측정 데이터의 평균·중앙값·표준편차는 무엇을 의미할까

측정값의 중심과 변동을 이해하는 기본 통계량

제품의 길이나 직경을 여러 번 측정하면 같은 제품이라도 측정값이 조금씩 다르게 나타날 수 있습니다. 이러한 차이는 제품 자체의 변동, 측정기, 측정 방법, 주변 환경 등 여러 요인에서 발생합니다.

예를 들어 부품의 직경을 측정한 결과가 다음과 같다고 가정해 보겠습니다.

10.01mm, 9.99mm, 10.02mm, 10.00mm, 10.03mm, 9.98mm

이처럼 여러 개의 측정값을 분석할 때 기본적으로 사용하는 통계량이 평균, 중앙값, 표준편차입니다.

평균은 측정값의 대표적인 중심을 나타내고, 중앙값은 데이터를 크기순으로 정렬했을 때 가운데 위치를 보여줍니다. 표준편차는 측정값이 평균 주변에 얼마나 퍼져 있는지 나타냅니다.

세 가지 통계량을 함께 살펴보면 측정값의 중심과 변동을 구분해서 이해할 수 있습니다. 이는 제조 현장에서 제품 치수와 중량을 관리하거나 측정 결과의 특성을 비교할 때 중요한 기초가 됩니다.

평균은 측정 데이터의 중심을 어떻게 나타낼까

평균은 모든 측정값을 더한 다음 데이터의 개수로 나누어 계산합니다.

예를 들어 부품의 직경을 다섯 번 측정한 결과가 다음과 같다고 가정하겠습니다.

10.0mm, 10.2mm, 9.9mm, 10.1mm, 9.8mm

측정값의 합은 50.0mm이며, 측정 횟수는 5회입니다.

평균 = 측정값의 합 ÷ 측정값의 개수

평균 = 50.0 ÷ 5 = 10.0mm

따라서 이 측정 데이터의 평균은 10.0mm입니다.

평균은 여러 개의 측정 결과를 하나의 숫자로 요약할 수 있다는 장점이 있습니다. 부품의 평균 직경, 제품의 평균 중량, 공정의 평균 온도처럼 다양한 품질 특성을 비교할 때 활용할 수 있습니다.

다만 평균만으로 측정 데이터 전체를 판단하기는 어렵습니다. 평균이 같더라도 측정값이 평균 주변에 모여 있는 정도는 서로 다를 수 있기 때문입니다.

평균이 같아도 측정 데이터의 변동은 다를 수 있다

두 생산공정의 평균 직경이 모두 10.00mm라고 가정해 보겠습니다.

A 공정의 측정값은 다음과 같습니다.

9.99mm, 10.00mm, 10.01mm, 10.00mm, 10.00mm

B 공정의 측정값은 다음과 같습니다.

9.80mm, 10.20mm, 9.90mm, 10.10mm, 10.00mm

두 공정의 평균은 모두 10.00mm입니다. 그러나 A 공정의 값은 평균 주변에 가깝게 모여 있고, B 공정의 값은 더 넓게 퍼져 있습니다.

이처럼 평균은 비슷하지만 데이터의 변동은 다를 수 있습니다. 측정값이 얼마나 퍼져 있는지 확인하려면 범위나 분산, 표준편차 같은 통계량을 추가로 살펴봐야 합니다.

특히 생산공정에서는 평균이 목표값에 가까운지뿐 아니라 측정값의 변동이 허용 가능한 수준인지도 중요합니다.

중앙값은 무엇을 의미할까

중앙값은 측정값을 작은 값부터 큰 값 순서로 정렬했을 때 가운데에 위치하는 값입니다.

측정값이 5개라면 세 번째 값이 중앙값입니다.

예를 들어 다음과 같은 데이터가 있다고 가정하겠습니다.

9.8, 9.9, 10.0, 10.1, 10.2

가운데 값은 10.0이므로 중앙값은 10.0입니다.

측정값이 짝수 개라면 가운데에 위치한 두 값의 평균을 중앙값으로 사용합니다.

예를 들어 다음과 같은 여섯 개의 측정값이 있다면,

9.8, 9.9, 10.0, 10.1, 10.2, 10.5

가운데 두 값은 10.0과 10.1입니다.

중앙값 = (10.0 + 10.1) ÷ 2 = 10.05

따라서 중앙값은 10.05입니다.

중앙값의 중요한 특징은 극단적으로 크거나 작은 값 하나의 영향을 평균보다 덜 받는다는 것입니다. 따라서 측정값에 이상값이 포함되어 있거나 데이터가 한쪽으로 치우쳐 있을 때 대표적인 중심을 살펴보는 데 유용합니다.

이상값이 있을 때 평균과 중앙값은 어떻게 달라질까

제품 무게를 측정한 결과가 다음과 같다고 가정해 보겠습니다.

100g, 101g, 99g, 100g, 102g, 150g

150g이 다른 값보다 상당히 크다는 점을 확인할 수 있습니다. 이 값이 측정 오류인지, 실제 제품의 차이인지, 아니면 공정에서 발생한 이상 현상인지는 별도로 조사해야 합니다.

여섯 개 값의 평균은 다음과 같습니다.

평균 = 652 ÷ 6 ≈ 108.67g

데이터를 크기순으로 정렬하면 99g, 100g, 100g, 101g, 102g, 150g입니다. 가운데 두 값은 100g과 101g이므로 중앙값은 100.5g입니다.

이 사례에서는 큰 값 하나의 영향으로 평균이 높아졌지만 중앙값은 상대적으로 영향을 덜 받았습니다.

다만 중앙값이 이상값을 자동으로 찾아내거나 제거하는 것은 아닙니다. 이상값이 발견되면 측정기 상태, 측정 방법, 제품 상태와 생산 조건을 확인해야 합니다. 원인을 확인하지 않은 채 값을 삭제하면 실제 품질 문제를 놓칠 수 있습니다.

표준편차는 측정값의 변동을 어떻게 나타낼까

표준편차는 측정값이 평균을 중심으로 얼마나 퍼져 있는지를 나타내는 통계량입니다.

표준편차가 작으면 측정값이 평균 주변에 비교적 가깝게 모여 있고, 표준편차가 크면 평균에서 멀리 떨어진 값이 상대적으로 많이 나타날 수 있습니다.

모집단 전체의 표준편차는 다음과 같이 계산합니다.

[
\sigma=\sqrt{\frac{\sum_{i=1}^{N}(x_i-\mu)^2}{N}}
]

여기서 각 기호는 다음을 의미합니다.

• (x_i): 개별 측정값
• (\mu): 모집단 평균
• (N): 측정값의 개수
• (\sigma): 모집단 표준편차

실제 생산 데이터처럼 전체 공정에서 발생할 수 있는 모든 값을 확보하지 못하고 일부 표본만 측정한 경우에는 일반적으로 표본 표준편차를 계산합니다. 이때는 편차 제곱의 합을 (n-1)로 나눈 뒤 제곱근을 구합니다.

표본 표준편차 = 편차 제곱의 합을 (n-1)로 나눈 값의 제곱근

모집단 표준편차와 표본 표준편차는 계산 목적이 다르므로 어떤 데이터를 분석하는지에 따라 적절한 공식을 선택해야 합니다.

표준편차는 원래 측정값과 같은 단위를 사용합니다. 길이를 mm로 측정했다면 표준편차도 mm로 표시됩니다. 따라서 평균에서 측정값이 얼마나 변하는지 실제 측정 단위로 이해할 수 있습니다.

표준편차가 작으면 무조건 품질이 좋은 것일까

표준편차가 작다는 것은 측정값의 변동이 작다는 뜻입니다. 하지만 측정값이 목표값에 가까운지는 별개의 문제입니다.

예를 들어 부품의 목표 직경이 10.00mm인데 측정값이 다음과 같다고 가정하겠습니다.

10.19mm, 10.20mm, 10.20mm, 10.21mm, 10.20mm

측정값은 좁은 범위에 모여 있으므로 표준편차가 작게 나타납니다. 그러나 평균은 목표값인 10.00mm보다 약 0.20mm 높습니다.

이처럼 측정값의 변동은 작더라도 전체적으로 목표에서 벗어날 수 있습니다.

따라서 품질을 평가할 때는 평균이나 중앙값으로 중심 위치를 확인하고, 표준편차로 변동 정도를 확인해야 합니다. 여기에 제품 규격의 상한과 하한까지 비교해야 규격을 만족하는지 판단할 수 있습니다.

평균과 중앙값이 비슷하거나 다르면 무엇을 알 수 있을까

평균과 중앙값은 모두 데이터의 중심을 설명하지만, 데이터의 분포에 따라 서로 다른 값을 나타낼 수 있습니다.

측정값이 중심을 기준으로 비교적 대칭적으로 분포한다면 평균과 중앙값이 비슷해지는 경우가 많습니다. 반면 데이터가 한쪽으로 길게 늘어져 있거나 극단값이 포함되어 있으면 두 값 사이에 차이가 커질 수 있습니다.

예를 들어 측정값이 대부분 100g 부근에 모여 있지만 일부 제품의 무게가 훨씬 크다면 평균은 그 큰 값의 영향을 받아 중앙값보다 높아질 수 있습니다.

다만 평균과 중앙값이 비슷하다고 해서 반드시 정규분포라고 판단할 수는 없습니다. 데이터의 실제 분포를 확인하려면 히스토그램이나 추가적인 통계 분석을 함께 사용하는 것이 좋습니다.

평균·중앙값·표준편차는 어떻게 함께 활용할까

통계량	주요 의미	활용 목적
평균	측정값의 산술적 중심	목표값과 중심 위치 비교
중앙값	정렬된 데이터의 가운데 위치	극단값의 영향을 덜 받는 중심 파악
표준편차	평균 주변의 산포 정도	측정값의 변동 비교

예를 들어 평균이 목표값과 가깝고 표준편차도 작다면 측정값의 중심과 변동 측면에서 양호한 상태일 가능성이 있습니다. 반대로 평균은 목표값에 가깝지만 표준편차가 크다면 공정의 변동 원인을 확인해야 합니다.

평균과 중앙값이 크게 다르면 데이터가 한쪽으로 치우쳐 있는지, 극단값이 영향을 주고 있는지 살펴볼 수 있습니다.

이처럼 각 통계량을 함께 확인하면 측정 데이터에서 중심 위치와 변동 특성을 구분해 분석할 수 있습니다.

생산 품질관리에서 세 가지 통계량은 어떻게 활용될까

부품 치수 관리

가공 부품의 직경, 길이, 두께 등을 반복 측정해 평균과 표준편차를 확인할 수 있습니다. 평균이 계속 이동한다면 설비 설정이나 공구 마모 등을 점검하고, 표준편차가 커졌다면 공정 변동의 원인을 조사할 수 있습니다.

제품 중량 관리

식품이나 화학제품처럼 일정한 중량을 유지해야 하는 생산에서는 평균 중량과 측정값의 산포를 함께 살펴볼 수 있습니다. 중앙값을 함께 확인하면 일부 극단적인 중량값이 전체 중심에 미치는 영향도 파악하는 데 도움이 됩니다.

온도와 압력 등 공정조건 분석

생산 중 기록되는 온도와 압력의 평균 및 표준편차를 분석하면 일반적인 운전 수준과 변동 정도를 파악할 수 있습니다. 다만 시간에 따른 변화가 중요한 공정에서는 평균과 표준편차만으로 충분하지 않으므로 관리도 등으로 데이터의 흐름도 확인해야 합니다.

측정 데이터 분석에서 주의해야 할 사항

측정 데이터의 평균과 표준편차를 계산했다고 해서 결과가 자동으로 신뢰할 만해지는 것은 아닙니다.

먼저 측정값이 충분한지 확인해야 합니다. 데이터가 너무 적거나 특정 시간대와 조건에서만 수집되었다면 전체 공정을 제대로 대표하지 못할 수 있습니다.

다음으로 이상값의 원인을 확인해야 합니다. 측정 오류일 수도 있지만 실제 공정의 문제를 나타내는 값일 수도 있으므로 근거 없이 삭제해서는 안 됩니다.

측정시스템의 신뢰성도 중요합니다. 측정기의 상태나 측정 방법이 일정하지 않으면 실제 제품의 변동과 측정 과정에서 발생한 변동을 구분하기 어렵습니다.

마지막으로 평균과 표준편차가 같더라도 시간에 따른 데이터의 흐름은 다를 수 있습니다. 공정이 안정적인지 확인해야 하는 경우에는 측정 순서와 시간 정보를 유지하고 관리도 등을 함께 활용하는 것이 좋습니다.

자주 묻는 질문

Q: 평균과 중앙값 중 어떤 것을 사용하는 것이 좋을까요?

A: 데이터의 특성과 분석 목적에 따라 다릅니다. 평균은 모든 측정값을 반영한 산술적 중심을 나타내며, 중앙값은 극단값의 영향을 상대적으로 덜 받는 중심을 보여줍니다. 필요하다면 두 값을 함께 비교하는 것이 좋습니다.

Q: 표준편차가 작으면 품질이 좋은 것인가요?

A: 반드시 그렇지는 않습니다. 표준편차가 작다는 것은 측정값의 변동이 작다는 의미입니다. 평균이 목표값이나 허용 규격에서 벗어나 있다면 표준편차가 작아도 품질 기준을 만족하지 못할 수 있습니다.

Q: 평균과 중앙값이 크게 다르면 문제가 있다는 뜻인가요?

A: 반드시 문제라는 뜻은 아닙니다. 데이터가 한쪽으로 치우쳐 있거나 극단값이 포함되어 있을 때 두 값의 차이가 커질 수 있습니다. 히스토그램과 측정 조건을 확인해 차이가 발생한 원인을 살펴보는 것이 좋습니다.

Q: 표준편차는 왜 표본과 모집단에서 계산 방법이 다른가요?

A: 모집단 표준편차는 분석 대상 전체의 평균을 기준으로 계산하며, 표본 표준편차는 일부 데이터로 전체의 변동을 추정하기 위해 일반적으로 (n-1)로 나눕니다. 실제 생산공정에서는 전체 데이터를 모두 확보하기 어려운 경우가 많아 표본 표준편차를 사용하는 일이 많습니다.

Q: 평균과 표준편차만으로 공정능력을 판단할 수 있나요?

A: 두 통계량은 공정의 중심과 변동을 이해하는 데 중요하지만, 그것만으로 공정능력을 확정할 수는 없습니다. 규격 상한과 하한, 공정의 안정성, 데이터 분포와 측정시스템의 신뢰성도 함께 확인해야 합니다.

마무리

평균, 중앙값, 표준편차는 측정 데이터의 특성을 이해하는 데 필요한 기본 통계량입니다. 평균은 산술적 중심을, 중앙값은 데이터의 가운데 위치를, 표준편차는 측정값의 산포를 보여줍니다.

세 가지를 함께 살펴보면 측정값이 어느 위치에 모여 있는지, 극단값이 중심에 영향을 주는지, 데이터의 변동이 어느 정도인지 더 구체적으로 파악할 수 있습니다.

제조 현장에서는 이러한 기초 분석을 바탕으로 히스토그램, 관리도, 공정능력지수 등을 활용해 품질 상태를 더 자세히 평가할 수 있습니다. 중요한 것은 통계량 하나만으로 결론을 내리지 않고, 측정 데이터가 수집된 조건과 실제 규격을 함께 고려하는 것입니다.