情境或問題起源
在許多製造環節中，我們經常面臨這樣的挑戰：製程參數發生了輕微但持續性的偏移，例如化學反應的濃度緩慢下降、精密加工的刀具輕微磨損導致尺寸逐漸變大，或是塗佈厚度因環境溫度波動而產生細微變化。這些變化幅度可能非常小，以至於單一或少數幾個樣本點，在傳統的薛華特（Shewhart）管制圖（如X-bar或移動平均管制圖）上，仍落在管制界線內。換句話說，薛華特管制圖可能要等到累積的偏移足夠大，或甚至已經有產品超出規格時，才會發出警報。
然而，這些看似不顯眼的「微小偏移」，若不加以察覺與矯正，長期累積下來，將會導致良率緩慢下滑、產品品質一致性變差，甚至最終產生大量報廢或需要返工的產品。這種延遲反應不僅增加生產成本，也可能損害客戶滿意度。工程師們需要一種更靈敏的工具，能夠在製程問題尚處於萌芽階段時，即時捕捉到這些細微的趨勢或偏移，以便在問題惡化前採取預防性措施。
核心概念與原理
指數加權移動平均（EWMA）管制圖正是為了解決上述問題而設計的。其核心思想是，在計算管制圖上的點時，不僅考慮當前的量測值，更將歷史數據納入考量，且賦予越近的數據點越高的權重，而較遠的數據點則權重呈指數遞減。這種加權方式使得EWMA管制圖對製程中微小、漸進式的偏移具有更高的偵測靈敏度。
EWMA 值 $Z_t$ 的計算公式如下：
$Z_t = \lambda X_t + (1 - \lambda) Z_{t-1}$
其中：
* $Z_t$ 是當前時間點 $t$ 的 EWMA 值。
* $X_t$ 是當前時間點 $t$ 的製程量測值（例如單一量測值或樣本平均值）。
* $Z_{t-1}$ 是前一個時間點 $t-1$ 的 EWMA 值。
* $\lambda$ (lambda) 是加權因子，其值介於 0 到 1 之間。
當 $\lambda$ 越接近 0，表示 EWMA 值對歷史數據的依賴性越高，對當前數據的權重越低，因此對微小偏移的偵測能力越強，但對製程突發性的大幅變動反應較慢。反之，當 $\lambda$ 越接近 1，EWMA 值對當前數據的權重越高，其行為就越接近薛華特管制圖。通常，$\lambda$ 的建議值範圍在 0.05 到 0.25 之間。
EWMA 管制圖的管制界線（UCL 和 LCL）會隨時間點 $t$ 的增加而逐漸收斂，