"A maior parte da variabilidade do mundo real está concentrada em pouquíssimas dimensões — o PCA é o microscópio que as revela." — Karl Pearson, 1901 (adaptado)

A Análise de Componentes Principais (PCA — Principal Component Analysis) é uma técnica de redução de dimensionalidade que transforma um conjunto de variáveis possivelmente correlacionadas em um conjunto menor de variáveis não correlacionadas chamadas componentes principais.

Criada por Karl Pearson em 1901 para problemas de biometria, hoje alimenta aplicações em genômica, reconhecimento facial, compressão de imagens, finanças quantitativas, climatologia, espectroscopia e todo domínio que lide com dados de alta dimensionalidade.

Motivação: a maldição da dimensionalidade

Imagine medir 50 variáveis de cada espécime de uma expedição botânica: comprimento da folha, largura, espessura, concentração de clorofila, ângulo de inserção... A maioria dessas variáveis é correlacionada. Há muito menos do que 50 "padrões independentes" na natureza. PCA encontra esses padrões e descarta a redundância.

Considere dados biométricos: altura e envergadura de braços em 200 atletas. Esses dois atributos são fortemente correlacionados — pessoas mais altas tendem a ter maior envergadura. No gráfico de dispersão, os pontos formam uma elipse inclinada. PCA rotaciona os eixos para alinhar com essa elipse:

A metáfora da sombra

Segure um lápis obliquamente sob uma lâmpada. Dependendo do ângulo, a sombra projetada no papel pode ser quase tão longa quanto o lápis, ou quase um ponto. PCA encontra o ângulo que projeta a maior sombra possível — capturando a máxima variância em cada dimensão reduzida. Cada componente seguinte é perpendicular ao anterior e captura a maior variância restante.

3.1 — Matriz de Covariância

Para um dataset com p variáveis e n observações (centralizadas), a matriz de covariância Σ é p×p:

Exemplo concreto — dados climáticos de 4 variáveis: temperatura média, umidade relativa, velocidade do vento, precipitação mensal.

3.2 — Autovalores e Autovetores

O PCA resolve a equação de autovalores/autovetores da matriz de covariância:

3.3 — Exemplo numérico passo a passo

Considere duas medidas de qualidade do ar: concentração de PM2.5 e NO₂, já centralizadas:

Resolvendo det(Σ − λI) = 0:

3.4 — Relação com SVD

Na prática computacional, o sklearn implementa PCA via Decomposição em Valores Singulares (SVD), numericamente mais estável que calcular autovalores diretamente:

Os autovetores da matriz de covariância são as colunas de V. Os autovalores são os quadrados dos valores singulares divididos por (n−1).

1. Centralizar os dados (subtrair a média)

   Para cada variável, subtraia sua média. Move o centro de massa para a origem. Obrigatório — sem centralização, o PCA mede deslocamento, não variância.

   \[ X_c = X - \bar{X} \]

2. Padronizar as variáveis (dividir pelo desvio padrão)

   Se as variáveis têm escalas diferentes (temperatura em °C vs. precipitação em mm), a de maior escala domina artificialmente. Use StandardScaler para variância unitária. Exceção: se todas estão na mesma unidade e você quer preservar diferenças de magnitude.

3. Calcular a matriz de covariância

   Computa Σ = XᵀX / (n−1). O sklearn faz isso internamente via SVD — você não precisa calculá-la explicitamente. Com p variáveis, Σ é sempre p×p simétrica positiva semidefinida.

4. Decompor em autovalores e autovetores

   Resolve Σv = λv para todos os p pares (λ, v). Retorna p autovetores ortogonais ordenados pelo autovalor correspondente — do maior para o menor.

5. Selecionar os k componentes principais

   Escolha k com base na variância acumulada desejada (tipicamente 80–95%) ou pelo "cotovelo" no scree plot. Os k autovetores com maiores autovalores formam a matriz de projeção W de dimensão (p × k).

6. Projetar os dados no novo espaço

   Multiplique os dados centralizados pela matriz de projeção. O resultado são os scores — coordenadas de cada observação no espaço dos k componentes principais.

   \[ Z = X_c \cdot W_k \qquad Z \in \mathbb{R}^{n \times k} \]

A proporção de variância explicada pelo k-ésimo componente é:

Critérios para escolha de k

O que são loadings?

Cada componente principal é uma combinação linear das variáveis originais. Os coeficientes são os loadings:

Heatmap de Loadings — Dados Morfométricos de Pinguins

Exemplo clássico em biologia: medidas morfométricas de 3 espécies de pinguins (comprimento do bico, profundidade do bico, comprimento da nadadeira, massa corporal).

Biplot interativo — Pinguins

O biplot sobrepõe os scores (posição de cada indivíduo no espaço PCA) e os vetores de loading (direção das variáveis originais). Vetores paralelos = variáveis correlacionadas; vetores perpendiculares = variáveis independentes.

7.1 — Pipeline básico com dados climáticos

import numpy as np
import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt

# ============================================================
# Dados: médias mensais de 5 variáveis climáticas
# em 12 estações meteorológicas do sul do Brasil
# ============================================================
dados = {
    'temp_media':    [22.1,18.3,25.4,14.2,28.7,16.9,23.5,19.8,26.1,13.5,21.0,24.3],
    'umidade_rel':   [72,68,80,65,75,71,77,69,82,63,70,78],
    'precip_mm':     [130,95,180,70,120,85,150,100,200,60,110,160],
    'vel_vento':     [12,18,9,22,7,20,11,16,8,25,14,10],
    'insolacao_h':   [210,185,240,160,260,175,220,195,250,150,200,235],
}
df = pd.DataFrame(dados)

# ============================================================
# 1. PADRONIZAÇÃO — variâncias muito diferentes entre variáveis
#    (temp em °C vs precipitação em mm vs vento em km/h)
# ============================================================
scaler = StandardScaler()
X_scaled = scaler.fit_transform(df)

# ============================================================
# 2. PCA DIAGNÓSTICO — todos os componentes para análise
# ============================================================
pca_full = PCA()
pca_full.fit(X_scaled)

var_ratio = pca_full.explained_variance_ratio_
cumvar    = np.cumsum(var_ratio)

print("Variância explicada por componente:")
for i, v in enumerate(var_ratio):
    print(f"  PC{i+1}: {v*100:.1f}%  (acumulado: {cumvar[i]*100:.1f}%)")

# Escolha automática: menor k com variância acumulada >= 85%
k = int(np.argmax(cumvar >= 0.85)) + 1
print(f"\nComponentes para >=85% variância: k = {k}")

# ============================================================
# 3. PCA FINAL com k componentes
# ============================================================
pca = PCA(n_components=k)
scores = pca.fit_transform(X_scaled)  # shape: (12, k)

# ============================================================
# 4. LOADINGS — a chave da interpretação
# ============================================================
loadings = pd.DataFrame(
    pca.components_.T,   # transposta: (n_features, k)
    index=df.columns,
    columns=[f'PC{i+1}' for i in range(k)]
)
print("\nLoadings (autovetores):")
print(loadings.round(3))

7.2 — Scree plot profissional

def plot_scree(pca_full, k_chosen, title="Scree Plot"):
    fig, axes = plt.subplots(1, 2, figsize=(12, 4))

    var  = pca_full.explained_variance_ratio_ * 100
    cum  = np.cumsum(var)
    n    = len(var)
    x    = range(1, n + 1)

    colors = ['#6c8ef5' if i < k_chosen else '#2a3050' for i in range(n)]
    axes[0].bar(x, var, color=colors, edgecolor='none', width=0.6)
    axes[0].set_xlabel('Componente Principal')
    axes[0].set_ylabel('Variância Explicada (%)')
    axes[0].set_title('Scree Plot')
    for i, v in enumerate(var):
        axes[0].text(i + 1, v + 0.5, f'{v:.1f}%', ha='center', fontsize=9)

    axes[1].plot(x, cum, 'o-', color='#f5a623', lw=2, ms=6)
    axes[1].axhline(85, color='#4fc3a1', ls='--', lw=1.5, label='85% threshold')
    axes[1].axvline(k_chosen, color='#6c8ef5', ls=':', lw=1.5, label=f'k = {k_chosen}')
    axes[1].set_ylim(0, 105)
    axes[1].set_xlabel('Número de Componentes')
    axes[1].set_ylabel('Variância Acumulada (%)')
    axes[1].set_title('Variância Acumulada')
    axes[1].legend()

    plt.suptitle(title, fontsize=13, fontweight='bold')
    plt.tight_layout()
    plt.show()

7.3 — Biplot com matplotlib

def biplot(scores, loadings, labels, feature_names,
           groups=None, palette=None, scale=2.5):
    """
    Biplot: scores das amostras + vetores de loading sobrepostos.
    groups: array de rótulos de grupos (ex: espécies, tratamentos)
    """
    fig, ax = plt.subplots(figsize=(9, 7))

    # Plotar amostras
    if groups is not None:
        for g in np.unique(groups):
            mask = groups == g
            ax.scatter(scores[mask, 0], scores[mask, 1],
                       label=g, s=60, alpha=0.8)
    else:
        ax.scatter(scores[:, 0], scores[:, 1], s=60, alpha=0.8)

    # Rótulos opcionais
    if labels is not None:
        for i, lbl in enumerate(labels):
            ax.annotate(lbl, (scores[i,0]+.05, scores[i,1]+.05),
                        fontsize=7, color='#666')

    # Vetores de loading
    for j, feat in enumerate(feature_names):
        vx = loadings.iloc[j, 0] * scale
        vy = loadings.iloc[j, 1] * scale
        ax.annotate("", xy=(vx, vy), xytext=(0, 0),
                    arrowprops=dict(arrowstyle="->", color='crimson', lw=1.8))
        ax.text(vx*1.08, vy*1.08, feat, color='crimson', fontsize=9, ha='center')

    ax.axhline(0, lw=0.5, ls='--', color='gray')
    ax.axvline(0, lw=0.5, ls='--', color='gray')
    ax.set_xlabel(f'PC1 ({pca.explained_variance_ratio_[0]*100:.1f}%)')
    ax.set_ylabel(f'PC2 ({pca.explained_variance_ratio_[1]*100:.1f}%)')
    ax.legend(title='Espécie')
    ax.set_title('Biplot PCA — Morfometria de Pinguins')
    plt.tight_layout()
    plt.show()

7.4 — Pipeline correto para ML (prevenindo data leakage)

from sklearn.pipeline import Pipeline
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.ensemble import RandomForestClassifier

# Exemplo: classificar espécies de íris com PCA + RandomForest
# (o mesmo padrão aplica-se a qualquer dataset)
from sklearn.datasets import load_iris
iris = load_iris()
X, y = iris.data, iris.target

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)

# Pipeline garante fit APENAS no treino — sem data leakage
pipe = Pipeline([
    ('scaler', StandardScaler()),
    ('pca',    PCA(n_components=2)),
    ('clf',    RandomForestClassifier(n_estimators=100, random_state=42)),
])

# Cross-validation no pipeline inteiro — correto
cv_scores = cross_val_score(pipe, X_train, y_train, cv=5, scoring='accuracy')
print(f"Acurácia CV: {cv_scores.mean():.3f} ± {cv_scores.std():.3f}")

pipe.fit(X_train, y_train)
print(f"Acurácia test: {pipe.score(X_test, y_test):.3f}")

# Acessar PCA dentro do pipeline
pca_in_pipe = pipe.named_steps['pca']
print(f"Variância explicada: {pca_in_pipe.explained_variance_ratio_.round(3)}")

7.5 — Reconstrução e erro de compressão

# PCA como autoencoder linear: comprimir → reconstruir
# Aplicação: compressão de espectros de reflectância (sensoriamento remoto)

def compression_error(X_scaled, n_components):
    pca_k = PCA(n_components=n_components)
    scores_k = pca_k.fit_transform(X_scaled)
    X_reconstructed = pca_k.inverse_transform(scores_k)
    mse = np.mean((X_scaled - X_reconstructed) ** 2)
    return mse

# Avaliar erro para diferentes k
ks = range(1, X_scaled.shape[1] + 1)
errors = [compression_error(X_scaled, k) for k in ks]

plt.plot(ks, errors, 'o-', color='#6c8ef5')
plt.xlabel('Número de componentes k')
plt.ylabel('MSE de reconstrução')
plt.title('Erro de compressão PCA')
plt.yscale('log')  # log scale para ver a curva melhor
plt.show()

# k → p: erro → 0 (reconstrução perfeita com todos os componentes)

Árvore de decisão para escolha da técnica

Caso 1 — Genômica: GWAS e estrutura populacional

Em estudos de associação genômica ampla (GWAS), matrizes de genótipos chegam a 500.000+ SNPs por indivíduo. PCA nos genótipos revela a estrutura populacional: os primeiros 2–3 componentes separam populações europeias, africanas e asiáticas no espaço PCA. Esse resultado é usado para controlar efeitos de confundimento por ancestralidade nos modelos de associação.

# Dados: matriz genótipo (n_amostras × n_SNPs) codificada 0/1/2
# PCA para controle de estratificação populacional
from sklearn.decomposition import PCA

# TruncatedSVD é mais eficiente para matrizes esparsas gigantes
from sklearn.decomposition import TruncatedSVD

# Para matrizes densas menores, PCA padrão funciona bem
pca_geno = PCA(n_components=10)          # primeiros 10 PCs
scores_geno = pca_geno.fit_transform(X_genotipos_centered)

# Os PCs são usados como covariáveis no modelo de regressão logística
# para controlar estratificação (Price et al., 2006 — Nature Genetics)
pcs_df = pd.DataFrame(
    scores_geno,
    columns=[f'PC{i}' for i in range(1, 11)]
)
# Adicionar ao modelo: logit(doença ~ SNP_alvo + PC1 + ... + PC10)

Caso 2 — Sensoriamento remoto: compressão de imagens hiperespectrais

Sensores como o AVIRIS capturam imagens em 224 bandas espectrais. Bandas adjacentes são altamente correlacionadas. PCA reduz para 10–15 componentes preservando >99% da variância, comprimindo o volume de dados em 15× e melhorando a performance de classificadores de cobertura do solo.

Caso 3 — Finanças quantitativas: fatores de risco

Em uma carteira de 500 ações, os retornos diários são altamente correlacionados (movimentos de mercado). PCA nos retornos revela fatores latentes: PC1 é tipicamente o "fator de mercado" (sobe quando o mercado sobe), PC2 diferencia setor de tecnologia do financeiro, etc. Essa é a base do modelo de Arbitrage Pricing Theory (APT).

# Retornos diários de 100 ações — shape: (252_dias, 100_acoes)
# PCA revela os fatores de risco latentes

retornos_scaled = StandardScaler().fit_transform(retornos_df)
pca_fin = PCA(n_components=5)
fatores = pca_fin.fit_transform(retornos_scaled)

loadings_fin = pd.DataFrame(
    pca_fin.components_.T,
    index=retornos_df.columns,    # tickers das ações
    columns=[f'Fator_{i}' for i in range(1, 6)]
)

# Interpretação típica:
# Fator_1: cargas positivas em todas as ações → fator de mercado (beta)
# Fator_2: tech positivo, financeiro negativo → rotação de setor
# Fator_3: large-caps vs small-caps → fator de tamanho (SMB)

# Variância explicada — quanto cada fator explica do risco total
print(pca_fin.explained_variance_ratio_.round(3))

Caso 4 — Neurociência: análise de atividade neural em população

Registros simultâneos de centenas de neurônios produzem dados de altíssima dimensão. PCA revela a dinâmica de população: os primeiros componentes capturam trajetórias coletivas de ativação durante tarefas motoras ou cognitivas, revelando a geometria do espaço de estados neurais muito mais claramente do que analisar neurônios individualmente.