Procedimento para a determinao de novas variveis
(componentes) que expliquem a maior variabilidade
ANLISE DE COMPONENTES
PRINCIPAIS/PCA ou ACP
1 2
Objetivo: variveis originais X1, X2, X3, ..., Xp,
correlacionadas, so transformadas em variveis
Y1, Y2, Y3, ..., Yp, no correlacionadas e com
varincias ordenadas, para que seja possvel
comparar os indivduos usando apenas as
variveis Yi que apresentam maior varincia.
Variveis medidas na mesma escala e em escalas
diferentes
Soluo: Clculo dos autovalores e
correspondentes autovetores de uma matriz de
varincias-covarincias [S] ou de correlaes [R]
entre variveis.
3 4
Autovetores representam as componentes
principais e so o resultado do carregamento
das variaveis originais em cada um deles.
Taiscarregamentos podem ser considerados
como uma medida da relativa importncia de
cada varivel em relao s componentes
principais e os respectivos sinais, se positivos ou
negativos, indicam relaes direta ou
inversamente proporcionais.
O primeiro autovalor a ser determinado
correspondera maior porcentagem da
variabilidade total presente e, assim,
sucessivamente com os demais.
5 6
possvel existente em uma matriz de dados
multidimensionais.
Transformao linear de p" variveis originais em p"
novas variveis, de tal modo que a primeira nova
varivel computada seja responsvel pela maior
variao possvel existente no conjunto de dados.
Anlise de componentes
principais: maximizar a
varincia de uma
combinao linear
de variveis.
Imagem formada por um quadrado com 2 vetores.
Essa imagem sofre uma ampliao (transformao) apenas
na horizontal, resultando um retngulo.
Nessa condio, o vetor v2 passou a v2*, que no tem a
mesma direo do original v2. O vetor v2* no pode, portanto,
ser representado por v2 multiplicado por um escalar.
Mas o vetor v1* tem a mesma direo de v1 e, por isso, pode
ser representado por v1 multiplicado por um escalar.
Diz-se ento que v1 um autovetor da transformao e que
esse escalar um autovalor associado.
Matriz de carregamentos de cada variavel nas
componentes principais, ao ser multiplicada
pela matriz original de dados, fornece a matriz
de contagens (scores) de cada caso em relao
s componentes principais.
Esses valores dispostos num diagrama de
disperso, em que os eixos ortogonais so as
duas componentes mais importantes, mostram
o relacionamento entre os casos condicionados
pelas variveis medidas.
1
AUTOVALORES (EINGENVALUES)
AUTOVETORES (EIGENVECTORS)
Clculo dasraizes da equao (autovalores)
As componentes principais so determinadas para uma matriz 3 x 3:
resolvendo-se a equao caracterstica da matriz S ou
R:
(a11 l)x1 + a12x2 + a13x3 = 0
det [R - I] = 0 ou |R - I = 0 a21x1 + (a22 l)x2 + a23x3 = 0
a31x1 + a 32x2 + (a33 l)x3 = 0

7 8

1,000 0,820 0,980

[A] [I] 0,820 1,000 0,913 0
0,980 0,913 1,000

matriz de dados: (1,000 - )(1,000 - )(1,000 - ) + (0,820)

(- 0,913)(- 0,980) + (- 0,980)(0,820)(- 0,913)
(- 0,980)(1,000 - )(- 0,980) - (1,000 - )
(- 0,913)(- 0,913) - (0,820)(0,820)(1,000 - ) =
1,000 0,820 0,980
matriz de coeficientes
[ A ] 0,820 1,000 0,913 ( - 2,810)( - 0,188)( - 0,002)
de correlao [A]
0,980 0,913 1,000
autovalores: 1 = 2,810 (2,810/3*100 = 93,66%)
(varincia total no sistema: 1 + 1 + 1 = 3) 2 = 0,188 (0,188/3*100 = 6,27%)
9 3 = 0,002 (0,002/3*100 = 0,07%) 10
(soma = 3)

Padronizao do autovetor V1 para o

Clculo dos autovetores: tamanhao unitrio
Componentes do autovetor V1: Q = -12 + (-0,974)2 + (1,032)2 = 3,012
Q= 1,735
(1,00 - 2,810)X1 + 0,820X2 - 0,980X3 = 0

0,820 - (1,00 - 2,810)X2 - 0,913X3 = 0 V1 = -1/1,735 = -0,58

-0,980X1 - 0,913X2 - (1,00 - 2,810)X3 = 0 V1 = - 0,974/1,735 = - 0,56

V1 = 1,032/1,734 = 0,59

X1 = -1,000; X2 = -0,974; X3 = 1,032

Autovetores
V1 = -1,000
F1 F2 F3
-0,974 Var1 -0.58 -0.60 0.56
1,032 Var2 -0.56 0.79 0.26
11 Var3 0.59 0.16 0.79 12

2
 Factor loadings (carregamento das variveis nas
componentes principais)
1 2 4 0,58 0,60 0,56
4 2 3 0,56 0,79 0,26
(autovetor padronizad o autovalor correspondente)
7 3 2
*
0,59 0,16 0,79
= factor scores

ACP: variveis
8 5 1
F1 F2 F3
1
Var1 -0.97 -0.26 0.03
Var2 -0.94 0.34 0.01
0.75
Var3 1.00 0.07 0.04
0.5 F1 F2 F3
V2
O bs1 2 .1 0 0 .4 5 0 .0 3
Componente II (6.27 %)

0.25

0
V3
O bs2 0 .9 3 - 0 .3 5 - 0 .0 7
-0.25
O bs3 - 0 .6 9 - 0 .5 1 0 .0 6
V1
O bs4 - 2 .3 4 0 .4 1 - 0 .0 2
-0.5

-0.75
13 14
-1
-1 -0.75 -0.5 -0.25 0 0.25 0.5 0.75 1

Componente I (93.66 %)

ACP: observaes

0.5
O4 O1
Componente II (6.27 %)

O2

-0.5 O3

-1
-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2

Componente I (93.66 %) 15 16

A escolha do nmero de componentes

Tradicionalmente, o coeficiente de correlao usado, em vez principais
do de covarincia, para a matriz inicial de similaridades. Manter componentes suficientes para explicar uma
determinada percentagem do total da varincia, por
Isso porque o coeficiente de correlao elimina o efeito de exemplo 80%.
escala: uma varivel que oscile entre 0 e 1 no pesa mais na
carga fatorial do que uma varivel variando entre 0 e 1000.
Manter componentes cujos auto-valores so maiores
do que a mdia dos autovalores i/p; para uma
No entanto quando as variveis foram obtidas em escalas matriz de correlaes, essa mdia 1.
idnticas ou quando se quer ressaltar a varincia das variveis, Usar o grfico de declive/scree graph, e observar a
que influenciam nas cargas fatoriais, a covarincia utilizada. mudana de inclinao de altos autovalores para
baixos autovalores.
Testar a significncia das maiores componentes, ou
17 seja, aquelas correspondentes aos maiores 18

autovalores.

3
 grfico de declive/scree graph Exemplo
r=-0.11

CP
19 20

valores ordenados; r= 0,98

Anlise de agrupamentos e anlise das

componentes principais:
fornecem os mesmos resultados
mais informaes em ACP

21 22

xidos em rochas magmticas

Rochas SiO2 Al2O3 Fe2O3 FeO MgO CaO Na2O K2O

01Sienito 61.7 15.1 2 2.3 3.7 4.6 4.4 4.5
02Sienito 58.3 17.9 3.2 1.7 1.5 3.7 5.9 5.3
03Sienito 51.2 17.6 3.5 4.3 3.2 4.5 5.7 4.4
04Monzonito 54.4 14.3 3.3 4.1 6.1 7.7 3.4 4.2
05Diorito 58 15.7 0.7 2.8 5 10.9 3 3.2
06Diorito 46.9 15.9 2.9 10 7 9.6 2.7 0.7
07Diorito 58 17.3 2.2 3.8 2.2 4.3 4.3 4.1
08QDiorito 55.5 16.5 1.7 4.6 6.7 6.7 3.2 2.5
09Gabro 55.4 15.3 2.7 5.5 5.8 9.9 2.9 1.5
10Gabro 55.9 13.5 2.7 5.9 6.5 8.9 2.4 1.7
11Norito 47.2 14.5 1.6 13.8 5.2 8.1 3.1 1.2
12Norito 48.2 18.3 1.3 6.1 10.8 9.4 1.3 0.7
13HipGabro 44.8 18.8 2.2 4.7 11.3 14.6 0.9 0.1
14HipGabro 47 14.1 0.8 15 16 2.3 0.4 1.7
15Sienito 59.8 17.3 3.6 1.6 1.2 3.8 5 5.1
16QSienito 66.2 16.2 2 0.2 0.8 1.3 6.5 5.8
17SienitoAlt 50 9.9 3.5 5 11.9 8.3 2.4 5
18Monzonito 57.4 18.5 3.7 2.1 1.7 6.8 4.5 3.7
19Monzonito 59.8 15.8 3.8 3.3 2.2 3.9 3 4.4
23 24
20Diabasio 52.2 18.2 3.3 4.4 4.7 6.5 4.6 1.9

4
 Porcentgens de empregados em nove
grupos industriais em 30 pases na
Europa:
AGR: agricultura, florestal e pesca
MIN: minerao e explorao de pedreiras
FAB: fabricao
FEA: fornecimento de energia e gua
CON: construo
SER: servios
FIN: finanas
25 SSP: servios sociais e pessoais 26
TC: transporte e comunicaes

27 28

29