PCA Lab Pro

Unidad 3 · PCA
Diapositivas S06
🎯 Misión Analítica & Pregunta Gancho Reducción dimensional espectral guiada por interpretabilidad, no compresión ciega ni juego de sliders.

Este simulador no es un mero juego interactivo de mover sliders sin rumbo, sino una estación espectral diseñada para responder preguntas analíticas concretas sobre reducción dimensional, eliminación de colinealidad y estructura latente de los datos:

Desafío 1: Criterio de Kaiser vs Scree Plot

Inspecciona el gráfico de sedimentación (Scree Plot): ¿cuántos autovalores superan el umbral $\lambda \ge 1.0$ (Kaiser) y en qué punto se produce el codo de desaceleración de varianza explicada?

Desafío 2: Cargas Factoriales & Biplot 2D

En el Biplot de observaciones y vectores de carga: ¿qué ángulo forman entre sí los vectores de variables correlacionadas (ej. plástico vs papel en RSU) y cómo se interpretan las proyecciones ortogonales?

Desafío 3: Regresión PCR & Erradicación de VIF

Comprueba la tabla de PCR: ¿por qué los componentes principales retienen $VIF = 1.0$ exacto garantizando estimadores estables de mínima varianza sin perder la variabilidad original?

Datos Multivariados

n=20 | p=4
Columnas: variables $X_1 \dots X_p$
20 filas detectadas
k = 2
1 comp 4 comp

Resumen de Compresión

Varianza Explicada Acumulada: -- %

Supera el umbral del 80% recomendado.

Determinante $D$: -- D > 0.10
Kaiser ($\lambda > 1$): -- Componentes
Regla de Cátedra: Si el determinante de correlación $D \le 0.10$, existe severa colinealidad. PCA resuelve esta redundancia al proyectar los datos sobre autovectores estrictamente ortogonales ($VIF \equiv 1.0$).

Gráfico de Sedimentación (Scree Plot)

Inspección de autovalores $\lambda_j$ para la regla de corte de Kaiser y el método del codo.

Autovalor ($\lambda_j$) % Varianza Acumulada

Tabla de Descomposición Espectral

$\sum \lambda_j = p$
Componente Autovalor ($\lambda_j$) Varianza Explicada Varianza Acumulada Regla de Kaiser ($\lambda > 1$) Estado Selección