Анализ пространственно распределенных данных

Министерство  образования Республики Беларусь

 

 

Учреждение  образования «Международный государственный  экологический университет имени  А.Д. Сахарова»

 

 

Факультет заочного обучения

 

Кафедра экологических  информационных систем

 

 

 

КОНТРОЛЬНАЯ РАБОТА

 

по  дисциплине «Анализ пространственно распределенных данных»

 

 

 

 

 

 

 

 

 

Минск 2012

 

Лабораторная  работа

Построим вариограмму

>>plot(dc(i,1),'r'), grid, ylabel('Dose rate, \muRe per

hour')

>>plot(dc(i,2),'r'), grid

Создаем гистограмму  распределения значений в выборке мощности экспозиционной дозы:>>hist(dc(:,1)), title('HistogramofDoserate')

Гистограмма распределения  значений поверхностной активности:

>>hist(dc(:,2)), title('Histogram of Activity')

 
Строим скатерограмму:>>plot(dc(:,1), dc(:,2),'.')

 

 

Рассчитаем коэффициент корреляции:

>>corrcoef(dc)

ans =

    1.0000    0.9460

    0.9460    1.0000

Создадим матрицу  с прологарифмированными данными:

>>logdc=log(dc)

Произведем  над ними аналогичные манипуляции, как и над основными.

>>[yl,il]=sort(logdc(:,1))    >> plot(logdc(il,1),'r'), grid

>>plot(logdc(il,2),'r'), grid

 

>>hist(logdc(:,1))

>>hist(logdc(:,2))

>>plot(logdc(:,1), logdc(:,2),'.')

>>corrcoef(logdc)

ans =

    1.0000    0.9775

    0.9775    1.0000

Строим модель линейной регрессии:

>>x=dc(:,1)

>>y=dc(:,2)

>> p=polyfit(x,y,1)

p =

  1.0e+003 *

    4.9525    0.0287

>> f=p(1)*x+p(2)

f =

  1.0e+004 *

>>plot(x,y,'+',x,f)

>>grid on

Аналогично  делаем с логорифмированной переменной:

>>x=logdc(:,1)

>>y=logdc(:,2)

>> p=polyfit(x,y,1)

p =

    1.0073    8.4998

>>f=p(1)*x+p(2)

>>plot(x,y,'+',x,f)

>>grid on