Gráfica T² de Hotelling (multivariante)
La gráfica T² de Hotelling sigue la distancia de Mahalanobis de cada observación o subgrupo a la media conjunta del proceso, usando la covarianza entre dos o más variables correlacionadas. Funciona con observaciones individuales o con datos en subgrupos. El UCL proviene de la distribución F con un alfa predeterminado de 0.0027, y solo se comprueba la Regla 1. La salida es la gráfica T² y una tabla resumen con p, m, línea central y UCL.
Última revisión:
Idea clave
Una gráfica T² de Hotelling monitorea conjuntamente dos o más características de calidad correlacionadas y señala observaciones con una distancia conjunta inusual a la media del proceso, aunque cada variable parezca bajo control.
En esta página
Finalidad
Una gráfica T² de Hotelling monitorea CONJUNTAMENTE dos o más características de calidad correlacionadas, en lugar de vigilar cada una en su propia gráfica de individuales o XBarra. Dos variables correlacionadas pueden parecer perfectamente bajo control en gráficas univariantes separadas mientras la relación entre ellas se ha roto; una gráfica T² de Hotelling detecta justamente ese caso al seguir la distancia de Mahalanobis de cada observación (o subgrupo) a la media conjunta del proceso, usando la propia estructura de covarianza del proceso.
Capacidades principales
- Admite tanto datos de observaciones individuales (una fila por unidad, sin subgrupos) como datos en subgrupos mediante una columna indicadora de subgrupo opcional.
- Usa toda la estructura de covarianza entre las variables seleccionadas, por lo que es sensible a una ruptura de la correlación normal entre variables aunque ninguna de ellas parezca inusual por sí sola.
- Alfa configurable (tasa de falsas alarmas), con el valor predeterminado de 0.0027 (equivalente a 3 sigma) que se usa en toda la aplicación.
- Inclusión/exclusión de filas y un selector independiente de “estimar parámetros a partir de” para fijar la base del vector de medias y de la matriz de covarianza en un periodo estable conocido.
Métodos estadísticos
Cuando no se selecciona ningún indicador de subgrupo (observaciones individuales, una fila por unidad), la herramienta calcula para cada observación x_i la distancia de Mahalanobis al cuadrado respecto al vector de medias estimado del proceso x̄, usando la matriz de covarianza muestral S de las p variables seleccionadas en las m observaciones usadas para estimar los parámetros: T²_i = (x_i − x̄)′ S⁻¹ (x_i − x̄). El límite superior de control sigue la fórmula exacta basada en la distribución F para observaciones individuales: UCL = [p(m−1)(m+1)] / [m(m−p)] · F(1−alpha; p, m−p), donde alpha es la tasa de falsas alarmas elegida (0.0027 por defecto). La línea central que se muestra es p, la esperanza del estadístico en un proceso bajo control.
Cuando se selecciona un indicador de subgrupo (n filas replicadas por subgrupo), la herramienta calcula en su lugar, para cada subgrupo j, T²_j = n·(x̄_j − x̄_grand)′ Sp⁻¹ (x̄_j − x̄_grand), donde x̄_j es el vector de medias de ese subgrupo, x̄_grand es la media general de las medias de los subgrupos y Sp es la matriz de covarianza combinada dentro de los subgrupos (el promedio de las m matrices de covarianza muestrales individuales dentro de cada subgrupo). El límite de control es UCL = [p(m−1)(n−1)] / (mn − m − p + 1) · F(1−alpha; p, mn − m − p + 1).
En ambos modos, T² es un estadístico unilateral y no normal, por lo que solo se evalúa la Regla 1 (un punto que supera el UCL); las reglas de zonas de Western Electric/Nelson, concebidas para estadísticos de gráficas de control con distribución normal, no se aplican aquí, por diseño.
Campos y opciones de entrada
Campo | Descripción |
Variables | Obligatorio. Seleccione 2 o más variables correlacionadas medidas en cada observación. |
Subgroup indicator | Opcional. Déjelo en blanco si cada fila es una observación individual. Seleccione una columna que identifique el subgrupo si varias filas forman un subgrupo (n > 1 réplicas). |
Alpha (false alarm rate) | Valor predeterminado 0.0027, que coincide con la tasa estándar de falsas alarmas equivalente a 3 sigma usada en el resto de la aplicación. |
X scale | Rotulado personalizado opcional del eje de observaciones. |
Include or Exclude / Specify which rows / Row numbers | Controla qué filas se representan. |

Figura 1: 30 lecturas pareadas de espesor de pared y peso pegadas en C1–C2, ambas seleccionadas como Variables, con Alpha en su valor predeterminado de 0.0027.
Descripción de la salida
- Gráfica T² (T² Chart plot): el estadístico T² de Hotelling de cada observación (o subgrupo) en orden temporal, con UCL y línea central.
- Tabla resumen: las variables usadas, p (número de variables), m (observaciones o subgrupos usados para estimar los parámetros), Alpha, la línea central (E[T²]) y el UCL.
- Nelson's Rules / Potential Special Cause Points: qué puntos (si los hay) superaron el límite de control.
- Exportación a PDF mediante Download as PDF.

Figura 2: salida de la gráfica T²: el estadístico T² representado por observación con el UCL, y la tabla resumen de Variables/p/m/Alpha/Center Line/UCL.
Ejemplo
Un proceso de soplado produce botellas en las que el espesor de pared (C1, mm) y el peso (C2, g) están normalmente correlacionados: paredes más delgadas implican menor peso. Con ambas variables seleccionadas y Alpha en su valor predeterminado de 0.0027 para 30 botellas consecutivas, la herramienta calcula un UCL ≈ 15.75 para p = 2 variables y m = 30 observaciones; aunque las últimas 5 botellas (en las que se rompió deliberadamente la relación normal entre espesor y peso en el conjunto de datos de demostración) no superan individualmente el límite aquí, la serie T² muestra visiblemente una tendencia ascendente justo donde se alteró la estructura de correlación: un comportamiento que una gráfica univariante de cualquiera de las dos variables por sí sola pasaría por alto por completo.
Preguntas frecuentes
¿Qué es una gráfica T² de Hotelling?
Una gráfica T² de Hotelling monitorea conjuntamente dos o más características de calidad correlacionadas, en lugar de hacerlo en gráficas de individuales o XBarra separadas. Representa la distancia de Mahalanobis al cuadrado de cada observación o subgrupo a la media conjunta del proceso, usando la propia estructura de covarianza del proceso, por lo que detecta una ruptura de la relación normal entre las variables.
¿Por qué usar una gráfica T² de Hotelling en lugar de gráficas univariantes separados?
Dos variables correlacionadas pueden parecer bajo control en gráficas univariantes separadas mientras la relación entre ellas se ha roto. En el ejemplo del soplado, el espesor de pared y el peso estaban normalmente correlacionados; cuando esa relación se rompió en las últimas 5 botellas, la serie T² mostró una tendencia ascendente, algo que una gráfica de cualquiera de las dos variables por sí sola no habría detectado.
¿Cómo se calcula el límite de control de la gráfica T² de Hotelling?
El límite superior de control proviene de la distribución F y depende del número de variables p, del número de observaciones o subgrupos m, del tamaño del subgrupo n cuando se usan subgrupos y de alfa, que por defecto es 0.0027. Para observaciones individuales, la línea central que se muestra es p, el valor esperado de T² en un proceso bajo control.
¿Por qué la gráfica T² de Hotelling solo usa la Regla 1?
T² es un estadístico unilateral y no normal, por lo que solo se evalúa la Regla 1, un punto que supera el UCL. Las reglas de zonas de Western Electric y de Nelson se concibieron para estadísticos de gráficas de control con distribución normal, por lo que, por diseño, no se aplican a la gráfica T².
