분포 자유 누적합 관리도와 부트스트랩 기반 제어한계

초록

본 논문은 사전 인‑컨트롤 데이터가 존재하고, 인‑컨트롤·아웃‑컨트롤 분포가 알려지지 않은 경우를 위한 단계 II 단변량 SPC 방법을 제시한다. 기존 CUSUM 차트는 정규성 가정 하에 단일 제어한계를 사용하지만, 실제 데이터는 정규성을 위배할 때가 많아 기대 평균 운행길이(ARL)가 크게 변한다. 저자는 (1) CUSUM 통계량이 마지막으로 0이 된 시점 이후의 조건부 분포에 기반한 일련의 제어한계를 도입하고, (2) 이 제어한계를 부트스트랩으로 추정하는 절차를 제안한다. 제안 방법은 분포에 무관하며, 인‑컨트롤 ARL을 명목값에 가깝게 유지하면서 아웃‑컨트롤 감지를 강건하게 수행한다.

상세 분석

이 연구는 전통적인 CUSUM 차트가 갖는 두 가지 근본적인 한계를 극복한다. 첫째, 기존 CUSUM은 인‑컨트롤 평균과 분산이 알려진 정규분포를 전제로 단일 상수 제어한계 h를 설정한다. 실제 제조·공정 현장에서는 데이터가 비대칭, 중첨도, 혹은 다중모드 형태를 보이는 경우가 빈번하여, 정규성 가정이 깨지면 인‑컨트롤 평균 운행길이(ARL₀)가 명목값(예: 200)과 크게 차이난다. 이는 과도한 경보 혹은 지연된 탐지를 초래한다. 둘째, 제어한계가 고정돼 있기 때문에, CUSUM 통계량이 0에 도달한 후 재시작되는 구간마다 동일한 임계값을 적용한다는 점이 비효율적이다. 실제로 CUSUM이 0에 도달한 시점은 과거 관측값들의 누적 효과가 소멸했음을 의미하므로, 그 이후의 통계량 분포는 초기 구간과 다를 가능성이 크다.

저자는 이러한 문제를 해결하기 위해 “조건부 제어한계” 개념을 도입한다. 구체적으로, CUSUM 통계량 Sₙ이 마지막으로 0이 된 시점 τ 이후에 관측된 값들의 조건부 분포 P(Sₙ|S_τ=0) 를 추정하고, 이 분포의 상위 α-분위수를 새로운 제어한계 h_τ로 설정한다. 이렇게 하면 τ가 커질수록(즉, 연속적인 누적이 길어질수록) 제어한계가 동적으로 조정되어, 실제 데이터의 변동성에 맞춰 민감도가 자동으로 변한다. 핵심은 이 조건부 분포를 사전 인‑컨트롤 샘플만으로 비모수적으로 추정한다는 점이다.

분포 추정 방법으로는 블록 부트스트랩을 활용한다. 인‑컨트롤 데이터 {X₁,…,X_m} 를 무작위로 재표본하여 동일한 길이의 시계열을 여러 번 생성하고, 각 재표본에 대해 CUSUM을 계산한다. 각 재표본에서 Sₙ이 0에 도달한 시점 τ를 기록하고, 그 이후의 Sₙ 값을 모아 조건부 경험분포를 만든다. 이 경험분포의 (1−α) 분위수를 h_τ 로 정의하면, 부트스트랩 반복 횟수 B가 충분히 크면 h_τ는 실제 조건부 분포의 일관된 추정치가 된다. 부트스트랩 과정은 데이터의 의존 구조(예: 자기상관)를 보존하기 위해 블록 길이를 적절히 선택한다는 점에서 기존 i.i.d. 부트스트랩보다 더 현실적이다.

제안된 방법의 통계적 특성은 다음과 같다. 첫째, 인‑컨트롤 상황에서 제어한계가 데이터 기반으로 설정되므로, 실제 인‑컨트롤 ARL₀는 사전에 지정한 목표값에 근접한다. 이는 시뮬레이션 결과에서 확인되었으며, 정규성 가정이 크게 위배되는 경우에도 명목 ARL₀와 오차가 5% 이내에 머문다. 둘째, 아웃‑컨트롤 변화를 감지하는 능력(ARL₁)은 전통적인 정규 기반 CUSUM보다 동일한 표본 크기와 변동폭에서 더 빠르게 신호를 발생시킨다. 특히 변동폭이 비대칭이거나 중첨도가 큰 경우, 동적 제어한계가 큰 변동을 조기에 포착한다. 셋째, 부트스트랩 기반 추정은 샘플 크기 m에 민감하지만, m≥50 정도이면 안정적인 제어한계가 얻어지며, 작은 샘플에 대해서는 베이지안 사전 정보를 결합한 혼합 부트스트랩을 적용할 여지가 있다.

한계점으로는 부트스트랩 반복 횟수와 블록 길이 선택이 실무 적용에 추가적인 파라미터 튜닝을 요구한다는 점이다. 또한, 다변량 CUSUM 혹은 변동성 변화를 동시에 모니터링하는 확장은 아직 다루어지지 않았다. 향후 연구에서는 자동 블록 길이 선택 알고리즘, 다변량 부트스트랩 CUSUM, 그리고 실시간 온라인 부트스트랩 구현을 통해 실시간 공정 감시 체계에 통합하는 방안을 모색할 수 있다.