El Análisis de Componentes Principales (PCA) se utiliza ampliamente para identificar los principales componentes de nubes de puntos distribuidos estadísticamente. Las versiones robustas de PCA, a menudo basadas en parte en la norma (en lugar de la norma), se utilizan cada vez más, especialmente para nubes de puntos con muchos valores atípicos. Ni el PCA estándar ni los PCA robustos pueden proporcionar, sin suposiciones adicionales, información confiable para nubes de puntos ricas en valores atípicos y para distribuciones con varias direcciones principales (radios). Realizamos una reformulación fundamental y completa del enfoque de PCA en un marco basado exclusivamente en la norma y distribuciones de colas pesadas. La Detección y Análisis de Componentes Principales (MCDA) que proponemos puede determinar las direcciones principales y la extensión radial de datos 2D de distribuciones Gaussianas o de colas pesadas superpuestas individuales o múltiples sin y con valores atípicos artificiales patrones (desorden). En casi todos los casos en los resultados computacionales, MCDA 2D tiene una precisión superior a la del PCA estándar y de dos PCA robustos, a saber, el método de búsqueda de proyección de Croux y Ruiz-Gazen y el método de factorización de Ke y Kanade. (El PCA estándar es, por supuesto, superior a MCDA para nubes de puntos distribuidas de manera Gaussiana). El tiempo de computación de MCDA es competitivo con los tiempos de computación de los dos PCA robustos.