>> n=4;					%zadefinujeme n
>> format rat				%format rat
>> A=ones(2*n);				%jednotkova matica (2nx2n)
>> Q=[1:n;ones(n-1,n)]			%pomocna matica prvy riadok 1-n zvysok jednotky
>> P=cumsum(Q).^-1			%kumulativny sucet umocneny na -1= dostaneme zlomky
>> A(2:2:end,1:2:end)=P			%na parne riadky a neparne stlpce vlozi prvky P
>> A(1:2:end,2:2:end)=P			%na neparne riadky a parne stlpce vlozi prvky P
>> f=n*n;				%fibbonaciho postupnosti zadefinujeme si maximalnu hodnotu do ktorej postupnost pocitame
>> u=ones(f,1);				%matica jednotiek
>> u(1)=1;				%prvy prvok 1
>> u(2)=1;				%druhy prvok 1
>> for i=3:f				%pre vyssie prvky ako 3
>> u(i)=u(i-1)+u(i-2);			%ity prvok je sucet predchadzajucich dvoch prvkov
>> end					%koniec cyklu
>> M=reshape(u,n,n);			%vrati maticu n*n ktora obsahuje prvky vektora u
>> M=flipud(rot90(M));			%otoci a vymeni strany aby sedeli cisla
>> A(1:2:end,1:2:end)=M;		%na neparne riadky a neparne miesta vlozi prvky matice M
>> A(2:2:end,2:2:end)=M			%na parne riadky a neparne miesta vlozi prvky matice M

>> dataV=[161 164 164 164 167 168 169 171 173 175 175 176 177 178 178 180 180 181 181 182 183 184 184 185 186 188 190 193 197 198];  %definicia datoveho suboru
>> dataH=[67 68 68 70 71 73 74 74 75 77 77 78 78 78 80 80 80 80 81 83 84 85 86 86 88 91 92 95 97 100];                               %definicia datoveho suboru
>> avg=mean(dataH); 				  %priemer dataH
>> x=round(randn(1,5000)*5+avg);		  %vytvori vektor nahodnych 5000 prvkov podla normalneho(gaussovho) rozdeleni
>> hist(x)                          	      	  %nakrelsi histogram
>> [p k]=hist(x)                    	     	  %vypise hodnoty p=pocetnosti suboru v jednotlivych triedach    k=stredy tried
>> Sxy=cov(dataV,dataH,1);                        %kovariancia
>> Sxx=cov(dataV,1);                              %variancia dataV
>> Syy=cov(dataH,1);                              %variancia dataH     
>> kkoef=Sxy(1,2)/sqrt(Sxx*Syy);                  %korelacny koeficient