4. 控制图原理：正态分布、中心极限定理与3σ原则
控制图是统计过程控制（SPC）的核心工具，其数学根基建立在三个相互关联的统计概念之上：正态分布、中心极限定理与3σ原则。理解这三者之间的逻辑链条，是正确设计、解读控制图的前提。
4.1 正态分布：过程数据的理想模型
在半导体制造中，当过程仅受随机因素（普通原因）影响时，质量特性值（如膜厚、线宽、蚀刻速率）的分布通常近似于正态分布。正态分布的概率密度函数由两个参数唯一决定：
- μ（均值）：分布的中心位置，代表过程的集中趋势。
- σ（标准差）：分布的离散程度，代表过程的波动大小。
关键理解： 正态分布并非过程的“目标”，而是过程在“受控状态”下的自然表现形态。如果数据分布严重偏态或出现双峰，通常意味着存在特殊原因。
4.2 中心极限定理：控制图为何能用样本推断过程
实际生产中，我们无法测量所有产品，只能抽取样本。中心极限定理（CLT）为这种“以样本推断总体”提供了理论保障：
中心极限定理核心结论： 无论原始总体分布形态如何，当样本量 n 足够大（通常 n ≥ 30）时，样本均值的分布近似服从正态分布，且该分布的均值等于总体均值 μ，标准差等于总体标准差 σ 除以 √n。
这一结论对控制图的意义在于：
| 应用场景 | 原始数据分布 | 样本均值分布 | 控制图适用性 |
|---|---|---|---|
| 膜厚测量（n=5） | 近似正态 | 正态 | 直接适用 X̄-R 图 |
| 缺陷计数（n=50） | 泊松分布 | 近似正态 | 适用 c 图或 u 图 |
| 良率数据（n=100） | 二项分布 | 近似正态 | 适用 p 图或 np 图 |
4.3 3σ原则：控制限的统计依据
基于正态分布的概率特性，控制图采用 μ ± 3σ 作为控制限（UCL/LCL），而非 2σ 或 4σ。这一选择源于统计风险与经济性的平衡：
| 控制限宽度 | 包含数据比例 | 虚发警报概率（α风险） | 适用场景 |
|---|---|---|---|
| μ ± 1σ | 68.27% | 31.73% | 过窄，误报过多 |
| μ ± 2σ | 95.45% | 4.55% | 警戒线，非控制限 |
| μ ± 3σ | 99.73% | 0.27% | 标准控制限 |
| μ ± 4σ | 99.994% | 0.006% | 过宽，漏报风险大 |
工程解读： 当控制图上出现一个点超出 ±3σ 控制限时，该事件在过程受控状态下发生的概率仅为 0.27%（约 1/370）。因此，我们倾向于认为过程出现了特殊原因，需要调查。这就是“小概率事件原理”在 SPC 中的直接应用。
4.4 三者的逻辑关系：控制图的理论闭环
正态分布、中心极限定理与 3σ 原则共同构成了控制图的理论基础，其逻辑链条如下：
- 前提假设：过程受控时，质量特性（或样本均值）服从正态分布。
- 理论支撑：中心极限定理保证即使原始数据非正态，样本均值仍近似正态，使控制图具有广泛适用性。
- 决策依据：3σ 原则提供了控制限的统计阈值，将“过程是否受控”的判断转化为概率问题。
4.5 实战应用：从理论到控制图参数计算
在半导体产线中，我们通常使用以下步骤将理论转化为实际控制限：
实战案例： 某 CMP 抛光速率过程，历史数据显示均值为 3000 Å/min，标准差为 150 Å/min。试计算 X̄ 控制图（子组大小 n=5）的控制限。
计算步骤：
- 确定中心线（CL）：CL = μ = 3000 Å/min
- 计算控制限：
- UCL = μ + 3 × (σ / √n) = 3000 + 3 × (150 / √5) ≈ 3000 + 3 × 67.08 ≈ 3201.24 Å/min
- LCL = μ - 3 × (σ / √n) = 3000 - 3 × (150 / √5) ≈ 3000 - 201.24 ≈ 2798.76 Å/min
- 绘制控制图：将样本均值点绘制在控制图上，观察是否超出控制限或出现其他判异模式。
# Python 代码示例：计算 X̄ 控制图控制限
import numpy as np
mu = 3000 # 过程均值
sigma = 150 # 过程标准差
n = 5 # 子组大小
# 计算样本均值分布的标准差（标准误）
se = sigma / np.sqrt(n)
# 计算控制限
CL = mu
UCL = mu + 3 * se
LCL = mu - 3 * se
print(f"中心线 (CL): {CL:.2f} Å/min")
print(f"上控制限 (UCL): {UCL:.2f} Å/min")
print(f"下控制限 (LCL): {LCL:.2f} Å/min")