Análisis de componentes principales (PCA)
El análisis de componentes principales (PCA) es una técnica estadística multivariante que reduce un gran número de variables correlacionadas a un conjunto menor de variables no correlacionadas llamadas componentes principales. Cada componente capta una parte de la variación total del conjunto de datos original: el primer componente explica la mayor parte de la variación y cada componente siguiente explica progresivamente menos.
Última revisión:
Idea clave
El análisis de componentes principales (PCA) es una técnica estadística multivariante que reduce un gran número de variables correlacionadas a un conjunto menor de variables no correlacionadas llamadas componentes principales.
En esta página
- ¿Qué es el análisis de componentes principales?
- ¿Cuándo usar el análisis de componentes principales?
- Pautas para el uso correcto del análisis de componentes principales
- Alternativas: cuándo no usar el análisis de componentes principales
- Ejemplo de análisis de componentes principales
- Cómo realizar un análisis de componentes principales
¿Qué es el análisis de componentes principales?
El análisis de componentes principales (PCA) es una técnica estadística multivariante que reduce un gran número de variables correlacionadas a un conjunto menor de variables no correlacionadas llamadas componentes principales. Cada componente capta una parte de la variación total del conjunto de datos original: el primer componente explica la mayor parte de la variación y cada componente siguiente explica progresivamente menos.
El PCA no descarta datos: transforma matemáticamente las variables originales en un nuevo sistema de coordenadas en el que cada eje se alinea con una dirección de máxima variación. Esto simplifica los conjuntos de datos complejos y de alta dimensión, al tiempo que conserva los patrones más significativos que contienen.
Definición sencilla:una técnica que comprime muchas variables correlacionadas en unos pocos componentes clave que, juntos, captan la mayor parte de la variación, lo que reduce la complejidad y conserva intactos los patrones más importantes.
Término
Significado
Componente principal (Principal Component)
Una nueva variable que es una combinación ponderada de las variables originales y que capta una dirección específica de variación
Valor propio (Eigenvalue)
Mide cuánta de la variación total explica cada componente principal
Gráfica de sedimentación (Scree Plot)
Una gráfica de los valores propios en orden descendente, que se usa para decidir cuántos componentes retener
Cargas (Loadings)
La contribución (peso) de cada variable original a un componente principal
Puntuaciones (Scores)
Las coordenadas de cada observación en el nuevo espacio de componentes principales
¿Cuándo usar el análisis de componentes principales?
- Úselo cuando tenga muchas variables correlacionadas y quiera reducirlas a un número manejable sin perder información clave.
- Úselo para identificar qué variables generan la mayor parte de la variación de un conjunto de datos.
- Úselo para visualizar datos multivariantes en dos o tres dimensiones representando los dos o tres primeros componentes.
- Úselo como paso previo a una regresión o a un análisis de conglomerados para eliminar la multicolinealidad.
- Úselo en ingeniería de la calidad, monitoreo de procesos y análisis de datos de sensores , donde se miden muchas variables simultáneamente.
Pautas para el uso correcto del análisis de componentes principales
- Todas las variables de entrada deben ser continuas : el PCA no es apropiado para variables categóricas.
- Estandarice las variables (media = 0, DE = 1) si están en escalas distintas , pues de lo contrario las variables con rangos numéricos mayores dominarán los componentes.
- Use la gráfica de sedimentación y los valores propios para decidir cuántos componentes retener: una regla habitual es conservar los componentes con valores propios mayores que 1.
- Interprete los componentes mediante las cargas : las cargas altas indican qué variables originales se asocian más fuertemente con cada componente.
- El PCA identifica patrones y estructura pero no explica la causa y el efecto: el conocimiento del dominio es esencial para interpretar el significado de los componentes.
- Procure un tamaño de muestra de al menos 5 a 10 veces el número de variables para una estimación estable de los componentes.
Alternativas: cuándo no usar el análisis de componentes principales
- Si el objetivo es predecir una variable de respuesta específica, use en su lugar mínimos cuadrados parciales (PLS) o un análisis de regresión : el PCA no utiliza una variable de respuesta.
- Si las variables tienen correlaciones muy bajas entre sí, el PCA no ofrecerá una reducción de dimensión significativa: trabaje directamente con las variables originales.
Ejemplo de análisis de componentes principales
Un banco requiere ocho datos de los solicitantes de préstamos: ingresos, nivel educativo, edad, tiempo en la residencia actual, tiempo con el empleador actual, ahorros, deudas y número de tarjetas de crédito. Un administrador del banco quiere analizar estos datos para determinar la mejor forma de agruparlos y reportarlos. El administrador recopila esta información de 30 solicitantes de préstamos. Los pasos son los siguientes:
- Se reunieron los datos necesarios.

- Ahora analice los datos en Zometric Statistical Software en https://statsai.zometric.com/.
- Para encontrar Principal Components, elija Statistical module> Multivariate > Principal Components.
- Dentro de la herramienta, introduzca los datos junto con las demás entradas de la siguiente manera:

5. Después de usar la herramienta mencionada, se obtiene la siguiente salida:





Cómo realizar un análisis de componentes principales
La guía es la siguiente:
- Inicie sesión en Zometric Statistical Software en https://statsai.zometric.com/
- En la página de inicio, elija Statistical Tool> Multivariate >Principal Components.
- A continuación, introduzca los datos manualmente o copie todos los datos (Ctrl+C) de una hoja de Excel y péguelos (Ctrl+V).
- A continuación, complete las opciones requeridas.
- Por último, haga clic en calculate en la parte inferior de la página para obtener los resultados deseados.
En el tablero de Principal Components, la ventana está dividida en dos partes.

En la parte izquierda se encuentra el panel de datos (Data Pane). En el Data Pane, cada fila forma un subgrupo. Los datos pueden introducirse manualmente o copiarse por completo (Ctrl+C) de una hoja de Excel y pegarse (Ctrl+V) aquí.
Load example: Se cargarán los datos de ejemplo.
Load File: Se usa para cargar directamente los datos de Excel.
En la parte derecha hay varias opciones, como las siguientes:
- Variables: Seleccione las columnas que contienen las variables que desea incluir en el análisis. Use Ctrl o Command + clic para seleccionar varias columnas. Cada columna seleccionada debe ser una variable numérica continua , como ingresos, edad, deudas o ahorros. Cuanto más correlacionadas estén estas variables entre sí, con más eficacia las reducirá el PCA a componentes significativos.
- Type of Matrix: Define la base matemática que se usa para calcular los componentes principales. Normalmente hay dos opciones disponibles:
- Correlation Matrix — estandariza todas las variables a la misma escala (media = 0, desviación estándar = 1) antes de calcular los componentes. Este es el valor predeterminado recomendado cuando las variables se miden en unidades distintas o en escalas numéricas muy diferentes, por ejemplo, ingresos en miles y edad en años. Sin estandarización, las variables con rangos mayores dominarían los componentes simplemente por su escala, y no por su verdadera importancia.
- Covariance Matrix — usa las varianzas y covarianzas sin procesar de las variables originales, sin estandarizar. Solo es apropiada cuando todas las variables ya están en la misma escala y unidad : de lo contrario, las variables de escala mayor abrumarán los resultados.
- Mahalanobis Distances: Cuando está activada, calcula la distancia de Mahalanobis de cada observación: una medida estadística de qué tan lejos se sitúa cada punto de datos del centro de la distribución multivariante, teniendo en cuenta las correlaciones entre las variables. A diferencia de las medidas de distancia estándar, la distancia de Mahalanobis se ajusta a la forma y a la dispersión de la nube de datos. Se usa principalmente para identificar valores atípicos multivariantes : observaciones que parecen inusuales cuando se consideran todas las variables juntas, aunque parezcan normales al examinarlas individualmente.
- Scree Plot: Genera una gráfica que representa el valor propio de cada componente principal en orden descendente. La gráfica de sedimentación es la herramienta principal para decidir cuántos componentes retener. Se busca el punto en que la línea se curva bruscamente y se aplana, llamado codo, y se retienen los componentes situados por encima de ese punto. Una regla habitual es conservar los componentes con valores propios mayores que 1, ya que explican más varianza que una sola variable original.
- Outlier Plot: Muestra un diagrama de dispersión que ayuda a identificar visualmente las observaciones inusuales en el espacio de los componentes principales. Los puntos que se sitúan lejos del grupo principal de observaciones, en términos de sus puntuaciones de componentes o de sus distancias de Mahalanobis, se señalan como posibles valores atípicos multivariantes. Identificar e investigar estos valores atípicos es importante antes de sacar conclusiones del análisis, ya que pueden distorsionar los componentes.
- Loading Plot: Genera una representación visual de las cargas de cada variable original en los componentes principales. Cada variable se representa como un vector, y la dirección y la longitud del vector indican con qué intensidad y en qué dirección contribuye esa variable a cada componente. Las variables con vectores largos que apuntan en la misma dirección están correlacionadas positivamente; las que apuntan en direcciones opuestas están correlacionadas negativamente. La gráfica de cargas es esencial para interpretar qué representa realmente cada componente principal en términos de las variables originales.
- Download as Excel: Exporta los resultados completos del PCA, incluidas las puntuaciones de los componentes, las cargas, los valores propios y la varianza explicada, a un archivo de Excel.
Preguntas frecuentes
¿Qué es el análisis de componentes principales?
El análisis de componentes principales (PCA) es una técnica multivariante que reduce un gran número de variables correlacionadas a un conjunto menor de variables no correlacionadas llamadas componentes principales. El primer componente explica la mayor parte de la variación y cada componente siguiente explica progresivamente menos. El PCA no descarta datos; transforma las variables en un nuevo sistema de coordenadas alineado con las direcciones de máxima variación.
¿Cuántos componentes principales debe conservar?
Use la gráfica de sedimentación y los valores propios. La gráfica de sedimentación muestra el valor propio de cada componente en orden descendente; busque el codo, donde la línea se curva bruscamente y se aplana, y retenga los componentes situados por encima. Una regla habitual es conservar los componentes con valores propios mayores que 1, ya que explican más varianza que una sola variable original.
¿Debe usar la matriz de correlación o la de covarianza en el PCA?
Use la matriz de correlación, el valor predeterminado recomendado, cuando las variables se miden en unidades distintas o en escalas muy diferentes, porque estandariza cada variable a media 0 y desviación estándar 1. Sin ello, las variables con rangos mayores dominan los componentes. La matriz de covarianza solo es apropiada cuando todas las variables ya están en la misma escala y unidad.
¿Cuándo no debe usar el PCA?
El PCA no utiliza una variable de respuesta, por lo que si el objetivo es predecir una respuesta específica, use en su lugar mínimos cuadrados parciales o un análisis de regresión. Si las variables tienen correlaciones muy bajas entre sí, el PCA no ofrecerá una reducción de dimensión significativa. Todas las variables de entrada deben ser continuas y se aconseja una muestra de al menos 5 a 10 veces el número de variables.
