다변량 통계(T² · PCA)Multivariate Statistical Process Monitoring
서로 상관된 공정 변수 여럿을 정상 운전 자료로 만든 통계 모형 하나로 묶어, 운전점이 정상 범위를 벗어났는지(T²)와 변수 사이 관계가 깨졌는지(SPE · Q)를 두 통계량과 관리 한계로 가르는 공정 감시 방법이다.
1요약
- 다변량 통계는 공정 변수 p 개를 정상 운전 자료의 평균 · 상관 행렬(또는 그 위의 PCA 모형)로 묶어, 표본마다 T² 와 SPE(Q) 두 숫자를 관리 한계와 견주는 감시 방법으로, Hotelling(1947)의 T² 관리도(NIST 6.3.4)와 Jackson · Mudholkar(1979)의 잔차 한계에서 나왔고 화학 · 반도체 공정의 실시간 경보와 원인 추적이 그 위에서 돈다.
- 변수마다 3σ 관리도를 따로 두면 각 변수는 한계 안인데 변수 사이 관계만 깨진 이상을 놓친다 — 본문의 합성 반응기 사례에서 냉각수 유량계가 서서히 틀어진 20표본 중 변수별 3σ 는 3표본을, SPE 는 11표본을 잡았고 SPE 의 첫 경보가 60분 빨랐다.
- 경보가 나면 어느 통계량이 넘었는가로 먼저 가른다 — T² 만 넘으면 변수들이 평소 관계를 지킨 채 운전점이 옮겨 간 것이고, SPE 가 넘으면 모형이 모르는 관계(센서 고장 · 새 이상)가 생긴 것이라 기여도 그림에서 계측부터 본다.
2등장 배경
반응기 하나에도 유량 · 온도 · 압력 · 전력 계측이 수십 개이고 이들은 부하 · 원료 농도 같은 몇 안 되는 원인에 함께 묶여 움직인다. 변수마다 관리도를 두면 차트가 변수 수만큼 늘고, 한 원인에서 나온 경보가 여러 차트에 흩어져 운전원이 무엇을 볼지 정하지 못한다. 필요한 것은 정상 상관을 넣은 «한 번에 보는 기준»이었다.
Hotelling 은 1947년 폭격 조준기 시험 자료에서 여러 특성치를 T² 한 숫자로 묶는 관리도를 냈다(NIST 6.3.4). 1979년 Jackson · Mudholkar 는 PCA 모형이 설명하지 못한 잔차 제곱합(Q)의 관리 한계 식을 냈고(Jackson · Mudholkar 1979), 1991년 Kresta · MacGregor · Marlin 이 PCA · PLS 로 연속 공정의 운전 상태를 감시하는 방법을 정리했다(Kresta 1991). 1992년에는 1단계 기준 자료를 베타 분포로 거르는 한계(Tracy · Young · Mason 1992)와 다변량 EWMA(Lowry 1992)가, 1995년에는 배치 공정용 다방향 PCA(Nomikos · MacGregor 1995)가 나왔다.
1993년 공개된 Tennessee Eastman 공정 모사 문제(Downs · Vogel 1993)는 지금도 다변량 감시 방법을 견주는 시험대로 쓰인다. 정상 자료만으로 세우고 한계가 확률로 정해지며 원인을 변수별로 나눠 보이므로 지금도 공정 감시의 기준선이다. 반도체 웨이퍼별 장비 값 판정은 FDC 가, 단변량 관리도는 통계적 공정 관리가 맡는다.
3쉽게 이해하기 — 보건 선생님 수진의 신체검사 기록
보건 선생님 수진은 1학기 신체검사 때 학생 200명의 키 · 몸무게 · 발 크기 · 팔 길이를 기록부에 적고, 네 값이 대개 «몸집» 하나를 따라 함께 크고 작다는 것을 알았다. 2학기 검사에서 민호는 네 값이 모두 크지만 서로 비율은 평소와 같았다 — 몸집 자 위에서 멀리 간 학생이다. 하린은 키 · 몸무게는 평범한데 발 크기만 키에 비해 컸다 — 값 하나하나는 평소 범위 안이지만 몸집 자에서 떨어진 학생이다. 수진은 하린 기록에서 가장 어긋난 칸(발 크기)을 찾아 다시 재 보고, 발판 눈금이 밀려 있던 것을 찾았다.
그림 1 · 수진은 1학기 기록으로 «몸집 자»를 만들고, 자 위에서 먼 학생과 자에서 떨어진 학생을 서로 다른 점수로 가른 뒤 어긋난 칸을 다시 잰다.
그림 2 · 민호는 몸집 자를 따라 멀리 간 것이라 T² 가, 하린은 자에서 옆으로 떨어진 것이라 SPE 가 커진다 — 실제 PCA 모형에서는 자가 주성분 평면이다.
| 비유 속 역할 | 실제 이름 | 실제로 하는 일 |
|---|---|---|
| 1학기 기록부 200명 | 1단계 정상 운전 자료 | 정상 표본 m 개로 평균 · 표준편차 · 상관 행렬을 잡는다 |
| 몸집 자 | PCA 모형(주성분 k 개) | 함께 움직이는 변수들을 소수의 점수 t 로 요약한다 |
| 민호 — 자 위로 멀다 | Hotelling T² | 모형 평면 안에서 정상 중심까지 고유값으로 나눈 거리 |
| 하린 — 자에서 떨어짐 | SPE(Q) | 모형이 설명하지 못한 잔차의 제곱합 |
| 신고 기준선 | 관리 한계 | T² 는 F 분포, SPE 는 Jackson · Mudholkar 식으로 정한다 |
| 가장 어긋난 칸 | 기여도 그림 | 통계량을 변수별 몫으로 나눠 의심 변수를 보인다 |
| 다시 재기 | 원인 확인 · 모형 갱신 | 계측 · 운전 기록으로 원인을 확정하고 필요하면 모형을 다시 세운다 |
⚠ 비유가 맞지 않는 곳: 몸집 자는 축 하나지만 실제 모형은 성분을 여러 개 남기고 그 수를 자료로 정한다. 수진은 한 칸을 보고 원인을 확정하지만 기여도 그림은 의심 변수를 좁힐 뿐이고, 어긋남이 이웃 변수로 번져 보이기도 한다.
4구조 — 정상 모형 · 두 통계량 · 관리 한계 · 기여도
다변량 감시는 1단계(정상 자료로 모형과 한계 세우기)와 2단계(새 표본을 모형에 넣어 판정하기)로 나뉜다(NIST 6.5.4.3.3 · 6.5.4.3.4). 변수가 서로 강하게 상관되면 원 변수 T² 대신 PCA 모형을 세우고, 모형 안의 T² 와 모형 밖의 SPE 를 함께 본다(MacGregor · Kourti 1995).
그림 3 · 1단계에서 세운 평균 · 표준편차 · 주성분이 2단계의 모든 표본에 그대로 쓰이고, 한 표본은 T² 와 SPE 두 길로 판정된 뒤 기여도로 변수까지 좁혀진다.
| 요소 | 식 · 내용 | 사례 값 | 근거 |
|---|---|---|---|
| 정상 운전 자료 | 이상이 없는 운전 구간 m 표본 | 200표본 × 6변수 · 10분 간격 | 설명용 가정 값 |
| 1단계 한계 | ((m−1)²/m) · B(1−α; p/2, (m−p−1)/2) | 16.36(α = 0.01) | NIST 6.5.4.3.3 |
| PCA 모형 | 표준화 상관 행렬의 고유 벡터 P · 고유값 λ · 성분 k | k = 2 · 누적 분산 93.5% | NIST 6.3.4.2 |
| T² | Σ tₐ²/λₐ(a = 1 … k) | 정상 중앙값 1.33 | MacGregor · Kourti 1995 |
| T² 한계 | k(m+1)(m−1)/(m² − mk) · F(α; k, m−k) | 9.52 | NIST 6.5.4.3.4(p 자리에 k) |
| SPE(Q) | Σ eⱼ² · e = z − Pt | 정상 중앙값 0.344 | Jackson · Mudholkar 1979 |
| SPE 한계 | θ₁[c_α√(2θ₂h₀²)/θ₁ + 1 + θ₂h₀(h₀−1)/θ₁²]^(1/h₀) · θᵢ = Σ λⱼⁱ(j > k) | 1.323 | Jackson · Mudholkar 1979 · SAS MVPMONITOR |
| 기여도 | T² 몫 = Σₐ (tₐ/λₐ)pⱼₐzⱼ · SPE 몫 = eⱼ² | 표본 92 냉각수 66.6% | Westerhuis 2000 |
h₀ = 1 − 2θ₁θ₃/(3θ₂²) 이고 c_α 는 표준 정규 분포의 위쪽 α 점(α = 0.01 이면 2.326)이다. 원 변수 T² 는 S⁻¹ 전체를 쓰므로 거의 같은 값을 내는 변수가 섞이면 작은 고유값 방향이 지나치게 커지고, PCA 모형은 그 방향을 SPE 로 떼어 본다(MacGregor · Kourti 1995).
5동작 — 합성 반응기 6변수의 20시간 감시
이 사례는 합성 데이터를 default_rng(0)(NumPy 2.4.3 · Python 3.14.0)로 만들어 직접 돌린 결과이고, F · 베타 분위수는 불완전 베타 함수를 직접 구현해 구했다. 반응기 한 대의 원료 유량(12.0 m³/h) · 반응기 온도(180 °C) · 냉각수 유량(30.0 m³/h) · 반응기 압력(8.0 bar) · 출구 온도(65 °C) · 교반기 전력(22 kW)은 설명용 가정 값이며, 부하와 원료 농도 두 원인이 여섯 변수를 함께 움직인다.
- 정상 운전 200표본(10분 간격 · 약 33시간)을 모은다 — 반응기 온도 ↔ 냉각수 유량 상관 0.86, 원료 유량 ↔ 교반기 전력 0.88 이다.
- 1단계 점검으로 원 변수 T² 를 베타 한계 16.36 과 견주면 1표본이 넘는다 — 99% 한계의 기대치 2표본 안이라 그대로 쓴다(NIST 6.5.4.3.3).
- 표준화한 상관 행렬의 고유값이 4.551 · 1.058 · 0.114 · 0.106 · 0.097 · 0.075 라 성분 2개(누적 93.5%)를 남긴다 — 셋째부터는 잡음 크기라 잔차로 넘긴다.
- 99% 한계를 구한다 — T² 9.52(F 분포 · k = 2 · m = 200), SPE 1.323(θ₁ 0.3916 · θ₂ 0.0392 · θ₃ 0.0040 · h₀ 0.321).
- 감시 120표본(20시간)의 41 ~ 55번에 부하를 정상 범위 밖으로 올린다(변수 관계는 그대로) — T² 가 15표본 중 9표본에서 넘고 SPE 는 0표본이다. 표본 44 는 T² 23.54 · SPE 0.386 이다.
- 81번부터 냉각수 유량계가 표본마다 +0.15 m³/h(표준편차의 0.1배)씩 틀어진다 — SPE 는 88번(드리프트 1.2 m³/h · Q 1.385)에서 처음 넘고 20표본 중 11표본을 잡으며, T² 는 한 번도 넘지 않는다.
- 같은 구간에 변수별 3σ 한계는 94번에서야 처음 넘고 20표본 중 3표본만 잡는다 — SPE 보다 6표본(60분) 늦다. 표본 92 는 냉각수 유량 z = 2.15(3σ 안)인데 SPE 는 3.405 다.
- 기여도를 본다 — 표본 92 의 SPE 는 냉각수 유량이 66.6% 라 그 유량계를 먼저 점검하고, 표본 44 의 T² 는 원료 유량 · 교반기 전력 · 냉각수 유량이 나눠 가져 부하 상승으로 읽힌다. 정상 85표본의 오경보는 1표본(표본 66 · T² 10.11)이다.
시드를 0 ~ 9 로 바꿔 같은 설정을 돌리면 부하 구간 T² 탐지는 7 ~ 12/15 · SPE 는 0 ~ 2/15, 드리프트 구간 SPE 탐지는 7 ~ 11/20 · T² 는 0 ~ 1/20, 변수별 3σ 는 0 ~ 3/20 이었다 — «부하 이동 = T² · 관계 깨짐 = SPE» 로 갈리는 방향은 10개 시드에서 모두 같았다.
그림 4 · 부하를 올린 구간은 T² 만, 냉각수 유량계가 틀어진 구간은 SPE 만 한계를 넘어 두 통계량이 서로 다른 이상을 맡는다.
그림 5 · 두 변수 각각의 3σ 상자 안에 있어도 상관 0.86 이 만드는 타원 밖이면 이상이다 — 표본 92 는 상자 안 · 타원 밖, 표본 44 는 타원의 긴 축 끝 너머다.
그림 6 · 같은 «경보»라도 표본 44 의 T² 는 부하에 묶인 변수 셋이 나눠 갖고, 표본 92 의 SPE 는 냉각수 유량 하나가 3분의 2 를 차지한다.
🔑 T² 는 «정상 관계 안에서 얼마나 멀리 갔나»를, SPE 는 «정상 관계에서 얼마나 벗어났나»를 잰다 — 운전점 이동은 T² 만, 센서 드리프트 · 새 고장은 SPE 를 먼저 올린다.
6비교 — 변수별 한계 · 원 변수 T² · PCA T² · SPE · MEWMA
| 기준 | 변수별 3σ | 원 변수 T²(6변수) | PCA T² | SPE(Q) | MEWMA |
|---|---|---|---|---|---|
| 보는 것 | 변수 하나의 평균 거리 | 상관 행렬 전체로 잰 거리 | 모형 평면 안 거리 | 모형 평면 밖 잔차 | 지수 가중 평균 벡터의 T²(NIST 6.3.4.3) |
| 사례 부하 상승(15) | 8 | 5 | 9 | 0 | 이 사례에서 돌리지 않음 |
| 사례 유량계 드리프트(20) | 3 · 첫 경보 94번 | 10 · 첫 경보 89번 | 0 | 11 · 첫 경보 88번 | 이 사례에서 돌리지 않음 |
| 이상 종류 구분 | 넘은 변수만 보임 | 두 종류가 한 숫자에 섞임 | 운전점 이동 | 관계 깨짐 · 새 이상 | 작은 지속 이동 |
| 약점 | 상관 무시 · 변수 수만큼 차트 | 비슷한 변수가 섞이면 S⁻¹ 불안정 | 성분 수 고르기에 좌우 | 잡음 성분 몫이 함께 섞임 | λ 고르기 · 큰 단발 이동은 늦음(Lowry 1992) |
분석변수가 몇 개뿐이고 서로 독립이면 변수별 한계로 충분하고, 상관된 변수가 여럿이면 PCA 모형의 T² 와 SPE 를 함께 두며, 작은 이동이 오래 이어지는 공정이면 MEWMA 를 더한다. 근거는 표의 두 사례 행 — 원 변수 T² 는 두 이상을 모두 일부 잡았지만 어느 쪽인지 말하지 않았고, PCA T² 와 SPE 는 9/15 · 11/20 으로 이상 종류를 나눠 잡았다.
비선형 관계나 이미지 · 파형 같은 고차원 입력은 정상 모형을 신경망으로 바꾼 오토인코더 이상 탐지가, 레이블 없이 고립 정도로 점수를 매기는 방식은 Isolation Forest 가 맡는다 — 둘 다 확률로 정한 한계와 변수별 기여도를 바로 주지는 않는다.
7실무 진단 — 다변량 경보의 단계 가르기
분석경보가 나면 T² · SPE 중 무엇이 넘었는지로 이상 종류를 먼저 가르고, 그다음 기여도로 변수를, 마지막에 1단계 자료와 성분 수가 지금 운전에 맞는지를 본다. 두 한계는 1단계 자료가 정상이고 표본이 서로 독립이라는 가정에서 나온 값이므로(NIST 6.5.4.3.3 · 6.5.4.3.4), 가정이 깨진 문제를 한계 조정으로 덮으면 다른 쪽 놓침이 늘어난다.
| # | 증상 | 의심 원인 | 단계 | 확인 자료 | 판정 기준(근거) |
|---|---|---|---|---|---|
| 1 | T² 만 넘고 SPE 는 정상 | 부하 · 품종 등 운전점이 1단계 범위 밖으로 이동 | 운전 | T² 기여도 · 생산 계획 · 설정값 변경 기록 | 계획된 변경이면 이상 아님 · 모형 범위 확장 검토(MacGregor · Kourti 1995) |
| 2 | SPE 가 넘고 한 변수 몫이 큼 | 센서 고장 · 드리프트 · 배관 막힘 | 계측 | SPE 기여도 · 잔차 부호 · 예비 계측 값 | 한 변수 몫이 절반을 넘으면 그 계측부터 · 몫이 이웃 변수로 번질 수 있음(Westerhuis 2000) |
| 3 | 1단계 자료에서도 SPE 초과가 1% 를 크게 넘음 | 성분 수가 적어 정상 변동이 잔차에 남음 | 모형 | 고유값 · 누적 분산 · 1단계 SPE 분포 | 99% 한계면 1단계 초과는 약 1% · 크게 넘으면 성분 수 · 한계 재검토(Jackson · Mudholkar 1979) |
| 4 | 정비 · 계절 뒤 경보가 연이어 몰림 | 1단계 자료가 옛 운전 범위만 담음 | 자료 | 최근 정상 구간 평균 · 표준편차 ↔ 1단계 값 | 원 변수 T² 를 베타 한계로 다시 거른 새 1단계 자료로 재구축(NIST 6.5.4.3.3) |
| 5 | 한 사건에 경보가 수십 표본 이어짐 | 표본 간격이 공정 시간 상수보다 짧아 자기상관 | 표본 | 통계량 자기상관 · 경보 묶음 길이 | F · 베타 한계는 독립 표본 가정 — 간격을 늘리거나 동적 모형 검토(NIST 6.5.4.3.4) |
가려내는 순서는 통계량 종류 → 기여도 → 계측 · 운전 기록 → 성분 수 → 1단계 자료다. 기여도는 의심 변수를 좁힐 뿐이므로 계측 확인 전에 모형을 다시 세우지 않는다.
8시험 대비
시험에서는 단변량 관리도와 달리 상관을 반영하는 T² · SPE 두 통계량과 관리 한계를 쓰는 정의 · 특징형, 그리고 변수별 관리도 · 원 변수 T² · PCA 기반 감시의 차이를 묻는 비교형이 나올 수 있다. 타원과 상자를 한 그림에 그려 «각 변수는 정상인데 이상» 인 구역을 보이면 정의 수준을 넘는다.
- 개요 — 정의 · 단변량 관리도의 한계(상관 무시 · 차트 수) · 1단계 · 2단계 구분
- Hotelling T² — 식 · 1단계 베타 · 2단계 F 한계 · 그림 5 타원 대 3σ 상자
- PCA 기반 감시 — 성분 수 선택 · T²(모형 안)와 SPE(모형 밖) 식 · 그림 3 구성
- 감시 사례 — 그림 4 시간축(운전점 이동 = T² · 센서 드리프트 = SPE · 첫 경보 60분 차이)
- 원인 진단 — 그림 6 기여도 그림 · 번짐 현상 · 계측 확인 순서
- 확장 — MEWMA(작은 지속 이동) · 배치 다방향 PCA · PLS(품질 변수 연계) · 비선형 신경망 방식과의 경계
꼭 쓸 키워드
Hotelling T²SPE(Q)주성분 분석관리 한계1단계2단계기여도 그림상관 깨짐JacksonMudholkar 한계MEWMA
다른 답안과 차이를 내는 한 가지는 그림 4 처럼 두 이상을 T² · SPE 두 차트에 나란히 그려 «어느 통계량이 넘었나»가 곧 이상 종류의 판단임을 보이는 것이다.
9오해와 사실
- 오해변수마다 3σ 안이면 공정은 정상이다.사실사례 표본 92 는 냉각수 유량 z = 2.15 · 반응기 온도 z = −0.08 로 둘 다 3σ 안이지만, 두 변수 T² 18.3 · SPE 3.405 로 모두 99% 한계를 넘었다(NIST 6.3.4 · Jackson · Mudholkar 1979).
- 오해T² 하나만 보면 다변량 감시가 끝난다.사실PCA T² 는 모형 평면 안 거리라 관계가 깨진 드리프트 20표본에서 한 번도 넘지 않았고, 같은 구간을 SPE 가 11표본 잡았다(MacGregor · Kourti 1995).
- 오해기여도가 가장 큰 변수가 고장 난 변수다.사실기여도는 다른 변수로 번져 보이며(Westerhuis 2000), 사례에서 고장은 냉각수 유량 하나였지만 원료 유량도 SPE 몫 23.4% 를 가져갔다.
10핵심 정리
| 구분 | 재는 것 | 식 | 한계(사례) | 잡는 이상 | 흔한 실패 |
|---|---|---|---|---|---|
| 1단계 | 정상 기준 자료 | m 표본 평균 · 상관 | 베타 16.36 | 기준 자료 속 이상 | 이상이 섞인 채 모형을 세움 |
| PCA 모형 | 함께 움직이는 방향 | 고유 벡터 P · 고유값 λ | k = 2 · 93.5% | — | 성분 수를 너무 적게 · 많이 고름 |
| T² | 모형 안 거리 | Σ tₐ²/λₐ | F 9.52 | 운전점 이동 | 운전 변경을 고장으로 봄 |
| SPE(Q) | 모형 밖 잔차 | Σ eⱼ² | J · M 1.323 | 센서 드리프트 · 새 관계 | 잡음 성분까지 잔차에 넣음 |
| 기여도 | 변수별 몫 | (tₐ/λₐ)pⱼₐzⱼ · eⱼ² | 냉각수 66.6% | 의심 변수 | 1위 변수를 원인으로 단정 |
| 변수별 3σ | 변수 하나 | |z| > 3 | ± 3 | 큰 단발 이동 | 상관 깨짐을 놓침(3/20) |
| MEWMA | 누적된 작은 이동 | Zᵢ = λXᵢ + (1−λ)Zᵢ₋₁ 의 T² | λ 선택 | 작은 지속 이동 | 큰 단발 이동에 늦음 |
11참고 문헌
- 먼저 볼 문헌
- ★ NIST/SEMATECH e-Handbook of Statistical Methods 6.3.4 What are Multivariate Control Charts? — Hotelling T² 관리도가 무엇을 한 숫자로 묶는지 처음 볼 때
- ★ NIST/SEMATECH e-Handbook of Statistical Methods 6.5.4.3.3 Chart for Individual Observations -- Phase I — 1단계 기준 자료를 베타 분포 한계로 거르는 식을 볼 때
- ★ NIST/SEMATECH e-Handbook of Statistical Methods 6.5.4.3.4 Chart for Individual Observations -- Phase II — 2단계 감시의 F 분포 한계 식을 볼 때
- ★ Control Procedures for Residuals Associated With Principal Component Analysis (Technometrics 21(3) 341-349) — PCA 잔차 SPE(Q)의 관리 한계 식의 출처를 찾을 때
- ★ Statistical process control of multivariate processes (Control Engineering Practice 3(3) 403-414) — 공정 감시에서 T² 와 SPE 를 함께 쓰는 틀 전체를 볼 때
- 본문 근거
- NIST/SEMATECH e-Handbook of Statistical Methods 6.3.4.2 Principal Components Control Charts — NIST · 2026-11 ·
www.itl.nist.gov/div898/handbook/pmc/section3/pmc342.htm· 확인 2026-11-12 - NIST/SEMATECH e-Handbook of Statistical Methods 6.3.4.3 Multivariate EWMA Charts — NIST · 2026-11 ·
www.itl.nist.gov/div898/handbook/pmc/section3/pmc343.htm· 확인 2026-11-12 - SAS/QC 14.1 User's Guide — The MVPMONITOR Procedure: Computing SPE Control Limits — SAS Institute · 2026-11 ·
support.sas.com/documentation/cdl/en/qcug/68161/HTML/default/qcug_mvpmonitor_details02.htm· 확인 2026-11-12 - Multivariate Control Charts for Individual Observations (Journal of Quality Technology 24(2) 88-95) — N. D. Tracy · J. C. Young · R. L. Mason · 1992-04 ·
doi.org/10.1080/00224065.1992.12015232· 확인 2026-11-12 - Multivariate statistical monitoring of process operating performance (The Canadian Journal of Chemical Engineering 69(1) 35-47) — J. V. Kresta · J. F. MacGregor · T. E. Marlin · 1991-02 ·
doi.org/10.1002/cjce.5450690105· 확인 2026-11-12 - Multivariate SPC Methods for Process and Product Monitoring (Journal of Quality Technology 28(4) 409-428) — T. Kourti · J. F. MacGregor · 1996-10 ·
doi.org/10.1080/00224065.1996.11979699· 확인 2026-11-12 - Multivariate SPC Charts for Monitoring Batch Processes (Technometrics 37(1) 41-59) — P. Nomikos · J. F. MacGregor · 1995-02 ·
doi.org/10.1080/00401706.1995.10485888· 확인 2026-11-12 - A Multivariate Exponentially Weighted Moving Average Control Chart (Technometrics 34(1) 46-53) — C. A. Lowry · W. H. Woodall · C. W. Champ · S. E. Rigdon · 1992-02 ·
doi.org/10.1080/00401706.1992.10485232· 확인 2026-11-12 - Generalized contribution plots in multivariate statistical process monitoring (Chemometrics and Intelligent Laboratory Systems 51(1) 95-114) — J. A. Westerhuis · S. P. Gurden · A. K. Smilde · 2000-05 ·
doi.org/10.1016/S0169-7439(00)00062-9· 확인 2026-11-12 - A plant-wide industrial process control problem (Computers and Chemical Engineering 17(3) 245-255) — J. J. Downs · E. F. Vogel · 1993-03 ·
doi.org/10.1016/0098-1354(93)80018-I· 확인 2026-11-12 - NumPy 2.4 Reference Random Generator — NumPy Developers · 2026-11 ·
numpy.org/doc/2.4/reference/random/generator.html· 확인 2026-11-12