ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Výpočet nejistot metodou Monte carlo ˇ Mgr. Martin Šíra, Ph.D. (CMI, Brno) cˇ erven 2012
ˇ Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpoˇctem Ceské republiky. – p. 1
Výpočty nejistot V metrologii jsou převážně používány dvě metody: GUM Uncertainty Framework (GUF) dokument Guide to the Expression of Uncertainty in Measurement (GUM), 1995 Metoda Monte Carlo dokument Evaluation of measurement dat – Suplement 1 to the "Guide to the expression of uncertainty in measurement"– Propagation of distributions using a Monte Carlo method, 2008
dokumenty online http://www.bipm.org/en/publications/guides/gum.html
– p. 2
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
schéma metody GUF
– p. 3
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
vzorce v metodě GUF standardní nejistoty:
u 2 (x
i) =
1 n(n−1)
u 2 (xi ) = a2 /3, u 2 (xi ) = a2 /6, . . .
P
2, (q − q) i i
– p. 4
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
vzorce v metodě GUF standardní nejistoty:
u 2 (x
i) =
1 n(n−1)
u 2 (xi ) = a2 /3, u 2 (xi ) = a2 /6, . . . ∂f ∂xi .
P
2, (q − q) i i
= i ci2 u 2 (xi ). citlivostní koeficienty: ci = P P 1 ∂ 2 f 2 ∂f ∂ 3 f 2 (x )u 2 (x ) + u 2 i j j i 2 ∂xi ∂xj ∂xi ∂xi ∂x u 2 (y )
P
j
– p. 4
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
vzorce v metodě GUF standardní nejistoty:
u 2 (x
i) =
1 n(n−1)
u 2 (xi ) = a2 /3, u 2 (xi ) = a2 /6, . . . ∂f ∂xi .
P
2, (q − q) i i
= i ci2 u 2 (xi ). citlivostní koeficienty: ci = P P 1 ∂ 2 f 2 ∂f ∂ 3 f 2 (x )u 2 (x ) + u 2 i j j i 2 ∂xi ∂xj ∂xi ∂xi ∂x u 2 (y )
P
j
korelované vstupní veličiny: 2
P P i
∂f ∂f j ∂xi ∂xj u(xi , xj )
– p. 4
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
vzorce v metodě GUF standardní nejistoty:
u 2 (x
i) =
1 n(n−1)
u 2 (xi ) = a2 /3, u 2 (xi ) = a2 /6, . . . ∂f ∂xi .
P
2, (q − q) i i
= i ci2 u 2 (xi ). citlivostní koeficienty: ci = P P 1 ∂ 2 f 2 ∂f ∂ 3 f 2 (x )u 2 (x ) + u 2 i j j i 2 ∂xi ∂xj ∂xi ∂xi ∂x u 2 (y )
P
j
korelované vstupní veličiny: 2
P P
efektivní stupeň volnosti: νeff =
i
∂f ∂f j ∂xi ∂xj u(xi , xj )
uc4 (y ) P ui4 (y ) i
νi
– p. 4
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
vzorce v metodě GUF standardní nejistoty:
u 2 (x
i) =
1 n(n−1)
u 2 (xi ) = a2 /3, u 2 (xi ) = a2 /6, . . . ∂f ∂xi .
P
2, (q − q) i i
= i ci2 u 2 (xi ). citlivostní koeficienty: ci = P P 1 ∂ 2 f 2 ∂f ∂ 3 f 2 (x )u 2 (x ) + u 2 i j j i 2 ∂xi ∂xj ∂xi ∂xi ∂x u 2 (y )
P
j
korelované vstupní veličiny: 2
P P i
efektivní stupeň volnosti: νeff =
uc4 (y ) P ui4 (y ) i
koeficient pokrytí: 1 − α = p = 1 − 2α
R t1−α
− inf
∂f ∂f j ∂xi ∂xj u(xi , xj )
νi
f (t, νeff )dt, k = tp ,
– p. 4
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
vzorce v metodě GUF standardní nejistoty:
u 2 (x
i) =
1 n(n−1)
u 2 (xi ) = a2 /3, u 2 (xi ) = a2 /6, . . . ∂f ∂xi .
P
2, (q − q) i i
= i ci2 u 2 (xi ). citlivostní koeficienty: ci = P P 1 ∂ 2 f 2 ∂f ∂ 3 f 2 (x )u 2 (x ) + u 2 i j j i 2 ∂xi ∂xj ∂xi ∂xi ∂x u 2 (y )
P
j
korelované vstupní veličiny: 2
P P i
efektivní stupeň volnosti: νeff =
uc4 (y ) P ui4 (y ) i
koeficient pokrytí: 1 − α = p = 1 − 2α
R t1−α
− inf
∂f ∂f j ∂xi ∂xj u(xi , xj )
νi
f (t, νeff )dt, k = tp ,
rozšířená nejistota: U = kuc (y ), Y − U ≤ Y ′ ≥ Y + U – p. 4
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
vzorce v metodě GUF standardní nejistoty:
u 2 (x
i) =
1 n(n−1)
P
2, (q − q) i i
Z Z u 2 (x ) = a2 /3, u 2 (x ) = a2 /6, . . . i Z i P Z ∂f 2 u 2 (x ). 2 (y ) = Z c . u citlivostní koeficienty: c = i i i i ∂xi Z Z 2 P P 1Z ∂ 2 f ∂ 3 f ∂f 2 (x )u 2 (x ) + u 2 Z i j j i 2 ∂xi ∂xj ∂xi ∂xi ∂xj Z Z P P ∂f ∂f Z korelované vstupní veličiny: 2 i j ∂xi ∂xj u(xi , xj ) ZZ Z uc4 (y ) Z efektivní stupeň volnosti: νeff = P u4 (y ) Z i i Z νi R t1−αZZ koeficient pokrytí: 1 − α = − inf f (t, Z νeff )dt, k = tp , Z p = 1 − 2α Z Z rozšířená nejistota: U = kuc (y ), Y − U ≤ YZ′Z≥ Y + U
KOMPLIKOVANÉ(?)
– p. 4
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Metoda Monte Carlo
třída algorimtů pro simulaci systémů
– p. 5
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Metoda Monte Carlo
třída algorimtů pro simulaci systémů opakované náhodné vzorkování pro simulaci náhodných dějů
– p. 5
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Metoda Monte Carlo
třída algorimtů pro simulaci systémů opakované náhodné vzorkování pro simulaci náhodných dějů využití:
– p. 5
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Metoda Monte Carlo
třída algorimtů pro simulaci systémů opakované náhodné vzorkování pro simulaci náhodných dějů využití: ◮ řešení diferenciálních rovnic
– p. 5
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Metoda Monte Carlo
třída algorimtů pro simulaci systémů opakované náhodné vzorkování pro simulaci náhodných dějů využití: ◮ řešení diferenciálních rovnic ◮ počítání určitých integrálů
– p. 5
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Metoda Monte Carlo
třída algorimtů pro simulaci systémů opakované náhodné vzorkování pro simulaci náhodných dějů využití: ◮ řešení diferenciálních rovnic ◮ počítání určitých integrálů ◮ simulace experimentů, převážně:
– p. 5
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Metoda Monte Carlo
třída algorimtů pro simulaci systémů opakované náhodné vzorkování pro simulaci náhodných dějů využití: ◮ řešení diferenciálních rovnic ◮ počítání určitých integrálů ◮ simulace experimentů, převážně: štěpné reakce
– p. 5
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Metoda Monte Carlo
třída algorimtů pro simulaci systémů opakované náhodné vzorkování pro simulaci náhodných dějů využití: ◮ řešení diferenciálních rovnic ◮ počítání určitých integrálů ◮ simulace experimentů, převážně: štěpné reakce difuze plynů
– p. 5
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Metoda Monte Carlo
třída algorimtů pro simulaci systémů opakované náhodné vzorkování pro simulaci náhodných dějů využití: ◮ řešení diferenciálních rovnic ◮ počítání určitých integrálů ◮ simulace experimentů, převážně: štěpné reakce difuze plynů proudění tekutin
– p. 5
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Metoda Monte Carlo
třída algorimtů pro simulaci systémů opakované náhodné vzorkování pro simulaci náhodných dějů využití: ◮ řešení diferenciálních rovnic ◮ počítání určitých integrálů ◮ simulace experimentů, převážně: štěpné reakce difuze plynů proudění tekutin ˇ nejistot ◮ výpocet
– p. 5
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
historie MMC
vyvinuli John von Neumann, Stanislaw Ulam a Nicholas Metropolis 1940 v Los Alamos během vývoje atomové bomby
– p. 6
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
historie MMC
vyvinuli John von Neumann, Stanislaw Ulam a Nicholas Metropolis 1940 v Los Alamos během vývoje atomové bomby Ulam měl myšlenku používání náhodných čísel
– p. 6
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
historie MMC
vyvinuli John von Neumann, Stanislaw Ulam a Nicholas Metropolis 1940 v Los Alamos během vývoje atomové bomby Ulam měl myšlenku používání náhodných čísel von Neumann použil generování náhodných čísel místo seznamu náhodných čísel
– p. 6
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
historie MMC
vyvinuli John von Neumann, Stanislaw Ulam a Nicholas Metropolis 1940 v Los Alamos během vývoje atomové bomby Ulam měl myšlenku používání náhodných čísel von Neumann použil generování náhodných čísel místo seznamu náhodných čísel Metropolis vypracoval algorithmy
– p. 6
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
historie MMC
vyvinuli John von Neumann, Stanislaw Ulam a Nicholas Metropolis 1940 v Los Alamos během vývoje atomové bomby Ulam měl myšlenku používání náhodných čísel von Neumann použil generování náhodných čísel místo seznamu náhodných čísel Metropolis vypracoval algorithmy pojmenováno po městě Monte Carlo, kde Ulamův strýc často prohrálval v kasinu
– p. 6
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Monte Carlo, Monako
Autor fotografie: Joseph Plotz
– p. 7
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Příklad použití MMC Výpočet Ludolfova čísla: π = 3, 14159 . . . 1
0.5
0 -1
-0.5
0 -0.5
-1
0.5
1
Obsah kruhu: Obsah čtverce: Počet bodů: Počet bodů v kruhu:
S1 = πr 2 S2 = r 2 N M
S1 M M πr 2 ⇒π= = 2 = S2 r N N
– p. 8
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Průběh výpočtu π 1 0.8 0.6
10:
0.4 0.2 0 0
0.2
0.4
0.6
0.8
1
– p. 9
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Průběh výpočtu π
10:
1
1
0.8
0.8
0.6
0.6
100:
0.4 0.2
0.4 0.2
0
0 0
0.2
0.4
0.6
0.8
1
0
0.2
0.4
0.6
0.8
1
– p. 9
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Průběh výpočtu π
10:
1
1
0.8
0.8
0.6
0.6
100:
0.4 0.2
0.4 0.2
0
0 0
0.2
0.4
0.6
0.8
1
0
0.2
0.4
0.6
0.8
1
0
0.2
0.4
0.6
0.8
1
1 0.8 0.6
1000:
0.4 0.2 0
– p. 9
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Průběh výpočtu π
10:
1
1
0.8
0.8
0.6
0.6
100:
0.4 0.2
0.2
0
0 0
1000:
0.4
0.2
0.4
0.6
0.8
1
1
1
0.8
0.8
0.6
0.6
10000:
0.4
0.2
0
0
0.2
0.4
0.6
0.8
1
0.2
0.4
0.6
0.8
1
0
0.2
0.4
0.6
0.8
1
0.4
0.2 0
0
– p. 9
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Výsledek výpočtu π MMC 3.2 3.1 3 2.9 2.8 2.7 2.6 2.5 2.4 2.3 10
100
1000
10000
100000
1e+06
Zvýšením řádu opakování získáme obvykle jednu cifru π. (Moderní iterační metody přidají 5 cifer π každým výpočetním krokem.)
– p. 10
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Čísla musí být náhodná
1
0.5
0 -1
-0.5
0
0.5
1
100 π 6= =1 100
-0.5
-1
– p. 11
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Proč ne pravidelné rozložení čísel? Hra lodě: hrací pole:
hrací pole:
– p. 12
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Proč ne pravidelné rozložení čísel? Hra lodě: pravidená střelba:
náhodná střelba:
– p. 12
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Proč ne pravidelné rozložení čísel? Hra lodě: žádný zásah
čtyři zásahy!
– p. 12
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Nejistoty metodou Monte Carlo
Postup: vytvoření matematického modelu děje
– p. 13
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Nejistoty metodou Monte Carlo
Postup: vytvoření matematického modelu děje určení hustot pravděpodobnosti vstupních veličin
– p. 13
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Nejistoty metodou Monte Carlo
Postup: vytvoření matematického modelu děje určení hustot pravděpodobnosti vstupních veličin provedení dostatečného počtu simulací
– p. 13
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Nejistoty metodou Monte Carlo
Postup: vytvoření matematického modelu děje určení hustot pravděpodobnosti vstupních veličin provedení dostatečného počtu simulací zpracování výpočetních hodnot stochastickými metodami
– p. 13
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Nejistoty metodou Monte Carlo
Postup: vytvoření matematického modelu děje určení hustot pravděpodobnosti vstupních veličin provedení dostatečného počtu simulací zpracování výpočetních hodnot stochastickými metodami určení nejpravděpodobnější hodnoty a nejistoty
– p. 13
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Jednoduchý příklad matematický model: Y = A + B
– p. 14
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Jednoduchý příklad matematický model: Y = A + B hodnoty: A = B = 0.5
– p. 14
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Jednoduchý příklad matematický model: Y = A + B hodnoty: A = B = 0.5 nejistoty: u(A) = u(B) = 0.5, normální rozdělení
– p. 14
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Jednoduchý příklad matematický model: Y = A + B hodnoty: A = B = 0.5 nejistoty: u(A) = u(B) = 0.5, normální rozdělení
Y =
1
0
0,5
1
+ 0
0,5
– p. 14
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Jednoduchý příklad – výpočet A1 = 0, 8 1, ⇒ Y = 1, 3 B1 = 0, 5
Histogram:
0
1
– p. 15
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Jednoduchý příklad – výpočet A1 = 0, 8 1, ⇒ Y = 1, 3 B1 = 0, 5
Histogram:
A2 = 0, 34 2, ⇒ Y = 0, 54 B2 = 0, 1
0
1
– p. 16
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Jednoduchý příklad – výpočet A1 = 0, 8 1, ⇒ Y = 1, 3 B1 = 0, 5
Histogram:
A2 = 0, 34 2, ⇒ Y = 0, 54 B2 = 0, 1 A3 = 0, 07 3, ⇒ Y = 1, 3 B3 = 1, 23 0
1
– p. 17
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Jednoduchý příklad – výpočet A1 = 0, 8 1, ⇒ Y = 1, 3 B1 = 0, 5
Histogram:
A2 = 0, 34 2, ⇒ Y = 0, 54 B2 = 0, 1 A3 = 0, 07 3, ⇒ Y = 1, 3 B3 = 1, 23 ... 106 ,
A = 0, 11 ⇒ Y106 = 0, 52 B106 = 0, 42 106
0
1
– p. 18
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Jednoduchý příklad – výpočet A1 = 0, 8 1, ⇒ Y = 1, 3 B1 = 0, 5
Histogram:
A2 = 0, 34 2, ⇒ Y = 0, 54 B2 = 0, 1 A3 = 0, 07 3, ⇒ Y = 1, 3 B3 = 1, 23 ... 106 ,
A = 0, 11 ⇒ Y106 = 0, 52 B106 = 0, 42 106
0
1
– p. 19
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Určení nejistoty Nejistota: pravá hodnota Y se nachází v daném intervalu s nejistotou p. Určení nejistoty odpovídá nalezení plochy pod křivkou odpovídající p z celkové plochy křivky.
– p. 20
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Určení nejistoty Nejistota: pravá hodnota Y se nachází v daném intervalu s nejistotou p. Určení nejistoty odpovídá nalezení plochy pod křivkou odpovídající p z celkové plochy křivky. 68,27% plochy 15,87% plochy
15,87% plochy
-u
+u
– p. 20
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Určení nejistoty Nejistota: pravá hodnota Y se nachází v daném intervalu s nejistotou p. Určení nejistoty odpovídá nalezení plochy pod křivkou odpovídající p z celkové plochy křivky. 95,45% plochy 2,28% plochy
-U
2,28% plochy
+U
– p. 20
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
schéma metody Monte Carlo
– p. 21
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
GUF vs MMC x1, u(x1)
GUF
x2, u(x2)
Y = f (X )
y, u(y)
x3, u(x3)
gX 1 (ξ1)
MMC Y = f (X )
gX 2 (ξ2)
gY (η)
gX 3 (ξ3)
– p. 22
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
výhody a nevýhody MMC
Lze počítat i s kompikovanými rozděleními a komplexními čísly.
– p. 23
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
výhody a nevýhody MMC
Lze počítat i s kompikovanými rozděleními a komplexními čísly. Je třeba mít generátor náhodných čísel a vhodný software.
– p. 23
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
výhody a nevýhody MMC
Lze počítat i s kompikovanými rozděleními a komplexními čísly. Je třeba mít generátor náhodných čísel a vhodný software. Není třeba derivovat.
– p. 23
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
výhody a nevýhody MMC
Lze počítat i s kompikovanými rozděleními a komplexními čísly. Je třeba mít generátor náhodných čísel a vhodný software. Není třeba derivovat. Nelze počítat na papíře.
– p. 23
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
výhody a nevýhody MMC
Lze počítat i s kompikovanými rozděleními a komplexními čísly. Je třeba mít generátor náhodných čísel a vhodný software. Není třeba derivovat. Nelze počítat na papíře. Není třeba odhadovat a počítat stupně volnosti.
– p. 23
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
složitý příklad – ukázka chyby GUF Guide to the Expression of Uncertainty in Measurements, Annex H, příklad koncových měrek:
– p. 24
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
složitý příklad – ukázka chyby GUF
Guide to the Expression of Uncertainty in Measurements, Annex H příklad koncových měrek GUF:
δL = (838 ± 62) nm, k = 2, t-rozdělení, p = 95, 45%
– p. 25
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
složitý příklad – ukázka chyby GUF
Guide to the Expression of Uncertainty in Measurements, Annex H příklad koncových měrek GUF:
δL = (838 ± 62) nm, k = 2, t-rozdělení, p = 95, 45% MMC:
δL = (838 ± 67) nm, p = 95, 45%, 53 × 104 opakování
– p. 25
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
kdy použít MMC?
když vstupní veličiy mají "divoká rozdělení"
– p. 26
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
kdy použít MMC?
když vstupní veličiy mají "divoká rozdělení" když citlivostní koeficienty jsou nulové
– p. 26
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
kdy použít MMC?
když vstupní veličiy mají "divoká rozdělení" když citlivostní koeficienty jsou nulové když zvítězí lenost derivovat
– p. 26
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Centrální limitní věta Velké množství libovolných vstupních rozdělení dá výsledné normální rozdělení.
– p. 27
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
software pro MMC
Obecné programy:
Matlab ($), Octave, R, . . .
– p. 28
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
software pro MMC
Obecné programy:
Matlab ($), Octave, R, . . . Specializované programy:
Gum Workbench Pro, Qualisyst QMSys GUM Professinal, OpenBugs.
– p. 28
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
software pro MMC
Obecné programy:
Matlab ($), Octave, R, . . . Specializované programy:
Gum Workbench Pro, Qualisyst QMSys GUM Professinal, OpenBugs. Nevhodné programy:
Excel 2000, 2003, skriptovací jazyk VBA v Excelu 2007, (Excel 2010?)
– p. 28
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ
Děkuji za pozornost
– p. 29
ˇ INVESTICE DO ROZVOJE VZDELÁVÁNÍ