工艺生产数据也像以上例子给出的分布一样。这个数学分布就是著名的高斯分布。一个AD9200JST很好的例子是草坪中草叶的高度。

   如果所有的草叶高度都得到测量并画在直方图上，其分布会是熟悉的钟形曲线，又称为“正态曲线”（normal curve）（见图15. 16）。从概率的角度考虑，任何草叶具有与均值（中心值）接近的概率都较大，而任何草叶其高度非常矮或非常高的概率都较小。同样的数学情况还可以产生包括人的身高分布、智商(IQ)分布，以及（多数情况）半导体工艺参数分布，如方块电阻等。

   过程控制的第一步是将某一特定工艺参数的分布绘制成直方图，然后确认该分布是否是正态分布。如果不是正态分布，则很有可能工艺过程中存在某种问题。如果分布是正态的，下一步则是比较分布范围与该参数的设计极限（见图15. 16）。进行这个比较是为确定工艺的自然分布极限是否落入设计极限内。如果不是，工艺就必须调整，否则此参数的测量读数（以及晶圆）将总会有一定比例落在规格之外，图15. 16正态分布（钟形）曲线到目前为止，介绍的统计方法都是对某一种工艺过程的事后分析。而更有力的实时工艺控制统计方法是X-R控制图（见图15. 17）。这种控制图由两部分组成，其y轴代表参数的数值。处于上部的图上有一条水平线，表示参数的历史平均值。平均值线的两侧有根据历史数据计算出的控制限水平线[15]。控制限代表当工艺过程受控时数据值所处的范围。同时在图中还包括工艺或设计极限，代表数据点在被拒绝前可能达到的极端值。而处于下部的图是通过将每个数据点偏离平均值的量计算并绘制出来的。在绘制出来后，这些值提供了关于工艺控制量的直观证据。