thumb|Analiza głównych składowych (PCA) dla wielowymiarowego rozkładu Gaussa o środku w punkcie (1;3), z odchyleniem standardowym równym 3 w przybliżonym kierunku (0,866; 0,5) oraz odchyleniem równym 1 w kierunku ortogonalnym. Wektory przedstawione na wykresie to wektory własne macierzy kowariancji, przeskalowane przez pierwiastek z odpowiadającej im wartości własnej i przesunięte tak, aby ich początki znajdowały się w punkcie będącym średnią rozkładu. Analiza głównych składowych (ang. principal component analysis, PCA) – jedna ze statystycznych metod analizy czynnikowej. Zbiór danych składający się z N obserwacji, z których każda obejmuje K zmiennych, można interpretować jako chmurę N punktów w przestrzeni K-wymiarowej. Celem PCA jest taki obrót układu współrzędnych, aby maksymalizować w pierwszej kolejności wariancję pierwszej współrzędnej, następnie wariancję drugiej współrzędnej itd. Tak przekształcone wartości współrzędnych nazywane są ładunkami wygenerowanych czynników (składowych głównych). W ten sposób konstruowana jest nowa przestrzeń obserwacji, w której najwięcej zmienności wyjaśniają początkowe czynniki.