1 LPC. Jan Černocký, FIT VUT Brno, 15. května 2007
|
|
- Vilém Kolář
- před 5 lety
- Počet zobrazení:
Transkript
1 CZR - numerické cvičení - zadání a řešení Jan Černocký, FIT VUT Brno, 5. května 007 LPC je dán signál o -ti vzorcích x[0]... x[]: 0, 0.707,, 0.707, 0, , -, , 0, 0.707,, Příklady. je možné vyjádřit tento signál analyticky? Jak? Ano, je to sinusovka: x[n] = sin(πfn) s normovanou frekvencí f = /8. Jak se na to přišlo: že je to sinusovka asi sami vidíte. Je to periodické po N = 8 vzorcích a vzoreček pro normovanou frekvenci je f = /N, kde N je perioda. I kdybyste na tento vzoreček zapomněli, můžete si říci normální sinusovka je periodická s π. Víme, že v tam musí být π a že tam musí být diskrétní čas, čím bych tak ten diskrétní čas vynásobil/a, aby to bylo periodické po 8-mi vzorcích? n = 0:; f = /8; N=; x = sin (*pi*f*n); stem(n,x); spočítejte energii vztaženou na vzorek. součet kvadrátů absolutních hodnot vzorků (vzorky jsou reálné, takže se na absolutní hodnoty můžeme klidně vykašlat), dělíme délkou signálu: E = N N x [n] = = 0.5 E = /N * sum(x.^) Přídavná kontrola: energie sinusovky by měla být A, kde A je amplituda. Platí to?... jo, platí. A = 3. spočítejte průchody nulou - nejprve pohledem na obrázek, pak matematicky.
2 pohledem na obrázek: matematicky: Z = N n= sign x[n] sign x[n ], pro zjednodušení bereme znaménko čísla nula: sign 0 =. Uvědomíme si, že vedle sebe sedící vzorky se stejným znaménkem mají absolutní hodnotu rozdílu znamének 0, pokud se znaménko změní, je to. V našem signálu tyto přechody dostáváme dva, tedy: Z = = 4. proveďte LPC analýzu řádu - musíte tedy určit koeficienty a a a filtru A(z). Budete potřebovat autokorelační koeficienty R[0], R[] a R[]. Proveďte výpočet řešením standardní soustavy rovnic o dvou neznámých. Autokorelační koeficienty se počítají pomocí: R[k] = N k s[n]s[n + k] budeme je potřebovat pro k=0,,. Signál okopírujeme, posuneme doleva (ale ono je to stejně jedno... ) o k, pak všechny vzorky, které budou nad sebou vynásobíme a sečteme. R[0] = R[] = R[] = R = xcorr(x) R = R(N:N+) R0 = R(); R=R(); R = R(3); N k N k N k LPC koeficienty jsou řešením soustavy rovnic: [ R[0] R[] R[] R[0] x[n]x[n] = = 6 x[n]x[n + ] = = 4.43 x[n]x[n + ] = = 0.5 ] [ ] a = a [ R[] R[] ] tedy R[0]a + R[]a = R[] R[]a + R[0]a = R[] Na výpočet soustavy rovnic o neznámých můžete jít různě, po několika neúspěšných pokusech s použitím kofaktorů jsem si to odvodil růčo: pro ax + by = c by mělo platit: dx + ey = f x = ce bf ea bd (takže tam ty kofaktory stejně dostaneme, ha ha ha). Po dosazení: a = pak se to dosadí do libovolné z rovnic a vyjde: =.97 a = 0.843
3 A = inv([r0 R ; R R0]) * [-R; -R] 5. Proveďte tentýž výpočet pomocí Levinsona-Durbina. postupujeme podle rovnic -6 v přednášce o LPC. inicializace E (0) = 6 iterace() k = [R[] + nic]/e (0) = 4.43/6 = a () a () j = nic E () = ( )6 = 3 nic v algoritmu značí, že díky indexům není co dělat. A = levinson (R,) iterace() k = [R[] + a () R[]]/E() =... = a () = a () = a () + k a () = ( 0.707) = Vypočtěte energii chyby predikce z LPC a autokorelačních koeficientů. podle vzorečku (0) z přednášky: E = R[0] + P a i R[i] = = 0.93 i= Toto je nenormovaná energie, pokud ji budeme chtít převést na normovanou, musíme dělit 4-ti (?? a proč ne -ti??). E norm = = Vypočítejte signál chyby predikce - jedná se tedy o filtrování signálu x[n] inverzním filtrem A(z). Vypočtěte jeho energii a srovnejte s energií vypočtenou v bodě 6. filtrujeme filtrem A(z) = + a z + a z, který má v časové oblasti tuto diferenční rovnici: y[n] = x[n] + a x[n ] + a x[n ] Musíme tedy sčítat současný vzorek s minulým násobeným a a předminulým násobeným a. Na to je dobré si udělat malou tabulku: Odpověď: Signál má vzorků, ale jelikož filtr má dvě paměti, produkuje signál ještě o dva vzorky delší (musíme počkat, až se paměti vysypou ). 3
4 n x[n] x[n ] a x[n ] x[n ] a x[n ] y[n] Nejprve si vyplníme sloupce x[n], x[n ] a x[n ], pak k nim dopočítáme sloupce násobené koeficienty a nakonec sloupce x[n], a x[n ] a a x[n ] sečteme. Zvrhlíci si to můžou spočítat i v Excelu ;-) Spočítáme-li energii výstupního signálu: E normy = 4 zjistíme, že je to 0.065, takže vzorec pro výpočet residuální energie z LPC koeficientů a autokorelačních koeficientů nelhal. 3 y [n] 8. Určete, kde má filtr A(z) póly a jak vypadá jeho frekvenční charakteristika. Jmenovatele filtru H(z) = A(z) můžeme rozložit do pólů takto: H(z) = + a z + a z = z z z = + a z + a (z p )(z p ) Póly (tedy body, kde je jmenovatel roven nule, tedy celý výraz roven nekonečnu) jsou dány řešením rovnice: z + a z + a = 0 Opět si vzpomeneme na středoškolskou matematiku, kde se kvadratická rovnice řešila: ax + bx + c = 0 x, = b ± b 4ac a po dosazení a =, b = a =.96, c = a = vyjde: p = j, p = j podle předpokladu vyšla dvě komplexně sdružená čísla. Pokud si tato čísla nakreslíme do komplexní roviny, začneme tušit, že filtr bude mít charakter pásmové propusti: když bude putovat bod z = e jπf po jednotkové kružnici, přiblíží se k pólu, krátká vzdálenost k póly stáhne jmenovatele H(z) do malých hodnot a když je jmenovatel malý, frekvenční charakteristika bude velká. Převedeme-li póly do exponenciálního tvaru re jφ, dostaneme: p = 0.93e j0.78, p = 0.93e j0.78 Zajímá nás, které frekvenci bude maximum odpovídat. Když celá kružnice (π rad) odpovídá normované frekvenci, pak bude 0.78 rad odpovídat: 0.78 π = To je fajn, protože filtr A(z) se dobře naučil na náš signál, který měl také frekvenci 8. Více viz přednáška o lineární filtraci v ISS. 4
5 H=freqz(,A,56); f=(0:55) / 56 * 0.5; plot (f,abs(h))
6 DTW Jsou dány vektory s parametry 3 : testovací: t = [ 3] T referenční : r = [ 4] T referenční : r = [ 3] T Příklady. Určete Euklidovy vzdálenosti vektoru t od r i od r a určete, který z referenčních vektorů je testovacímu blíže. Pro výpočet Euklidovy vzdálenosti použijeme známý vzoreček pro přeponu trojúhelníka: D(r, t) = (r() t()) + (r() t()), kde r(), t() jsou první a r(), t() druhé složky jednotlivých vektorů. Takže: Referenční vektor r je testovacímu blíže. D(r, t) = + =.44 D(r, t) = ( ) + 0 =. Referenční posloupnost má 4 vektory, testovací má 3 vektory. Je dána mřížka lokálních vzdáleností (reference svisle, test vodorovně). Určete DTW vzdálenost. D = Při výpočtu DTW vzdálenosti začneme tak, že si nakreslíme mřížku lokálních vzdáleností D a inicializujeme mřížku částečných kumulovaných vzdáleností G.. Pak budeme vyplňovat G zleva doprava a zespoda nahoru tak, že v každém bodě: hodnota = min g souseda vlevo + d g souseda dole + d g souseda vlevo dole + d Z přednášek si možná pamatujete, že je penalizace příliš rychlého postupu v obou směrech. Při vyplňování políčka v G si zapamatujeme, odkud jsme přišli. Vyplnění prvního sloupce a prvního řádku je triviální, detail ukazuje políčko [, ], kde se poprvé musíme skutečně rozhodnout: 3 Vektory jsou sloupcové a protože se mi je nechce sloupcové sázet, je u nich všude T jako že jsou transponované ;-) 6
7 Nakonec bude G vypadat takto: Lehce určíme DTW vzdálenost: podělíme poslední políčko součtem délek reference a testu: D DT W = = 3. Určete optimální srovnávací cestu a průběhy indexovacích funkcí r(k) a t(k). Optimální srovnávací cestu dostaneme zpětným trasováním z posledního políčka G na obrázku je vyznačena tlustými čarami. Vidíme, že srovnávací cesta má K = 5 bodů, indexovací funkce budou: pro referenci r(k) = [ 3 4] pro test t(k) = [ 3 3]. 7
8 3 HMM Je dán model s N = 4 stavy (z nichž jsou vysílací). Vektory v matici O mají dva prvky a je jich T = 5: [ ] [ ] [ ] [ ] [ ] o() =, o() =, o(3) =, o(4) =, o(5) = Model má tuto matici přechodových pravděpodobností: A = Funkce hustoty rozdělení pravděpodobnosti v jednotlivých stavech jsou dány jedním Gaussovým rozložením s následujícími vektory středních hodnot a směrodatných odchylek: [ µ = ] [, σ = ] µ 3 = [ ] [, σ 3 = ] Příklady Matlabové ověření k těmto příkladům najdete v souboru cviko_hmm_reseni.m. určete všechny možné stavové sekvence X. Bude dobré si tento HMM nejprve nakreslit: Všechny stavové sekvence musí začínat prvním nevysílacím stavem č. a končit posledním nevysílacím č.4. Dva vysílací stavy si musí rozdělit všechny vektory, celková délka všech sekvencí tedy bude 7. Všechny možné sekvence jsou 4: X = [ ] X = [ ] X 3 = [ 3 3 4] X 4 = [ 3 4] Jiné sekvence nejsou platné, protože v modelu se nedají přeskakovat stavy.. pro každou z nich určete pravděpodobnost vyslání: P (O, X M). V tomto úkolu budete potřebovat výpočet vysílacích pravděpodobností Pro b (o()) spočítejte sami, pro ostatní jsou zde: o() o() o(3) o(4) o(5) b?????? b
9 Nejprve musíme spočítat vysílací pravděpodobnost b (o()) dostaneme ji tak, že dosadíme o() do funkce hustoty rozložení pravděpodobnosti druhého stavu. Jelikož jsou tato rozložení dána pouze pomocí středních hodnot a směrodatných odchylek, nemusíme se naštěstí starat o inverzi kovarianční matice a její determinant, ale použijeme zjednodušený vzorec (rovnice 5 v přednášce o HMM), kdy dostaneme vysílací pravděpodobnost jako součin hodnot dvou jednorozměrných Gaussovek. b (o()) = e (o() µ ) π σ σ e (o() µ ) σ =... = π σ Tabulku tedy můžeme doplnit. Při výpočtu pravděpodobností P (O, X M) po jednotlivých cestách se řídíme pravidlem násobit všechny pravděpodobnosti, které po cestě potkáme, tedy všechny přechodové a vysílací vždy bereme podle toho, který stav vysílá který vektor. Bude to brutální, ale tady jsou celkové vzorečky: P (O, X M) = a b (o()) a 3 b 3 (o()) a 33 b 3 (o(3)) a 33 b 3 (o(4)) a 33 b 3 (o(5)) a 34 =.0 0 P (O, X M) = a b (o()) a b (o()) a 3 b 3 (o(3)) a 33 b 3 (o(4)) a 33 b 3 (o(5)) a 34 = 6. 0 P (O, X 3 M) = a b (o()) a b (o()) a b (o(3)) a 3 b 3 (o(4)) a 33 b 3 (o(5)) a 34 = P (O, X 4 M) = a b (o()) a b (o()) a b (o(3)) a b (o(4)) a 3 b 3 (o(5)) a 34 = určete Baum-Welchovu pravděpodobnost: P (O M) = X P (O, X M) Tato pravděpodobnost je sumou přes všechny cesty: P (O M) = určete Viterbiho pravděpodobnost: P (O M) = max P (O, X M) X Tato pravděpodobnost je maximem přes všechny cesty: P (O M) = určete log-viterbiho pravděpodobnost: log P (O M) pomocí algoritmu token-passing. Odlogaritmujte a srovnejte s bodem 4. Budeme postupovat přesně podle algoritmu na konci přednášky o HMM. Je dobré si připravit obrázek, který obsahuje na svislé ose stavy modelu a na vodorovné ose časy. Časy můžeme doplnit o dva fiktivní časy: 0 a T + (předpokládáme, že vektory O jsou indexovány od do T ), ve kterých budeme algoritmus inicializovat a uzavírat. Uvědomíme si, že do piv budeme dolévat logaritmické 4 pravděpodobnosti log a ij + log b j [o(t)], takže bude dobré si připravit: do obrázku logaritmy přechodových pravděpodobností: log = 0, log 0.6 = 0.5 log 0.4 = 0.9, log 0.7 = 0.36, log 0.3 =.0 tabulku logaritmů b j (o(t)) pro všechny vektory: o() o() o(3) o(4) o(5) log b log b Je celkem jedno, jaký použijeme logaritmus, doporučuji přirozený na kalkulačce ln, v programovacích jazycích log. 9
10 Průběh algoritmu je pak naznačen na následujícím obrázku 5 : Po jeho doběhnutí odebereme z posledního stavu modelu pivo, a pro získání Viterbiho pravděpodobnosti odlogaritmujeme: P (O M) = e.8 = což je (až na zaokrouhlovací chyby) výsledek, který jsme dostali v příkladu 4. plným procházením všech cest. 5 Černá tečka pod číslem stavu nemá žádný význam v papíru byla díra ;-) 0
(Cramerovo pravidlo, determinanty, inverzní matice)
KMA/MAT1 Přednáška a cvičení, Lineární algebra 2 Řešení soustav lineárních rovnic se čtvercovou maticí soustavy (Cramerovo pravidlo, determinanty, inverzní matice) 16 a 21 října 2014 V dnešní přednášce
VíceCo je obsahem numerických metod?
Numerické metody Úvod Úvod Co je obsahem numerických metod? Numerické metody slouží k přibližnému výpočtu věcí, které se přesně vypočítat bud nedají vůbec, nebo by byl výpočet neúměrně pracný. Obsahem
VíceMatematika Kvadratická rovnice. Kvadratická rovnice je matematický zápis, který můžeme (za pomoci ekvivalentních úprav) upravit na tvar
Kvadratická rovnice Kvadratická rovnice je matematický zápis, který můžeme (za pomoci ekvivalentních úprav) upravit na tvar ax 2 + bx + c = 0. x neznámá; v kvadratické rovnici se vyskytuje umocněná na
VíceÚPGM FIT VUT Brno,
Systémy s diskrétním časem Jan Černocký ÚPGM FIT VUT Brno, cernocky@fit.vutbr.cz 1 LTI systémy v tomto kursu budeme pracovat pouze se systémy lineárními a časově invariantními. Úvod k nim jsme viděli již
VíceANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ
ANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ Parametrické vyjádření přímky v rovině Máme přímku p v rovině určenou body A, B. Sestrojíme vektor u = B A. Pro bod B tím pádem platí: B = A + u. Je zřejmé,
VícePřipomenutí co je to soustava lineárních rovnic
Připomenutí co je to soustava lineárních rovnic Příklad 2x 3y + z = 5 3x + 5y + 2z = 4 x + 2y z = 1 Soustava lineárních rovnic obecně Maticový tvar: a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a
VíceMatematika I pracovní listy
Matematika I pracovní listy Dagmar Dlouhá, Radka Hamříková, Zuzana Morávková, Michaela Tužilová Katedra matematiky a deskriptivní geometrie VŠB - Technická univerzita Ostrava Úvod Pracovní listy jsou určeny
VíceVYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY
VYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY Jan Krejčí 31. srpna 2006 jkrejci@physics.ujep.cz http://physics.ujep.cz/~jkrejci Obsah 1 Přímé metody řešení soustav lineárních rovnic 3 1.1 Gaussova eliminace...............................
Více1 Mnohočleny a algebraické rovnice
1 Mnohočleny a algebraické rovnice 1.1 Pojem mnohočlenu (polynomu) Připomeňme, že výrazům typu a 2 x 2 + a 1 x + a 0 říkáme kvadratický trojčlen, když a 2 0. Číslům a 0, a 1, a 2 říkáme koeficienty a písmenem
VíceLogaritmická rovnice
Ročník:. Logaritmická rovnice (čteme: logaritmus z x o základu a) a základ logaritmu x argument logaritmu Vzorce Použití vzorců a principy počítání s logaritmy jsou stejné jako u logaritmů základních,
VíceČíslicové filtry. Honza Černocký, ÚPGM
Číslicové filtry Honza Černocký, ÚPGM Aliasy Digitální filtry Diskrétní systémy Systémy s diskrétním časem atd. 2 Na co? Úprava signálů Zdůraznění Potlačení Detekce 3 Zdůraznění basy 4 Zdůraznění výšky
VíceOdhady - Sdružené rozdělení pravděpodobnosti
Odhady - Sdružené rozdělení pravděpodobnosti 4. listopadu 203 Kdybych chtěl znát maximum informací o náhodné veličině, musel bych znát všechny hodnoty, které mohou padnout, a jejich pravděpodobnosti. Tedy
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Lineární rovnice o 2 neznámých Definice 011 Lineární rovnice o dvou neznámých x, y je rovnice, která může být vyjádřena ve tvaru ax + by = c, kde
VíceStavový model a Kalmanův filtr
Stavový model a Kalmanův filtr 2 prosince 23 Stav je veličina, kterou neznáme, ale chtěli bychom znát Dozvídáme se o ní zprostředkovaně prostřednictvím výstupů Příkladem může býapř nějaký zašuměný signál,
Více1 0 0 u 22 u 23 l 31. l u11
LU dekompozice Jedná se o rozklad matice A na dvě trojúhelníkové matice L a U, A=LU. Matice L je dolní trojúhelníková s jedničkami na diagonále a matice U je horní trojúhelníková. a a2 a3 a 2 a 22 a 23
VíceSOUSTAVY LINEÁRNÍCH ROVNIC
MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA SOUSTAVY LINEÁRNÍCH ROVNIC Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny
VíceCVIČNÝ TEST 5. OBSAH I. Cvičný test 2. Mgr. Václav Zemek. II. Autorské řešení 6 III. Klíč 17 IV. Záznamový list 19
CVIČNÝ TEST 5 Mgr. Václav Zemek OBSAH I. Cvičný test 2 II. Autorské řešení 6 III. Klíč 17 IV. Záznamový list 19 I. CVIČNÝ TEST 1 Zjednodušte výraz (2x 5) 2 (2x 5) (2x + 5) + 20x. 2 Určete nejmenší trojciferné
VíceOperace s maticemi. 19. února 2018
Operace s maticemi Přednáška druhá 19. února 2018 Obsah 1 Operace s maticemi 2 Hodnost matice (opakování) 3 Regulární matice 4 Inverzní matice 5 Determinant matice Matice Definice (Matice). Reálná matice
VíceVEKTORY. Obrázek 1: Jediný vektor. Souřadnice vektoru jsou jeho průměty do souřadných os x a y u dvojrozměrného vektoru, AB = B A
VEKTORY Vektorem se rozumí množina všech orientovaných úseček, které mají stejnou velikost, směr a orientaci, což vidíme na obr. 1. Jedna konkrétní orientovaná úsečka se nazývá umístění vektoru na obr.
VíceVektory a matice. Obsah. Aplikovaná matematika I. Carl Friedrich Gauss. Základní pojmy a operace
Vektory a matice Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah 1 Vektory Základní pojmy a operace Lineární závislost a nezávislost vektorů 2 Matice Základní pojmy, druhy matic Operace s maticemi
VíceMatematika 1 MA1. 1 Analytická geometrie v prostoru - základní pojmy. 4 Vzdálenosti. 12. přednáška ( ) Matematika 1 1 / 32
Matematika 1 12. přednáška MA1 1 Analytická geometrie v prostoru - základní pojmy 2 Skalární, vektorový a smíšený součin, projekce vektoru 3 Přímky a roviny 4 Vzdálenosti 5 Příčky mimoběžek 6 Zkouška;
VíceVZÁJEMNÁ POLOHA DVOU PŘÍMEK
VZÁJEMNÁ POLOHA DVOU PŘÍMEK VZÁJEMNÁ POLOHA DVOU PŘÍMEK p: a x b y c 0 q: a x b y c 0 ROVNOBĚŽNÉ PŘÍMKY (RŮZNÉ) nemají žádný společný bod, můžeme určit jejich vzdálenost, jejich odchylka je 0. Normálové
VíceMatematika B101MA1, B101MA2
Matematika B101MA1, B101MA2 Zařazení předmětu: povinný předmět 1.ročníku bc studia 2 semestry Rozsah předmětu: prezenční studium 2 + 2 kombinované studium 16 + 0 / semestr Zakončení předmětu: ZS zápočet
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Vektory Definice 011 Vektorem aritmetického prostorur n budeme rozumět uspořádanou n-tici reálných čísel x 1, x 2,, x n Definice 012 Definice sčítání
VíceNecht tedy máme přirozená čísla n, k pod pojmem systém lineárních rovnic rozumíme rovnice ve tvaru
2. Systémy lineárních rovnic V této kapitole se budeme zabývat soustavami lineárních rovnic s koeficienty z pole reálných případně komplexních čísel. Uvádíme podmínku pro existenci řešení systému lineárních
Vícevyjádřete ve tvaru lineární kombinace čtverců (lineární kombinace druhých mocnin). Rozhodněte o definitnosti kvadratické formy κ(x).
Řešené příklady z lineární algebry - část 6 Typové příklady s řešením Příklad 6.: Kvadratickou formu κ(x) = x x 6x 6x x + 8x x 8x x vyjádřete ve tvaru lineární kombinace čtverců (lineární kombinace druhých
Více1/10. Kapitola 12: Soustavy lineárních algebraických rovnic
1/10 Kapitola 12: Soustavy lineárních algebraických rovnic Soustavy lineárních algebraických rovnic 2/10 Definice: Soustavou m lineárních algebraických rovnic o n neznámých rozumíme soustavu rovnic a 11
VíceOdhad - Problémy se sdruženým rozdělením pravděpodobnosti
Odhad - Problémy se sdruženým rozdělením pravděpodobnosti 20. listopadu 203 V minulém materiálu jsme si ukázali, jak získat sdružené rozdělení pravděpodobnosti. Bylo to celkem jednoduché: Věrohodnostní
VíceKOMPLEXNÍ ČÍSLA INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
KOMPLEXNÍ ČÍSLA Gymnázium Jiřího Wolkera v Prostějově Výukové materiály z matematiky pro vyšší gymnázia Autoři projektu Student na prahu 21. století - využití ICT ve vyučování matematiky na gymnáziu INVESTICE
Více14. přednáška. Přímka
14 přednáška Přímka Začneme vyjádřením přímky v prostoru Přímku v prostoru můžeme vyjádřit jen parametricky protože obecná rovnice přímky v prostoru neexistuje Přímka v prostoru je určena bodem A= [ a1
Více1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.
VIII. Náhodný vektor. Náhodný vektor (X, Y má diskrétní rozdělení s pravděpodobnostní funkcí p, kde p(x, y a(x + y +, x, y {,, }. a Určete číslo a a napište tabulku pravděpodobnostní funkce p. Řešení:
VíceSoustavy lineárních rovnic
Přednáška MATEMATIKA č 4 Katedra ekonometrie FEM UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz 27 10 2010 Soustava lineárních rovnic Definice Soustava rovnic a 11 x 1 + a 12 x 2 + + a
VíceDeterminanty. Obsah. Aplikovaná matematika I. Pierre Simon de Laplace. Definice determinantu. Laplaceův rozvoj Vlastnosti determinantu.
Determinanty Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah 1 Determinanty Definice determinantu Sarrusovo a křížové pravidlo Laplaceův rozvoj Vlastnosti determinantu Výpočet determinantů 2 Inverzní
VíceMatematika (CŽV Kadaň) aneb Úvod do lineární algebry Matice a soustavy rovnic
Přednáška třetí (a pravděpodobně i čtvrtá) aneb Úvod do lineární algebry Matice a soustavy rovnic Lineární rovnice o 2 neznámých Lineární rovnice o 2 neznámých Lineární rovnice o dvou neznámých x, y je
VíceSoustavy lineárních rovnic a determinanty
Soustavy lineárních rovnic a determinanty Petr Hasil Přednáška z matematiky Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipĺıny
VíceŘEŠENÍ KVADRATICKÝCH A ZLOMKOVÝCH NEROVNIC V ŠESTI BODECH
(Tento text je součástí výkladu k definičním oborům, tam najdete další příklady a pokud chcete část tohoto textu někde použít, můžete čerpat ze stažené kompletní verze definičních oborů ve formátu.doc.)
VíceKVADRATICKÁ FUNKCE URČENÍ KVADRATICKÉ FUNKCE Z PŘEDPISU FUNKCE
KVADRATICKÁ FUNKCE URČENÍ KVADRATICKÉ FUNKCE Z PŘEDPISU FUNKCE Slovo kvadrát vzniklo z latinského slova quadratus které znamená: čtyřhranný, čtvercový. Obsah čtverce se vypočítá, jako druhá mocnina délky
VíceAnalytická geometrie. c ÚM FSI VUT v Brně
19. září 2007 Příklad 1. Příklad 2. Příklad 3. Příklad 1. Určete obecnou rovnici roviny, která prochází body A = [0, 1, 2], B = [ 1, 0, 3], C = [3, 1, 0]. Příklad 1. A = [0, 1, 2], B = [ 1, 0, 3], C =
VíceŘešení. Hledaná dimenze je (podle definice) rovna hodnosti matice. a 1 2. 1 + a 2 2 1
Příklad 1. Určete všechna řešení následující soustavy rovnic nad Z 2 : 0 0 0 1 1 1 0 1 0 1 1 1 1 1 0 1 0 1 0 1 1 Gaussovou eliminací převedeme zadanou soustavu na ekvivalentní soustavu v odstupňovaném
VíceCVIČNÝ TEST 1. OBSAH I. Cvičný test 2. Mgr. Tomáš Kotler. II. Autorské řešení 6 III. Klíč 21 IV. Záznamový list 23
CVIČNÝ TEST 1 Mgr. Tomáš Kotler OBSAH I. Cvičný test 2 II. Autorské řešení 6 III. Klíč 21 IV. Záznamový list 23 I. CVIČNÝ TEST 1 Určete výraz V, který je největším společným dělitelem výrazů V 1 V 3 :
VíceLineární a adaptivní zpracování dat. 3. SYSTÉMY a jejich popis ve frekvenční oblasti
Lineární a adaptivní zpracování dat 3. SYSTÉMY a jejich popis ve frekvenční oblasti Daniel Schwarz Osnova Opakování: systémy a jejich popis v časové oblasti Fourierovy řady Frekvenční charakteristika systémů
VíceZáklady maticového počtu Matice, determinant, definitnost
Základy maticového počtu Matice, determinant, definitnost Petr Liška Masarykova univerzita 18.9.2014 Matice a vektory Matice Matice typu m n je pravoúhlé (nebo obdélníkové) schéma, které má m řádků a n
VíceŘešíme tedy soustavu dvou rovnic o dvou neznámých. 2a + b = 3, 6a + b = 27,
Přijímací řízení 2015/16 Přírodovědecká fakulta Ostravská univerzita v Ostravě Navazující magisterské studium, obor Aplikovaná matematika (1. červen 2016) Příklad 1 Určete taková a, b R, aby funkce f()
VíceLPC. Jan Černocký ÚPGM FIT VUT Brno, cernocky@fit.vutbr.cz. FIT VUT Brno. LPC Jan Černocký, ÚPGM FIT VUT Brno 1/39
LPC Jan Černocký ÚPGM FIT VUT Brno, cernocky@fit.vutbr.cz FIT VUT Brno LPC Jan Černocký, ÚPGM FIT VUT Brno 1/39 Plán signálový model artikulačního traktu. proč lineární predikce. odhad koeficientů filtru
Více1 Mnohočleny a algebraické rovnice
1 Mnohočleny a algebraické rovnice 1.1 Pojem mnohočlenu (polynomu) Připomeňme, že výrazům typu a 2 x 2 + a 1 x + a 0 říkáme kvadratický trojčlen, když a 2 0. Číslům a 0, a 1, a 2 říkáme koeficienty a písmenem
VíceCvičné texty ke státní maturitě z matematiky
Cvičné texty ke státní maturitě z matematiky Pracovní listy s postupy řešení Brno 2010 RNDr. Rudolf Schwarz, CSc. Státní maturita z matematiky Úloha 1 1. a = s : 45 = 9.10180 45 = 9.101+179 45 = 9.10.10179
VícePříklady pro předmět Aplikovaná matematika (AMA) část 1
Příklady pro předmět plikovaná matematika (M) část 1 1. Lokální extrémy funkcí dvou a tří proměnných Nalezněte lokální extrémy funkcí: (a) f 1 : f 1 (x, y) = x 3 3x + y 2 + 2y (b) f 2 : f 2 (x, y) = 1
Více1 Analytická geometrie
1 Analytická geometrie 11 Přímky Necht A E 3 a v R 3 je nenulový Pak p = A + v = {X E 3 X = A + tv, t R}, je přímka procházející bodem A se směrovým vektorem v Rovnici X = A + tv, t R, říkáme bodová rovnice
VíceM - Kvadratické rovnice a kvadratické nerovnice
M - Kvadratické rovnice a kvadratické nerovnice Určeno jako učební tet pro studenty dálkového studia. VARIACE 1 Tento dokument byl kompletně vytvořen, sestaven a vytištěn v programu dosystem - EduBase.
VíceLineární algebra : Metrická geometrie
Lineární algebra : Metrická geometrie (16. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 6. května 2014, 10:42 1 2 Úvod Zatím jsme se lineární geometrii věnovali v kapitole o lineárních
Více9 Kolmost vektorových podprostorů
9 Kolmost vektorových podprostorů Od kolmosti dvou vektorů nyní přejdeme ke kolmosti dvou vektorových podprostorů. Budeme se zabývat otázkou, kdy jsou dva vektorové podprostory na sebe kolmé a jak to poznáme.
Více4.3.4 Základní goniometrické vzorce I
.. Základní goniometrické vzorce I Předpoklady: 0 Dva vzorce, oba známe už z prváku. Pro každé R platí: + =. Důkaz: Použijeme definici obou funkcí v jednotkové kružnici: T sin() T 0 - cos() S 0 R - Obě
VíceAplikovaná numerická matematika - ANM
Aplikovaná numerická matematika - ANM 3 Řešení soustav lineárních rovnic iterační metody doc Ing Róbert Lórencz, CSc České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových
VíceJčU - Cvičení z matematiky pro zemědělské obory (doc. RNDr. Nýdl, CSc & spol.) Minitest MT4
ŘEŠENÍ MINITESTŮ JčU - Cvičení z matematiky pro zemědělské obory (doc. RNDr. Nýdl, CSc & spol.) Minitest MT4. Z daných tří soustav rovnic o neznámých x, x vyberte právě všechny ty, které jsou regulární.
Více13. cvičení z PSI ledna 2017
cvičení z PSI - 7 ledna 07 Asymptotické pravděpodobnosti stavů Najděte asymptotické pravděpodobnosti stavů Markovova řetězce s maticí přechodu / / / 0 P / / 0 / 0 0 0 0 0 0 jestliže počáteční stav je Řešení:
VíceCvičení 5 - Inverzní matice
Cvičení 5 - Inverzní matice Pojem Inverzní matice Buď A R n n. A je inverzní maticí k A, pokud platí, AA = A A = I n. Matice A, pokud existuje, je jednoznačná. A stačí nám jen jedna rovnost, aby platilo,
VíceLineární algebra. Matice, operace s maticemi
Lineární algebra Matice, operace s maticemi Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty ekonomiky a managementu Registrační číslo
Vícepříkladů do cvičení. V textu se objeví i pár detailů, které jsem nestihl (na které jsem zapomněl) a(b u) = (ab) u, u + ( u) = 0 = ( u) + u.
Několik řešených příkladů do Matematiky Vektory V tomto textu je spočteno několik ukázkových příkladů které vám snad pomohou při řešení příkladů do cvičení. V textu se objeví i pár detailů které jsem nestihl
VíceProjekt OPVK - CZ.1.07/1.1.00/ Matematika pro všechny. Univerzita Palackého v Olomouci
Projekt OPVK - CZ.1.07/1.1.00/26.0047 Matematika pro všechny Univerzita Palackého v Olomouci Tematický okruh: Geometrie Různé metody řešení Téma: Analytická geometrie v prostoru, vektory, přímky Autor:
VíceMatematika 1 MA1. 2 Determinant. 3 Adjungovaná matice. 4 Cramerovo pravidlo. 11. přednáška ( ) Matematika 1 1 / 29
Matematika 1 11. přednáška MA1 1 Opakování 2 Determinant 3 Adjungovaná matice 4 Cramerovo pravidlo 5 Vlastní čísla a vlastní vektory matic 6 Zkouška; konzultace; výběrová matematika;... 11. přednáška (15.12.2010
VíceLineární algebra. Soustavy lineárních rovnic
Lineární algebra Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty ekonomiky a managementu Registrační číslo projektu: CZ.1.07/2.2.00/28.0326
VíceAVDAT Vektory a matice
AVDAT Vektory a matice Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Vektory x = x 1 x 2. x p y = y 1 y 2. y p Řádkový vektor dostaneme transpozicí sloupcového vektoru x
VíceSignál v čase a jeho spektrum
Signál v čase a jeho spektrum Signály v časovém průběhu (tak jak je vidíme na osciloskopu) můžeme dělit na periodické a neperiodické. V obou případech je lze popsat spektrálně určit jaké kmitočty v sobě
VíceP 1 = P 1 1 = P 1, P 1 2 =
1 Výpočet inverzní matice Věta 1 Necht P U elementární matice vzniklá el úpravou U Pak je P U regulární Důkaz: Protože elementární úprava U je invertovatelná, existuje el úprava U, která vrací změny U
VíceMatematika I: Pracovní listy do cvičení
Matematika I: Pracovní listy do cvičení Dagmar Dlouhá, Radka Hamříková, Zuzana Morávková, Michaela Tužilová Pro FAST upravil Petr Volný Katedra matematiky a deskriptivní geometrie VŠB - Technická univerzita
VíceSpektrální analýza a diskrétní Fourierova transformace. Honza Černocký, ÚPGM
Spektrální analýza a diskrétní Fourierova transformace Honza Černocký, ÚPGM Povídání o cosinusovce 2 Argument cosinusovky 0 2p a pak každé 2p perioda 3 Cosinusovka s diskrétním časem Úkol č. 1: vyrobit
VíceUniverzitní licence MATLABu. Pište mail na: se žádostí o nejnovější licenci MATLABu.
Univerzitní licence MATLABu Pište mail na: operator@service.zcu.cz se žádostí o nejnovější licenci MATLABu. * násobení maticové K = L = 1 2 5 6 3 4 7 8 Příklad: M = K * L N = L * K (2,2) = (2,2) * (2,2)
VíceIB112 Základy matematiky
IB112 Základy matematiky Řešení soustavy lineárních rovnic, matice, vektory Jan Strejček IB112 Základy matematiky: Řešení soustavy lineárních rovnic, matice, vektory 2/53 Obsah Soustava lineárních rovnic
VíceCvičné texty ke státní maturitě z matematiky
Cvičné texty ke státní maturitě z matematiky Pracovní listy s postupy řešení Brno 2010 RNDr. Rudolf Schwarz, CSc. Státní maturita z matematiky Obsah Obsah NIŽŠÍ úroveň obtížnosti 4 MAGZD10C0K01 říjen 2010..........................
VíceSoustavy lineárních diferenciálních rovnic I. řádu s konstantními koeficienty
Soustavy lineárních diferenciálních rovnic I řádu s konstantními koeficienty Definice a) Soustava tvaru x = ax + a y + az + f() t y = ax + a y + az + f () t z = a x + a y + a z + f () t se nazývá soustava
VíceFOURIEROVA ANAL YZA 2D TER ENN ICH DAT Karel Segeth
FOURIEROVA ANALÝZA 2D TERÉNNÍCH DAT Karel Segeth Motto: The faster the computer, the more important the speed of algorithms. přírodní jev fyzikální model matematický model numerický model řešení numerického
VíceMATEMATIKA B. Lineární algebra I. Cíl: Základním cílem tohoto tématického celku je objasnit některé pojmy lineární algebry a
MATEMATIKA B metodický list č. 1 Lineární algebra I Základním cílem tohoto tématického celku je objasnit některé pojmy lineární algebry a poukázat na jejich vzájemnou souvislost. Posluchači se seznámí
VíceGoniometrické rovnice
Goniometrické rovnice Funkce Existují čtyři goniometrické funkce sinus, kosinus, tangens a kotangens. Výraz číslo, ze kterého je daná funkce v obecném tvaru je to x se nazývá argument. Argument může u
VíceJedná se o soustavy ve tvaru A X = B, kde A je daná matice typu m n,
Soutavy lineárních algebraických rovnic Jedná se o soustavy ve tvaru A X = B, kde A je daná matice typu m n, X R n je sloupcový vektor n neznámých x 1,..., x n, B R m je daný sloupcový vektor pravých stran
VíceMarkovské procesy. příklad: diabetický pacient, hladina inzulinu, léky, jídlo
Pravděpodobnostní usuzování v čase Markovské procesy příklad: diabetický pacient, hladina inzulinu, léky, jídlo předpokládáme, že se množina možných stavů S nemění v průběhu času předpokládáme diskrétní
Více4.3.3 Základní goniometrické vzorce I
4.. Základní goniometrické vzorce I Předpoklady: 40 Dva vzorce, oba známe už z prváku. Pro každé R platí: + =. Důkaz: Použijeme definici obou funkcí v jednotkové kružnici: T sin() T 0 - cos() S 0 R - Obě
VíceMATICE. a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij]
MATICE Matice typu m/n nad tělesem T je soubor m n prvků z tělesa T uspořádaných do m řádků a n sloupců: a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij] a m1 a m2 a mn Prvek a i,j je prvek matice A na místě
VíceŘEŠENÍ NELINEÁRNÍCH ROVNIC
MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA ŘEŠENÍ NELINEÁRNÍCH ROVNIC Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny
Více2. Určete jádro KerL zobrazení L, tj. nalezněte alespoň jednu jeho bázi a určete jeho dimenzi.
Řešené příklady z lineární algebry - část 3 Typové příklady s řešením Příklad 3.1: Zobrazení L: P 3 R 23 je zobrazení z prostoru P 3 všech polynomů do stupně 3 (včetně nulového polynomu) do prostoru R
VíceMatematika IV 9. týden Vytvořující funkce
Matematika IV 9. týden Vytvořující funkce Jan Slovák Masarykova univerzita Fakulta informatiky jaro 2015 Obsah přednášky 1 Vytvořující funkce a Fibonacciho čísla 2 Vytvořující funkce - připomenutí 3 Řešení
VíceSemestrální projekt. Vyhodnocení přesnosti sebelokalizace VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. Fakulta elektrotechniky a komunikačních technologií
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta elektrotechniky a komunikačních technologií Semestrální projekt Vyhodnocení přesnosti sebelokalizace Vedoucí práce: Ing. Tomáš Jílek Vypracovali: Michaela Homzová,
VíceŘEŠENÍ NELINEÁRNÍCH ROVNIC
MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA ŘEŠENÍ NELINEÁRNÍCH ROVNIC Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipliny
VíceOperace s maticemi
Operace s maticemi Seminář druhý 17.10. 2018 Obsah 1 Operace s maticemi 2 Hodnost matice 3 Regulární matice 4 Inverzní matice Matice Definice (Matice). Reálná matice typu m n je obdélníkové schema A =
VíceMaticí typu (m, n), kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru:
3 Maticový počet 3.1 Zavedení pojmu matice Maticí typu (m, n, kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru: a 11 a 12... a 1k... a 1n a 21 a 22...
VíceSOUSTAVY LINEÁRNÍCH ALGEBRAICKÝCH ROVNIC
SOUSTAVY LINEÁRNÍCH ALGEBRAICKÝCH ROVNIC Pojm: Algebraická rovnice... rovnice obsahující pouze celé nezáporné mocnin neznámé, tj. a n n + a n 1 n 1 +... + a 2 2 + a 1 + a 0 = 0, kde n je přirozené číslo.
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
VíceMatematika I A ukázkový test 1 pro 2014/2015
Matematika I A ukázkový test 1 pro 2014/2015 1. Je dána soustava rovnic s parametrem a R x y + z = 1 x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a a) Napište Frobeniovu větu (existence i počet řešení). b)
VíceNáhodné veličiny jsou nekorelované, neexistuje mezi nimi korelační vztah. Když jsou X; Y nekorelované, nemusí být nezávislé.
1. Korelační analýza V životě většinou nesledujeme pouze jeden statistický znak. Sledujeme více statistických znaků zároveň. Kromě vlastností statistických znaků nás zajímá také jejich těsnost (velikost,
VíceCVIČNÝ TEST 9 OBSAH. Mgr. Václav Zemek. I. Cvičný test 2 II. Autorské řešení 5 III. Klíč 17 IV. Záznamový list 19
CVIČNÝ TEST 9 Mgr. Václav Zemek OBSAH I. Cvičný test 2 II. Autorské řešení 5 III. Klíč 17 IV. Záznamový list 19 I. CVIČNÝ TEST 1 Vypočítejte (7,5 10 3 2 10 2 ) 2. Výsledek zapište ve tvaru a 10 n, kde
VíceNejdřív spočítáme jeden příklad na variaci konstant pro lineární diferenciální rovnici 2. řádu s kostantními koeficienty. y + y = 4 sin t.
1 Variace konstanty Nejdřív spočítáme jeden příklad na variaci konstant pro lineární diferenciální rovnici 2. řádu s kostantními koeficienty. Příklad 1 Najděte obecné řešení rovnice: y + y = 4 sin t. Co
VíceKOMPLEXNÍ ČÍSLA INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky
KOMPLEXNÍ ČÍSLA Gymnázium Jiřího Wolkera v Prostějově Výukové materiály z matematiky pro vyšší gymnázia Autoři projektu Student na prahu 21. století - využití ICT ve vyučování matematiky na gymnáziu INVESTICE
VíceMATURITNÍ TÉMATA Z MATEMATIKY
MATURITNÍ TÉMATA Z MATEMATIKY 1. Základní poznatky z logiky a teorie množin Pojem konstanty a proměnné. Obor proměnné. Pojem výroku a jeho pravdivostní hodnota. Operace s výroky, složené výroky, logické
Vícematiceteorie 1. Matice A je typu 2 4, matice B je typu 4 3. Jakých rozměrů musí být matice X, aby se dala provést
Úlohy k zamyšlení 1. Zdůvodněte, proč třetí řádek Hornerova schématu pro vyhodnocení polynomu p v bodě c obsahuje koeficienty polynomu r, pro který platí p(x) = (x c) r(x) + p(c). 2. Dokažte, že pokud
VíceCVIČNÝ TEST 2. OBSAH I. Cvičný test 2. Mgr. Václav Zemek. II. Autorské řešení 6 III. Klíč 15 IV. Záznamový list 17
CVIČNÝ TEST 2 Mgr. Václav Zemek OBSAH I. Cvičný test 2 II. Autorské řešení 6 III. Klíč 15 IV. Záznamový list 17 I. CVIČNÝ TEST 1 Od součtu libovolného čísla x a čísla 256 odečtěte číslo x zmenšené o 256.
VíceJiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Výsledky některých náhodných pokusů jsou přímo vyjádřeny číselně (např. při hodu kostkou padne 6). Náhodnou veličinou
VícePSK1-9. Číslicové zpracování signálů. Číslicový signál
Název školy: Autor: Anotace: PSK1-9 Vyšší odborná škola a Střední průmyslová škola, Božetěchova 3 Ing. Marek Nožka Princip funkce číslicové filtrace signálu Vzdělávací oblast: Informační a komunikační
VíceZdrojem většiny příkladů je sbírka úloh 1. cvičení ( ) 2. cvičení ( )
Příklady řešené na cvičení LA II - LS 1/13 Zdrojem většiny příkladů je sbírka úloh http://kam.mff.cuni.cz/~sbirka/ 1. cvičení (..13) 1. Rozhodněte, které z následujících operací jsou skalárním součinem
Vícex + 6 2x 8 0. (6 x 0) & (2x 8 > 0) nebo (6 x 0) & (2x 8 < 0).
Opáčko - Řešení. a) Podíl vlevo není definovaný pro x 8 = 0, a tedy dostáváme podmínku na řešení x. Jedničku převedeme na levou stranu nerovnosti, převedeme na společný jmenovatel a dostáváme Nerovnost
VícePříklad 1. Řešení 1a Máme vyšetřit lichost či sudost funkce ŘEŠENÉ PŘÍKLADY Z M1A ČÁST 3
Příklad 1 Zjistěte, zda jsou dané funkce sudé nebo liché, případně ani sudé ani liché: a) =ln b) = c) = d) =4 +1 e) =sin cos f) =sin3+ cos+ Poznámka Všechny tyto úlohy řešíme tak, že argument funkce nahradíme
VíceM - Příprava na 1. zápočtový test - třída 3SA
M - Příprava na 1. zápočtový test - třída 3SA Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz. VARIACE 1 Tento
Více