Los componentes principales tienen una variedad de propiedades útiles (Rao 1964; Kshirsagar 1972): Los vectores propios son ortogonales, por lo que los componentes principales representan direcciones perpendiculares conjuntas a través del espacio de las variables originales. Las puntuaciones del componente principal no están correlacionadas conjuntamente
¿Están correlacionados los componentes principales?
El análisis de componentes principales se se basa en la matriz de correlación de las variables involucradas, y las correlaciones generalmente necesitan un tamaño de muestra grande antes de estabilizarse.
¿Los componentes PCA son independientes?
PCA proyecta los datos en un nuevo espacio abarcado por los componentes principales (PC), que no están correlacionados y son ortogonales. Las PC pueden extraer con éxito información relevante en los datos. … Estos componentes son estadísticamente independientes, es decir, no existe superposición de información entre los componentes.
¿El componente principal es único?
Luego, en PCA unidimensional, encontramos una línea para maximizar la varianza de la proyección de los datos bidimensionales en esa línea. … Esta línea no es única cuando los datos 2D tienen simetría rotacional, por lo que hay más de una línea que da la misma varianza máxima en la proyección.
¿Los componentes principales son ortogonales?
Los componentes principales son los vectores propios de una matriz de covarianza y, por lo tanto, son ortogonales. Es importante destacar que el conjunto de datos en el que se utilizará la técnica PCA debe escalarse. Los resultados también son sensibles a la escala relativa.
