PCA: Componentes Principales

Froggy Jumps

Played 1

Create copy

About this activity

Cuestionario sobre PCA y análisis multivariante

Created by

Rebeca Quispe Orellana

Bolivia

Download the paper version to play

Top 10 results

#	Player	Accuracy	time
1	Rebeca Quispe Orellana November 5, 2025	% 30	00:33

Do you want to stay in the Top 10 of this game? Log in to identify yourself.

Make your own free game from our game creator

Compete against your friends to see who gets the best score in this game

Make challenge

The Integumentary System

Breanna Nesbitt

United States

(59)

Functions and Structures of the skin
Bill of Rights Game - The Constitutionalist

Doni The Don

United States

(92)

Test your knowledge on the Bill of Rights. A fun way to test your knowledge and focus on where you need to improve.
Phlebotomy Order of Draw Quiz

Pamela Chapman

United States

(61)

Test your knowledge of the order of draw in Phlebotomy with these 10 questions!
pizza

Lorelay Tyana

Romania

(266)

joc despre pizza
Ethos, Pathos, and Logos Quiz

Kristine Vester

United States

(134)

Test your knowledge of ethos, pathos, and logos with these 10 questions on examples of persuasive techniques.

		%
	Anonymous	%
		%
		%

Print your game

PCA: Componentes Principales


Froggy Jumps PCA: Componentes PrincipalesOnline version Cuestionario sobre PCA y análisis multivariante by Rebeca Quispe Orellana 1 ¿Qué representa una componente principal en PCA? a La media de los datos b Una dirección de mayor varianza en los datos c La varianza total de cada variable 2 ¿Qué relación hay entre componentes principales y eigenvectores? a Son eigenvalores asociados a cada variable b Las componentes son eigenvectores de la matriz de covarianza c Son columnas de la matriz de datos 3 ¿Qué indica el primer componente principal? a La mayor varianza explicada por una sola dirección b La media de las variables c La menor varianza explicada 4 ¿Qué índice se usa para decidir cuánta varianza conservar? a Varianza explicada acumulada b Coeficiente de correlación c P-valor 5 ¿Qué significa la proyección de los datos sobre una componente? a Coeficientes de puntuación (scores) de la muestra b Residuos de la regresión c Valores originales de las variables 6 ¿Qué información proporcionan las cargas (loadings)? a La varianza total de cada componente b Contribución de cada variable a la componente c La media de cada variable 7 ¿Qué tipo de transformacion aplica PCA a los datos? a Reducción de dimensionalidad sin ortogonalidad b Escalado sin cambio de dirección c Rotación de datos para obtener direcciones ortogonales 8 ¿Qué ocurre si las variables están altamente correlacionadas? a Las primeras componentes explican la mayor parte de la varianza b Todas las componentes explican igual varianza c PCA falla y no existe solución 9 ¿Qué exige PCA sobre los datos antes de aplicar? a Eliminación de variables con cero varianza b Reducción de tamaño de muestra c Estandarización si las variables tienen distintas unidades 10 ¿Qué criterio ayuda a elegir el número de componentes? a Número de variables b Número de observaciones c Umbral de varianza explicada (p. ej., 90%)

You can integrate the game into an LMS compatible with LTI 1.1 or LTI 1.3 such as Canvas, Moodle, or Blackboard. This way, the scores will be automatically saved into the platform’s gradebook.

PCA: Componentes Principales

Froggy Jumps

About this activity

Created by

Download the paper version to play

Top Games

Froggy Jumps

The Integumentary System

Froggy Jumps

Bill of Rights Game - The Constitutionalist

Froggy Jumps

Phlebotomy Order of Draw Quiz

Froggy Jumps

pizza

Froggy Jumps

Ethos, Pathos, and Logos Quiz

Froggy Jumps

PCA: Componentes PrincipalesOnline version

by Rebeca Quispe Orellana

¿Qué representa una componente principal en PCA?

¿Qué relación hay entre componentes principales y eigenvectores?

¿Qué indica el primer componente principal?

¿Qué índice se usa para decidir cuánta varianza conservar?

¿Qué significa la proyección de los datos sobre una componente?

¿Qué información proporcionan las cargas (loadings)?

¿Qué tipo de transformacion aplica PCA a los datos?

¿Qué ocurre si las variables están altamente correlacionadas?

¿Qué exige PCA sobre los datos antes de aplicar?

¿Qué criterio ayuda a elegir el número de componentes?