Os componentes principais têm uma variedade de propriedades úteis (Rao 1964; Kshirsagar 1972): Os autovetores são ortogonais, então os componentes principais representam direções perpendiculares conjuntamente através do espaço das variáveis originais. As pontuações do componente principal são conjuntamente não correlacionadas
Os componentes principais estão correlacionados?
A análise de componentes principais é baseada na matriz de correlação das variáveis envolvidas, e as correlações geralmente precisam de um tamanho de amostra grande antes de se estabilizarem.
Os componentes do PCA são independentes?
PCA projeta os dados em um novo espaço formado pelos componentes principais (PC), que são não correlacionados e ortogonais. Os PCs podem extrair com sucesso informações relevantes nos dados. … Esses componentes são estatisticamente independentes, ou seja, não há informações sobrepostas entre os componentes.
O componente principal é único?
Então, no PCA unidimensional, encontramos uma linha para maximizar a variância da projeção dos dados bidimensionais nessa linha. … Esta linha não é única quando os dados 2D têm simetria rotacional, então há mais de uma linha que dá a mesma variância máxima na projeção.
Os componentes principais são ortogonais?
Os componentes principais são os autovetores de uma matriz de covariância e, portanto, são ortogonais. É importante ress altar que o conjunto de dados no qual a técnica de PCA deve ser usada deve ser dimensionado. Os resultados também são sensíveis à escala relativa.
