diff --git a/Task 3/Assignment_3_eng.pdf b/Task 3/Assignment_3_eng.pdf
new file mode 100644
index 0000000..ed98b52
Binary files /dev/null and b/Task 3/Assignment_3_eng.pdf differ
diff --git a/Task 3/Assignment_3_ru.pdf b/Task 3/Assignment_3_ru.pdf
new file mode 100644
index 0000000..8c1d35f
Binary files /dev/null and b/Task 3/Assignment_3_ru.pdf differ
diff --git a/Task 3/tex/Assignment_3_eng.tex b/Task 3/tex/Assignment_3_eng.tex
new file mode 100644
index 0000000..745fef0
--- /dev/null
+++ b/Task 3/tex/Assignment_3_eng.tex	
@@ -0,0 +1,123 @@
+\documentclass{article}
+\usepackage[utf8]{inputenc}
+\usepackage{biblatex}
+\addbibresource{library.bib} 
+\usepackage{listings}
+\usepackage{amssymb}
+\usepackage{graphicx,amsmath}
+\newcommand{\norm}[1]{\left\lVert#1\right\rVert}
+\usepackage{hyperref}
+\hypersetup{
+    colorlinks=true,
+    linkcolor=blue,
+    filecolor=magenta,      
+    urlcolor=cyan,
+    pdftitle={Overleaf Example},
+    pdfpagemode=FullScreen,
+    }
+
+\title{Numerical Methods: Lecture 3. Projectors. Least squares problem. QR factorization.}
+\author{Konstantin Tikhonov}
+
+\begin{document}
+
+\maketitle
+
+\section{Suggested Reading}
+
+\begin{itemize}
+\item Lectures 6-8, 10-11 of \cite{trefethen1997numerical}
+\item Lecture 8 of \cite{tyrtyshnikov2012brief}
+\end{itemize}
+
+\section{Exercises}
+
+Deadline: 4 Nov
+
+\begin{enumerate}
+
+\item (3) Consider the matrices:
+$$
+A=\quad\begin{bmatrix}
+1 & 0\\
+0 & 1\\
+1 & 0
+\end{bmatrix},\quad
+B=\quad\begin{bmatrix}
+1 & 2\\
+0 & 1\\
+1 & 0
+\end{bmatrix}.
+$$
+\begin{itemize}
+\item Derive orthogonal projectors on $\mathrm{range}(A)$ and $\mathrm{range}(B)$.
+\item Derive (on a piece of paper) QR decomposition of matrices $A$ and $B$.
+\end{itemize}
+
+\item (5) 
+Consider a particle of unit mass, which is prepared at $t=0$ at $x=0$ at rest $v=0$. The particle is exposed to piece--wise constant external force $f_i$ at $i-1< t \le i$, with $i=1,2,...,10$. Let $a=(x(t=10),v(t=10))$ be a vector composed of coordinate and velocity of a particle at $t=10$.  Derive the matrix $A$ such that $a=Af$ (note that $A$ is of a shape $2\times 10$). Using (a numerical) SVD decomposition, evaluate $f$ of minimal norm such that $a=(1,0)$.
+
+\item (5) Consider the function $f(x) = 10 \sin(x)$. Generate a dataset $D$ that will consist
+of $n = 7$ points drawn as follows. For each point randomly draw $x_i$ uniformly in $[0,6]$ and define $y_i = f(x_i) + \epsilon_i$,
+where $\epsilon_i$ are iid standard gaussian random numbers. Generate a sample dataset from this distribution, plot it together with the true function $f(x)$. Fit a linear $l(x) = w_0 + w_1x $ and a cubic $c(x) = w_0 + w_1x + w_2x^2 + w_3x^3$ models to D. Plot those models together with the dataset $D$.
+
+\item (7) Download the \href{https://www.dropbox.com/s/qgz1x67t10fd7hf/data.npz?dl=0}{file} with matrices $A$ and $C$ (an image and a filter). Open it as follows: \lstset{language=Python}
+\lstset{frame=lines}
+\lstset{label={lst:code_direct}}
+\lstset{basicstyle=\ttfamily}
+\begin{lstlisting}
+with np.load('data.npz') as data:
+    A, C = data['A'], data['C']
+\end{lstlisting}
+It is convenient to order the matrix $A$ into a column vector $a$:
+\lstset{language=Python}
+\lstset{frame=lines}
+\lstset{label={lst:code_direct}}
+\lstset{basicstyle=\ttfamily}
+\begin{lstlisting}
+def mat2vec(A):
+    A = np.flipud(A)
+    a = np.reshape(A, np.prod(A.shape))
+    return a
+\end{lstlisting}
+with inverse transform, from vector $a$ to matrix $A$ given by
+\lstset{language=Python}
+\lstset{frame=lines}
+\lstset{label={lst:code_direct}}
+\lstset{basicstyle=\ttfamily}
+\begin{lstlisting}
+def vec2mat(a, shape):
+    A = np.reshape(a, shape)
+    A = np.flipud(A)
+    return A
+\end{lstlisting}
+The image, stored in the matrix $A$ is obtained from certain original image $A_0$ via convoluting it with the filter $C$ and adding some noise. The filter $C$ blurs an image, simultaneously increasing its size from $16\times 51$ to $25\times 60$. With the use of associated vectors $a$ and $a_0$, one may write
+$$
+a_0\to a = C a_0 + \epsilon,
+$$
+where $\epsilon$ is a vector of iid Gaussian random numbers. Your task will be to recover an original image $A_0$, being supplied by the image $A$ and the filter $C$.
+\begin{itemize}
+\item Plot the image $A$.
+\item Explore how the filter $C$ acts on images.
+\item A naive way to recover $A_0$ from $A$ would be to solve $a = C a_0$ for $a_0$. Is this system under-- or over--determined? Using SVD of the filter matrix $C$, evaluate $a_0$ and plot the corresponding $A_0$.
+\item In order to improve the result, consider keeping certain fraction of singular values of $C$. Choose a value delivering the best recovery quality.
+\end{itemize}
+\item (7) Consider the problem
+$$
+\mathrm{minimize\quad}\Vert Ax-b \Vert_2 \mathrm{\quad subject\;to\quad}Cx=0\mathrm{\quad with\;respect\;to\quad}x.
+$$
+Using the method of Lagrange multipliers, and assuming $A^TA$ to be invertible, derive explicit expression for optimal $x$.
+
+\item (20) Here we will consider the problem of localization of points in a 2D plane. Consider $n$ points, for which we have the \emph{approximate} locations $r_i=\left(x_i, y_i\right)$. We measure $k$ angles between certain points: $\theta_{ijk}=\angle(r_k-r_i, r_j-r_i)$. Our goal is to use the results of the measurements to improve the estimation of the locations $r_i$. 
+
+To be specific, consider $n=3$ points, for which we have approximate locations $r_1=(-1,0),\;r_2=(0, 1),\;r_3=(1,0)$ and $k=1$ measurement $\theta_{123}=9\pi/40$. Clearly, our estimates $r_{1,2,3}$ are not consistent with the measured angle and we have to adjust the estimate: $r_i\to \bar{r}_i= r_i+dr_i$ where $dr_i$ should be found from the condition 
+$$
+(\bar{r}_3-\bar{r}_1)\cdot(\bar{r}_3-\bar{r}_1) = |\bar{r}_3-\bar{r}_1||\bar{r}_3-\bar{r}_1|\cos\theta_{123},
+$$
+which can be linearized in $dr_i$, assuming this correction will end up small. In this approach, one constructs a single (in general, $k$) equation for six (in general, $2n$) variables, so the system will typically by overdetermined. We can consider this system in the least squares sense, which amounts to determining the smallest correction to all $r_i$ which makes the updated locations consistent with observations. In the particular numerical example above, one may find $dr_1=(-h, 0),\;dr_2=(h, -h),\; dr_3=(0, h)$ where $h=\pi/80\approx 0.04$. 
+
+Your task is to write the code, which will accept the current estimate of the positions $r_i$ ($n\times 2$, float) and measurement results $\theta_{ijk}$, which are specified by i) indices of points ($k\times 3$, int) and ii) angles ($k$, float); and will output the derived correction to the point positions $dr_i$ ($n\times 2$, float). You can use the numerical example in this exercise to test your code.
+
+\end{enumerate}
+\printbibliography
+\end{document}
diff --git a/Task 3/tex/Assignment_3_ru.tex b/Task 3/tex/Assignment_3_ru.tex
new file mode 100644
index 0000000..832aa5d
--- /dev/null
+++ b/Task 3/tex/Assignment_3_ru.tex	
@@ -0,0 +1,162 @@
+\documentclass[prb, notitlepage, aps, 11pt]{revtex4-2}%
+\usepackage[utf8]{inputenc}
+\usepackage[T2A]{fontenc}
+\usepackage[english, russian]{babel}
+%\usepackage{listings}
+\usepackage{amssymb}
+\usepackage{graphicx,amsmath}
+\usepackage{enumitem}
+\usepackage{nicefrac}
+\usepackage{amsmath}
+\usepackage{graphicx}
+\usepackage{amsfonts}
+\usepackage{comment}
+\usepackage{bm}
+\usepackage{delimset}
+\usepackage[pdftitle = a]{hyperref}
+\usepackage{datetime}
+\usepackage{minted}
+\usemintedstyle{friendly}
+\usepackage[a]{esvect}
+\hypersetup{
+    colorlinks=true,
+    linkcolor=blue,
+    filecolor=magenta,
+    urlcolor=cyan,
+    pdfpagemode=FullScreen,
+}
+\usepackage{microtype}
+
+\newcommand{\framesep}{0.6em}
+\BeforeBeginEnvironment{minted}{\vspace{-1.6em}}
+\AfterEndEnvironment{minted}{\vspace{-0.5em}}
+
+\begin{document}
+
+\begin{center}
+    версия от \today \quad \currenttime
+\end{center}
+
+\title{\texorpdfstring{
+    Численные методы, осень 2022\\
+    Задание 3 [Проекторы. Задача наименьших квадратов. QR-разложение.] \\
+    Всего баллов: 47 \ Срок сдачи: 4 ноября
+    }{}
+}
+
+\maketitle
+
+\section*{Рекомендованная литература}
+
+\begin{itemize}
+\item Лекции 6--8, 10--11 из \cite{trefethen1997numerical}
+\item Лекция 8 из \cite{tyrtyshnikov2012brief}
+\end{itemize}
+
+\section*{Упражнения}
+
+\begin{enumerate}
+
+\item (3) Даны матрицы:
+$$
+A=\quad\begin{bmatrix}
+1 & 0\\
+0 & 1\\
+1 & 0
+\end{bmatrix},\quad
+B=\quad\begin{bmatrix}
+1 & 2\\
+0 & 1\\
+1 & 0
+\end{bmatrix}
+$$
+\begin{itemize}
+\item Получите ортогональные проекторы на пространства $\operatorname{colsp}(A)$ и $\operatorname{colsp}(B)$.
+\item Вычислите (вручную) QR-разложения матриц $A$ and $B$.
+\end{itemize}
+
+\item (5) 
+Частица единичной массы в начальный момент времени покоится в точке $x = 0$. Затем она подвергается воздействию кусочно-постоянной внешней силы $f_i \;\; (i = 1 \ldots 10)$.
+Пусть $a = \eval{(x,\: v)}_{t=10}$ --- вектор, состоящий из координаты и скорости частицы в конечный момент времени. Найдите матрицу $A$ такую, что $a = Af$. Заметьте, что она будет иметь размер $2\times 10$. С помощью SVD-разложения численно найдите вектор $f$ наименьшей нормы, при котором $a = (1,\, 0)$.
+
+\item (5) 
+Создайте датасет следующим образом: выберите $n = 7$ точек $x_i$ из равномерного распределения на отрезке $[0,\,6]$. Затем вычислите $y_i = f(x_i) + \epsilon_i$, где $f(x) = 10 \sin(x)$, а $\epsilon_i$~---~независимые стандартные нормальные случайные величины. Изобразите на одном графике точки датасета и функцию $f$.
+
+Аппроксимируйте датасет с помощью линейной $l(x) = w_0 + w_1 x$ и кубической $c(x) = w_0 + w_1x + w_2x^2 + w_3x^3$ функций. Изобразите на одном графике получившиеся функции и исходный датасет.
+
+%\pagebreak
+
+\item (7) 
+Загрузите \href{https://www.dropbox.com/s/qgz1x67t10fd7hf/data.npz?dl=0}{файл} с матрицами $A$ и $C$ (изображение и фильтр). Откройте его:
+
+\begin{minted}[frame = lines, framesep = \framesep]{python}
+with np.load('data.npz') as data:
+    A, C = data['A'], data['C']
+\end{minted}
+
+Матрицу $A$ полезно преобразовать в вектор $a$:
+\begin{minted}[frame = lines, framesep = \framesep]{python}
+def mat2vec(A):
+    A = np.flipud(A)
+    a = np.reshape(A, np.prod(A.shape))
+    return a
+\end{minted}
+
+Обратное преобразование из вектора $a$ в матрицу $A$:
+\begin{minted}[frame = lines, framesep = \framesep]{python}
+def vec2mat(a, shape):
+    A = np.reshape(a, shape)
+    A = np.flipud(A)
+    return A
+\end{minted}
+
+Изображение, хранящееся в матрице $A$, было получено из исходного изображения $A_0$ с помощью свёртки с фильтром $C$ и добавления шума. Записывая матрицы как векторы описанным выше способом, мы можем написать
+$$
+a_0\to a = C a_0 + \epsilon,
+$$
+где $\epsilon$ --- вектор из независимых одинаково распределённых гауссовских случайных величин.
+Фильтр $C$ размывает изображение, увеличивая при этом его размер с $16 \times 51$ до $25 \times 60$.
+Вашей задачей будет восстановить исходное изображение $A_0$ по размытому изображению $A$ и фильтру $C$.
+%
+\begin{itemize}
+    \item Постройте изображение $A$.
+
+    \item Исследуйте, как фильтр $C$ меняет изображения.
+
+    \item Наивный способ восстановить $A_0$ --- это найти $a_0$ из системы $a = Ca_0$. Является ли эта система недо- или переопределённой? Вычислите $a_0$ с помощью сингулярного разложения матрицы $C$ и постройте получившееся изображение.
+
+    \item Чтобы улучшить результат, попробуйте использовать только часть сингулярных чисел матрицы $C$. Выберите наиболее удачное количество.
+\end{itemize}
+%
+\item (7) Рассмотрим задачу оптимизации
+$$
+\min_x\, \norm!{Ax - b} \quad\text{при условии}\quad Cx = 0
+$$
+Предполагая, что матрица $A^T A$ обратима, воспользуйтесь методом множителей Лагранжа и получите выражение для точки минимума $x$.
+
+\item (20) Эта задача посвящена локализации точек на плоскости. Рассмотрим $n$ точек с \emph{неточными} координатами: $A_i = \brk{x_i,\, y_i}$. Измерим $m$ углов между некоторыми из них: $\theta_{ijk} = \angle\, A_i A_j A_k$. Наша цель --- используя результаты измерений, уточнить координаты точек.
+
+В качестве примера рассмотрим $n = 3$ точки с приближенными координатами: $A_1 = (1,\, 0),\ A_2 = (-1,\, 0),\ A_3 = (0,\, 1)$ --- и один измеренный угол $\theta_{123} = 9\pi/40$. Так как наши оценки координат не согласуются с измеренным углом, мы должны их скорректировать:
+$$
+x_i \to x_i + dx_i, \quad y_i \to y_i + dy_i,
+$$
+где $dx_i$ и $dy_i$ находятся из условия
+$$
+\vv{A_1 A}_2  \cdot \vv{A_3 A}_2 = 
+\abs{A_1 A_2} \cdot \abs{A_3 A_2} \cdot \cos(\theta_{123})
+$$
+Это условие может быть линеаризовано в предположении, что поправки окажутся малыми.
+При таком подходе мы конструируем $m = 1$ уравнений для $2n = 6$ переменных. В общем случае число измеренных углов $m$ может быть большим, и система окажется переопределённой. Но мы можем рассматривать её в смысле метода наименьших квадратов, т.е. пытаться определить наименьшие поправки к координатам, которые делали бы их согласованными с измерениями. В рассмотренном примере можно найти решение
+$$
+dr_1 = (dx_1,\, dy_1) = (0, h), \quad
+dr_2=(-h,\, 0), \quad
+dr_3=(h,\, -h), \qquad
+\text{ где } h = \pi/80 \approx 0.04
+$$
+Ваша задача --- написать код, который принимает текущие оценки координат точек $(n \times 2)$ и измеренные углы $\theta_{ijk}$ ($m$ значений и $m \times 3$ индексов). Возвращать он должен найденные поправки $(n \times 2)$.
+Вы можете использовать пример из этого упражнения, чтобы протестировать свой код.
+
+\end{enumerate}
+
+\bibliography{library.bib}
+\end{document}
diff --git a/Task 3/tex/library.bib b/Task 3/tex/library.bib
new file mode 100644
index 0000000..38f6d94
--- /dev/null
+++ b/Task 3/tex/library.bib	
@@ -0,0 +1,118 @@
+@book{trefethen1997numerical,
+  title={Numerical linear algebra},
+  author={Trefethen, Lloyd N and Bau III, David},
+  volume={50},
+  year={1997},
+  publisher={Siam}
+}
+@book{robert2013monte,
+  title={Monte Carlo statistical methods},
+  author={Robert, Christian and Casella, George},
+  year={2013},
+  publisher={Springer Science \& Business Media}
+}
+@book{murphy2012machine,
+  title={Machine learning: a probabilistic perspective},
+  author={Murphy, Kevin P},
+  year={2012},
+  publisher={MIT press}
+}
+@book{boyd2004convex,
+  title={Convex optimization},
+  author={Boyd, Stephen and Boyd, Stephen P and Vandenberghe, Lieven},
+  year={2004},
+  publisher={Cambridge university press}
+}
+@book{trefethen2019approximation,
+  title={Approximation Theory and Approximation Practice, Extended Edition},
+  author={Trefethen, Lloyd N},
+  year={2019},
+  publisher={SIAM}
+}
+@book{devroye:1986,
+  author = {Devroye, Luc},
+  date = {1986)},
+  description = {Non-Uniform Random Variate Generation},
+  keywords = {algorithms generation random simulation},
+  location = {New York},
+  publisher = {Springer-Verlag},
+  title = {Non-Uniform Random Variate Generation(originally published with},
+  year = 1986
+}
+@book{williams2006gaussian,
+  title={Gaussian processes for machine learning},
+  author={Williams, Christopher K and Rasmussen, Carl Edward},
+  volume={2},
+  number={3},
+  year={2006},
+  publisher={MIT press Cambridge, MA}
+}
+@book{hairer1993solving,
+  title={Solving ordinary differential equations. 1, Nonstiff problems},
+  author={Hairer, Ernst and N{\o}rsett, Syvert P and Wanner, Gerhard},
+  year={1993},
+  publisher={Springer-Vlg}
+}
+@book{hairer1993solving2,
+  title={Solving ordinary differential equations. 2, Stiff and differential-algebraic problems},
+  author={Hairer, Ernst and N{\o}rsett, Syvert P and Wanner, Gerhard},
+  year={1993},
+  publisher={Springer-Vlg}
+}
+@book{tyrtyshnikov2012brief,
+  title={A brief introduction to numerical analysis},
+  author={Tyrtyshnikov, Eugene E},
+  year={2012},
+  publisher={Springer Science \& Business Media}
+}
+@book{amosov2003,
+  title={Numerical Methods for Engineers},
+  author={Amosov, AA and Dubinskiy YuA and Kopchenova, NV},
+  year={2003},
+  publisher={Izdatelstvo MEI}
+}
+@article{arbenz2012lecture,
+  title={Lecture notes on solving large scale eigenvalue problems},
+  author={Arbenz, Peter and Kressner, Daniel and Z{\"u}rich, DME},
+  journal={D-MATH, EHT Zurich},
+  volume={2},
+  year={2012}
+}
+@article{trefethen1996finite,
+  title={Finite difference and spectral methods for ordinary and partial differential equations},
+  author={Trefethen, Lloyd Nicholas},
+  year={1996},
+  publisher={Cornell University-Department of Computer Science and Center for Applied~…}
+}
+@book{boyd2018introduction,
+  title={Introduction to applied linear algebra: vectors, matrices, and least squares},
+  author={Boyd, Stephen and Vandenberghe, Lieven},
+  year={2018},
+  publisher={Cambridge university press}
+}
+@article{halko2011finding,
+  title={Finding structure with randomness: Probabilistic algorithms for constructing approximate matrix decompositions},
+  author={Halko, Nathan and Martinsson, Per-Gunnar and Tropp, Joel A},
+  journal={SIAM review},
+  volume={53},
+  number={2},
+  pages={217--288},
+  year={2011},
+  publisher={SIAM}
+}
+@book{demmel1997applied,
+  title={Applied numerical linear algebra},
+  author={Demmel, James W},
+  year={1997},
+  publisher={SIAM}
+}
+@article{dahlquist198533,
+  title={33 years of numerical instability, Part I},
+  author={Dahlquist, Germund},
+  journal={BIT Numerical Mathematics},
+  volume={25},
+  number={1},
+  pages={188--204},
+  year={1985},
+  publisher={Springer}
+}