2. 基础统计回顾
在半导体工艺优化与良率提升中，数据是决策的基础。然而，我们无法测量每一颗芯片或每一片晶圆，只能通过样本推断总体。本章将系统回顾描述性统计与推断统计的核心概念，为后续DOE实验设计与分析打下坚实的数学基础。
2.1 总体与样本
总体（Population）：研究对象的全体。例如，某批次所有晶圆的膜厚测量值。
样本（Sample）：从总体中随机抽取的一部分个体。例如，从该批次中随机选取5片晶圆进行测量。
关键区别： 总体参数（如μ, σ）是固定但未知的常数；样本统计量（如x̄, s）是随机变量，随抽样波动。
工艺应用提示： 在CMP（化学机械抛光）工艺中，我们无法测量每片晶圆的每一处厚度，只能通过晶圆内多点采样（样本）来估计整批晶圆的均匀性（总体）。
2.2 均值与方差
2.2.1 均值（Mean）
总体均值 μ：μ = (1/N) Σ xᵢ
样本均值 x̄：x̄ = (1/n) Σ xᵢ
2.2.2 方差与标准差
总体方差 σ²：σ² = (1/N) Σ (xᵢ - μ)²
样本方差 s²：s² = (1/(n-1)) Σ (xᵢ - x̄)² （注意分母为n-1，无偏估计）
| 统计量 | 总体公式 | 样本公式 | 工艺含义 |
|---|---|---|---|
| 均值 | μ = Σxᵢ / N | x̄ = Σxᵢ / n | 工艺中心值（如目标膜厚） |
| 方差 | σ² = Σ(xᵢ-μ)² / N | s² = Σ(xᵢ-x̄)² / (n-1) | 工艺波动/均匀性 |
| 标准差 | σ = √σ² | s = √s² | 与均值同单位的波动量 |
常见错误： 在计算样本方差时使用n作为分母会导致有偏估计，尤其在样本量较小（n<30）时偏差显著。DOE分析中务必使用n-1。
2.3 正态分布与3σ原则
正态分布是工艺数据最常见的分布模型，其概率密度函数为：
f(x) = (1 / (σ√(2π))) · exp(-(x-μ)² / (2σ²))3σ原则：在正态分布中：
- μ ± 1σ 包含约 68.27% 的数据
- μ ± 2σ 包含约 95.45% 的数据
- μ ± 3σ 包含约 99.73% 的数据
良率关联： 在半导体制造中，若工艺规格限（USL/LSL）设定在μ±3σ，则理论上良率可达99.73%。但实际中需考虑长期漂移，通常要求Cpk≥1.33（对应4σ）或Cpk≥1.67（对应5σ）。
2.4 假设检验基础
假设检验是DOE中判断因子效应是否显著的核心工具。其基本逻辑是：
- 提出假设：H₀（原假设，如“因子无效应”） vs H₁（备择假设，如“因子有效应”）
- 选择检验统计量：如t统计量、F统计量
- 确定显著性水平α：通常取0.05（即犯第一类错误的概率）
- 计算p值：在H₀为真的前提下，观察到当前样本结果或更极端结果的概率
- 做出决策：若p值 < α，则拒绝H₀，认为效应显著
两类错误：
第一类错误（α）：误判有效应为显著（假阳性）—— 在工艺中可能导致不必要的调整。
第二类错误（β）：漏判真实效应（假阴性）—— 可能错过重要的工艺优化机会。
统计功效（1-β）：正确检测到真实效应的概率。DOE中通常要求功效 ≥ 0.8。
第一类错误（α）：误判有效应为显著（假阳性）—— 在工艺中可能导致不必要的调整。
第二类错误（β）：漏判真实效应（假阴性）—— 可能错过重要的工艺优化机会。
统计功效（1-β）：正确检测到真实效应的概率。DOE中通常要求功效 ≥ 0.8。
2.5 统计基础在DOE中的综合应用
在后续的DOE课程中，我们将反复使用以下统计概念：
| DOE阶段 | 使用的统计工具 | 目的 |
|---|---|---|
| 筛选实验 | 假设检验、p值、效应估计 | 识别显著因子 |
| 响应曲面设计 | 回归分析、ANOVA、R² | 建立工艺模型 |
| 工艺优化 | 置信区间、预测区间 | 确定最优工艺窗口 |
| 验证实验 | t检验、功效分析 | 确认优化结果的可重复性 |
学习建议： 建议使用Minitab或JMP软件，导入本章的示例数据（如膜厚测量值），亲自计算均值、方差，绘制正态概率图，并进行单样本t检验。动手操作是掌握统计工具的最佳途径。