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 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.
Minitab의 정규성 검정 해석 지침도 P값을 유의수준과 비교하되, 확률도에서 점들이 적합선에 얼마나 가깝게 놓이는지 함께 보도록 안내합니다.
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 항목 | 답하려는 질문 | 단독으로 판단할 수 없는 것 |
|---|---|---|
| 정규성 검정의 P값 | 표본이 정규분포 가정과 명확하게 충돌하는가? | 규격 만족 여부, 공정 안정성, 불량률의 실질적 중요성 |
| Cp·Pp | 공정 산포가 규격폭에 비해 얼마나 넓은가? | 공정 중심의 치우침과 시간에 따른 안정성 |
| Cpk·Ppk | 공정의 산포와 중심 위치가 규격 한계와 어떤 관계인가? | 사용한 분포모형이 적절한지, 공정이 관리상태인지 |
| 관리도 | 시간 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?
- 데이터 수집구조를 확인합니다.
서로 다른 설비, Cavity, Shift, Tool 수명구간 또는 원재료 Lot가 하나로 섞였는지 확인합니다. - 시간 순서로 공정 안정성을 봅니다.
관리도에서 평균 이동, 산포 변화, Warm-up 또는 Tool wear가 존재하면 하나의 고정 분포로 묶는 것부터 재검토해야 합니다. - 확률도와 원자료를 함께 봅니다.
곡률, 긴 꼬리, 이상치와 층별 군집이 있는지 확인합니다. P값 한 칸만 복사해 보고하지 않습니다. - 측정시스템을 확인합니다.
분해능 부족, 반올림, 측정 위치 변경이나 Gage 변동이 분포의 모양을 왜곡할 수 있습니다. - 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
- Minitab — Interpret the Key Results for Normality Test
- Fisher, R. A. (1925), Statistical Methods for Research Workers
- Wasserstein, R. L. & Lazar, N. A. (2016), The ASA’s Statement on p-Values: Context, Process, and Purpose
- APEX Technical Hub — P-Value in Capability Analysis: Why 0.05?
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
댓글 쓰기