IQR 이상치 분석 방법: 품질 부적합 데이터에서 튀는 값을 찾는 실무 기준 품질 데이터를 관리하다 보면 어느 달에는 특정 부적합이 갑자기 늘어나는 현상을 목격합니다. 예를 들어 평소 월 2~3건 수준이던 피팅 체결부 아이마킹 누락이 특정 월에 10건 이상 폭증한다면, 이는 단순 우연으로 치부하기 어렵습니다. 이때 필요한 통계적 접근이 바로 이상치(Outlier) 분석 입니다. 이상치는 통상적인 데이터 흐름에서 크게 벗어난 값을 의미합니다. 품질관리 실무에서는 특정 월, 특정 부서, 특정 불량코드에서 비정상적인 부적합이 발생했는지 감지할 때 활용되며, 특히 IQR(Interquartile Range, 사분위수 범위) 방식은 불규칙한 현장 부적합 데이터에 가장 현실적으로 적용할 수 있는 기법입니다. 핵심 요약 IQR 이상치 분석은 데이터의 중앙 50% 범위를 기준으로 이상 발생 여부를 판별합니다. 특정 달에 부적합 건수가 크게 치솟는 제조업 현장 데이터에서는 평균±표준편차(Z-score) 방식보다 극단값의 왜곡에 강한 IQR 방식 이 훨씬 유용합니다. 1. 평균과 표준편차 방식이 현장에서 한계를 보이는 이유 이상치를 판별할 때 통상 '평균 ± 2×표준편차' 공식을 가장 먼저 떠올립니다. 하지만 제조업 부적합 데이터는 매달 일정하게 발생하지 않으며, 특정 프로젝트나 감리 일정에 따라 불연속적으로 변동합니다. 과거 데이터에 이미 한두 번 크게 튄 편차값이 포함되어 있다면 표준편차 자체가 커지게 됩니다. 이로 인해 정작 현장에서 주의 깊게 관찰해야 할 뚜렷한 상승 신호(예: 평소 0~2건에서 8건으로 급증)조차 '정상 범위'로 오인되어 모니터링 타겟에서 누락되는 문제가 발생합니다. 실무 경험에서 얻은 노하우 부적합 데이터를 모니터링할 때 처음에는 평균과 표준편차 기반 이상치를 적용해 보았습니다. 그러나 극단값으로 인해 기준선이 지나치게...