%%%%%%%%%%%% OPTIMALNI FILTRACE
 rand('twister',sum(100*clock));
 n = 100000;
 h = [1 1 1]./3;           %impulsni char-ka systemu, jehoz vystup budeme predikovat
 x = randn(1,n)-0.5;         %gaussovsky bily sum 
 
 
 %x = x_nestacionarni;
 %figure, plot(x);

 d = filter(h,1,x);          %kyzeny (desired) vystupni signal systemu
 %d = conv(x,h,'valid');
 
 N = 2;                      %rad predikcniho filtru
 x = flipdim(x,2);           %prevraceni poradi vzorku - prvnimu indexu odpovida posledni vzorek x(n)
 d = flipdim(d,2);           %prevraceni poradi vzorku - prvnimu indexu odpovida posledni vzorek d(n)
 
 
 [X,R] = corrmtx(x,N-1,'autocorrelation'); %vypocet autokorelacni matice R
 p = xcorr(x,d,N-1,'biased');%vektor vzajemnych korelaci
 delka = length(p);          %delka vektoru p: 2*(N-1)+1
 p = p(ceil(delka/2):end)';  %orezani druhe poloviny vektoru. 
                             %index ceil(delka/2) odpovida vzajemne korelaci s nulovym zpozdenim. 
                             %index end odpovida zpozdeni N-1
                             
 %w=R\p                      %vypocet vah optimalniho predikcniho filtru
 w=inv(R)*p                            %totez jako w=inv(R)*p;