용어 목록 > 와이블분포 (Weibull Distribution)

와이블분포 (Weibull Distribution)

통계
한 줄 정의: 시간이 지날수록 사건(고장, 사망 등)이 발생할 위험이 증가·감소·일정하게 유지되는 다양한 패턴을 하나의 모양 모수로 표현할 수 있는, 생존·신뢰성 분석에 널리 쓰이는 확률분포입니다.

쉽게 풀면

전자제품이 고장 날 위험은 시기마다 다릅니다. 초반에는 불량품이 일찍 고장 나는 "초기불량 구간", 중간에는 위험이 거의 일정한 "안정 구간", 후반에는 노후화로 위험이 커지는 "마모 구간"이 있습니다. 와이블분포는 모양 모수(shape parameter) 하나만 바꿔서 이 세 가지 패턴(위험이 시간에 따라 줄어듦, 일정함, 늘어남)을 모두 표현할 수 있는 만능 도구입니다. 그래서 기계 부품의 수명, 환자의 생존 기간처럼 "시간이 지날수록 위험도가 변하는" 현상을 분석할 때 특히 자주 쓰입니다.

왜 중요한가

와이블분포는 하나의 모양 모수만으로 위험률이 시간에 따라 증가·감소·일정한 다양한 패턴을 모두 표현할 수 있기 때문에, 의학의 생존분석뿐 아니라 공학의 신뢰성 분석, 품질관리, 재난·재해 발생 주기 분석 등 "시간이 지날수록 사건 발생 위험이 변하는" 현상을 다루는 폭넓은 분야에서 표준적으로 쓰입니다. 실제 관측 데이터의 위험 패턴이 복잡할 때도 모양 모수 하나를 조정해 유연하게 적합시킬 수 있다는 점이 이 분포가 여러 학문에서 반복적으로 채택되는 이유입니다.

핵심 정리

모양 모수 k위험함수 h(t)전형적 상황
k < 1시간이 갈수록 감소초기 불량, 수술 직후 위험처럼 일찍 사건이 몰림
k = 1일정(지수분포)우발적 고장, 노화 효과가 없는 경우
k > 1시간이 갈수록 증가마모·노화로 고장 위험이 커지는 경우

예시로 보기

어떤 부품의 수명이 k = 2, λ = 1,000시간인 와이블분포를 따른다고 합시다.

시점 t생존확률 S(t)위험함수 h(t)
500시간exp(−0.5²) = exp(−0.25) ≈ 0.78(2/1000) × 0.5 = 0.001 /시간
1,000시간exp(−1) ≈ 0.37(2/1000) × 1 = 0.002 /시간
1,500시간exp(−1.5²) = exp(−2.25) ≈ 0.11(2/1000) × 1.5 = 0.003 /시간

1,000시간까지 살아남은 부품은 37%이고, 이 시점의 순간 고장 위험은 500시간 때의 두 배입니다(k = 2라서 h(t)가 t에 비례). 중앙값 수명은 λ(ln 2)1/k ≈ 833시간, 평균 수명은 λΓ(1.5) ≈ 886시간으로 모두 λ와 다릅니다. 같은 λ에서 k = 1이었다면 위험은 시간과 상관없이 0.001로 일정했을 것입니다. 수치는 원리를 보이기 위한 가상의 값입니다.

자주 하는 오해

오해바로잡기
척도 모수 λ가 평균 수명이다.평균은 λΓ(1 + 1/k)입니다. k = 1일 때만 평균이 λ와 같습니다.
k > 1로 추정되면 개체 하나하나의 위험이 시간이 갈수록 커진다.집단 전체의 위험함수를 말하는 것입니다. 개체마다 취약성이 다른 이질적인 집단에서는 취약한 사람이 먼저 떠나면서 집단 위험이 감소하는 것처럼 보일 수 있습니다.
와이블분포는 수명 자료에 항상 잘 맞는다.유연하지만 위험함수가 단조(계속 증가 또는 감소)여야 합니다. 위험이 올랐다 내려가는(욕조 곡선) 자료에는 다른 모형이 필요합니다. 확률지와 적합도로 확인하세요.
프로그램마다 같은 모수를 준다.R, Python, SAS 등은 척도(λ)를 쓰는지, 비율(λ−k)을 쓰는지, 가속수명(AFT)식 계수로 보여 주는지가 다릅니다. 매뉴얼의 매개변수화를 확인하지 않으면 값이 뒤바뀝니다.

논문에서는 이렇게 쓰입니다

실제 논문에서

국내 학술지 논문에서 이 용어가 쓰인 문장을 그대로 옮겼습니다. 제목·학술지·연도와 원문 링크를 함께 적었습니다.

예시 문장

아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.

"환자의 생존 시간이 와이블분포(Weibull distribution)를 따른다고 가정하고 모수적 생존모형을 적합하였다."

이 문장은 "생존 시간 자료의 위험률이 시간에 따라 일정하지 않을 수 있다고 보고, 이를 유연하게 반영할 수 있는 분포를 모형의 기본 가정으로 삼았다"는 뜻입니다. 카플란-마이어 추정법처럼 분포를 가정하지 않는 방법과 달리, 와이블분포를 가정하면 생존곡선을 수식으로 매끄럽게 표현하고 미래 시점까지 외삽할 수 있습니다.

"기계 부품의 고장 시간 자료에 와이블분포를 적합한 결과, 모양 모수가 1보다 크게 추정되어 시간이 지날수록 마모로 인한 고장 위험이 증가하는 것으로 나타났다."

신뢰성 공학 분야에서는 부품의 고장 데이터를 와이블분포로 분석하여, 초기불량 구간인지 마모 구간인지를 모양 모수의 크기로 판단하고 유지보수 주기를 설계하는 데 활용합니다.

"태풍 발생 간격 자료를 와이블분포로 모형화하여 특정 기간 내 태풍이 발생하지 않을 확률을 추정하였다."

기상학·재해공학 분야에서는 자연재해와 같은 사건의 발생 간격을 와이블분포로 표현해 재현 주기나 위험도를 추정하는 데 이 분포를 사용합니다.

조금 더 깊게 보면

와이블분포는 모양 모수(shape parameter)와 척도 모수(scale parameter) 두 가지로 정의되는데, 모양 모수가 1보다 작으면 위험률이 시간에 따라 감소(초기불량형), 1이면 일정(지수분포와 동일), 1보다 크면 증가(마모형)하는 패턴을 나타냅니다. 이 때문에 논문에서는 모양 모수의 추정값 자체가 현상의 특성을 해석하는 중요한 정보로 다루어지며, 최대우도추정을 통해 모수를 구하는 경우가 일반적입니다. 실제 데이터가 이 분포를 잘 따르는지는 위험함수 그래프나 적합도 검정을 통해 확인하며, 잘 맞지 않을 경우 다른 생존모형이나 비모수적 방법과 비교하는 절차가 함께 보고됩니다.

주의할 점

와이블분포를 가정한 모수적 생존모형은 실제 위험 패턴이 이 분포의 형태와 크게 다를 경우 결과가 왜곡될 수 있습니다. 분포 가정이 데이터에 맞는지 확신이 서지 않는다면, 분포를 가정하지 않는 카플란-마이어 추정법이나 콕스 비례위험모형과 결과를 비교해보는 것이 안전합니다.

헷갈리기 쉬운 용어

시간-사건 자료에 쓰는 대표적인 분포들은 위험함수의 모양이 다릅니다.

분포위험함수 h(t)특징
지수분포일정무기억성, 모수 하나(와이블의 k = 1)
와이블분포단조 감소·일정·단조 증가모수 둘, 위험의 증감을 k로 표현
감마분포단조 증가·감소(수렴하는 형태)독립 사건의 대기 시간 합, 와이블과 비슷한 모양이지만 위험함수가 점근적으로 수렴
로그정규분포올랐다 내려감(비단조)곱셈적 요인으로 생기는 양수 자료, 위험이 일시적으로 상승 후 하락할 수 있음

생존분석에서 분포를 가정하지 않는 카플란-마이어 추정이나 콕스 모형과 결과를 비교해 보면 와이블 가정의 적절성을 확인할 수 있습니다.

참고 문헌

  1. Weibull, W. (1951). A statistical distribution function of wide applicability. Journal of Applied Mechanics, 18(3), 293–297.
  2. Meeker, W. Q., & Escobar, L. A. (1998). Statistical Methods for Reliability Data. Wiley.
  3. Klein, J. P., & Moeschberger, M. L. (2003). Survival Analysis: Techniques for Censored and Truncated Data (2nd ed.). Springer.
  4. Rinne, H. (2008). The Weibull Distribution: A Handbook. CRC Press.

표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.

관련 용어

카플란-마이어 추정법 콕스 비례위험모형 정규분포 이상치 표준편차 왜도와 첨도 분산