指数修匀(exponential smoothing)为测定集中趋势和分散程度(平均数和标准差)提供了另一种方法。指数修匀类似于移动均值法，其最前面的观测值不用于进行平均，而最近的控制观测值融入到平均数中。在指数修匀上，对于每个新的试验结果能计算新的修匀平均数和标准差。指数修匀通过用于控制数据趋势的检出得到了在实验室质量控制上的重视。

一系列控制测定值x ₀，x ₁，x ₂，…，x _t的指数修匀平均数E _t是:

修匀的均值等于α倍的最近测定值加上(1－α)倍的前面的均值(公式2-26);因此，指数修匀在计算上是很容易的。α称为修匀系数，其影响到有效平均观测值的个数。公式2-26的扩展式显示了最近的观测值由α加权，第二个最近观测值由α(1－α)加权，第三个最近观测值由α(1－α) ²加权，第四个观测值由α(1－α) ³加权，等等。修匀系数为0到1。如果α为0.2，则最近观测值具有0.2的权数，按增加的顺序前面的观测值的权数分别为0.16，0.128，0.1024，等等。因此，很前面的观测值由很小的系数加权，且对修匀均值的作用没有显著性意义。另一方面，较新的观测值加权更大的系数。因此，修匀系数α值确定了指数修匀有效地进行平均观测值的个数。公式2-27显示了α和要求计算平均数观测值个数N之间的关系:

表2-4描述了α值及相应的有效平均观测值的个数(N)。由于修匀系数较小，如0.005，估计值表现为许多过去数的平均。如果修匀系数大，估计值对模式改变产生迅速的反应。通常使用α值为0.1和0.2，相应分别为19和9个控制测定值进行平均。

Brown已经描述了指数修匀的特性。指数修匀的观测值的期望值等于观测值的期望值;换句话说，当前指数修匀的平均值就是前面观测值的均值。指数均值的方差与输入观测值的方差之间关系简单:观测值方差为s ²，指数均值的方差是［α(2－α)］s ²。指数修匀是准确的，计算是简单的，且只需贮存E _t－1一个数据就能计算新的平均值。指数修匀是灵活的，为了调整对趋势反应的速度不需要重新编辑程序，仅需要改变修匀系数。

也能用指数修匀导出观测值的标准差。这种演变使用了指数修匀平均数E _t和下一个观测值x _{t+ 1}的绝对差值。如果过程在控，指数修匀的平均数与新观测值的差值应该是零。系统误差和随机误差的增加将导致平均值与新观测值之间的差值增加。绝对差值本身由指数修匀衍生出平均绝对偏差(MAD):

由MAD能计算修匀标准差: