Studyenthusiast

SPC 운영의 시작은 판매부서(영업부서)에서 얻을 수 있는 소비자 요구 품질을 정확히 확보하는 데서부터 시작됩니다. 이 요구 품질의 기초 위에 품질기능전개(QFD: quality function deployment) 등을 통하여 만들려고 하는 제품의 품질특성 기준이 설정됩니다.

그리고 이 기준 위에 공정 간 반제품의 품질특성 기준과 각 공정의 관리 항목 설정이 이루어지며, 이와 같은 작업은 SPC 주관부서에서 생산부서와 협조하여 작성하여야 합니다. SPC 주관부서에서는 공정관리가 용이하도록 SPC 공정도를 작성하는 것이 바람직합니다.

SPC 공정도에 의하여 생산부서의 담당 사원은 SPC 유지 활동을 시행해야 하며, 이때 중점 관리 항목에 의하여 관리하여 주는 것이 바람직합니다. SPC의 유지 활동 중에 공정이 관리 상태라고 판정되면, 공정능력을 산출하여 공정능력이 충분한가를 판단할 필요가 있습니다. 충분하면 계속적인 SPC 활동을 벌어야 합니다. 

개선한 결과가 좋으면 이를 표준화 시킨 후에 SPC 유지 활동으로 돌아가나, 개선한 결과가 미흡하면, 이를 중요 품질 문제로 등록한 후에 소집단(품질분임조, 품질 개선팀) 활동을 통하여 근본적인 개선활동을 벌어야 합니다.

이와 같은 상세한 내용을 운영체계로 작성한 것이 SPC 운영체계도입니다. 이 체계도에서 가장 핵심적인 요소는 SPC 유지 활동에 있어서 일상 데이터의 수집과 분석에 의하여 관리 상태에 있는가 없는가의 판단 여부로, 이때에 작업 일지 및 체크시트(check sheet) 등이 유용하게 사용되며, 데이터 분석으로는 관리도 등 각종 그래프가 주로 사용됩니다.

SPC의 제일 적은 공정상에서의 품질변동(quality variation)입니다. 품질평균의 이동은 일반적으로 고유기술의 연구나 최적조건을 찾기 위한 실험 등으로 가능합니다. 그러나 품질변동이 큰 경우에 이를 줄이는 것은 쉽지 않은 일이며, 품질불량은 주로 이 품질변동에서 오는 경우가 많습니다.

예를 들어 승용차의 타이어의 수명분호가 위의 그림과 같아서 정규분포를 하며, 품질 산포가 상당히 크다고 가정을 합니다. 품질규격은 규격하한 (SL : lower specification limit)만 있고, 수명의 평균은 50,000km이고, 표준편차는 10,000km이며, 규격하한은 40,000km입니다.

이 경우에 타이어 네 짝의 수명이 모두 규격하한을 넘을 확률은 (0.8413)^4 = 0.50으로 50% 밖에 되지 않습니다.

즉, 불량타이어를 끼고 승용차가 달리고 있을 확률이 50%나 되며, 차량의 주행거리가 40,000km를 넘어가기 시작하면 굉장한 위험부단을 가지게 되는 것입니다. 만약 품질산포가 작아서 표준편차가 5,000km라면 타이어 네 짝의 수명이 모두 규격하한을 넘을 확률은 (0.9772)^4 = 0.91로 훨씬 안전한 운행을 할 수 있는 것입니다.

품질불량에서 오는 고객의 불만은 상당부분 공정상의 품질변동에서 발생하며, 품질변동을 줄여 주는 것이 SPC의 제일의 과제입니다. 품질의 변동원인은 대개 다음의 2가지로 분류할 수 있습니다.

1. 우연원인(chance cause or random cause)

생산조건이 엄격히 관련된 상태하에서도 어느 정도의 품질변동을 발생시키는 원인으로는, 작업자의 숙련도 차이, 작업환경의 변화, 식별되지 않을 정도의 원자재 및 생산설비 등의 제반특성의 차이를 말하며, 이원인들은 주로 만성적으로 존재하는 것들 입니다.

2. 이상원인(assignable cause)

작업자의 부주의, 불량자재를 모르고 사용하기, 생산설비상의 이상, 생산조건 잘못 맞추기 등으로, 이 원인들은 만성적으로 존재하는 것이 아니고 산발적으로 발생하여 품질변동을 일으키는 것들입니다.

SPC에서는 품질변동을 조사하여 그 원인을 우연원인과 이상원인으로 분리시켜, 이상원인은 현장에서 즉각적으로 조치를 취하여 없앨 수 있도록 하고, 우연원인은 관리자들이 시스템적인 접근(system approach)으로 투자에 의하여 품질변동의 크기를 축소시켜 나가야 할 것입니다.

예를 들면, 시스템적인 접근으로 생산설비의 개조, 작업방식의 개선, 작업자의 체계적 훈련, 환경의 변화에서 오는 영향을 줄이는 방법등에 대하여 고려해 볼 수 있을 것입니다.

SPC를 좀 더 체계적으로 이해하기 위하여 SPC의 흐름과 품질변동과의 관계를 살펴보겠습니다. 위의 그림에서 보는 바와 같이 공정에 설계품질이 투입되면 공정 안에서 5M1E(6M) 등을 대상으로 하여 품질변동을 작게 하면서 설계품질과 동일한 제조품질을 생산하기 위한 SPC 활동이 이루어집니다. 

공정에서 제품이 생산되면 제품의 품질을 측정하고 평가한 후에 제조품질이 설계품질에 어느 정도 일치하는가에 대한 진단을 실시합니다. 진단을 실시하면서 품질변동원인을 통계적 수법 (관리도, 분산분석, 츨별 등)을 사용하여 우연원인과 이상원인으로 구분합니다.

원인이 상세히 구분되면 이상원인은 현장에서 조치를 취하고, 우연원인은 근본적인 시스템상의 조치를 강구하여야 합니다. 품질변동원인의 성격에 따라서 설계품질 자체를 어느정도 조정시키는 것이 바람직한 경우도 있습니다.

위의 그림에서 통계적 수법이 사용되지 않는 단계는 거의 없다고 볼 수 있습니다. 매 단계마다 필요한 데이터의 수집, 정리, 분석, 층별 등의 활동들을 체계적으로 실시해야만 SPC의 목적을 달성할 수 있을 것입니다.

SPC의 목표는 공정의 활동상태를 객관적 데이터에 의하여 파악하고, 좋은 제품(결과물)이 생산될 수 있도록 관리해 줌으로써, 불량제로에 도달하고 고객만족을 도모하며, 더 나아가서 새로운 고객을 창출해 내는 것입니다. 

이와 같은 목표는 끊임없는 공정의 개선추구 활동으로 가능하며, 다음과 같은 네 가지 활동 요소가 필요합니다.

1. 설계 품질에 명시되어 있는 품질규격을 만족시켜 주는가에 대한 감시(monitoring)와 불량품질 발생에 대한 예방(prevention) 활동

2. 공정에서의 품질산포의 크기를 파악하고, 품질산포의 원인을 규명하며, 품질변동을 감소시키는 활동

3. 공정에 관한 의사결정을 하기 쉽도록 객관적인 정보를 제공하는 활동

4. 교육, 훈련 및 소집단 활동에 의한 과학적 관리기법의 활용

SPC 목표에 도달하기 위한 과정의 위와 같습니다.

SPC는 "공정에서 요구되는 품질이나 생산성 목표를 달성하기 위하여 PDCA 사이클을 돌려가면서 통계적인 방법으로 공정을 효율적으로 운영해 나가는 관리방법"을 의미하는 것입니다.

​

S(statistical): 통계적 자료와 분석기법의 도움을 받아서

P(process): 공정의 품질변동을 주는 원인과 공정의 능력상태를 파악하여

C(control): 주어진 품질목표가 달성될 수 있도록 PDCA 사이클을 돌려가며 끊임없는 품질개선이 이루어 지도록 관리해가는 활동

​

SPC는 끊임없는 공정의 개선추구 활동이며, 고객이 만족하는 제품을 생산성 높게 생산할 수 있도록 하는 현장의 관리기법입니다. SPC 자체가 모든 문제를 해결하고 공정을 항상 발전시켜 주는 것은 아닙니다. SPC는 공학적인 고유기술과 접목되어 불량원인을 쉽게 발견하도록 도와주며, 공정상태가 어떤가를 탐지하여 주고, 개선을 위하여 어떤 대책이 합리적인가를 결정하는 데 도움을 주는 과학적 관리기술입니다.

​

최근의 SPC 추진은 보다 적극적으로 IT를 활용하여 인과관계 데이터를 대응되게 수집 정리하여 실시간으로 정보화하고 있어서 S를 Source, P를 Process, C를 Contral로 표기하여 원인과 과정관리라고도 합니다.

​

SPC에 의하여 공정을 관리할 때 고유기술에만 의존하거나 또는 통계적 방법에만 의존해서는 안 된다는 것을 지적하고 싶습니다. 공정의 품질문제는 아래와 같은 정도로 다루는 것이 좋습니다.

​

고유기술(70%) + 통계(20%) + 경험(10%)

SPC에서 끊임없는 개선활동은 위의 그림과 같은 순서에 의하여 진행됩니다.

랩어카운트란 증권회사의 일임투자자산운용사가 고객의 투자 성향에 따라 투자종목을 추천해주고 관리해주면서 그 대가로 일정의 수수료(wrap fee)를 받는 종합자산관리계좌를 말합니다. 투자자의 성향에 맞춰 자산을 관리해주는 일종의 맞춤형 금융서비스라고 할 수 있으며 선진국에서는 투자은행의 보편적인 영업 형태라고 할 수 있습니다.

​

쉽게 랩어카운트 문장을 분리해서 이해하자면, 랩어카운트에서 '랩(Wrap)'은 '포장하다'의 의미를 가지고 있습니다. 주방에서 우리가 흔히 음식물을 포장할 때 앏은 비닐로 된 랩이라는 것을 사용하는데, 그 랩과 랩어카운트의 랩은 철자와 뜻도 모두 똑같습니다. 그리고 '어카운트(Account)'는 '계좌'라는 뜻을 가지고 있습니다.

​

이 두가지 단어를 합쳐서 랩어카운트라는 말이 생긴 것입니다. 우리가 음식물을 랩으로 포장하는 이유는 그 음식물이 다른 음식물과 섞이지 않고 잘 보존되기 위해서 포장을 하는 것입니다. 마찬가지로 '포장한 계좌'라는 뜻을 가지고 있는 랩어카운트는 고객의 계좌를 다른 고객들과 섞이지 않도록 랩으로 싸서 포장하듯이 1:1로 개인 관리를 해준다는 것입니다.

​

그러면 여기서 의미하는 계좌는 무엇일까요? 계좌라고 하면 우리가 은행에서 자주 쓰는 예금과 적금등을 가입할때 계좌를 생성 후에 상품에 가입하게 됩니다. 그리고 또한 주식, 채권, 펀드, 파생상품 등 다양한 계좌가 있는데, 랩 어카운트에서 뜻하는 계좌는 주로 주식과 채권 같은 투자상품과 연관된 계좌를 말합니다.

​

즉 고객의 투자상품 계좌를 고객의 성향에 맞게 잘 포장하여 관리해주는 것을 의미합니다. 그런데 대부분의 랩어카운트가 주식과 연계되어 있기 때문에, 주식계좌로 이해를 하는 것이 제일 문안합니다. 이러한 랩어카운트는 일정 자격을 소유한 전문가들이 운용을 해줍니다. 마치 펀드도 전문 펀드매니저가 운용해주는 것과 같습니다. 단 펀드는 모든 이들이 똑같은 종목을 보유하게 되지만, 랩어카운트는 1:1 개인 맞춤형 상품이기 때문에 고객의 성향에 따라 포트폴리오가 투자자마다 다릅니다.

랩어카운트 상품은 1975년 미국의 후튼 증권회사에서 처음 개발되었습니다. 당시 미국은 높은 이자를 주는 고금리 정책을 시행하고 있었습니다. 원금이 보장될 뿐만 아니라 적지 않은 이자가 나왔기 때문에 많은 사람들이 은행을 선호하였습니다.

​

그렇다 보니 펀드나 랩어카운트 같은 주식 연계 상품은 큰 인기를 얻지 못하였습니다. 안전한 은행에다가 돈을 넣어놓기만 해도 이자가 붙어 안전히 자산을 운용할 수 있기 때문에, 다른 금융상품에 눈을 돌릴 이유가 없었습니다.

​

그러다가 미국 경제는 1979년부터 급격히 나빠지기 시작했습니다. 1980년 미국의 실질 성장률은 0.2%에 불과하였고, 성장 둔화를 겪으며 극심한 불황에 빠져들었습니다. 한편 소비자 물가 상승률은 1980년에 13.5%까지 상승했는데 이는 1950년대 이후 최고 수준이었습니다.

​

높은 소비성향과 낮은 저축률에 따른 투자 부족이 주된 문제였습니다. 1980년대 경제성장률이 3%인 것에 비해 소비 증가율은 3.2%를 기록했습니다. 경제 성장률보다 소비 증가율이 높은 것입니다. 이는 빚을 지게 된다는 의미이며, 경제가 좋아질 리가 없었습니다.

​

이런 현상이 벌어진 것은 미국 정부의 효율적이지 못한 규제 때문이었습니다. 특히 미국 정부가 유류 가격을 통제하면서 유류 공급에 대한 불안으로 신업이 악화됐는데, 이와 같은 과도한 기업규제는 기업의 생산원가를 올리는 결과를 낳았습니다. 생산원가가 올라가면 제품 가격이 올라가는 것은 당연했습니다. 인플레이션이 지속적으로 유지될 수밖에 없었습니다.

​

1988년 10개월간 1981년 이래 최고인 4.5%의 물가 상승률을 기록했습니다. 소비자 물가 역시 4.6%나 올랐는데 7년 만에 최고치를 경신한 것이었습니다.인플레이션을 우려한 미국 정부는 더 이상 고금리 정책을 유지할 수 없었고, 결국에는 1980년대 초반까지 이어지던 미국의 고금리 정책은 폐지되고 저금리 정책이 이어졌습니다.

​

그러자 높은 이자 수익에 만족하던 미국의 예금자들은 더 이상 은행예금에 매력을 느끼지 못하고 투자 상품으로 관심을 돌리기 시작했습니다. 1980년대 초반부터 시작된 다우지수의 랠리는 저금리의 영향으로 승승장구하게 됩니다.

그러나 1987년 10월, 연초 대비 40% 가까이 폭등한 미국 주가는 단 하루 만에 22%가 폭락하는 블랙먼데이를 경험하게 됩니다. 그동안 과열된 시장의 거품이 꺼지고 만 것입니다. 급작스러운 투자자들이 한꺼번에 시장을 빠져나갔습니다.

​

그러자 다급해진 증권사들은 고객들을 붙잡기 위해 수수료를 낮추는 등 다양한 노력을 펼쳤습니다. 이때를 기점으로 증권사들은 단순히 주식을 사고파는 일을 중개해주는 위탁 거래와 여기서 발생하는 수수료를 챙기는 구조에서 고객들의 자산 전반을 관리하는 형태로 체질을 변화시키기 시작했습니다. 주식만 사고팔게 해주면 끝이라는 관점에서, 장기적으로 고객을 붙들어야겠다는 관점에서 바뀐 것입니다.

​

이러한 변화가 일어나면서 그동안 소외되었던 랩어카운트 상품이 고객들의 관심을 받게 됩니다. 블랙먼데이라는 금융위기가 랩어카운트에게는 좋은 기회가 된 것입니다. 아울러 당시 은행들의 구조조정도 투자자들로 하여금 투자 상품에 관심을 돌리게 하는 데 한몫을 했습니다. 미국 정부는 1988년까지 금융기관에 대한 감독을 완화하며 금융의 부실 문제를 고치는 데 미온적으로 대응했지만, 1989년에는 '금융기관 개혁. 재건 및 규제 강화법'을 재정해 많은 은행을 정리했습니다.

​

그리고 이를 바탕으로 1991년 '연방예금보험공사 개선법'을 제정해 부실한 금융기관을 정리하는 것을 법으로 만들었습니다. 부실한 은행들이 정리되는 것을 지켜보면서 많은 투자자들은 안전하게 여겼던 은행도 이제 더 이상 안전하지 않다고 생각하기 시작했습니다. 이렇게 사람들의 생각이 바뀌면서 자연스럽게 주식투자에 대하여 관심을 기울이게 됐고, 랩어카운트 상품에도 사람들이 몰려들기 시작했습니다.

경영과학 모형은 존재하는 문제 상황에 대한 추상적인 표현입니다.

​

이것은 그래프나 차트의 형태가 될 수 있지만, 대부분은 경영과학 모형은 수학적 관계들로 이루어진 집합으로 구성되어 있습니다. 이러한 수학적인 관계들은 숫자와 기호로 이루어져 있습니다.

​

상품을 파는 회사를 예를 들어보면, 상품을 만드는 데 5달러가 들고 20달러에 팝니다. 상품을 팔아서 생기는 총 이익을 계산하는 모형을 아래와 같습니다.

​

Z = $20x - 5x

​

이 식에서 x는 팔린 제품의 수를 나타내며, Z는 제품판매의 결과인 총 이익을 나타냅니다. 기호 x와 Z를 변수라고 합니다. 변수라는 용어는 이 항목에 대한 특정한 수치적인 값이 설정되어 있지 않기 때문에 사용되는 것입니다. 제품이 팔린 양 x와 이익 Z는 어떠한 값도 가질 수 있으며 다양합니다. 이 2가지 변수는 더 상세하게 구분이 될 수 있습니다. Z값이 제품의 팔린 수에만 의존되기 때문에 Z를 종속변수라고 하며, 제품의 팔린 수 x는 이 식에서 다른 어느 것에 의존되지 않기 때문에 독립변수라고 합니다.

​

이 식에서 20달러와 5달러의 수는 매개변수로 취급합니다. 매개변수는 일반적으로 식에서의 변수의 계수 값인 상수 값입니다. 매개변수 값은 특정한 문제를 해결하는 과정하에서는 일반적인 상수로 남아있습니다. 매개변수 값은 문제 상황에서 주어진 데이터로부터 도출됩니다. 때때로 데이터는 쉽게 이용 가능해야 하고 매우 정확해야 합니다. 그러나 때로는 관리자나 회사가 데이터를 쉽게 접할 수 없어, 매개변수를 추정하거나, 이용 가능한 데이터나 추정치의 조합에만 의존해야만 합니다. 이런 경우 모형의 정확도는

모형 구성에 사용된 데이터의 정확성에 달려 있습니다.

​

수식은 전체로 볼 때 함수의 관계에 있습니다. 함수관계는 이익 Z가 팔린 제품 수 x의 함수라는 사실로부터 유도되고, 이때의 방정식은 팔린 제품의 수에 이익을 연계시킵니다.

이번 예제에서는 오직 한 가지 함수관계만이 존재하지만 이것또한 모형입니다. 이 경우 수학적 관계는 회사의 이익을 결정하는 모형입니다. 그러나 이 모형은 문제 상황을 그대로 재현하는 것이 아닙니다. 그러므로 우리는 우리의 예를 확장시켜 문제 상황을 구현해야 합니다.

​

제품은 철로 만들어지고 회사는 100파운드의 철을 가지고 있는 상황을 가정하였을때, 만약 4파운드의 철이 하나의 제품을 만드는데 사용된다면, 우리는 철의 사용을 나타내는 추가적인 수학적 관계식을 도출할 수 있습니다.

​

4x = 100lb.of steel

​

이 식은 하나의 제품을 만들 때마다 100파운드의 철 중 4파운드가 사용된다는 것을 나타냅니다.

이제 모형은 두관계식으로 구성됩니다.

​

Z = $20x - 5x

4x = 100

​

이 새로운 모형에서의 이익에 관련된 식을 목적함수라고 말하며, 자원에 관련된 식을 제약식이라고 말합니다. 말하자면 회사의 목적은 가능한 많은 이익 Z를 이루는 데 있지만, 회사는 철 이용량의 제한으로 인행 무한한 이익을 얻는 데 제약되어 있다는 것입니다. 모형에서의 두 식의 이러한 차이를 구별하기 위하여 우리는 다음과 같은 추가적인 표시를 할 수 있습니다.

​

maximize Z = $20x - 5x

subject to 4x = 100

​

이 모형은 이제 제품의 생산 개수를 결정하는 관리자의 문제로 표현됩니다. 우리가 생산된 제품의 수를 x라고 정의했던 것을 떠올릴 수 있습니다. 따라서 우리가 x의 값을 정할 때, 그것은 잠재적인 관리자의 결정을 나타냅니다. 그러므로 x는 결정변수라고도 불립니다. 경영과학 프로세스에서 다음 단계는 모형을 풀기 위하여 결정변수의 값을 정하는 것입니다.

문제가 존재한다는 판단이 이루어지면, 문제는 명백하고 간결하게 정의해야 합니다. 부정확한 문제 정의는 해를 찾을 수 없거나 적절치 못한 해를 얻기 쉽습니다. 그러므로 문제의 한계와 조직의 다른 부분에 미치는 정도가 문제를 정의하는데 반드시 포함되어야 합니다.

​

문제가 존재하는 것은 회사의 목표가 어떤 면에서 이루어지지 않고 있는 것을 의미하기 때문에 조직의

목표 또한 명확하게 정의되어야 합니다. 규정된 목표는 문제의 본질에 주의를 집중하는 데 도움을 줍니다.

경영과학 프로세스의 첫 번째 단계는 시스템(기관)에 존재하는 문제를 확인하는 것입니다. 시스템은 문제가 일어나거나 예상되자마자 확인될 만큼 세세하고 끊임없이 관찰되어야 합니다.

​

여기서 문제란 항상 대응해야 할 위기의 결과들일 수도 있지만 예견하고 계획해야 하는 상황과 연결되는 경우도 빈번합니다. 관리자는 문제가 일어난 장소에서 일하기 때문에 일반적으로 문제를 발견하는 사람은 관리자입니다.

​

그러나 문제는 특별히 경영과학 기업을 사용하여 문제를 해결하도록 고용된 경영과학자에 의해 보다 잘 파악될 수도 있습니다. 여기서 '경영과학자'란 경영과학 기법에 능숙하고 문제를 잘 파악하도록 훈련된 전문가입니다.

경영과학은 관리자들이 보다 나은 선택을 하는 것을 돕기 위해 경영 문제를 과학적 접근 방식을 적용하여 해결하는 학문입니다. 이 정의가 함축하듯이, 경영과학은 자연과학, 수학, 통계학, 공학과 같은 다른 분야에서 도입되어 온 많은 수학적 기법을 포함합니다.

​

경영과학은 실제 비즈니스에 인정되고 확립된 학문이기도 합니다. 경영과학 기법의 응용은 여러 분야에서 발견할 수 있으며, 경영과학을 적용한 여러 회사들의 효율성과 생산성 증대를 통해 신망을 얻어 왔습니다. 다양한 설문 조사들에서 많은 회사들이 경영과학 기법을 사용하고 있고, 이를 통해 좋은 결과를 얻었습니다.

​

오퍼레이션스 리서치, 계량 방법론, 계량 분석, 의사결정 분석이라고도 언급되는 경영과학은 비즈니스 관련 교육 프로그램의 근본을 이루는 여러 분야 중 하나입니다. 경영과학의 주된 사용자는 비즈니스 사업체들이기 때문에 비즈니스 조직을 위한 경우가 많습니다. 하지만 경영과학 기법은 서비스 산업, 정부, 군대, 제조 , 의료와 같은 다양한 다른 종류의 기관에 존재하는 문제를 해결하는 데도 적용이 가능합니다.

​

다양한 경영과학 기법을 배워 나가면서 경영과학은 단지 이러한 기법들을 모아 놓은 것 이상이라는 점을 알아야 합니다. 경영과학은 논리적인 방식(과학적 접근법)으로 문제에 접근하는 철학을 내포하고 있습니다. 문제에 대한 논리적이고 모순이 없고 시스템적인 접근은 기계적으로 수학적 테크닉에 대한 지식만큼 유용합니다.

실행계획법의 기본 원리는 반복화, 랜덤화, 블록화입니다. 이를 통하여 실험의 정도 향상과 실험 환경의 동질성을 확보할 수 있으며, 이러한 원리들은 실험계획에서 통계적인 방법들을 사용할 수 있게 해주는 바탕이 됩니다.

​

1. 반복화(replication)

특정 조건에서 1회만의 실험으로 얻어진 데이터는 신뢰성이 떨어집니다. 즉, 실험이 정확하게 되었는지를 확신할 수 없게 됩니다. 따라서 각 실험 조건을 반복하여 실험함으로써 데이터의 재현성을 확보하는 것이 일반적입니다.

​

첫째, 실험오차의 추정을 가능하게 해주며, 이 오차의 추정치는 실험에서 관측된 데이터의 차이가 통계적으로 유연한지를 결정하는 가장 기본적인 단위가 됩니다.

​

둘째, 만약 실험에서 취해진 어떤 인자의 효과를 추정하기 위하여 표본 평균이 사용된다면 반복은 이 인자의 효과에 대해서 보다 정밀한 추정치를 제공해 줍니다.

​

일반적으로 실험을 반복하게 되면 오차항의 자유도를 크게 해 줄 수 있어 오차 분산의 정도가 좋게 추정되며, 인자조합의 효과(교호작용)를 분리하여 구할 수 있을 뿐만 아니라, 실험의 재현성과 관리 상태를 검토할 수 있습니다.

​

한편, 반복이 이루어지지 않는 실험의 경우는 오차에 대한 추정이 불가능해지고 분산분석이 어렵게 됩니다. 이러한 경우를 포화된 모형(saturated model)이라고 하는데 가급적 피하는 것이 좋습니다.

​

2. 랜덤화(randomization)

실험을 계획할 때에는 통제가 가능한 요인들을 주인자로 채택하고, 통제가 불가능한 요인들은 잡음인자로 처리하여 이 요인들의 효과가 비교. 분석하고자 하는 각 처리(인자 수준의 조합)의 효과에 고르게 나타나게 해야 합니다.

​

이렇게 잡음인자들의 효과를 평준화하여 특정 처리에 치우침이 생기지 않게 하기 위해서 사용하는 방법이 바로 실험 순서의 랜덤화입니다.

​

랜덤화란 실험 재료의 배치와 각 실험의 시행 순서가 무작위적으로 결정되는 것을 의미하는데 (엄밀하게 말하면 실험의 각 처리가 동일한 확률로 배당됨을 뜻합니다.) 이와 같은 랜덤화는 통계적 분석을 용이하게 해줍니다. 예를 들면, 일반적으로 분산분석에서 사용하는 F 검정은 특성치 또는 오차에 대하여 정규성과 독립성을 가정하고 있는데 랜덤한 실험은 이러한 분석의 통계적 근거를 제공해줍니다.

​

3. 블록화(blocking / local control)

실험에서 얻어진 데이터의 정도, 또는 분석력을 높이기 위해서는 잡음으로 처리한 요인들의 효과(오차)가 최소화되도록 해야 하는데, 실험 전체를 단순한 랜덤화에 의해서 평준화하면 오차 변동이 커져서 정도 높은 분석을 할 수 없습니다. 즉, 단순한 랜덤화로는 실험 환경의 동질성을 확보하는 데 한계가 있다는 것입니다.

​

따라서 실험환경을 시간적 또는 공간적으로 분할하고 층별하여 블록으로 만들면 각 블록 내에서의 데이터의 동질성이 확보되고 실험 환경이 균일해져서 실험의 정도를 높일 수 있습니다. 이때 블록을 하나의 인자로 잡아주게 되면 블록간의 효과를 분리하여 식별할 수 있게 되므로 오차 변동이 그 만큼 작아집니다. 이러한 원리를 층별 또는 소분의 원리라고도 하며, 난괴법이 대표적입니다.

​

이외에도 실험의 효율을 높이기 위한 방법으로 다음의 2가지 원리가 많이 사용됩니다.

​

A) 교락화(Compounding)

일반적으로 실험에서 다루어지는 인자의 수가 많아질수록 각 인자들간의 교호작용을 포함한 모든 요인들의 효과를 알아내기 위해서는 실험 횟수가 상당히 커져서 시간과 비용이 많이 들어가게 됩니다. 그러나 특정 인자의 효과나 교호작용 등이 실험의 목적에 부적합하거나 의미가 없어서 검출할 필요가 없을 때에는 이러한 효과들이 블록의 효과와 겹쳐서 나타나도록 실험을 계획하면 실험의 횟수를 줄일 수 있습니다.

​

B) 직교화(Orthogonality)

어떤 관측된 변량, 또는 이들의 선형결합이 통계적으로 서로 독립일 때, 이들은 서로 직교한다고 말하는데, 요인간에 직교성을 갖도록 실험을 계획하여 데이터를 구하면 동일한 실험 횟수라도 검출력이 더 놓은 검정을 할 수 있고, 더 정도가 높은 추정을 할 수 있다고 알려져 있습니다.

​

이러한 성질을 만족하도록 고안된 표가 직교배열표이며, 이 표를 이용하면 기술적으로 무시될 수 있는 교호작용 등을 손쉽게 주효과와 교락시켜 실험의 크기를 크게 줄일 수 있어서 효율적인 실험을 설계할 수 있습니다.

한편, 실험을 통해 얻어진 데이터는 오차가 있을수 도 있습니다. 실험에 취해진 조건 외에도 실험 결과에 영향을 주는 무수히 많은 원인들은 언제나 일정하게 규제하는 것은 불가능하기 때문에 실험을 진행해 감에 따라 수많은 실험 오차들이 쌓이게 되고, 똑같은 실험 조건하에서 얻어진 데이터에도 산포가 발생하게 됩니다. 따라서 실험을 할 때는 이와 같은 오차를 최소화하면서도 이를 적극적으로 수용하는 방법을 모색하게 됩니다.

자연적으로 우리는 다음과 같은 사항들에 관심을 가지게 되며, 실험계획법은 이러한 요구들에 관련되었습니다.

​

1. 오차가 수반되는 실험데이터에서 올바른 결론을 이끌어 내기 위한 방법은 무엇인가?

​

2. 다수의 원인을 동시에 취하여 실험할 경우에 실험 횟수가 많아져서 실험이 복잡해지기 때문에, 실험효율을 보다 높일 수 있는 좋은 방법은 없는가?

​

실험계획법(Experiment Design)은 실험에 대한 계획 방법을 의미 하는 것으로 다음과 같은 사항을 목적으로 하고 있습니다.

​

1. 데이터를 어떻게 취하며, 또 이것을 어떻게 분석하면 잘못 판단할 염려가 적어지는가? 즉, 정보량의 획득효율을 어떻게 해서 높일 것인가?

​

2. 데이터를 취할 경우 경비나 판단의 지체에 따른 손실이 발생하는데 데이터에 경비나 시간을 어느 정도로 들이는 것이 유리하겠는가? 즉, 정보의 양을 얼마로 하면 좋겠는가?

​

즉, 실험계획법은 정보량의 획득 효율에 대해 연구하는 학문으로 설계방법, 제조방법, 시험 방법 등에 대해서 여러 가지 방법이나 안이 있을 때 경험이나 다수결, 또는 육감에 의해서 그것을 결정하지 않고, 다소 복잡하더라도 데이터를 내어서 실증적으로 이를 결정하고자 할 때의 정보량의 채택 방법 및 해석 방법을 연구하는 분야입니다. 따라서 통계적 방법의 도입과 활용이 필수적입니다.

​

따라서 실험계획법이란 보단 넓은 의미에서 해결하려는 문제에 대하여 어떤 방법을 적용하는 것이 가장 최적인가, 또 어떠한 조건으로 실시해야 하는가를 결정짓는 것, 즉 어떠한 조치를 취하면 좋은가를 결정하는 일, 또는 그것을 조사하기 위하여 실험을 어떻게 하면 좋은가를 계획하는 것으로써 통계적 방법의 하나인 여러가지 유의차의 검정, 상관 및 회귀분석 등이 포함됩니다.

​

보다 좁은 의미에서는 실험계획이란 실험의 목적을 확실히 하여 실험의 성질 (통계적 구조모형)을 명확히 하고, 데이터에 영향을 준다고 생각되는 원인 중 어느 원인이 특히 중요한가, 실험을 어떻게 층별할 것인가, 오차로는 무엇을 취할 것인가, 어느 정도의 차를 검출하고 싶은가, 어느 정도의 오차를 추정할 것인가, 어떠한 순서 (어떻게 랜점화하여)로 몇 회나 실험하면 좋은가 하는 것을 결정하는 것입니다.

​

통계적으로 말하면 구조모형, 모집단, 귀무가설, 제1종 제2종의 과오, 오차분산의 추정, 효과 추정의 정밀도 등을 실험을 시작하기 전에 미리 기술적, 통계적, 경제적으로 검토하여 결정하는 것입니다. 여기서 제일 중요한 것은 실험하기 전에 어떤 조건의 조삽으로, 어떤 방법, 순서로 실험을 실시하느냐를 계획적으로 결정해 놓아야 한다는 점이 있습니다.