Vyhodnocení průměrných denních analýz kalcinátu ananasového typu. ( Metoda hlavních komponent )

Podobné dokumenty
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti

Fakulta chemicko technologická Katedra analytické chemie

SEMESTRÁLNÍ PRÁCE. Určení vnitřní struktury analýzou vícerozměrných dat. Ing. Pavel Bouchalík

Příklad 2: Určení cihlářských surovin na základě chemické silikátové analýzy

Počítačová analýza vícerozměrných dat v oborech přírodních, technických a společenských věd

Aproximace a vyhlazování křivek

Profilování vzorků heroinu s využitím vícerozměrné statistické analýzy

3.4 Určení vnitřní struktury analýzou vícerozměrných dat

PŘÍKLAD 4.5 Chromatografická analýza farmakologických sloučenin Byly měřeny hodnoty R F pro 20 sloučenin s 18 eluenty. Žádné eluční činidlo však nepro

Počítačová analýza vícerozměrných dat

Fakulta chemicko-technologická Katedra analytické chemie. 3.2 Metody s latentními proměnnými a klasifikační metody

Fakulta chemicko-technologická Katedra analytické chemie. Licenční studium Statistické zpracování dat při managementu jakosti. Semestrální práce:

vzorek vzorek

Univerzita Pardubice 8. licenční studium chemometrie

Odhalení skryté struktury a vnitřních vazeb dat metodami vícerozměrné statistické analýzy

Příklad 2: Obsah PCB v játrech zemřelých lidí. Zadání: Data: Program:

Univerzita Pardubice. Fakulta chemicko-technologická. Katedra analytické chemie. Semestrální práce. Licenční studium

Semestrální práce. 3.1 Matematické principy analýzy vícerozměrných dat

KVALITA GELU HYDRATOVANÉHO OXIDU TITANIČITÉHO Z HLEDISKA KALCINAČNÍHO CHOVÁNÍ

Faktorová analýza (FACT)

Úvod do vícerozměrných metod. Statistické metody a zpracování dat. Faktorová a komponentní analýza (Úvod do vícerozměrných metod)

Statistické metody a zpracování dat. IX Faktorová a komponentní analýza (Úvod do vícerozměrných metod) Petr Dobrovolný

SEMESTRÁLNÍ PRÁCE 3.5 Klasifikace analýzou vícerozměrných dat

Faktorová analýza. PSY252 Statistická analýza dat v psychologii II

Statistické zpracování naměřených experimentálních dat za rok 2012

Vícerozměrné statistické metody

ZX510 Pokročilé statistické metody geografického výzkumu

UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, Pardubice

Vícerozměrné metody. PSY117/454 Statistická analýza dat v psychologii Přednáška 12. Schematický úvod

Univerzita Pardubice Chemicko-technologická fakulta Katedra analytické chemie

Tvorba lineárních regresních modelů při analýze dat

Faktorová analýza příklad. Obrázek 1 Ukázka části vstupních dat

Vícerozm rná analýza dat metodou hlavních komponent a shluk

AVDAT Mnohorozměrné metody metody redukce dimenze

Analýzy regionálního trhu práce v České republice Analysis of regional labour market in Czech Republic

SEMESTRÁ LNÍ PRÁ CE. Licenč ní studium STATISTICKÉZPRACOVÁ NÍ DAT PŘ I KONTROLE A Ř ÍZENÍ JAKOSTI. Předmě t POČ ÍTAČ OVÁ ANALÝ ZA VÍCEROZMĚ RNÝ CH DAT

Univerzita Pardubice

Vícerozměrné statistické metody

Univerzita Pardubice FAKULTA CHEMICKO TECHNOLOGICKÁ

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1

Shluková analýza dat a stanovení počtu shluků

Kalibrace a limity její přesnosti

Plánování experimentu

UNIVERZITA PARDUBICE

MĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ

Fakulta chemicko technologická Katedra analytické chemie licenční studium Management systému jakosti Kalibrace a limity její přesnosti

Odhalení skryté struktury a vnitřních vazeb dat vícerozměrnou statistickou analýzou pitné vody

POPISNÁ STATISTIKA Komentované řešení pomocí programu Statistica

Kanonická korelační analýza

Počítačová analýza vícerozměrných dat v oborech přírodních, technických a společenských věd

Hledání optimální polohy stanic a zastávek na tratích regionálního významu

Cronbachův koeficient α nová adaptovaná metoda uvedení vlastností položkové analýzy deskriptivní induktivní parametrické

Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie ANOVA. Semestrální práce

UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie Nám. Čs. Legií 565, Pardubice

S E M E S T R Á L N Í

Korelace. Komentované řešení pomocí MS Excel

Závislost obsahu lipoproteinu v krevním séru na třech faktorech ( Lineární regresní modely )

PCA BIPLOT ŠKÁLOVÁNÍ OS (1)

UNIVERZITA PARDUBICE CHEMICKO-TECHNOLOGICKÁ FAKULTA KATEDRA ANALYTICKÉ CHEMIE

UNIVERZITA PARDUBICE FAKULTA EKONOMICKO SPRÁVNÍ BAKALÁŘSKÁ PRÁCE 2008 PETR ŠIMER

KORELACE. Komentované řešení pomocí programu Statistica

Příloha 1/B. Vyhodnocení experimentálních dat Ostravsko

LEKCE 11 FAKTOROVÁ ANALÝZA

Internal bounds and hidden structure of the metallurgic data with the use of Multivariate Data Analysis MDA

Optimalizace parametrů hmotnostního detektoru (MS/MS) s využitím vícerozměrných statistických analýz

Vícerozměrné statistické metody

SEMESTRÁLNÍ PRÁCE. Klasifikace analýzou vícerozměrných dat. Ing. Pavel Bouchalík

TECHNICKÁ UNIVERZITA V LIBERCI SEMESTRÁLNÍ PRÁCE

Cvičná bakalářská zkouška, 1. varianta

Vícerozměrné statistické metody

SEMESTRÁLNÍ PRÁCE. Leptání plasmou. Ing. Pavel Bouchalík

ANALÝZA DAT V R 3. POPISNÉ STATISTIKY, NÁHODNÁ VELIČINA. Mgr. Markéta Pavlíková Katedra pravděpodobnosti a matematické statistiky MFF UK

Infračervená spektroskopie - alternativní instrumentální technika při kontrole výroby bioethanolu

Úvodem Dříve les než stromy 3 Operace s maticemi

Simulace. Simulace dat. Parametry

JEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica

Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie STATISTICKÉ ZPRACOVÁNÍ EXPERIMENTÁLNÍCH DAT

Statistické metody - nástroj poznání a rozhodování anebo zdroj omylů a lží

UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie. Nám. Čs. Legií 565, Pardubice. Semestrální práce ANOVA 2015

Porovnání dvou výběrů

Statistika pro geografy

Tvorba grafů v programu ORIGIN

Klasifikace obchodních partnerů s využitím metod shlukové analýzy

PSY117/454 Statistická analýza dat v psychologii. Zobrazení dvojrozměrných dat Bodový graf - Scatterplot Korelační koeficient

S E M E S T R Á L N Í

různé typy přehledových studií integrativní typ snaha o zobecnění výsledků z množství studií

Statistika. cílem je zjednodušit nějaká data tak, abychom se v nich lépe vyznali důsledkem je ztráta informací!

Vnitřní vazby a skrytá struktura v hutnických datech vícerozměrnou statistickou analýzou

Vícerozměrné statistické metody

ÚSPORY ENERGIE PŘI CHLAZENÍ VENKOVNÍHO VZDUCHU

{ } ( 2) Příklad: Test nezávislosti kategoriálních znaků

Technická univerzita v Liberci

STATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky)

PŘÍKLADY POUŽITÍ ORDINAČNÍCH METOD

Závěrečná práce Ing. Jiří Pokorný

Stanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace )

Obsah Úvod Kapitola 1 Než začneme Kapitola 2 Práce s hromadnými daty před analýzou

Regresní analýza 1. Regresní analýza

UNIVERZITA PARDUBICE Fakulta chemicko-technologická Katedra analytické chemie

Základy popisné statistiky. Vytvořil Institut biostatistiky a analýz, Masarykova univerzita J. Jarkovský, L. Dušek

Transkript:

Vyhodnocení průměrných denních analýz kalcinátu ananasového typu. ( Metoda hlavních komponent ) Zadání : Titanová běloba (TiO ) se vyrábí ve dvou základních krystalových modifikacích - rutilové a anatasové. Materiál pigmentových vlastností se získává kalcinací hydratovaného gelu oxidu titaničitého při teplotách kolem 950 C. Materiál vypadávající z kalcinační pece, tzv. kalcinát, se po ochlazení mele na kyvadlových mlýnech. Pro ananasový typ je to finální úprava před balením a expedicí. Nezbytným předpokladem pro zisk výrobku požadované kvality je správné řízení teplotního režimu kalcinační pece. Jako podklady k tomu slouží analýzy prováděné v kalcinátu v určitých časových intervalech. Smyslem vyhodnocení denních průměrů analýz je posouzení vzájemných vazeb mezi jednotlivými parametry a rovnoměrnosti kvality produkce. Data : Pro celkem velkou rozsáhlost jsou uvedena v příloze č. Řešení : Program QC Expert: Vícerozměrná analýza Program SCAN v.: Metoda PCA Metoda hlavních komponent Program MINITAB v 3: Cluster analysis Pro potíže s funkčností programu Statgraphics byl pro vyhodnocení dat použit statistický program SCAN, který má vícerozměrnou analýzu dat dobře propracovanou. Exploratorní analýza Data byla podrobena exploratorní (průzkumové) analýze statistickým počítačovým programem QC Expert 3.0. V části analyzovaných dat byla prokázána vzájemná korelace, což se dalo podle způsobu jejich získávání očekávat. Pro metodu hlavních komponent pomocí algoritmu NIPALS byly z dalšího zpracování vyřazeny sloupce (parametry), které byly indikovány jako téměř konstantní a bránily výpočtu. Jedná se o obsah Fe a obsah SbO3. Předem byly rovněž odstraněny sloupce obsahující zjevně vybočující data, jejichž hodnoty by mohly negativně ovlivnit výsledky zpracování. Vyhodnocení průměrných denních analýz kalcinátu ananasového typu. Strana č. z

Korelační analýza Při zpracování dat z tabulky v příloze č. byla pomocí statistického počítačového programu SCAN. spočítána korelační matice (Correlation Matrix), která obsahuje párové korelační koeficienty jednotlivých veličin. V této korelační matici (příloha tabulka korelační matice) jsou barevně odlišeny hodnoty přesahující hodnotu kritického korelačního koeficientu, který má pro 30 objektů při hladině spolehlivosti 95 % absolutní hodnotu 0.36 (pro hladinu spolehlivosti 99 % a stejný počet objektů by to byla hodnota 0.469). Párové korelační koeficienty mezi proměnnými _ZF _Bě, _ČF _Bě a _ČF _ZF mají hodnoty nad 0.9, což značí extrémně vysokou závislost. Metoda hlavních komponent Pro vyhodnocení dat metodou hlavních komponent PCA (Principal Components Analysis) byl zvolen statistický počítačový program SCAN. a metoda pomocí algoritmu NI- PALS. Graficky se výsledek analýzy hlavních komponent zobrazuje těmito grafy hlavních komponent Indexový graf úpatí vlastních čísel (Scree Plot), Graf komponentních vah (Plot Components Weights), Rozptylový diagram komponentního skóre (Scatterplot) a Dvojný graf (Biplot). NIPALS Eigenvalue (Scree) Plot 5 4 eigenvalues 3 0 Obr.č. Indexový graf úpatí vlastních čísel 3 4 5 6 7 8 9 0 components Vlastní čísla (Eigenvalues) slouží k určení počtu A využitelných hlavních komponent (Components), jež si zvolíme v analýze k dalšímu užívání. K dalšímu popisu proměnlivosti bereme obvykle tolik hlavních komponent, aby jimi bylo popsáno 85 95 % celkové proměnlivosti dat. V tomto případě, jak je patrné z obrázku, mají smysl čtyři, eventuálně pět. Vyhodnocení průměrných denních analýz kalcinátu ananasového typu. Strana č. z

Graf komponentních vah NIPALS Loading Plot 0.4 0.3 KO NaO Vypad_pH S KO:PO 0. 0. 0.0-0. -0. PO5 NbO5 ot_ph Rutil Vypad_MF AlO3 SFM_B Vypad_CF Vypad_Be Vypad_ZF -0.3-0.4 ZrO -0.35-0.05 0.05 0.35 0.45 Obr.č. Graf komponentních vah NIPALS Biplot 4 5 3 6 4 0 - - 8 9 5 3 30 PO5 7 4 0 KO NbO5 ot_ph ZrO NaO Vypad_pH 6 8 3 8 S KO:PO 9 Vypad_CF Rutil Vypad_MFVypad_ZF Vypad_Be 0 AlO3 SFM_B 4 3 6 9 75 7-3 -4.5-3.5 -.5 -.5.5.5 3.5 Obr.č.3 Dvojný graf Jak ukazuje graf komponentních vah na obrázku č. a dvojný graf na obrázku č. 3, mají společné vlastnosti a tím pádem spolu korelují např. tyto proměnné: _ph a Na O Rutil, _ČF, _Bě, _MF a _ZF Al O 3 a SFM B Vyhodnocení průměrných denních analýz kalcinátu ananasového typu. Strana č. 3 z

Z praktických důvodů byl počet proměnných zredukován vypuštěním silně korelujících proměnných z jednotlivých skupin. V první fázi bylo vypuštěno celkem pět proměnných, vyznačujících se ve skupinách menším vlivem, tedy s kratšími průvodiči proměnných. Graf po první redukci proměnných je na obrázku č. 4. NIPALS Loading Plot 0.4 KO NaO S 0.3 PO5 0. 0. 0.0-0. -0. NbO5 ot_ph Rutil SFM_B Vypad_Be KO:PO -0.3-0.4 ZrO -0.4-0.3-0. -0. 0.0 0. 0. 0.3 0.4 Obr.č.4 Graf komponentních vah po první redukci proměnných Dalším krokem redukce počtu proměnných bylo vypuštění dalších pěti korelujících proměnných. Výsledná situace po druhé redukci proměnných je patrná z grafu na obrázku č. 5. NIPALS Loading Plot PO5 KO 0.0 S KO:PO ZrO SFM_B 0.0 Obr.č.5 Graf komponentních vah po druhé redukci proměnných Vyhodnocení průměrných denních analýz kalcinátu ananasového typu. Strana č. 4 z

NIPALS Biplot 0 - - 4 8 9 0 7 3 5 ZrO PO5 34 6 KO SFM_B 9 0 5 7 6 S 3 8 30 KO:PO 9 7 6 5 4 8-3 -.5 -.5.5.5 3.5 Obr. 6 Dvojný graf po druhé redukci proměnných Tabulka Důležité parametry charakterizující výsledek redukce počtu manifestních Hlavní komponenta Před redukcí proměnných proměnných Eigenvalue Proporčně Kumulativně Hlavní komponenta Po druhé redukci proměnných Eigenvalue Proporčně Kumulativně 5.084 0.38 0.38.3773 0.396 0.396 3.050 0.94.378 0.373 0.769 3.5037 6 0.668 3 0.8406 0.40 0.909 4.656 0.03 0.77 4 0.4435 0.074 0.983 5.359 0.077 0.849 5 0.004 0.07.000 6 0.7370 0.046 0.895 7 588 0.035 0.930 8 0.3398 0.0 0.95 9 0.495 0.06 0.967 0 0.998 0.0 0.979 Vyhodnocení průměrných denních analýz kalcinátu ananasového typu. Strana č. 5 z

Závěr: Jak ukazuje porovnání jednotlivých hodnot před redukcí počtu proměnných a hodnot po druhé redukci počtu proměnných v tabulce, podařilo se dosáhnout pro první dvě latentní proměnné dostatečně vysoké vysvětlené variability 76,9 %. Latentní proměnné y a y mají následující tvar: y = 0.073 SFM_B + 0.036 K O + 0.43 S 0.380 P O 5 60 ZrO + + 9 K O : P O y = 0.438 SFM_B + 0.608 K O + 0.87 S + P O 5 0.68 ZrO + 0. K O : P O Velkým přínosem možnosti použití pouze dvou latentních proměnných je mimo jiné to, že se dají znázornit klasickým grafem v rovině. Rozptylový diagram komponentního skóre NIPALS Score Plot 4 8 9 7 5 3 6 7 6 5 4 0 - - 0 34 9 0 6 5 7 30 9 8 3 8-3 -.5 -.5.5.5 3.5 Obr. 7 Graf závislosti y na y pro jednotlivé body Jak ukazuje graf na obr.č. 7, objekty jsou rozděleny zhruba do tří shluků, které přibližně odpovídají jednotlivým dekádám v měsíci, ač by v ideálním případě měly tvořit shluk jediný. Pokud bychom se snažili o fyzikální vysvětlení latentních proměnných y a y, dalo by se na základě vyšších nebo nižších hodnot koeficientů u jednotlivých manifestních proměnných říci, že první proměnná zvýrazňuje především parametry související s výchozími surovinami, druhá proměnná pak zvýrazňuje kvalitativní parametry ovlivněné především složením pasty dávkované do pece. Vyhodnocení průměrných denních analýz kalcinátu ananasového typu. Strana č. 6 z

Analýza shluků Nejprve byla data podrobena analýze podobnosti proměnných pomocí dendrogramu proměnných průměrovou metodou ve statistickém programu MINITAB, který toto jako jeden z mála programů umožňuje. Výsledný dendrogram je na obrázku č. 8, kde osu x tvoří proměnné (Variables) a osu y podobnost (Similarity). Průměrovou metodou byly nalezeny nejvíce si podobné proměnné, což jsou _Bě, _ZF a _ČF a K O a P O 5. Nejvíce je si podobná dvojice proměnných _Bě a _ZF, což vlastně potvrzuje výsledky korelační analýzy. Vzájemná podobnost uvedených proměnných byla předpokládána, neboť se tyto proměnné analyticky stanovují vedle sebe. Similarity Dendrogram proměnných 43.37 6.5 8. 00.00 Vyp ad _ph KO:PO S FM_B Vypad_Be Vyp ad _ZF Vypad_CF Vypad_MF R util Al O3 KO P O5 S Na O ot_ph Nb O5 ZrO Obr. 8 Dendrogram proměnných Variables Dále bylo pro analýzu shluků objektů použito hiearchické klastrování podle Euklidovské vzdálenosti s použitím průměrové metody. Nejprve však bylo nutno, na základě informace programu, vyřadit některé sloupce, které byly identifikovány jako téměř konstantní a bránily výpočtu. Potom byla zkoumána podobnost objektů a provedeno roztřídění do skupin. Nejprve byla zkoumána původní naměřená data grafický výstup této metody je dendrogram uvedený na obrázku č. 9. Protože jsou vstupní proměnné vyjádřeny v různých jednotkách a tím dosahují i řádově rozdílných hodnot, byla provedena standardizace, čili normování dat. Dendrogram objektů po standardizaci dat je na obr.č.0. Již při prvním pohledu na dendrogram na obrázku č. 0 je vidět, že standardizace dat má zřetelný vliv na podobnost skupin objektů. Vyhodnocení průměrných denních analýz kalcinátu ananasového typu. Strana č. 7 z

Similarity Dendrogram objektů 53.86 69.4 84.6 00.00 3 4 30 5 9 8 9 6 7 9 0 4 3 5 3 4 6 0 6 5 8 7 7 8 Observations Obr. 9 Dendrogram - Průměr a Euklidovská vzdálenost Similarity Dendrogram objektů - standardizováno 3.3 54. 77. 00.00 30 3 4 5 8 7 0 9 6 3 8 6 7 4 5 9 0 3 4 8 5 7 6 9 Observations Obr. 0 Dendrogram - Průměr a Euklidovská vzdálenost - standardizováno Pro další dendrogram na obrázku č. byla použita data šesti nejvlivnějších proměnných stanovených pomocí grafu komponentních vah. Dendrogram potvrzuje výsledek uvedený u rozptylového diagramu komponentního skóre, kdy jsou objekty rozděleny do tří shluků. Vyhodnocení průměrných denních analýz kalcinátu ananasového typu. Strana č. 8 z

Similarity Dendrogram nejvlivnějších proměnných (standardizováno) 33.67 55.78 77.89 00.00 6 3 4 5 7 8 9 0 3 8 9 30 4 5 6 7 9 0 3 5 4 6 7 8 Observations Obr. Dendrogram nejvlivnějších proměnných - Průměr a Euklidovská vzdálenost - standardizováno Závěr : Z výsledků analýzy shluků prezentovaných výše vyplývá, že kvalita kalcinátu v průběhu měsíce kolísá zhruba v šesti až deseti denních cyklech, což z hlediska požadavku rovnoměrnosti výroby není žádoucí. Vyhodnocení průměrných denních analýz kalcinátu ananasového typu. Strana č. 9 z

Tabulka č. naměřených dat Příloha č. Číslo ph ot_ph SFM_B Bě ZF MF ČF Vyhodnocení průměrných denních analýz kalcinátu ananasového typu. Strana č. 0 z Rutil Fe Sb O 3 K O S P O 5 Nb O 5 Al O 3 Na O ZrO K O:P O 7. 6.4 79. 98.64 98.7 98.9 98.4 0.4 0.0007 0.003 0.43 0.005 0.356 0.073 0.0 0.0 0.09 0.684 7.3 6.6 8 98.48 98.5 98.6 98.3 0.4 0.0005 0.00 0.44 0.003 0.378 0.075 0.00 0.03 0.030 0.645 3 7. 6.8 79.8 98.73 98.8 98.8 98.6 0. 0.0005 0.00 0.44 0.003 0.389 0.077 0.06 0.07 0.03 0.68 4 7. 6.6 79.7 98.70 98.7 98.8 98.5 0.4 0.0005 0.00 0.43 0.003 0.39 0.077 0.03 0.04 0.03 0.6 5 7. 6.6 84.5 98.56 98.6 98.8 98.3 0.4 0.0004 0.003 0.46 0.004 0.389 0.077 0.07 0.034 0.03 0.633 6 7. 6.6 87.3 98.86 98.9 99. 98.6 0.0007 0.00 0.47 0.004 0.389 0.077 0.08 0.09 0.030 0.636 7 7. 6.6 88. 98.76 98.8 98.8 98.6 0.3 0.0008 0.003 0.45 0.004 0.39 0.078 0.05 0.09 0.03 0.67 8 7. 6.8 85.9 98.46 98.5 98.6 98.3 0.4 0.0006 0.003 0.45 0.003 0.396 0.078 0.00 0.07 0.03 0.68 9 7. 6.9 86.0 98.60 98.7 98.8 98.3 0. 0.0007 0.003 0.38 0.003 0.385 0.079 0.00 0.03 0.03 0.67 0 7. 6.7 96. 98.70 98.8 98.9 98.4 0. 0.0005 0.003 0.4 0.003 0.383 0.079 0.05 0.03 0.033 0.63 7. 6.9 97.3 98.75 98.8 99.0 98.5 0.3 0.0004 0.003 0.44 0.003 0.38 0.078 0.04 0.07 0.03 0.640 7. 6.7 93. 98.65 98.7 98.9 98.4 0.0008 0.003 0.40 0.00 0.366 0.076 0.05 0.033 0.03 0.656 3 7. 6.8 9.6 98.8 98.9 99.0 98.7 0.6 0.0008 0.003 0.44 0.005 0.358 0.075 0.00 0.030 0.030 0.68 4 7. 6.7 96.3 99.00 99.0 99.0 99.0 0.3 0.0007 0.003 0.46 0.009 0.355 0.076 0.07 0.09 0.09 0.69 5 7. 6.5 90.0 99.08 99. 99.0 99. 0. 0.0007 0.00 0.4 0.009 0.354 0.076 0.05 0.038 0.09 0.684 6 7. 6.6 93.0 98.83 98.9 98.7 98.9 0.6 0.000 0.003 0.43 0.007 0.359 0.076 0.07 0.034 0.09 0.677 7 7. 6.5 9.6 98.95 99.0 98.8 99. 0.6 0.0008 0.00 0.4 0.007 0.359 0.077 0.04 0.03 0.09 0.670 8 7. 6.6 90.4 98.84 98.8 98.9 98.8 0.3 0.0008 0.003 0.4 0.004 0.358 0.077 0.0 0.09 0.030 0.675 9 7. 6.3 84. 98.90 99.0 98.7 99.0 0.3 0.0008 0.003 0.8 0.004 0.344 0.078 0.00 0.07 0.03 0.634 0 7. 6.3 93.0 98.90 99.0 98.8 99.0 0. 0.0006 0.003 0.3 0.005 0.350 0.078 0.00 0.05 0.03 0.638 7. 6.5 98.0 99.08 99. 99.0 99. 0.0006 0.003 0.7 0.004 0.354 0.076 0.05 0.08 0.03 0.64 7. 6.7 99.8 99.0 99. 99.0 99. 0.0006 0.00 0.8 0.004 0.350 0.077 0.04 0.07 0.03 0.653 3 7. 6.9 95. 98.84 98.9 98.9 98.8 0. 0.0005 0.003 0.6 0.00 0.348 0.076 0.09 0.06 0.03 0.649 4 7. 6.8 9.5 98.86 98.9 98.9 98.7 0.3 0.0007 0.003 0.00 0.345 0.076 0.0 0.00 0.03 0.65 5 7. 6.8 95.6 98.88 98.9 99.0 98.7 0.7 0.0006 0.003 0.6 0.00 0.344 0.075 0.0 0.08 0.03 0.657 6 7. 6.8 94.0 98.80 98.9 98.9 98.6 0.8 0.0008 0.00 0.8 0.003 0.345 0.075 0.0 0.04 0.03 0.66 7 7. 6.8 00. 98.85 98.9 98.9 98.7 0.8 0.00 0.00 0.7 0.00 0.344 0.076 0.0 0.00 0.03 0.66 8 7. 6.9 03. 98.77 98.8 98.9 98.6 0. 0.003 0.003 0.7 0.00 0.343 0.076 0.07 0.06 0.03 0.66 9 7. 7.0 87.8 98.87 99.0 99.0 98.6 0. 0.0009 0.00 0.34 0.00 0.344 0.077 0.08 0.09 0.030 0.680 30 7.3 7. 77.8 98.57 98.6 98.8 98. 0.4 0.0007 0.00 0.35 0.00 0.343 0.077 0.09 0.03 0.030 0.686

Tabulka č. Korelační matice (Correlation Matrix) Příloha č. ph otvor ph SFM B Bě ZF MF ČF Rutil K O S P O 5 Nb O 5 Al O 3 Na O ZrO otvor ph 0.8 SFM_B -0.386 0.3 Bě -0.67-0.85 60 ZF -0.95-0.6 55 0.975 MF -0.70 0.8 0.496 0.608 84 ČF -0.6-0.463 0.488 0.98 0.900 0.34 Rutil -0.05-0.030 0.7 0.08 0.088 0.098 0.0 K O 0.00 0.003-0.394-0.396-0.453-0.080-0.384-0.086 S 0.03 68 0.030 0.473 0.43 0.085 85 0.005 0.369 P O 5-0.86-0.066-0.45 4 56-0.307-0.493-0.7 0.730 0.05 Nb O 5-0.349 0.058-0.0-0.00-0.045-0.0-0.07-0.48 0.05-0.0 0.447 Al O 3 0.0-0.35 0.38 0.37 0.00 0.458 09-0.44-0.063-0.349-0.45 Na O -0.050-0.099 0.033 0.04 0.037 0.0 0.03-0.4 0.69 0.393 0.48-0.344 ZrO 9 0.307 0.8-0.45-0.98-0.05-0.30-0.06-0.348-0.660 0. 0.405 0.05-0.30 K O:P O 0.48 0. 0.7 0.360 0.30 0.367 0.96 0.49 0.005 0.36-0.679-0.604 0.054 0.099-0.694 Vyhodnocení průměrných denních analýz kalcinátu ananasového typu. Strana č. z