很多测试工程师认为电气测试参数的限值就是在进行参数测试的时候设定的允许范围，电测限值的使用是为了在产品量测的时候相对产品电气标准参数更保守，从而降低客户使用产品时出现问题的几率。

在大部分半导体测试工序中，往往采用两个版本的测试程序：
1、产品量测程序
2、质量确认程序(QA)

前者用于产品量测线上，后者则用于抽样测试。

QA测试用于确保通过量测的产品是真正的没有问题，由于被测器件已经通过量测程序，理论上他们应该100%通过QA测试。因此，QA不通过的器件将被重点调查。

QA测试程序是根据产品参数标准来设计的，而量测程序则是使用了更加严格的测试限值。很多测试同时有上下限值，在这种情况下，必须保证两者都是用更加严格的限值。

那么，为什么在量测和QA之间有一个限值空间呢？答案在于没有两个测试系统的完全一致的，两个系统总会给出不同的测试量结果。这可能导致一个器件在不同系统上测试得到不同的结果，事实上即使同一个系统上多次测试的结果也可能不尽相同。

测试系统的不一致性原因很多，而且很难全部解决，这也是为什么在量测和QA测试之间留置限值空间的原因。

4、电气测试参数CPK

CPK=processcapabilityindex.

一个工序的性能可以由结果的集中度和距离标准的偏移度来衡量。对于一个结果可以由正态分布表示的工序来说，它的性能可以由CpK来表示。

一个工序的CpK指数表示该工序输出结果在上下限之间的集中度和偏移度。实际上，CpK代表了输出结果的和平均值之间的距离和比较近的标准限值之间的比率。(也就是3个sigma)

如果结果的平均值更靠近下限(LSL)，假设标准差为Stdev,那么Cpk=(Mean-LSL)/(3Stdev)。如果结果平均值更靠近上限(USL)那么Cpk=(USL-Mean)/(3Stdev)。

理想情况就是输出值一直在分布的正中间，那么Stdev=0,CpK=无限大。

当输出值离中间值越来越远，CpK将减小。CpK减小代表了该工序产生结果在标准限值之外的可能性怎增大了。因此，每个CpK的值可以表示相应的失效比率(PPM)。

下表列出CpK和相应的PPM值，在半导体业中，CpK的标准值应在1.67左右，最低不能低于1.33。
CpK在半导体测试中用于描述测试工序的稳定度，它只适用于测试结果呈正态分布的情况下。CpK衡量两个指标：
1、测试结果靠近中间值的距离
2、测试结果分布情况

CpK越高表示测试工序越好。

在电气测试中，CpK只能用于有数量读值并能构成正态分布的测试结果。

一个低的CpK暗示了3件事：
1、结果的平均值远离中间值
2、Stdev太大
3、两者皆是

测试工程师因该能够通过观察CpK变化寻找提高CpK的方法。

推荐的解决方法有：排出无效数据，维修出错的测试设备，调试测试程序，重新定义上下限值。

5、电气测试良品率模型

良品率就是通过电气测试的器件数量和器件总数量的比例，同常用百分比来表示。所有半导体厂商想方设法提高良品率，低良品率意味着成本的提高。良品率低的原因有很多，包括工艺问题，产品设计问题等等。

下面举例说明工艺问题导致良品率低：
1、氧化层厚度不匀
2、参杂浓度不匀，导致某些区域的电阻增大
3、掩模版偏移
4、离子污染
5、多晶硅层厚度不匀

设计失误也会导致低良品率，对工艺过度敏感的器件不能经受生产工程的正常参数变化。

即使器件设计和制造工艺没有问题，某些产品批次也会遇到低良品率，这有可能是由于硅片的“点坏区”造成的。因为在硅片生产过程中，很容易受到灰尘的污染，硅片的某个区域就不能正常工作。

我么必须了解低良品率的原因来降低生产的成本。这可以通过数学方法“良品率模型”来获得，它将失效密度(defect
density)转化为可以预计的良品率。通常我们使用泊松模型，墨菲模型，指数模型和Seeds模型来计算。

半导体厂商往往通过实际数据来选择合适的数学模型。比如一个晶圆厂的良品率数据可能是根据晶元大小对比其他数学模型而得来的。

一个简单的良品率数学模型假设造成良品率损失的原因是平均的失效密度和随机的失效点分布。如果该晶圆上有很多晶元(N)其中有很多随机分布的失效晶元(n)，那么一个晶元存在k个失效晶元的可能性可以根据泊松分布估算：Pk
=e-m(mk/k!)其中m=n/N。假设Y为良品率那么Y就是一个晶元没有任何失效的可能性即K=0，Y=e-m。设D为晶元的失效密度，那么D=n/N/A=n/NA，其中A是每个晶元的面积，由m=n/N，m为每个晶元平均的失效晶元数即AD。因此Y
=e(-AD),这也就是泊松良品率模型。

许多专家提出泊松分布估算的良品率太低了因为失效晶元通常不会随机分布在晶圆上，他们一般都集中在某个区域。这种现象导致估算的良品率要比实际良品率低的多。

另一个简单的数学模型假设失效晶元是不均匀的分布，此时良品率Y=0∫∞e(-AD)f(D)dD，其中f(D)为失效密度分布函数。假设有一个三角形的失效密度分布函数如下图1所示，那么Y=
[(1-e(-AD))/(AD)]2，此时模型被称为墨菲模型。如果失效密度分布函数为长方形的(图2)那么Y=(1-e(-2AD))/(2AD)，许多实验数据都和此模型吻合。

另一个数学模型称为指数良品率模型，它假设极高的失效密度只会集中在某个小区域内。因此它很适用于高失效密度集中的情况下，Y=1/(1+AD)。

最后Seeds模型给出的方程式Y=e–sqrt(AD).