기본 콘텐츠로 건너뛰기

공정능력 분석의 P값, 왜 항상 0.05를 기준으로 볼까?

품질 관련 업무를 하다 보면 공정능력 분석표에서 반복해서 만나는 숫자가 있습니다. 바로 P값(P-value) 0.05입니다. 사내 절차서나 고객 요구사항에는 “P값이 0.05보다 커야 한다”는 기준이 적혀 있고, 분석 프로그램도 결과를 자동으로 표시합니다.

저 역시 처음에는 그 규정을 그대로 적용했습니다. 하지만 통계 전문가가 아니었기 때문에 의문이 계속 남았습니다.

  • P값이 0.05보다 크면 데이터가 정규분포라는 뜻인가?
  • 0.049와 0.051은 실제로 완전히 다른 공정인가?
  • P값이 낮으면 Cpk도 신뢰할 수 없는가?
  • 왜 기준은 0.04나 0.10이 아니라 항상 0.05인가?

규정은 있었지만 그 숫자가 답하는 질문을 이해하지 못하면 결과를 기계적으로 판정하게 됩니다. 그래서 이 글은 통계 이론을 깊게 설명하기보다, 공정능력을 검토하는 엔지니어가 P값을 어떻게 읽어야 하는지를 제가 처음 궁금했던 질문부터 다시 정리한 내용입니다.

P값은 공정이 규격을 만족하는지를 판정하는 숫자가 아닙니다. 현재 데이터가 선택한 통계모형과 얼마나 충돌하는지를 판단하기 위한 하나의 증거입니다.

P값은 분포 가정을, Cpk는 규격 대비 공정의 중심과 산포를 검토 인포그래픽스
P값은 분포 가정을, Cpk는 규격 대비 공정의 중심과 산포를 검토합니다.

P값보다 먼저 ‘무엇을 검정했는가’를 확인해야 합니다

공정능력 분석에서 P값을 볼 때 가장 먼저 확인할 것은 숫자가 아니라 검정의 대상과 귀무가설입니다. 예를 들어 Minitab의 정규성 검정에서는 일반적으로 다음과 같이 시작합니다.

귀무가설 H₀: 데이터가 정규분포를 따른다.

검정은 이 가정을 출발점으로 삼고, 실제 표본이 그 가정 아래에서 보기 드문 결과인지를 평가합니다. P값이 작을수록 관측된 데이터가 정규분포 가정과 잘 맞지 않는다는 증거가 강해집니다.

여기서 중요한 점은 P값이 “정규분포일 확률”을 직접 계산한 값이 아니라는 것입니다. 예를 들어 P = 0.08이라고 해서 데이터가 정규분포일 확률이 8%라는 뜻이 아닙니다. 또한 P = 0.80이라고 해서 정규분포라는 사실이 80% 확실해지는 것도 아닙니다.

0.05를 기준으로 읽으면 어떤 결론이 되는가?

유의수준 α를 0.05로 정했다면 판단은 다음과 같이 이루어집니다.

P값 ≤ 0.05정규분포라는 귀무가설을 기각합니다. 정규모형과 맞지 않는다는 통계적 증거가 있으므로 확률도, 공정 안정성, 이상치, 혼합 Lot와 측정오류를 추가로 확인해야 합니다.
P값 > 0.05귀무가설을 기각할 증거가 충분하지 않습니다. 이것은 ‘정규분포로 입증됨’이 아니라, 현재 표본에서 정규모형을 배제할 만큼 강한 증거를 찾지 못했다는 뜻입니다.

Minitab의 정규성 검정 해석 지침도 P값을 유의수준과 비교하되, 확률도에서 점들이 적합선에 얼마나 가깝게 놓이는지 함께 보도록 안내합니다.

자주 생기는 오해
P값이 0.05보다 크다는 결과는 정규성을 증명한 것이 아닙니다. 반대로 0.05보다 작다는 이유만으로 모든 공정능력 분석을 즉시 폐기해야 한다는 뜻도 아닙니다. 검정 결과가 왜 그렇게 나왔는지 데이터와 공정을 함께 조사해야 합니다.

P값과 Cpk는 같은 합격판정을 하지 않습니다

P값과 Cpk가 같은 분석 보고서에 표시되기 때문에 두 숫자를 하나의 합격기준처럼 연결하기 쉽습니다. 그러나 두 값이 답하는 질문은 다릅니다.

검토 항목답하려는 질문단독으로 판단할 수 없는 것
정규성 검정의 P값표본이 정규분포 가정과 명확하게 충돌하는가?규격 만족 여부, 공정 안정성, 불량률의 실질적 중요성
Cp·Pp공정 산포가 규격폭에 비해 얼마나 넓은가?공정 중심의 치우침과 시간에 따른 안정성
Cpk·Ppk공정의 산포와 중심 위치가 규격 한계와 어떤 관계인가?사용한 분포모형이 적절한지, 공정이 관리상태인지
관리도시간 순서에서 특수원인이나 불안정 신호가 있는가?공정이 고객 규격을 만족하는지

예를 들어 Cpk가 높아도 데이터가 여러 설비나 금형 Cavity의 혼합분포라면 하나의 정규분포로 계산한 예측이 실제 공정을 제대로 표현하지 못할 수 있습니다. 반대로 P값이 0.05보다 약간 작더라도 매우 큰 표본에서 발생한 경미한 꼬리 차이인지, 공정의 물리적 원인 때문에 생긴 중요한 비정규성인지 구분해야 합니다.

즉, P값은 공정능력지수를 읽기 전에 확인해야 할 가정의 증거이고, Cpk는 공정 산포와 중심이 규격에 대해 어디에 있는지를 보여주는 별도의 지표입니다.

0.05는 자연법칙이 아니라 선택한 판단 기준입니다

처음 통계를 배울 때 가장 궁금했던 부분은 “왜 하필 0.05인가?”였습니다. 0.05가 수학적으로 유일하게 옳은 경계라면 0.049와 0.051은 완전히 다른 의미를 가져야 합니다. 하지만 실제로는 그렇지 않습니다.

5% 유의수준은 Ronald A. Fisher 시대의 통계적 유의성 논의와 함께 널리 사용된 실무적 관행입니다. 귀무가설이 맞는데도 이를 기각하는 오류를 어느 정도 감수할 것인지 정한 기준이며, 모든 제품과 모든 위험에 자동으로 적합한 값은 아닙니다.

따라서 P = 0.049는 실패, P = 0.051은 완전 합격이라고 해석하기보다 두 결과 모두 경계 부근의 증거로 보고 확률도, 표본 수, 이상치, 공정 메커니즘과 데이터 수집조건을 함께 검토하는 편이 타당합니다.

표본 수가 달라지면 같은 형상의 데이터도 다르게 보입니다

P값은 데이터의 형상뿐 아니라 표본 수의 영향을 받습니다. 이 때문에 현장에서는 서로 반대인 두 가지 오판이 생길 수 있습니다.

표본이 적을 때

데이터가 적으면 검정이 실제 비정규성을 찾아낼 힘이 부족할 수 있습니다. P값이 크게 나왔다고 안심했지만, 확률도에는 곡률이 보이거나 공정상 한쪽으로만 발생하는 물리적 한계가 있을 수 있습니다. 작은 표본의 높은 P값은 강한 정규성 증거로 보기 어렵습니다.

표본이 매우 많을 때

데이터가 많아지면 검정은 작은 차이에도 민감해집니다. 생산 판단에 미치는 영향이 거의 없는 미세한 꼬리 차이도 낮은 P값을 만들 수 있습니다. 이때는 통계적으로 차이가 있다는 사실과 그 차이가 품질·불량률 예측에 실질적으로 중요한지를 분리해야 합니다.

표본이 많으면 낮은 P값을 무시해도 된다는 의미는 아닙니다. 낮은 값이 나온 이유를 확인하되, 숫자의 크기만으로 공정모형을 바꾸지 말아야 한다는 뜻입니다.

현장에서 P값이 낮게 나오면 무엇부터 확인해야 할까?

  1. 데이터 수집구조를 확인합니다.
    서로 다른 설비, Cavity, Shift, Tool 수명구간 또는 원재료 Lot가 하나로 섞였는지 확인합니다.
  2. 시간 순서로 공정 안정성을 봅니다.
    관리도에서 평균 이동, 산포 변화, Warm-up 또는 Tool wear가 존재하면 하나의 고정 분포로 묶는 것부터 재검토해야 합니다.
  3. 확률도와 원자료를 함께 봅니다.
    곡률, 긴 꼬리, 이상치와 층별 군집이 있는지 확인합니다. P값 한 칸만 복사해 보고하지 않습니다.
  4. 측정시스템을 확인합니다.
    분해능 부족, 반올림, 측정 위치 변경이나 Gage 변동이 분포의 모양을 왜곡할 수 있습니다.
  5. 물리적으로 맞는 모형을 선택합니다.
    변환이나 비정규분포를 적용할 때는 가장 높은 Cpk가 나오는 방법이 아니라 공정 메커니즘과 데이터에 타당한 방법을 선택하고 그 근거를 기록합니다.

이 순서는 “P값을 높이는 방법”이 아닙니다. 분석결과가 실제 공정을 설명하도록 만드는 확인 절차입니다. 이상치를 임의로 삭제하거나 여러 분포를 반복 적용해 가장 유리한 결과만 선택하면 숫자는 좋아질 수 있지만 의사결정의 신뢰성은 낮아집니다.

Engineering Recommendation

  • 보고서에는 P값만 기록하지 말고 사용한 정규성 검정, 유의수준, 표본 수와 확률도를 함께 남깁니다.
  • P값과 Cp·Cpk·Pp·Ppk의 합부 판단을 하나의 규칙으로 합치지 않습니다.
  • 공정 안정성을 관리도로 먼저 확인하고, 불안정한 기간의 데이터를 하나의 분포로 해석하지 않습니다.
  • 설비·Cavity·Shift·Lot·Tool 수명에 따른 층별 데이터를 비교하여 혼합분포 여부를 확인합니다.
  • 경계 부근의 P값은 0.05 한 줄로 결론내리지 말고 확률도와 공정의 물리적 원인을 검토합니다.
  • 변환이나 비정규 공정능력 분석을 선택한 경우 분포 선정근거와 고객 요구사항을 함께 문서화합니다.
  • 분석 프로그램의 기본값을 그대로 적용하기 전에 사내 절차와 고객지정요구사항을 확인합니다.

제가 처음 P값을 접했을 때 필요했던 것은 복잡한 수식보다 “이 숫자가 정확히 어떤 질문에 답하는가”라는 설명이었습니다. P값은 정규성 합격도장이 아니며, Cpk를 대신하는 판정값도 아닙니다. 공정 데이터와 선택한 분포모형 사이의 관계를 살펴보게 하는 출발점에 가깝습니다.

따라서 다음에 공정능력 보고서에서 P = 0.03 또는 P = 0.20을 보게 된다면 바로 합격과 불합격을 결정하기보다, 표본 수와 확률도, 공정 안정성, 측정시스템 및 데이터가 만들어진 조건을 먼저 확인하는 것이 좋습니다.

Technical Basis

이 글은 일반적인 제조·품질 교육을 위한 자료입니다. 실제 공정능력 승인기준과 분석방법은 고객지정요구사항, 사내 절차, 데이터 구조 및 적용 소프트웨어의 정의를 확인해 결정해야 합니다.

댓글

이 블로그의 인기 게시물

SPC 매뉴얼 2026년 개정 총정리

SPC 매뉴얼, 왜 새로 통합되었나 자동차 업계에서는 오랫동안 미국 AIAG의 SPC 매뉴얼과 독일 VDA의 SPC 관련 지침이 함께 사용되어 왔습니다. 두 체계는 통계적 공정관리라는 같은 목적을 갖고 있었지만 용어와 통계적 접근에 차이가 있어, 글로벌 공급망에서는 고객과 지역에 따라 서로 다른 방식으로 결과를 해석하거나 보고해야 하는 경우가 있었습니다. AIAG와 VDA는 2026년 6월 30일 새로운 공동 SPC 매뉴얼의 발간을 발표했으며, AIAG에서는 7월부터 1st Edition을 공식 제공하고 있습니다. 새 매뉴얼의 핵심은 기존 접근법을 하나의 국제적인 체계로 조화시키고 ISO 22514 및 ISO 3534 시리즈와의 정합성을 높여, 자동차 공급망에서 보다 일관된 SPC 적용과 의사소통이 가능하도록 하는 데 있습니다. 성능(Performance)과 능력(Capability)의 명확한 구분 이번 통합 매뉴얼에서 실무적으로 특히 중요한 부분은 Performance와 Capability를 구분해서 적용하는 것입니다. Pp·Ppk와 Cp·Cpk는 모두 규격 대비 공정 변동을 평가하지만, 적용 조건과 해석은 같지 않습니다. 공정의 안정성이 아직 입증되지 않았거나 통계적 관리 상태에 있지 않은 경우에는 Performance 지수인 Pp·Ppk를 사용합니다. 반대로 관리도 등을 통해 공정이 통계적 관리 상태에 있음이 확인된 경우에는 Capability 지수인 Cp·Cpk를 적용할 수 있습니다. 따라서 Cpk 값 자체가 안정성을 증명하는 것은 아니며, Cpk를 공정능력으로 해석하려면 먼저 공정 안정성에 대한 근거가 있어야 합니다. 공정능력지수, 두 가지 계산 접근을 하나의 체계에서 다룬다 새 매뉴얼은 공정성능·공정능력 지수를 평가할 때 일반 기하학적 방법(General Geometric Method)과 Z-스코어(Bothe) 방법을 구분해서 사용할 수 있도록 제시합니다. 일반 기하학적 방법은 ISO 22514 계열의 접근과 연결되며 분포의 분위수...

공정능력지수 계산법, 두가지 방식

이번 글에서는 공정능력지수를 실제로 계산하는 두 가지 방법을 더 깊이 다룹니다. 이 주제와 관련된 게시글은 이 글의 맨 아래 링크를 참조하시기 바랍니다. 공정능력지수 계산법, 왜 두 가지로 나뉘었나 2026년 AIAG·VDA 통합 SPC 매뉴얼의 중요한 변화 중 하나는 기존 AIAG와 VDA·ISO 계열에서 사용해 온 서로 다른 통계적 접근을 하나의 체계 안에서 다룬다는 점입니다. AIAG와 VDA는 새 매뉴얼을 통해 기존에 달랐던 SPC 접근법과 용어를 조화시키고, 공정 특성·데이터 유형·모니터링 목적에 따라 적절한 방법을 선택하도록 안내하고 있습니다. 공정성능·공정능력 지수를 평가할 때는 일반 기하학적 방법(General Geometric Method)과 Z-스코어(Bothe) 방법을 구분해서 이해할 필요가 있습니다. 중요한 것은 어느 한쪽이 항상 맞고 다른 쪽이 틀린 것이 아니라, 데이터의 분포 특성과 고객 요구사항, 기존 보고 체계 등을 고려해 적절한 방법을 선택하고 사용한 계산방법을 명확히 식별하는 것입니다. 공정능력지수 2가지 계산법 일반 기하학적 방법(General Geometric Method) 일반 기하학적 방법은 분포의 분위수와 규격 한계의 상대적 위치를 이용해 공정성능 또는 공정능력을 평가하는 접근입니다. 대표적으로 0.135%, 50%, 99.865% 분위수를 이용하며, 정규분포만을 전제로 하는 전통적인 6σ·3σ 표현을 보다 일반적인 분포 형태로 확장할 수 있다는 장점이 있습니다. 데이터가 정규분포를 따르는 경우에는 해당 분위수가 평균을 중심으로 약 ±3σ 위치에 대응하므로 전통적인 지수와 같은 개념으로 연결됩니다. 반면 비정규 데이터에서는 실제 분포 형태에 맞는 분위수를 이용함으로써 단순히 정규분포를 가정하는 데서 생길 수 있는 왜곡을 줄일 수 있습니다. Z-스코어(Bothe) 방법은 무엇인가 Z-스코어(Bothe) 방법은 규격 하한과 상한을 벗어나는 비율을 표준정규분포의 Z값으로 환산한 뒤 이를 이용해 성능지수...

품질관리와(QC)와 품질보증(QA) 근본적 차이는?

품질관리(QC)와 품질보증(QA), 무엇이 다른가? 현장에서는 QC(Quality Control)와 QA(Quality Assurance)를 각각 ‘검사’와 ‘예방’으로 단순하게 구분하는 경우가 많습니다. 이해하기 쉬운 설명이지만 실제 품질경영에서는 두 기능의 범위가 더 넓습니다. ISO 9000에서 QC는 품질 요구사항을 충족하는 데 초점을 둔 품질경영의 일부 , QA는 품질 요구사항이 충족될 것이라는 신뢰를 제공하는 데 초점을 둔 품질경영의 일부 로 구분합니다. 따라서 QC와 QA는 어느 한쪽이 상위 개념이거나 서로 경쟁하는 기능이 아닙니다. QC가 제품과 공정의 현재 상태를 확인하고 이상을 검출·조치하는 데 강점이 있다면, QA는 그러한 품질이 반복적으로 확보될 수 있도록 프로세스와 시스템을 구축하고 유지하는 데 더 큰 비중을 둡니다. 결국 두 기능 모두 더 넓은 품질경영(Quality Management)의 일부입니다. QC는 단순한 최종검사가 아니다 QC의 대표적인 활동은 검사, 측정, 시험을 통해 제품이 도면과 규격을 만족하는지 확인하는 것입니다. 하지만 QC를 완성품 검사만으로 한정해서는 안 됩니다. 생산 중 공정 특성을 측정하고 SPC와 관리도로 이상을 모니터링하거나, 부적합품을 식별·격리하고 추가 유출을 막기 위한 조치를 취하는 것도 QC의 중요한 역할입니다. 예를 들어 샤프트의 치수와 경도를 검사해 규격 적합성을 판단하고 이상 로트를 격리하는 것은 전형적인 QC 활동입니다. 여기서 중요한 것은 불량을 발견했다는 사실 자체가 아니라, 부적합 제품이 다음 공정이나 고객에게 넘어가지 않도록 통제하는 것입니다. QC는 문제가 발생했을 때 고객을 보호하는 가장 직접적인 방어선 역할을 합니다. QA는 품질이 반복될 수 있는 시스템을 만든다 QA는 QC보다 ‘한 단계 높은 활동’이라기보다 초점이 다른 기능입니다. 품질 요구사항이 지속적으로 충족될 것이라는 신뢰를 확보하기 위해 품질계획, 표준과 절차, 공정감사, 교육, 공급업체 관리, 시정...