Antecedentes: El análisis de componentes principales (PCA) es un método que identifica direcciones comunes dentro de datos multivariados y presenta los datos en la menor cantidad de dimensiones posible. Una de las ventajas de PCA es su objetividad, ya que se pueden obtener los mismos resultados independientemente de quién realice el análisis. Sin embargo, PCA no es un método robusto y es sensible al ruido. En consecuencia, las direcciones identificadas por PCA pueden desviarse ligeramente. Si podemos enseñar a PCA a tener en cuenta esta desviación y corregirla, los resultados deberían volverse más comprensibles. Métodos: Los dos principales resultados de PCA fueron rotados utilizando una matriz unitaria de rotación. Resultados: Estas contribuciones fueron determinadas y comparadas con las originales. En rotaciones más pequeñas, el cambio en la contribución también fue pequeño y el efecto en la independencia no fue severo. La rotación hizo que los datos fueran considerablemente más comprensibles. Conclusiones: Se presentan los métodos para lograr esto y un problema con esto. Sin embargo, se debe tener cuidado de no restarle valor a la superior objetividad de PCA.