# Haz un PCA y represéntalo como es debido

> Sube una tabla de mediciones. Yila estandariza las variables, hace el análisis de componentes principales y dibuja el gráfico de puntuaciones, el de sedimentación y un biplot legible, con las cargas y el script.

URL: https://yila.ai/es/playbooks/pca-plot

## Lo que obtienes

- **Gráfico de puntuaciones** (PNG + SVG): PC1 frente a PC2, con la varianza explicada en cada eje, los puntos coloreados por grupo y elipses de confianza del 95%.
- **Gráfico de sedimentación** (PNG + SVG): La varianza explicada por cada componente, individual y acumulada, para que puedas justificar cuántos componentes conservar.
- **Biplot y cargas** (Figura + CSV): Flechas para las variables que más contribuyen, además de la tabla completa de cargas de todos los componentes.
- **El script** (Script de Python): El análisis completo en Python (o en R, si lo pides), con el preprocesamiento escrito paso a paso.

## Cómo funciona

1. **Sube la tabla e indica los grupos**: Dale a Yila un archivo CSV o Excel con las mediciones e indica qué columna usar para colorear. Los grupos solo se usan para el color, no en el propio PCA.
2. **Yila revisa las variables y la escala**: Examina las unidades y los rangos, estandariza las variables medidas en escalas distintas e informa de los valores faltantes antes de hacer el PCA.
3. **Obtén los tres gráficos y las cargas**: El gráfico de puntuaciones, el de sedimentación y el biplot se generan, se revisan y se guardan con las cargas y el script. Pide PC1 frente a PC3, etiquetas en los puntos o una vista en 3D en la misma conversación.

## Pensado para

- **Ciencias ómicas y metabolómica**: Comprueba si las muestras se agrupan por tratamiento o por lote antes del análisis diferencial.
- **Química y ciencia de los alimentos**: Visualiza cómo se separan las muestras según muchas propiedades medidas a la vez y qué propiedades explican la separación.
- **Datos de encuestas y cuestionarios**: Reduce muchos ítems correlacionados a unos pocos componentes y observa qué ítems cargan en el mismo componente.

## Preguntas frecuentes

### ¿Qué muestra un gráfico de PCA?

El análisis de componentes principales (PCA) transforma muchas variables correlacionadas en unos pocos componentes no correlacionados, ordenados según la varianza que explican. El gráfico de puntuaciones sitúa cada muestra sobre los dos primeros componentes, de modo que las muestras parecidas en conjunto quedan cerca unas de otras.

### ¿Hay que estandarizar las variables?

Si se miden en unidades o rangos distintos, sí; de lo contrario, domina la variable con los valores más grandes. En el ejemplo, la prolina llega a varios cientos y la tonalidad ronda el 1, así que se estandarizaron las trece. Si las variables comparten una misma escala, Yila puede dejarlas como están y explicarte por qué.

### ¿Cuántos componentes debo conservar?

El gráfico de sedimentación y la varianza acumulada ayudan: los criterios habituales son el codo de la curva, un objetivo como el 80% de la varianza o los componentes con valores propios mayores que 1. Yila informa de todo ello y deja la decisión en tus manos.

### ¿Qué significan las elipses de confianza?

Cada elipse cubre la región en la que se espera que caiga el 95% de las puntuaciones de un grupo, suponiendo una distribución normal bivariante. Ayudan a mostrar la separación, pero no son una prueba estadística.

### ¿Puedo usar el PCA para contrastar si los grupos difieren?

No. El PCA es descriptivo. Si los grupos se separan y quieres una prueba, pide un PERMANOVA o un análisis discriminante y Yila lo añade.

### ¿R o Python?

Cualquiera de los dos. El ejemplo usó Python con scikit-learn; en R, Yila usa prcomp con ggplot2 o factoextra.

### ¿De dónde proceden los datos del ejemplo?

Del conjunto de datos abierto Wine (Aeberhard y Forina), publicado con licencia CC BY 4.0 en el UCI Machine Learning Repository. Yila nunca usa datos de usuarios como ejemplos.

---

- [Haz un PCA y represéntalo como es debido](https://yila.ai/es/playbooks/pca-plot)
- [llms.txt](https://yila.ai/es/llms.txt)
