimizely – Obama's $60 million dollar experiment

부적절한 사용처

사용자가 너무 적어 표본을 못 채울 때
로고 변경처럼 한 번뿐인 큰 결정일 때
메신저처럼 사용자끼리 서로 영향을 주는 서비스일 때

4. 핵심 용어 사전

실험 기본

용어	뜻
대조군 (Control)	기존 버전(A)을 보는 그룹
실험군 (Treatment)	새 버전(B)을 보는 그룹
무작위 배정	어느 그룹에 갈지 우연이 정하게 하는 것
가설	"X를 바꾸면 Y가 오를 것이다"라는 검증할 예측
다변량 테스트 (MVT)	여러 요소의 조합을 동시에 비교하는 실험

지표

용어	뜻
전환율	목표 행동(구매, 가입 등)을 한 사람의 비율
%p (퍼센트포인트)	비율끼리의 단순 차이 (10% → 12%는 2%p 상승)
핵심 지표	실험 성공을 판단하는 기준 지표
가드레일 지표	핵심 지표가 올라도 나빠지면 안 되는 보조 지표

통계

용어	뜻
표본 / 모집단	실험에 참여한 일부 사용자 / 결과를 적용하려는 전체 사용자
통계적 유의성	차이가 우연으로 생겼다고 보기 어렵다는 판단
p-value	실제 차이가 없을 때 이만큼 큰 차이가 우연히 나올 확률 (보통 0.05 미만이면 유의)
신뢰구간	진짜 효과가 있을 법한 범위
MDE (최소 검출 효과)	실험으로 잡아내고 싶은 가장 작은 차이
검정력	진짜 차이가 있을 때 실험이 이를 찾아낼 확률 (보통 80%)

주의할 현상

용어	뜻
SRM (표본 비율 불일치)	계획한 그룹 비율과 실제 비율이 크게 어긋난 상태. 버그의 신호
Peeking	실험 중간에 결과를 보고 일찍 멈추는 실수
p-해킹	원하는 결과가 나올 때까지 분석·재실험을 반복하는 것

5. 오늘의 정리 ✍️

✅ 3줄 요약

A/B 테스트의 핵심은 무작위 배정이다.
"B가 높다"에서 끝내지 말고 "우연이 아닌가?"까지 확인한다.
가설·지표·표본 수는 실험 전에 정하고, 끝까지 지킨다.

[통계] 모집단부터 확률 분포까지

차햐 — Mon, 26 Oct 2026 20:43:01 +0900

2026.10.26 (월)
오늘의 공부 범위: 모집단과 표본 → 표본오차와 신뢰구간 → 정규분포 → 긴 꼬리 분포 → t 분포 → 카이제곱분포 → 이항분포 → 푸아송분포 → 분포 정리

1. 모집단과 표본

모집단: 내가 알고 싶은 대상 전체
표본: 그중에서 실제로 뽑아서 조사한 일부

구분	모집단 (모수)	표본 (통계량)
평균	μ	x̄
표준편차	σ	s
비율	p	p̂

특정 집단만 뽑으면 표본 편향이 생겨서 결과가 엉망이되기때문에 무작위로 뽑는것이 중요

2. 표본오차와 신뢰구간

표본을 뽑을 때마다 평균이 조금씩 다르게 나오는데, 이 차이를 표본오차라고 한다.

그리고 표본평균들이 얼마나 퍼져 있는지를 나타내는 게 표준오차(SE).

SE = σ / √n

중심극한정리 : 모집단이 어떤 모양이든 표본이 충분히 크면 표본평균의 분포는 정규분포에 가까워진다

신뢰구간

95% 신뢰구간 = x̄ ± 1.96 × SE

신뢰수준	임계값
90%	1.645
95%	1.96
99%	2.576

같은 방법으로 표본을 100번 뽑아 구간을 만들면, 그중 약 95개가 진짜 모수를 포함한다

모수는 이미 정해진 값이라 "확률"로 말하면 안 되고, 확률적인 건 구간을 만드는 방법 쪽

3. 정규분포

평균 = 중앙값 = 최빈값
평균(μ)과 표준편차(σ)만 알면 모양이 정해진다
키, 시험 점수, 측정 오차 같은 데서 자주 나온다

68-95-99.7 법칙

범위	포함 비율
μ ± 1σ	약 68%
μ ± 2σ	약 95%
μ ± 3σ	약 99.7%

Z-점수

Z = (X − μ) / σ

데이터가 정규분포인지 확인할 때는 QQ-Plot을 쓴다

점들이 대각선 위에 있으면 정규분포에 가깝다는 뜻

4. 긴 꼬리 분포

한쪽 꼬리가 길게 늘어져서 극단적인 값이 정규분포보다 훨씬 자주 나오는 분포다.

예시

소득·자산 (소수의 엄청난 부자)
주식 수익률 (폭락·폭등)
온라인 판매량 (소수 인기 상품 + 수많은 비인기 상품)

평균보다 중앙값을 보는 게 낫고, 로그 변환을 하기도 한다

5. 스튜던트 t 분포

정규분포랑 닮았는데 꼬리가 더 두꺼운 분포다.

언제 쓰냐면

표본이 작을 때 (보통 30개 미만)
모집단 표준편차 σ를 모를 때

t = (x̄ − μ) / (s / √n)

자유도(df = n − 1) 에 따라 모양이 바뀌고
자유도가 커질수록 정규분포랑 거의 같아진다

표본이 작아서 불확실하니까 더 넉넉하게 잡는 것

주로 t-검정(두 집단 평균 비교)에 쓰인다.

6. 카이제곱분포

표준정규분포 값들을 제곱해서 더한 것이 따르는 분포다.

제곱의 합이라 항상 0 이상
오른쪽으로 꼬리가 긴 비대칭 모양
자유도가 커지면 대칭에 가까워짐

주로 쓰는 곳은 카이제곱 검정. 관측값과 기대값의 차이가 우연인지 판단한다.

χ² = Σ (관측값 − 기대값)² / 기대값

검정	예시 질문
적합도 검정	이 주사위는 공정한가?
독립성 검정	성별과 선호 브랜드는 관련이 있나?

범주형 데이터를 다룰 때 쓰는 분포

t 분포는 평균 비교, 카이제곱은 범주 비교로 구분

7. 이항분포

결과가 성공/실패 두 가지뿐인 시행을 n번 반복했을 때 성공 횟수의 분포.
(1번만 하면 베르누이 분포)

조건

결과는 성공 or 실패
성공 확률 p는 매번 같음
각 시행은 독립

P(X = k) = nCk × p^k × (1 − p)^(n − k)
평균 = np
분산 = np(1 − p)

예시

동전 10번 던져서 앞면 나오는 횟수
광고 100명에게 보냈을 때 클릭 수
불량률 2% 공정에서 50개 중 불량품 수

8. 푸아송분포

일정한 시간이나 공간 안에서 사건이 몇 번 일어나는지에 대한 분포.

P(X = k) = (λ^k × e^(−λ)) / k!
λ = 단위 구간당 평균 발생 횟수
평균 = 분산 = λ

예시

1시간 동안 콜센터에 오는 전화 수
하루 동안 서버 에러 발생 수
책 한 페이지의 오타 수

이항분포에서 n이 엄청 크고 p가 엄청 작으면 푸아송분포로 근사할 수 있다

9. 오늘 배운 분포 한눈에 정리

분포	데이터	핵심 모수	모양	언제 쓰나
정규분포	연속형	μ, σ	대칭 종 모양	기본 중의 기본, Z-점수, 신뢰구간
긴 꼬리 분포	연속형	–	한쪽 꼬리 김	소득, 주가, 판매량
t 분포	연속형	자유도	대칭, 꼬리 두꺼움	소표본 평균 추정, t-검정
카이제곱	연속형	자유도	오른쪽 꼬리 김	범주형 데이터 검정
이항분포	이산형	n, p	p에 따라 다름	n번 중 성공 횟수
푸아송분포	이산형	λ	오른쪽 꼬리	단위 시간당 발생 횟수

암기 문장

정규분포 → 모든 것의 출발점
t 분포 → 표본 작고 σ 모를 때
카이제곱 → 범주끼리 비교
이항분포 → "몇 번 중 몇 번 성공?"
푸아송분포 → "시간당 몇 번 발생?"
긴 꼬리 → 현실은 정규분포가 아닐 수도 있다

오늘의 회고

잘한 점

이름만 알던 분포들을 "언제 쓰는지" 기준으로 구분할 수 있게 됨.

어려웠던 점

신뢰구간 해석. 아직도 완벽하게 이해되진 않음.. 내일 복습 해볼 것.
자유도 개념이 아직 감으로만 이해됨.

다음에 할 것

파이썬으로 각 분포 그래프 작성
신뢰구간 복습
가설검정(p-value) 공부

통계 쉽지않음 통계가 내 머리를 뽀개. .. .

[통계 기초] 와 연관있는 파이썬 함수를 같이 공부할것이야

차햐 — Fri, 23 Oct 2026 21:15:50 +0900

기술통계
가진 데이터를 그대로 요약하는 것

추론통계
표본(일부)으로 모집단(전체)을 추측하는 것

4가지 지표 (예시 [2, 4, 4, 4, 5, 5, 7, 9])

평균 = 5: 전체 합을 개수로 나눈 값
중앙값 = 4.5: 크기순으로 정렬했을 때 가운데 값
분산 = 4 (표본이면 4.571): 평균에서 얼마나 퍼져 있는지를 나타내며, 단위가 제곱
표준편차 = 2 (표본이면 2.138): 분산에 √를 씌운 값이라 원래 단위로 해석할 수 있음

지표	statistics	numpy	pandas
평균	mean()	np.mean()	.mean()
중앙값	median()	np.median()	.median()
분산	variance() / pvariance()	np.var()	.var()
표준편차	stdev() / pstdev()	np.std()	.std()

numpy는 기본적으로 n으로 나누고, pandas는 기본적으로 n−1로 나눔

그래서 같은 데이터라도 분산과 표준편차 값이 다르게 나옴. 결과를 맞추려면 ddof로 직접 지정하기.

ddof=0: 모집단 (n으로 나눔)
ddof=1: 표본 (n−1로 나눔)

[반도체 도메인 조사] 26.10.14 식각 공정 정리

차햐 — Wed, 14 Oct 2026 21:31:47 +0900

식각(Etching) 은 웨이퍼 표면에 형성된 여러 물질 중에서 불필요한 부분을 선택적으로 제거하여 원하는 회로 패턴과 구조를 만드는 공정이다.

포토 공정에서 형성한 패턴을 기준으로 필요한 부분만 남기거나 파내어 반도체 소자의 구조를 형성한다.

쉽게 말하면, 웨이퍼 표면에 얇게 쌓인 막에서 필요한 부분은 남기고, 제거할 부분은 정밀하게 깎아 내는 작업이다.

식각 공정이 중요한 이유

미세 회로 형성:
작은 회로 패턴과 정교한 구조를 만든다.
소자 성능 확보:
식각 깊이와 폭, 측벽 형태 등이 전기적 특성에 영향을 줄 수 있다.
품질 및 수율 관리:
과도하거나 부족한 식각, 패턴 불균일성, 잔여물 등은 소자 성능과 수율에 영향을 줄 수 있다.
3차원 구조 구현:
DRAM, 3D NAND, 첨단 트랜지스터 등의 복잡한 구조를 형성하는 데 활용된다.

2. 반도체 제조 공정에서 식각의 위치

① 증착

웨이퍼 표면에 필요한 막 형성

↓

② 포토 공정

제거할 부분과 남길 부분의 패턴 형성

↓

③ 식각 공정

노출된 물질을 선택적으로 제거

↓

④ 포토레지스트 제거 및 세정

불필요한 잔여물 제거 및 후속 공정 준비

※ 이해를 위한 대표적인 흐름이다.

실제 반도체 제조에서는 제품 구조와 공정 모듈에 따라 순서가 달라지며, 포토·식각·세정 공정이 여러 차례 반복된다.

3. 식각 공정의 종류

식각은 사용하는 매질과 물질 제거 방식에 따라 크게 습식 식각(Wet Etching) 과 건식 식각(Dry Etching) 으로 구분한다.

3-1. 습식 식각 (Wet Etching)

액체 화학약품과 재료의 화학 반응을 이용해 특정 물질을 제거한다.

장점: 재료에 따라 높은 선택비를 얻을 수 있고, 공정 구성이 비교적 단순할 수 있다.
단점: 옆 방향으로도 식각되는 경우가 많아 미세 패턴의 형상 제어가 어려울 수 있다.
특징: 등방성 식각이 대표적이지만, 실제 거동은 재료와 화학 조건에 따라 달라진다.

3-2. 건식 식각 (Dry Etching)

기체와 플라즈마 등을 이용해 물질을 제거한다. 미세한 회로와 깊은 구조의 형상을 정밀하게 제어하는 데 널리 활용된다.

장점: 수직 방향 식각과 미세 패턴 형상 제어에 유리하다.
단점: 가스 조성, 압력, RF 파워, 온도 등의 조건을 정밀하게 관리해야 한다.
특징: 화학 반응과 이온 충격을 조합해 물질을 제거할 수 있다.

습식 식각과 건식 식각 비교

구분	습식 식각	건식 식각
주요 매질	액체 화학약품	기체 및 플라즈마 등
제거 방식	주로 화학 반응	화학 반응 및 물리적 제거
형상 제어	옆 방향 식각에 주의	방향성 제어에 유리
주요 관리 항목	약액 농도, 온도, 시간	가스 유량, 압력, RF 파워, 온도, 시간
대표적인 고려사항	선택비, 언더컷, 세정, 건조	식각 깊이, 프로파일, 선택비, 균일도, 플라즈마 손상

4. 건식 식각의 작동 원리

반도체 미세 패턴 형성에 중요한 건식 식각은 일반적으로 다음 원리로 작동한다.

① 반응 가스 공급

식각 대상 물질과 반응할 수 있는 가스를 챔버에 공급한다.

② 플라즈마 생성

RF 에너지 등을 이용해 가스를 활성화한다. 이 과정에서 이온과 라디칼 등 반응성이 높은 입자가 생성된다.

③ 표면 반응 및 물질 제거

라디칼은 표면의 물질과 화학 반응을 일으키고, 이온은 표면에 충격을 가해 반응과 방향성 있는 제거를 돕는다.

④ 반응 부산물 배출

생성된 휘발성 부산물을 배기하여 웨이퍼 표면에서 제거한다.

핵심 원리 두 가지

화학적 식각:
- 반응성 입자가 표면 물질과 반응해 제거 가능한 부산물을 만든다.
물리적 식각:
- 에너지를 가진 이온이 표면에 충돌해 원자를 떨어뜨린다.

실제 플라즈마 식각에서는 두 방식이 함께 작용하는 경우가 많다. 재료와 공정 조건에 따라 화학 반응과 이온 충격의 비중이 달라진다.

5. 식각 공정에서 관리하는 주요 공정 변수

식각 결과는 장비 조건, 가스 조성, 재료 특성, 패턴 구조 등 다양한 요인의 영향을 받는다.

아래 변수는 건식 식각에서 일반적으로 중요하게 고려되는 항목이다. 실제 관리 기준과 영향 방향은 공정별로 다르다.

공정 변수	의미	품질에 영향을 줄 수 있는 부분
RF Power	플라즈마 생성 및 이온 에너지와 관련된 전력 조건	식각 속도, 방향성, 표면 손상
Gas Flow	챔버에 공급되는 가스의 유량	반응종 공급, 부산물 배출, 식각 속도
Chamber Pressure	식각 챔버 내부 압력	입자 충돌, 플라즈마 특성, 식각 방향성
Temperature	웨이퍼 또는 챔버의 온도 조건	화학 반응, 부산물의 생성·제거, 식각 프로파일
Etch Time	식각이 진행되는 시간	식각 깊이, 과식각 가능성
Gas Composition	가스 종류와 혼합 비율	재료 선택비, 반응성, 측벽 형상
Electrode/Bias Conditions	전극 및 바이어스 관련 조건	이온의 에너지와 웨이퍼 표면 충격

QA/QC 관점의 핵심:

공정 변수가 목표 조건에 맞게 유지되었는지만 보는 것이 아니라, 해당 조건에서 실제 식각 결과가 어떻게 나타났는지를 함께 확인해야 한다.

6. 식각 공정의 주요 품질 지표(KPI)

식각 공정의 결과를 평가할 때는 식각 속도뿐 아니라 깊이, 형상, 선택비, 균일도 등을 함께 살펴본다.

품질 지표	의미	관리 목적
식각 깊이 (Etch Depth)	식각으로 제거된 깊이	목표 깊이 달성 여부 확인
식각률 (Etch Rate)	단위 시간당 제거되는 두께	공정 속도와 재현성 평가
균일도 (Uniformity)	웨이퍼 내 또는 웨이퍼 간 식각 결과의 균일성	위치별·웨이퍼별 편차 확인
선택비 (Selectivity)	식각 대상 물질과 다른 물질의 식각률 비율	목표 물질은 제거하면서 다른 층의 손상을 줄이는 정도 평가
CD (Critical Dimension)	패턴의 주요 폭 치수	회로 패턴의 크기와 치수 관리
Profile	식각 후 단면 형상	수직도, 측벽 각도, 패턴 형상 확인
Defect	잔여물, 패턴 손상 등 품질 결함	불량 및 수율 저하 요인 확인

핵심 지표 계산식

① 식각률

예를 들어 식각 깊이가 200 nm이고 식각 시간이 40초라면, 평균 식각률은 5 nm/s이다.

② 식각 전후 산화막 두께 감소량

식각 전 두께가 100 nm이고 식각 후 두께가 70 nm라면, 두께 감소량은 30 nm이다. 단, 산화막 자체를 식각하는 공정인지, 다른 층을 식각하면서 산화막이 보호막으로 남는 공정인지에 따라 해석이 달라진다.

③ 식각 깊이의 평균

웨이퍼의 여러 측정 지점에서 얻은 식각 깊이의 평균을 계산한다.

④ 표준편차(Standard Deviation)

표준편차는 측정값이 평균 주변에서 얼마나 퍼져 있는지 나타낸다. 평균 식각 깊이가 비슷하더라도 표준편차가 크면 측정값의 변동성이 큰 것이다.

⑤ 균일도

균일도는 정의 방식에 따라 계산식이 다르다. 예를 들어 최대값과 최소값의 차이를 평균값으로 나누는 방식은 다음과 같다.

이 값은 범위 기반 편차율이며, 모든 회사나 공정에서 사용하는 단일한 균일도 공식은 아니다. 실제 분석에서는 제공된 데이터의 정의와 사내 기준을 먼저 확인해야 한다.

7. 식각 공정에서 발생할 수 있는 주요 품질 문제

품질 문제	의미	데이터 분석 시 확인할 사항
과식각 (Over-etch)	목표보다 지나치게 식각됨	식각 깊이, 식각 시간, 잔여막 두께
미식각 (Under-etch)	필요한 만큼 제거되지 않음	잔여막, 식각 깊이, 공정 시간
식각 불균일성	웨이퍼 내 또는 웨이퍼 간 결과 차이	위치별 깊이, 웨이퍼별 평균·표준편차
CD 편차	패턴 폭이 목표에서 벗어남	CD 분포, 공정 조건, 패턴 위치
측벽 형상 이상	수직도나 측벽 모양이 목표와 다름	단면 이미지, 프로파일 측정값
잔여물 및 재증착	반응 부산물 등이 표면이나 측벽에 남음	결함 검사, 세정 결과, 챔버 이력
선택비 부족	목표 물질과 함께 다른 층도 제거됨	층별 두께 변화, 식각률, 표면 손상

이러한 현상은 다양한 원인으로 발생할 수 있으므로, 그래프에서 이상 패턴이 발견되었다는 이유만으로 원인을 확정해서는 안 된다. 장비 이력, 공정 조건, 측정 방법 등을 함께 검토해야 한다.

8. QA/QC 직무에서는 식각 공정을 어떻게 관리할까?

품질관리 관점에서는 크게 네 가지 관점으로 나눠 생각할 수 있다.

① 규격 적합성 확인
식각 깊이, 산화막 두께, CD 등 측정값이 목표 규격과 허용 범위에 들어오는지 확인한다.

② 공정 변동 모니터링

평균만 보지 않고 표준편차, 시간에 따른 변화, 웨이퍼 간·웨이퍼 내 편차를 함께 확인한다.

③ 이상 징후 및 원인 후보 탐색

특정 장비, 챔버, 공정 조건, 시간대 또는 웨이퍼에서 품질 차이가 반복되는지 확인한다.

④ 개선 효과 검증

개선 전후의 품질 지표와 변동을 비교하고, 공정이 안정적으로 유지되는지 확인한다.

9. 식각 공정 데이터 분석에 적용하기

현재 진행 중인 프로젝트의 분석 목표와 연결하면 다음과 같다.

프로젝트 분석 목표	활용할 데이터	추천 분석 방법
식각 공정 데이터 현황 파악	웨이퍼 ID, 측정값, 공정 변수	info(), describe(), 결측치·이상치 확인
식각 전후 산화막 두께 비교	식각 전·후 두께	두께 변화량 계산, 히스토그램, 박스플롯
웨이퍼별 식각 깊이 비교	웨이퍼 ID, 식각 깊이	groupby(), 평균·표준편차, 박스플롯
웨이퍼 내 위치별 분석	웨이퍼 ID, X/Y 좌표 또는 위치	위치별 비교, 산점도, 웨이퍼 맵
주요 공정 측정값 간 관계 분석	RF 파워, 압력, 유량, 온도, 식각 결과 등	상관관계 히트맵, 산점도

실무형 분석 예시

가령 분석 결과에서 특정 웨이퍼의 식각 깊이 표준편차가 다른 웨이퍼보다 크다고 가정해 보자.

현상 확인:
해당 웨이퍼의 평균과 표준편차를 다른 웨이퍼와 비교한다.
위치 확인:
웨이퍼 맵이나 좌표별 그래프로 특정 위치에 편차가 집중되는지 확인한다.
공정 변수 비교:
압력, 가스 유량, RF 파워 등 측정값에 차이가 있는지 확인한다.
추가 검증:
장비·챔버 이력, 측정 신뢰성, 공정 조건 및 반복 측정 결과를 검토한다.
결론 작성:
확인된 사실과 원인 후보를 구분하고, 추가 점검이나 실험을 제안한다.

이 과정을 통해 단순히 그래프를 그리는 데서 끝나지 않고, 데이터에서 관찰된 품질 현상을 근거로 후속 분석 방향을 제시하는 것이 중요하다.

10. 핵심 용어 정리

용어	의미
Wafer	반도체 회로를 형성하는 얇은 원판 형태의 기판
Etching	필요하지 않은 물질을 선택적으로 제거하는 공정
Plasma	이온, 전자, 중성 입자 등이 존재하는 에너지 높은 기체 상태
Radical	화학 반응성이 높은 원자 또는 분자 종
RIE	Reactive Ion Etching, 반응성 이온 식각
ALE	Atomic Layer Etching, 원자층 단위로 정밀하게 제거하는 식각 기술
Etch Rate	단위 시간당 식각되는 깊이 또는 두께
Selectivity	서로 다른 재료의 식각률 비율
CD	Critical Dimension, 패턴의 주요 치수
Uniformity	측정 위치나 웨이퍼 사이에서 결과가 얼마나 균일한지 나타내는 특성
Over-etch	목표 깊이 또는 종료 시점을 넘어 진행된 식각
Under-etch	필요한 만큼 식각되지 않은 상태
Profile	식각 후 구조의 단면 형상
Yield	투입된 제품 중 요구 조건을 만족하는 양품의 비율

11. 참고 출처

삼성반도체 — 식각 용어 설명
- 식각 공정의 기본 정의와 습식·건식 식각
삼성반도체 — 반도체 8대 공정
- 반도체 제조 공정 전체 흐름
- 반도체 회로패턴의 완성 ‘식각 공정’
Lam Research — Etch Essentials
- 식각 원리, 습식·건식 식각, 플라즈마 및 주요 용어

Lam Research — Plasma Etch Basics 및 ALE
- 플라즈마 식각과 원자층 식각의 기술 원리

Applied Materials — 선택적 식각 기술
- 선택비, 재료 손상 방지 및 미세 구조 형성 관련 기술

최종 핵심 정리

반도체 식각 공정은 웨이퍼의 물질을 선택적으로 제거하여 미세 회로와 구조를 형성하는 공정이다.

품질관리에서는 식각 깊이, 식각률, 선택비, CD, 균일도 및 결함 등을 통해 공정 결과를 평가한다. 데이터 분석에서는 평균뿐 아니라 변동성, 웨이퍼 내 위치별 패턴, 공정 변수와 품질 결과 간의 관계를 함께 확인해야 한다.

현재 프로젝트에서는 특히 식각 전후 산화막 두께 변화 → 웨이퍼별 식각 깊이 편차 → 위치별 균일성 → 공정 변수와 식각 결과의 관계 순으로 분석하면 공정 이해와 QA/QC 관점을 연결하기 좋다.

[반도체 관련 기사 분석] 26.10.13

차햐 — Tue, 13 Oct 2026 20:52:34 +0900

반도체 품질관리 직무 인터뷰 정리

원문 출처: SK Careers Journal — 반도체 품질, 이제는 예측 게임! 한 끗 차이가 모든 걸 바꾼다

1. 요약

이 글은 SK머티리얼즈퍼포먼스의 품질관리(QC) 실무를 담당하는 신승환 PL의 인터뷰를 통해, 반도체 소재 품질관리 업무와 데이터 분석의 중요성을 설명한다.

핵심은 품질관리가 단순히 측정값을 검사하고 규격에 맞는지 확인하는 업무를 넘어, 데이터를 분석해 불량 가능성을 사전에 감지하고 품질 문제를 예방하는 업무로 발전하고 있다는 것이다.

반도체 공정이 미세해지고 품질 기준이 정교해질수록 다양한 공정·원재료·측정 데이터의 관계를 분석하는 역량이 중요해진다. 이를 위해 Python, 통계 분석 도구, 자동화 시스템과 AI를 활용하고, 생산·품질보증·연구개발 부서와 협업해 문제를 개선한다.

2. 주요 포인트

① 반도체 소재 품질관리의 실제 업무

SK머티리얼즈퍼포먼스는 반도체 리소그래피 공정에 사용되는 포토레지스트(PR), 반사 방지막(BARC), 하드마스크(SOC) 등의 소재를 개발·공급한다. 품질관리 담당자는 이들 양산 제품이 고객사의 품질 기준을 충족하도록 관리한다.

주요 업무는 다음과 같다.

품질 측정 장비의 상태 점검 및 운영
제품 품질 데이터의 수집과 분석
고객 요구 규격에 따른 품질 기준 관리
품질 이상 발생 시 원인 분석 및 개선
생산팀, QA, 연구개발팀 등 유관 부서와 협업
품질 이력과 표준작업절차(SOP) 관리

즉, 품질관리자는 수치를 확인하는 역할뿐 아니라 이상 원인을 찾아내고, 관련 부서와 협력해 품질을 안정화하는 역할도 수행한다.

② QC와 QA의 차이

구분	QC(품질관리)	QA(품질보증)
핵심 역할	제품 및 공정의 품질 관리	품질 시스템과 보증 체계 관리
주요 업무	측정, 데이터 분석, 이상 감지, 개선	품질 절차·표준 관리, 고객 클레임 대응
주요 관점	제품이 기준에 맞게 생산되는가	품질이 지속적으로 보장되는 체계인가
협업	생산팀, 평가실, 연구개발팀	QC, 고객사, 유관 부서

원문에서는 QC를 공정 중 품질 데이터를 관리하는 역할로, QA를 품질 시스템을 구축하고 고객 대응을 수행하는 역할로 설명한다. 실제 조직에서는 회사와 직무에 따라 업무 범위가 겹칠 수 있다.

③ 품질관리에서 데이터 분석이 중요해진 이유

과거에는 엑셀을 활용한 수작업 중심의 품질 점검이 많았지만, 이제는 자동화 시스템을 통해 데이터를 실시간으로 확인하고 기록하며, 다양한 변수 간 관계를 분석하는 방향으로 변화하고 있다.

인터뷰에서는 제품 하나당 약 2,000~3,000개의 공정 데이터가 쌓일 수 있다고 설명한다. 이처럼 데이터가 많아지면 모든 수치를 일일이 확인하는 것보다 품질에 영향을 주는 핵심 변수를 찾아내는 분석력이 중요해진다.

④ 사후 대응에서 사전 예방으로 변화

기존의 사후 대응 방식은 불량이 발생한 뒤 원인을 찾고 개선하는 데 집중한다. 반면 데이터 기반 품질관리는 공정 조건과 불량률의 관계를 분석해 이상 징후를 조기에 발견하고, 문제가 발생하기 전에 대응하는 것을 목표로 한다.

예를 들어 특정 공정 조건이 달라졌을 때 불량률도 함께 변하는 패턴을 발견하면, 해당 조건을 주요 관리 인자로 검토하고 적절한 개선 조치를 취할 수 있다.

⑤ 품질 데이터의 정합성과 신뢰성

데이터 분석에서 중요한 것은 단순히 많은 데이터를 확보하는 것이 아니다. 서로 다른 장비에서 측정한 결과가 일관되고, 데이터가 올바른 조건과 기준에 따라 기록되어 있어야 한다.

인터뷰에서는 고객사와 자사 장비의 측정값 차이를 조정한 사례를 소개한다. 양쪽의 측정 조건을 파악하고 반복 테스트와 내부 프로세스 조정을 통해 데이터의 신뢰도를 맞췄으며, 이를 통해 고객 기준에 부합하는 품질을 확보했다.

이 사례는 분석 기술만큼 측정 조건의 일관성, 데이터 신뢰성, 고객과의 기준 조율이 중요하다는 점을 보여준다.

3. 핵심내용 및 개념 정리

핵심 개념	정의	품질관리에서의 활용
QC (Quality Control)	품질관리	제품·공정의 품질 측정, 이상 감지 및 개선
QA (Quality Assurance)	품질보증	품질 시스템, 표준 절차 및 고객 품질 대응
CTQ (Critical to Quality)	품질에 결정적인 영향을 주는 핵심 특성	품질에 중요한 관리 항목을 선정하고 집중 관리
데이터 정합성	데이터가 서로 일관되고 비교·해석 가능한 상태	장비별 측정 결과의 차이를 확인하고 신뢰성 확보
디지털 전환(DT)	디지털 기술을 활용해 업무와 시스템을 개선하는 것	수작업 품질 점검을 자동화하고 실시간 분석
RPA	반복적인 업무를 자동화하는 기술	반복적인 데이터 정리 및 보고 업무 자동화
SOP	표준작업절차	작업 방식의 일관성 확보 및 동일 불량 재발 방지
상관관계 분석	변수 간 함께 변하는 관계를 분석하는 방법	공정 조건과 품질 지표 사이의 관계 탐색
예측 품질관리	데이터를 활용해 품질 이상 가능성을 미리 파악하는 접근	불량 징후를 조기에 발견하고 예방 조치 수행

4. 품질관리 업무에서 활용하는 프로그램과 기술

인터뷰에서는 품질관리 담당자가 활용하는 도구와 데이터 분석 역량의 중요성도 강조한다.

도구·기술	주요 활용	학습 방향
Excel	데이터 정리, 기본적인 품질 확인	필터, 함수, 피벗 테이블
Minitab	통계 분석 및 품질 데이터 분석	기초 통계, 관리도, 공정능력 분석
Python	데이터 가공, 분석, 시각화, 반복 작업 자동화	Pandas, Matplotlib, 데이터 전처리
RPA	반복 업무 자동화	반복 작업의 절차화와 자동화
AI·머신러닝	품질 이상 예측, 주요 변수 탐색	데이터 전처리, 모델 평가, 예측 결과 해석

인터뷰에서는 Python을 이용한 자동화로 기존에 30분 걸리던 업무를 5초 수준으로 줄인 사례를 소개한다. 또한 AI 기반 예측 품질관리와 머신러닝을 활용해 품질에 영향을 주는 요인을 분석하는 방향도 다룬다. 이는 해당 인터뷰에서 소개한 사례이며, 모든 품질관리 조직에 동일하게 적용되는 것은 아니다.

5. 실무 적용 방법 — 반도체 품질관리 관점

인터뷰 내용을 실제 학습에 연결하면 다음과 같이 정리할 수 있다.

가상 실무 시나리오: 소재 두께 이상 감지

아래는 인터뷰의 데이터 기반 품질관리 방식을 응용한 가상 사례이며, 실제 회사에서 발생한 사례는 아님.

데이터 수집: 제품별 두께, 점도, 원재료 배치, 생산 조건 및 측정 장비 정보를 수집한다.
데이터 정리: 결측값, 중복값, 단위 오류를 확인하고 제품과 측정 조건이 올바르게 연결되어 있는지 점검한다.
시각화 및 분석: 시간에 따른 두께 변화를 그래프로 나타내고, 생산 조건과 두께 사이의 관계를 분석한다.
이상 징후 확인: 특정 원재료 배치나 공정 조건에서 두께 편차가 커지는 패턴이 있는지 살펴본다.
원인 검토 및 개선: 측정 장비의 상태, 원재료 특성, 생산 조건 등을 확인하고 관련 부서와 개선 방안을 검토한다.
재발 방지: 조치 결과를 기록하고 필요하면 관리 기준과 SOP를 개선한다.

이 시나리오의 핵심은 데이터를 분석했다고 바로 원인이 확정되는 것은 아니라는 점이다. 데이터에서 발견한 패턴을 실제 공정 조건, 장비 상태 및 측정 결과와 대조해 원인을 검증해야 한다.

6. 취업 준비에 필요한 역량

인터뷰에서 강조한 내용을 기준으로 품질관리 직무 준비에 필요한 역량을 정리하면 다음과 같다.

통계적 사고: 수치의 차이와 변동을 해석하고 품질 이상 여부를 판단하는 능력
데이터 분석 능력: 데이터를 정리하고 시각화해 의미 있는 패턴을 발견하는 능력
공정 및 제품 이해: 제품 특성과 공정 조건이 품질에 미치는 영향을 이해하는 능력
문제 해결 능력: 불량의 근본 원인을 검토하고 재발 방지 대책을 세우는 능력
정확성과 책임감: 측정값과 기록을 꼼꼼하게 확인하고 절차를 준수하는 태도
협업 및 소통: 생산, 연구개발, 품질보증 등 관련 부서와 근거를 공유하며 문제를 해결하는 능력

인터뷰는 품질 관련 자격증과 데이터 분석 자격증도 학습 기반을 마련하는 데 도움이 된다고 소개한다. 다만 자격증 자체보다 실제 데이터를 활용해 분석하고 문제를 해결한 경험을 보여주는 것이 중요하다는 방향으로 이해할 수 있다.

7. 인사이트

품질관리의 경쟁력은 단순히 불량을 찾아내는 데서 끝나지 않고, 신뢰할 수 있는 데이터를 바탕으로 품질 문제의 원인을 파악하고 재발을 예방하는 데서 나온다.

데이터 분석 도구를 사용할 줄 아는 것도 중요하지만, 분석 결과를 올바르게 해석하고 실제 공정의 개선으로 연결하는 능력이 핵심이다.

8. 아티클 추천 사유

반도체 품질관리 직무의 실제 업무, QC와 QA의 차이, 데이터 분석 및 자동화 활용 사례를 현직자의 관점에서 확인할 수 있어 품질관리 직무를 준비하는 취업준비생에게 유용하다.

특히 Python과 통계 분석을 공부하는 사람이 자신의 학습 내용을 반도체 품질 실무와 연결해 보는 데 도움이 되는 자료다.

9. 복습용 핵심 요약

QC는 제품과 공정의 품질을 관리하고, QA는 품질 시스템과 보증 체계를 관리한다.
데이터 분석의 목적은 수치를 확인하는 것을 넘어 품질 이상을 조기에 발견하고 개선하는 데 있다.
분석을 시작하기 전에 측정 조건과 데이터의 정합성을 확인해야 한다.
Python, Minitab, 자동화 도구 및 AI는 품질 분석의 효율과 정확도를 높이는 데 활용할 수 있다.
품질관리자는 분석 결과를 실제 공정과 대조해 원인을 검증하고 재발 방지까지 연결해야 한다.
통계적 사고, 공정 이해, 정확성, 기록 관리 및 협업 능력이 중요하다.

어려우이

[데이터 분석 입문] 26.10.12 pandas 함수 정리

차햐 — Mon, 12 Oct 2026 21:25:47 +0900

Pandas 주요 함수 정리 — 정의와 사용 방법

1. 함수 한눈에 보기

함수	핵심 역할	사용 목적
replace()	값을 다른 값으로 변경	데이터 형식이나 값 수정
pd.to_datetime()	날짜 형식으로 변환	날짜별 분석
groupby()	데이터를 그룹으로 묶기	그룹별 평균, 합계 등 계산
plot()	그래프 그리기	데이터 시각화
corr()	상관관계 계산	변수 간 관계 파악
drop_duplicates()	중복 데이터 제거	데이터 정리
dropna()	결측값 제거	비어 있는 데이터 처리
pd.cut()	숫자 데이터를 구간으로 나누기	등급·범위별 분류
value_counts()	값별 개수 세기	빈도 및 불량 유형 분석

2. replace() — 값 변경하기

정의: 데이터 안의 특정 값을 다른 값으로 바꾸는 함수.

기존 데이터를 원하는 값으로 수정할 때 사용함.

기본 문법

df['컬럼명'].replace('기존값', '변경값')

여러 값을 한 번에 바꾸려면 딕셔너리를 사용

df['result'].replace({'NG': 'FAIL', 'OK': 'PASS'})

주의할 점

replace()는 기본적으로 원본을 직접 변경하지 않음. 변경 결과를 다시 저장해야 함
replace()는 문자열뿐 아니라 숫자나 결측값 등도 바꿀 수 있음

3. pd.to_datetime() — 날짜 형식으로 변환하기

정의: 문자열이나 다른 형식의 데이터를 날짜·시간 데이터로 변환하는 함수.

기본 문법

pd.to_datetime(df['컬럼명'])

날짜 형식으로 바꾸면 연도, 월, 일 등을 추출할 수 있음

속성	의미	예시
.dt.year	연도	2026
.dt.month	월	10
.dt.day	일	1
.dt.dayofweek	요일 번호	월요일 0, 일요일 6

주의할 점

날짜로 해석할 수 없는 값이 있으면 오류가 발생할 수 있음.
이때 errors='coerce'를 사용하면 변환할 수 없는 값을 NaT로 처리.

pd.to_datetime(df['insp_time'], errors='coerce')

4. groupby() — 그룹별로 묶어서 계산하기

정의: 특정 컬럼의 값이 같은 데이터끼리 그룹으로 묶는 기능.

그룹별 평균, 합계, 개수 등을 구할 때 사용함

기본 문법

df.groupby('그룹컬럼')['계산할컬럼'].mean()

자주 사용하는 집계 함수

코드	의미
.mean()	평균
.sum()	합계
.count()	결측값이 아닌 데이터 개수
.size()	그룹에 속한 전체 행 개수
.max()	최댓값
.min()	최솟값

5. plot() — 그래프 그리기

정의: 데이터를 그래프로 시각화하는 함수.

기본 문법

df['컬럼명'].plot()

주요 그래프 종류

kind값	그래프	용도
'line'	선 그래프	시간에 따른 변화
'bar'	막대 그래프	항목별 수치 비교
'hist'	히스토그램	데이터 분포 확인
'scatter'	산점도	두 변수 간 관계 확인

주의할 점

plot()은 그래프를 만들고, plt.show()는 그래프를 화면에 표시함

6. corr() — 상관관계 분석하기

정의: 숫자형 변수들 사이의 상관계수를 계산하는 함수.

두 변수가 얼마나 함께 변하는지 파악할 때 사용함

기본 문법

df.corr(numeric_only=True)

상관계수 해석

상관계수	일반적인 해석
+1에 가까움	강한 양의 상관관계
0에 가까움	선형 상관관계가 약함
-1에 가까움	강한 음의 상관관계

주의할 점

상관관계가 있다고 해서 한 변수가 다른 변수의 원인이라는 뜻은 아님
corr()는 기본적으로 피어슨 상관계수를 계산함
범주형 데이터는 숫자형으로 변환하거나 적절한 분석 방법을 선택해야 함

7. drop_duplicates() — 중복 데이터 제거하기

정의: 중복된 행을 제거하는 함수.

기본 문법

df.drop_duplicates()

옵션	의미
subset	중복 여부를 판단할 컬럼
keep='first'	첫 번째 데이터 유지 (기본값)
keep='last'	마지막 데이터 유지
keep=False	중복된 데이터 전부 제거

주의할 점

같은 로트 번호라도 검사 시점이나 샘플 번호가 다르면 정상적인 별도 데이터일 수 있음.
어떤 컬럼을 기준으로 중복을 판단할지 먼저 확인해야 함

8. dropna() — 결측값 제거하기

정의: 비어 있는 값(NaN, None 등)이 포함된 행이나 열을 제거하는 함수.

기본 문법

df.dropna()

주요 옵션

코드	의미
dropna()	결측값이 하나라도 있는 행 제거
dropna(axis=1)	결측값이 있는 열 제거
dropna(subset=['thickness'])	두께 컬럼의 결측값만 기준으로 행 제거
dropna(how='all')	모든 값이 결측값인 행만 제거

주의할 점

결측값을 무조건 제거하면 중요한 검사 데이터가 사라질 수 있음
결측 발생 원인을 확인하고, 필요하면 평균·중앙값 대체나 별도 표시를 고려해야함

9. pd.cut() — 숫자 데이터를 구간으로 분류하기

정의: 연속적인 숫자 데이터를 지정한 구간으로 나누어 범주형 데이터로 변환하는 함수.

기본 문법

pd.cut(데이터, bins=구간경계, labels=구간이름)

결과에서 괄호 (는 해당 경계값을 포함하지 않고, 대괄호 ]는 포함한다는 의미임

10. value_counts() — 값별 개수 세기

정의: 각 값이 데이터에 몇 번 나타나는지 계산하는 함수.

기본 문법

df['컬럼명'].value_counts()

주요 옵션

코드	의미
value_counts()	값별 개수 계산
value_counts(normalize=True)	값별 비율 계산
value_counts(dropna=False)	결측값도 개수에 포함
value_counts(ascending=True)	개수가 적은 순서로 정렬

과제에서 어려웠던부분 다시 정리!

어려웠는데 그래도해냈어

[파이썬] 26.10.08 pandas 함수

차햐 — Thu, 8 Oct 2026 21:18:34 +0900

함수	의미	사용 예시
count()	데이터 개수	df["thickness"].count()
sum()	합계	df["thickness"].sum()
mean()	평균	df["thickness"].mean()
median()	중앙값	df["thickness"].median()
min()	최솟값	df["thickness"].min()
max()	최댓값	df["thickness"].max()
std()	표준편차	df["thickness"].std()
var()	분산	df["thickness"].var()
quantile()	분위수	df["thickness"].quantile(0.25)
describe()	주요 통계 한 번에 확인	df["thickness"].describe()
isnull()	결측값 확인(True, False로 표현)	df.isnull()
duplicated()	중복값 확인	df.duplicated()

데이터 기본 확인

df.head()

→ 앞의 5개 데이터 확인

df.tail()

→ 뒤의 5개 데이터 확인

df.shape

→ (행 개수, 열 개수)

df.columns

→ 컬럼 이름 확인

df.dtypes

→ 각 컬럼의 자료형 확인

df.info()

→ 데이터 구조와 결측값 등을 확인

df.describe()

→ 숫자 데이터의 기술통계 확인

컬럼 선택

하나 선택

df["thickness"]

→ thickness 컬럼 선택

여러 개 선택

df[["lot_id", "thickness"]]

→ lot_id, thickness 선택

행 선택

iloc → 위치 기준

df.iloc[0]

→ 첫 번째 행

df.iloc[0:3]

→ 0~2번째 행

loc → 이름/조건 기준

df.loc[0]

→ 인덱스가 0인 행

조건과 함께 사용할 수도 있음

df.loc[df["result"] == "FAIL"]

→ result가 FAIL인 데이터만 선택

과제를 위해 다시 정리!

[데이터 분석 입문] 26.10.07

차햐 — Wed, 7 Oct 2026 21:43:06 +0900

# 의사코드 1. 두께 컬럼을 원본 글자 그대로 다시 읽어, 숫자로 바꿀 수 없는 값을 모두 모아 종류별로 센다
count = {}
for i in insp["thickness_um"]:
    try: #일단 코드 실행해보라는 의미
        float(i) #자료형을 실수로 변환
    except: #try에서 오류가 발생했을때 실행
        count[i] = count.get(i,0)+1 #같은 이상값이 몇 번 나왔는지 셈
print(count)

'''
결과
{'-': 53, ' ': 28}
'''

# 의사코드 2. 그 값이 들어 있는 검사 행의 판정(합격·불합격과 사유)을 본다
for index, row in insp.iterrows():
    try:
        float(row["thickness_um"]) #숫자 변환 가능한지 확인
    except: #변환 불가 시 그 행의 판정, 사유 확인
        print(row["thickness_um"])
        print(row["result"]) #판정
        print(row["defect_type"]) #사유
        
'''
결과
-
PASS
nan
 
PASS
nan
-
PASS
nan
-
PASS
nan
 
PASS
nan
-
PASS
nan
-
PASS
nan
 
PASS
nan
-
PASS
nan
-
PASS
nan
.
.
.
'''

# 의사코드 3. 원본 두께 값을 다른 컬럼에 보관하고, 두께를 숫자로 바꾼다
insp["thickness_original"] = insp["thickness_um"] #다른 컬럼에 보관
insp["thickness_um"] = pd.to_numeric( #숫자로 변환
    insp["thickness_um"], errors="coerce" #에러가 나면 Nan
)

# 의사코드 4. 가공 시각에 어떤 형식이 몇 행씩 섞여 있는지 확인한다

# 의사코드 5. '/' 형식이 월/일 순서인지 일/월 순서인지 데이터로 확인한다

# 의사코드 6. 형식별로 나눠 날짜·시각으로 바꾼 뒤 하나로 합친다 (시작·종료 시각 모두)

# 의사코드 7. 변환에 실패한 행이 없는지, 결과가 상식에 맞는지 점검한다

아직 의사코드 4~7은 못해봤음.,... 내일 해야지

TIL

[통계] 상관계수

1. 상관계수란?

쉬운 말로

정확한 정의

2. 값의 범위와 의미

3. 강도 해석 기준

4. 어떻게 계산하나?

공식

쉽게 풀면

5. 피어슨 vs 스피어만

6. 상관계수 주의사항

①번 예시

7. 상관계수 vs 결정계수(R²)

8. Python으로 해보기

코드 포인트

9. QA/QC 실무에서는 어떻게 쓰일까?

✅ 핵심 정리

[통계] 회귀

1. 회귀분석이란?

쉬운 말로

정확한 정의

2. 상관분석 vs 회귀분석

3. 단순선형회귀 (가장 기본)

회귀식

예시로 이해하기

4. 선은 어떻게 긋나? → 최소제곱법

쉬운 말로

정확한 개념

5. 회귀 결과 확인할 것

R² 예시 해석

6. 다중회귀 (X가 여러 개)

7. 회귀분석 주의사항

8. Python으로 해보기

summary()에서 볼 곳

예측하기

9. QA/QC 실무에서는 어떻게 쓰일까?

✅ 핵심 정리

[통계] A/B 테스트 공부

1. 핵심 내용

✔️ A/B 테스트란?

✔️ 왜 '무작위'가 중요할까?

2. 주요 포인트 7가지

1️⃣ 무작위 배정이 핵심

2️⃣ 가설과 지표를 먼저 정하기

3️⃣ 표본 크기와 기간은 미리 계산하기

4️⃣ 차이의 '크기'보다 '신뢰도'

5️⃣ 중간에 멈추지 않기

6️⃣ 그룹 비율이 어긋나면 의심하기

7️⃣ 너무 좋은 결과는 먼저 검증하기

3. 어디에 쓸까? (사용처)

실제 사례 2가지

부적절한 사용처

4. 핵심 용어 사전

실험 기본

지표

통계

주의할 현상

5. 오늘의 정리 ✍️

✅ 3줄 요약

[통계] 모집단부터 확률 분포까지

1. 모집단과 표본

2. 표본오차와 신뢰구간

신뢰구간

3. 정규분포

68-95-99.7 법칙

Z-점수

4. 긴 꼬리 분포

5. 스튜던트 t 분포

6. 카이제곱분포

7. 이항분포

8. 푸아송분포

9. 오늘 배운 분포 한눈에 정리

암기 문장

오늘의 회고

[통계 기초] 와 연관있는 파이썬 함수를 같이 공부할것이야

[반도체 도메인 조사] 26.10.14 식각 공정 정리

식각 공정이 중요한 이유

2. 반도체 제조 공정에서 식각의 위치

3. 식각 공정의 종류

`summary()`에서 볼 곳