A) En estadística, en análisis de componentes, método de transformación de los ejes del espacio multidimensional en el que las observaciones ocurren de la forma que el primer eje explica la cantidad máxima de varianza, el segundo (ortogonal al primero) explica el máximo de la varianza restante, etc.; con respecto a un espacio p-dimensional existe un máximo p de componentes principales (eigenvectores normalizados), pero los primeros dos o tres explican la mayor parte de la varianza; análisis (Lincoln et al., 2009).
B) PCA, es un enfoque de reducción de datos en el que se identifican una serie de combinaciones lineales independientes de variables explicativas subyacentes para un conjunto más amplio de variables observadas originales. PCA reproduce toda la información en la MATRIZ DE CORRELACIÓN original y no asume que las variables se midan con ningún grado de error. Por lo tanto, el resultado es un nuevo conjunto de variables que no están correlacionadas entre sí y están ordenadas en términos del porcentaje de la varianza total que representan. La técnica es similar en sus objetivos al ANÁLISIS FACTORIAL pero tiene características técnicas diferentes. También llamado análisis factorial de componentes principales (Zedeck et al., 2013). Ver MATRIZ DE COVARIANZA