Hotelling T²-kaart (multivariaat)
De Hotelling T²-kaart volgt de Mahalanobis-afstand van elke waarneming of subgroep tot het gezamenlijke procesgemiddelde, met gebruik van de covariantie tussen twee of meer gecorreleerde variabelen. Hij werkt met individuele waarnemingen of met subgroepgegevens. De UCL volgt uit de F-verdeling met een standaard alfa van 0.0027 en alleen Rule 1 wordt gecontroleerd. De uitvoer is de T²-kaart en een samenvattingstabel met p, m, middenlijn en UCL.
Laatst beoordeeld
Belangrijkste conclusie
Een Hotelling T²-kaart bewaakt twee of meer gecorreleerde kwaliteitskenmerken samen en signaleert waarnemingen waarvan de gezamenlijke afstand tot het procesgemiddelde ongewoon is, ook wanneer elke variabele afzonderlijk beheerst lijkt.
Op deze pagina
Doel
Een Hotelling T²-kaart bewaakt twee of meer gecorreleerde kwaliteitskenmerken SAMEN, in plaats van elk op een eigen I-kaart of Xbar-kaart te volgen. Twee gecorreleerde variabelen kunnen op afzonderlijke univariate kaarten allebei volkomen onder controle lijken terwijl hun onderlinge verband is verbroken. Een Hotelling T²-kaart signaleert precies dat geval door de Mahalanobis-afstand van elke waarneming (of subgroep) tot het gezamenlijke gemiddelde van het proces te volgen, met de eigen covariantiestructuur van het proces.
Belangrijkste mogelijkheden
- Ondersteunt zowel gegevens met individuele waarnemingen (één rij per eenheid, geen subgroepering) als subgroepgegevens via een optionele kolom Subgroup indicator.
- Gebruikt de volledige covariantiestructuur tussen de geselecteerde variabelen, en is dus gevoelig voor een verbreking van de normale correlatie tussen variabelen, ook wanneer geen van beide variabelen afzonderlijk ongewoon lijkt.
- Configureerbare alfa (kans op vals alarm), standaard de app-brede conventie van 0.0027 (equivalent aan 3 sigma).
- Rijen opnemen/uitsluiten en een aparte keuze “estimate parameters from” om de gemiddelde vector en de covariantiematrix te baseren op een bekende stabiele periode.
Statistische methoden
Wanneer geen Subgroup indicator is geselecteerd (individuele waarnemingen, één rij per eenheid), berekent de tool voor elke waarneming x_i de gekwadrateerde Mahalanobis-afstand tot de geschatte gemiddelde vector x̄ van het proces, met de steekproefcovariantiematrix S van de p geselecteerde variabelen over de m waarnemingen die zijn gebruikt om de parameters te schatten: T²_i = (x_i − x̄)′ S⁻¹ (x_i − x̄). De bovenste regelgrens volgt de exacte formule op basis van de F-verdeling voor individuele waarnemingen: UCL = [p(m−1)(m+1)] / [m(m−p)] · F(1−alpha; p, m−p), waarbij alpha de gekozen kans op vals alarm is (standaard 0.0027). De weergegeven middenlijn is p, de verwachting van de statistiek bij een beheerst proces.
Wanneer een Subgroup indicator is geselecteerd (n replicaatrijen per subgroep), berekent de tool in plaats daarvan voor elke subgroep j: T²_j = n·(x̄_j − x̄_grand)′ Sp⁻¹ (x̄_j − x̄_grand), waarbij x̄_j de gemiddelde vector van die subgroep is, x̄_grand het algemeen gemiddelde over de subgroepgemiddelden en Sp de gepoolde covariantiematrix binnen subgroepen (het gemiddelde van de m individuele steekproefcovariantiematrices binnen subgroepen). De regelgrens is UCL = [p(m−1)(n−1)] / (mn − m − p + 1) · F(1−alpha; p, mn − m − p + 1).
In beide modi is T² een eenzijdige, niet-normale statistiek, dus alleen Rule 1 (een punt boven de UCL) wordt geëvalueerd. De zoneregels van Western Electric/Nelson, bedoeld voor normaal verdeelde regelkaartstatistieken, worden hier bewust niet toegepast.
Invoervelden en opties
Veld | Beschrijving |
Variables | Verplicht. Selecteer 2 of meer gecorreleerde variabelen die bij elke waarneming zijn gemeten. |
Subgroup indicator | Optioneel. Laat leeg als elke rij één individuele waarneming is. Selecteer een kolom die de subgroep aanduidt als meerdere rijen één subgroep vormen (n > 1 replicaten). |
Alpha (false alarm rate) | Standaard 0.0027, overeenkomend met de standaard kans op vals alarm die equivalent is aan 3 sigma en elders in de app wordt gebruikt. |
X scale | Optionele aangepaste labels voor de waarnemingsas. |
Include or Exclude / Specify which rows / Row numbers | Bepaalt welke rijen worden uitgezet. |

Figuur 1 — 30 gepaarde metingen van wanddikte/gewicht geplakt in C1–C2, beide geselecteerd als Variables, Alpha op de standaardwaarde 0.0027.
Beschrijving van de uitvoer
- T² Chart plot — de Hotelling T²-statistiek voor elke waarneming (of subgroep) in tijdsvolgorde, met UCL en middenlijn.
- Samenvattingstabel — de gebruikte variabelen, p (aantal variabelen), m (waarnemingen/subgroepen gebruikt om de parameters te schatten), Alpha, de middenlijn (E[T²]) en UCL.
- Nelson's Rules / Potential Special Cause Points — welke punten (indien aanwezig) de regelgrens overschreden.
- PDF-export via Download as PDF.

Figuur 2 — Uitvoer van de T²-kaart: de uitgezette T²-statistiek per waarneming met UCL, en de samenvattingstabel Variables/p/m/Alpha/Center Line/UCL.
Uitgewerkt voorbeeld
Een blaasvormproces produceert flessen waarvan de wanddikte (C1, mm) en het gewicht (C2, g) normaal gecorreleerd zijn: dunnere wanden betekenen een lager gewicht. Met beide variabelen geselecteerd en Alpha op de standaardwaarde 0.0027 berekent de tool voor 30 opeenvolgende flessen een UCL ≈ 15.75 voor p = 2 variabelen en m = 30 waarnemingen. Hoewel de laatste 5 flessen (waarbij het normale verband tussen dikte en gewicht in de demodataset bewust is verbroken) hier de grens individueel niet overschrijden, vertoont de T²-reeks duidelijk een stijgende trend precies waar de correlatiestructuur is verstoord: gedrag dat een univariate kaart voor een van beide variabelen afzonderlijk volledig zou missen.
Veelgestelde vragen
Wat is een Hotelling T²-kaart?
Een Hotelling T²-kaart bewaakt twee of meer gecorreleerde kwaliteitskenmerken samen in plaats van op afzonderlijke I-kaarten of Xbar-kaarten. Hij zet de gekwadrateerde Mahalanobis-afstand van elke waarneming of subgroep tot het gezamenlijke procesgemiddelde uit, met de eigen covariantiestructuur van het proces, en signaleert zo een verbreking van het normale verband tussen variabelen.
Waarom een Hotelling T²-kaart gebruiken in plaats van afzonderlijke univariate kaarten?
Twee gecorreleerde variabelen kunnen op afzonderlijke univariate kaarten allebei onder controle lijken terwijl hun onderlinge verband is verbroken. In het voorbeeld van het blaasvormen waren wanddikte en gewicht normaal gecorreleerd; toen dat verband voor de laatste 5 flessen werd verbroken, vertoonde de T²-reeks een stijgende trend, die een kaart voor een van beide variabelen afzonderlijk zou missen.
Hoe wordt de regelgrens van de Hotelling T²-kaart berekend?
De bovenste regelgrens volgt uit de F-verdeling en hangt af van het aantal variabelen p, het aantal waarnemingen of subgroepen m, de subgroepgrootte n wanneer subgroepen worden gebruikt, en alfa, dat standaard 0.0027 is. Bij individuele waarnemingen is de getoonde middenlijn p, de verwachte waarde van T² voor een beheerst proces.
Waarom gebruikt de Hotelling T²-kaart alleen Rule 1?
T² is een eenzijdige, niet-normale statistiek, dus alleen Rule 1, een punt boven de UCL, wordt geëvalueerd. De zoneregels van Western Electric en Nelson zijn bedoeld voor normaal verdeelde regelkaartstatistieken en worden daarom bewust niet op de T²-kaart toegepast.
