测试数据收集与统计基础：数据清洗、直方图、正态分布、Cp/Cpk
数据清洗——先让数据“干净”起来
做良率提升，我有个深刻的教训：数据不干净，后面全是白做。几年前我带一个项目，测了好几万颗芯片，直接扔进分析软件，算出来的Cp/Cpk漂亮得吓人。结果一查，原来是测试机台有个通道接触不良，产生了一堆“假好”数据。从那以后，我再也不敢跳过数据清洗这步。
数据清洗要处理的问题，其实就两大类：
- 异常值——测试机台打火、探针接触不良、setup/hold违规导致的数据跳变。典型的比如VDD电流突然飙到几百毫安，或者频率测试结果比正常值高出30%以上。
- 缺失值——某个参数没采到、log文件损坏、site跳过。常见情况是测试程序中途报错，部分bin数据直接为空。
我的清洗流程，供参考：
- 先看测试log：有没有error flag、retest count超标。
- 再画箱线图：超出1.5倍IQR的点单独拉出来看。
- 最后看物理分布：异常值是否集中在某几个site、某几根探针上。
直方图——一眼看出芯片的“脾气”
数据洗干净了，第一件事就是画直方图。为什么？因为正态分布、双峰、偏斜，看一眼就八九不离十。我习惯先把所有关键参数都扫一遍直方图，这比看数字表格快得多。
说说我怎么画——其实很简单，但有几个坑要注意：
- bin数别用默认值：Excel或Python自动算的bin数常常不好用。我个人习惯用Sturges规则：k = 1 + 3.322·lg(n)。n是样本量，比如10000个点，bin数大约15~20。
- 坐标轴尺度要统一：对比不同批次的直方图，横轴刻度必须一样，不然一眼看过去误差很大。
- 重点关注尾巴：规格限以外的那部分，就是良率损失的来源。我会单独统计长尾比例（tails percentage）。
举个例子——我之前处理过一个ATE test的Voh（输出高电平）数据。直方图画出来，明明规格下限是2.4V，数据却有两个峰：一个集中在2.45V，另一个漂到2.35V。后来查出来是某块板卡负载电容装错了。你想想看，要是没画直方图，直接算均值，根本发现不了这个双峰问题。
实用技巧：在直方图上叠加规格限（USL/LSL），用红色虚线标出来。这样哪个bin超出规格、偏移量多大，一目了然。我在报告里一直这么用，生产团队一看就懂。
正态分布检验——你的数据“正态”吗？
算Cp/Cpk之前，必须确认数据是不是正态的。规矩是死的：非正态数据算出来的过程能力指数，基本是废的。
判断方法我惯用两招：
- 正态概率图（Q-Q plot）：点越贴在对角线上，越正态。有经验的话，一眼就能看出“S形”或者“上翘”的偏差。
- Anderson-Darling检验：p-value > 0.05，就认为基本正态。但我得提醒你——样本量一大（比如10万颗），p-value几乎必小于0.05，此时别太迷信p值，结合Q-Q图看偏离程度更重要。
Cp与Cpk——过程能力的“体检报告”
这两个指数，说白了就是衡量你的制造过程有没有能力把芯片做好。
- Cp：只看数据分布宽度（σ）与规格宽度的比值。它假设分布是居中的。公式：Cp = (USL - LSL) / (6σ)。
- Cpk：考虑了分布是否偏移。公式：Cpk = min[(USL - μ) / (3σ), (μ - LSL) / (3σ)]。
我认为，看良率提升，Cpk比Cp更实用。因为实际生产中分布很少完美居中。Cpk >= 1.33是比较理想的状态，意味着长期良率能稳定在99.7%以上（假设正态且受控）。
现在我用一个具体参数来展示计算过程——假设Vref电压的规格是1.0V ± 0.05V，测试了5000颗芯片，统计出均值μ = 1.02V，样本标准差s = 0.012V：
| 指标 | 公式 | 数值 |
|---|---|---|
| USL | 1.05 V | 1.05 |
| LSL | 0.95 V | 0.95 |
| μ | 样本均值 | 1.02 |
| σ估计 | 样本标准差 | 0.012 |
| Cp | (1.05-0.95)/(6×0.012) | 1.39 |
| Cpk | min[(1.05-1.02)/(3×0.012), (1.02-0.95)/(3×0.012)] | 0.83 |
你看，Cp = 1.39 看起来不错，但Cpk只有0.83——因为均值偏了0.02V。这说明过程虽然窄（高精度），但需要调整靶心。我在实际项目中，每次看到Cp和Cpk差距大，就立刻查生产线的设备偏移，经常能找到调机误差。
解读Cpk值的经验参考：
- Cpk < 1.0 → 过程不合格，必须改进。
- 1.0 ≤ Cpk < 1.33 → 及格，但有轻微偏移或波动。
- 1.33 ≤ Cpk < 1.67 → 良好，良率稳定。
- Cpk ≥ 1.67 → 优秀，但也要小心过度工程（成本可能偏高）。
个人经验：Cpk和Cp一定要结合直方图一起看。只给一个数字，生产线上的人不太信，但你把直方图+规格限+两个指数摆在一起，他们自己就能判断哪里该调。
好了，这一章的核心就这些。数据清洗别偷懒，直方图多画几遍，正态检验别迷信p值，Cp/Cpk要带着图纸看。做到这一步，你已经把统计基础牢牢踩在脚下了。