Wafer 통계 실습 — 평균·표준편차·신뢰구간과 가짜 표본 수

Wafer 12장과 Site 측정 36개로 표본 단위, 표본 표준편차, 평균의 표준오차와 Student-t 신뢰구간을 구하고 관측·공정 인과를 구분합니다.

심화 · 통계·제조 데이터 실습 · 업데이트 2026-10-19

추천 읽기 순서 · 용어사전 · 어디까지 알아야 하나요? · 관련 직무

평균만 알면 충분할까요?

평균·표준편차·분포의 기초를 배웠다면 다음은 **어떤 것이 독립 표본인가?**라는 질문입니다. 제조 데이터에는 Site ⊂ Wafer ⊂ Lot처럼 중첩된 관측이 많습니다. 같은 Wafer의 세 위치를 측정했다고 Wafer 세 장을 검사한 것은 아닙니다.

이번에는 가상의 12개 Wafer(기간별 6장)에서 각 3개 Site, 총 36행의 두께 데이터를 사용합니다. 기업·실제 장비·공정 조건과 관련 없는 교육용 합성 수치입니다.

실습 파일

• wafer-thickness-synthetic.csv — 기간(before/after)·Wafer ID·Site·두께(nm), 36행
• analyze.py — Python 3 표준 라이브러리로 Wafer별 평균·표본 표준편차·표준오차·95% t 신뢰구간 계산

파일을 같은 폴더에 저장한 후 python3 analyze.py를 실행하면 됩니다. 설치·로그인·서버 업로드는 필요 없습니다.

1단계 — 자료의 계층을 이해하기

기간(before/after) → Wafer 6장 → Wafer당 Site 3개

한 Wafer의 Site를 평균내면 Wafer별 평균 두께 1개가 나옵니다. 이 예제에서는 Site마다 작은 차이를 의도적으로 넣어 두었지만, Site 위치별 형상·의존성·시료의 대표성까지 모델링하지 않습니다.

두 기간은 서로 다른 Wafer 집단입니다. 같은 Wafer를 반복 측정했다는 의미가 아니므로 Paired t-Test처럼 취급하지 않습니다.

2단계 — 직접 계산할 통계량

1. 같은 wafer_id의 Site 세 값을 평균내 Wafer 평균 12개를 만듭니다.
2. 각 기간에서 n=6을 사용해 평균 x̄를 구합니다.
3. 표본 표준편차는 s = sqrt(Σ(xi−x̄)²/(n−1))입니다.
4. 평균의 **표준오차(Standard Error)**는 SE=s/√n입니다.
5. 양측 95% Student-t 평균 신뢰구간은 x̄ ± t(0.975, df=5) × SE입니다.

이 실습에서는 t(0.975, 5)≈2.57058을 Python 코드에 고정했습니다. Python의 기본 통계 패키지에는 해당 Quantile을 직접 구하는 함수가 없어 이 교육용 n=6 고정 사례에서만 표 값을 사용합니다. 다른 n을 사용할 경우 값을 다시 확인해야 합니다.

중요 가정: 각 기간에서 Wafer가 적절히 표본 추출됐고 서로 독립적이며, Wafer 평균의 분포에 대한 t 근사가 유효해야 이 구간을 적절히 해석할 수 있습니다. 실제 Lot 내 상관, 측정계 오차, 선정 편향이 있다면 분석 설계가 달라져야 합니다.

직접 풀어볼 문제

• Before와 After의 각각 Wafer 기준 평균은 몇 nm인가요?
• Wafer 기준 표본 표준편차는 얼마인가요?
• 18개 Site를 모두 독립 표본으로 착각하면 어떤 결과가 달라지나요?
• 각 기간의 95% 평균 신뢰구간을 구해보세요.
• 두 기간의 평균이 달랐다는 사실로 공정의 인과 변화나 출하 규격 위반을 판단할 수 있나요?

별도 계산 — 두 집단 평균 차이는 무엇인가요?

Before와 After는 같은 Wafer의 반복 측정이 아니라 서로 다른 Wafer 6장씩이므로, ‘After−Before’ 평균 차이에는 독립 집단 비교가 필요합니다. 개별 평균의 신뢰구간이 겹치는지만 보는 방식은 정식 차이 검정/신뢰구간의 대체가 아닙니다.

교육용 독립 집단 Welch 근사에서 차이의 표준오차는 sqrt(s_before²/n_before + s_after²/n_after)입니다. 이 합성 데이터는 두 그룹의 표본 분산이 똑같이 2 nm²이고 각각 n=6이므로 SE_difference≈0.8165 nm, Welch 자유도 df≈10, 양측 95% 기준 t(0.975,10)≈2.2281을 사용합니다.

95% CI(After−Before) ≈ 1.0 ± 2.2281×0.8165 = [-0.819, 2.819] nm

이 구간은 0을 포함하므로 유의한 평균 변화가 입증됐다고 할 수 없습니다. 반대로 0을 포함한다는 사실은 두 공정이 같다는 증명이 아닙니다. 표본은 가상이며 Lot 군집성·계측 Drift·시간변화·정규성의 문제를 평가할 정보가 없으므로 실제 공정 판단의 근거도 아닙니다.

Python 분석 코드는 두 기간 평균 CI와 별도의 Welch 평균 차이 CI를 각각 출력합니다.

3단계 — Site를 독립 Wafer로 세지 마세요

Before 기간에는 Wafer 6장 × 3 Site = 18개 측정행이 있습니다. 측정행 18개로 s/√18을 계산하면 잘못된 정밀도가 보고될 수 있습니다. 같은 Wafer 내 Site의 변동은 독립적인 Wafer 사이 변동과 같은 정보가 아닙니다.

다만 Site 평균으로 줄이는 것이 항상 최선인 것도 아닙니다. 위치·장비·Lot의 효과 자체를 알고 싶다면 해당 계층을 명시적으로 다루는 계층적/혼합 효과 모델 또는 올바른 집계 설계가 필요합니다. 본 CSV에는 실제 위치별 공간 패턴·Lot 표집 정보가 없으므로 이를 검증할 수 없습니다.

4단계 — 신뢰구간·규격·관리 한계는 다릅니다

95% 신뢰구간은 ’실제 평균이 95% 확률로 고정된 이 구간 안에 있다’는 빈도주의 확률 문장이 아닙니다. 같은 절차로 많은 표본을 다시 수집하면 그 구간들의 약 95%가 참 평균을 포함한다는 뜻입니다.

5단계 — 원인 가설을 분리하기

After의 평균이 1 nm 더 높은 것은 측정 자료에서의 관찰입니다. 하지만 변경된 장비, 계측 Drift, Wafer/제품 구성, 표본 선택, 실제 공정 이동 등 여러 설명이 가능합니다. MSA → 같은 구조/장비/시점 비교 → 적절한 대조와 변동 분석 → 원인 검증 흐름으로 판단하세요.

Wafer 데이터 검증의 중복·재검·제품 구성 문제와 MSA의 반복성/재현성을 결합하면 실습 내용을 실제 직무에 더 가깝게 확장할 수 있습니다.

자주 하는 오해

• Site 수 = 독립 Wafer 수라고 생각하기
• 표준편차와 표준오차를 같은 값이라 보기
• 평균의 신뢰구간을 개별 Wafer 불량 허용 범위라 생각하기
• 두 기간의 개별 CI 겹침 여부만으로 평균 차이에 대한 가설검정을 끝내기
• 수치 차이만으로 공정 변화의 원인을 확정하기

선수 학습과 다음 공부

Average → Standard Deviation → Distribution → 이 실습 → SPC → Cp/Cpk → DOE

교육용 예상 면접 질문

공개 참고 자료

자료 확인: 2026-10-19. CSV·Wafer 두께·수치·문항은 FlashMemory가 자체 생성한 가상 데이터로 실제 고객/제품/공정 기록이 아닙니다.

• NIST/SEMATECH — Confidence Limits for the Mean: 표본 표준편차·Student-t 신뢰구간과 올바른 해석.
• NIST/SEMATECH — Engineering Statistics Handbook: 계측·공정 분석 및 통계적 추론의 범위.
• NIST/SEMATECH — Difference of Means Confidence Interval: 독립 집단의 평균 차이 신뢰구간 및 Welch–Satterthwaite 자유도 계산.