diff --git a/rogashova_ekaterina_lab_5/img.png b/rogashova_ekaterina_lab_5/img.png
new file mode 100644
index 0000000..5de5ae6
Binary files /dev/null and b/rogashova_ekaterina_lab_5/img.png differ
diff --git a/rogashova_ekaterina_lab_5/main.py b/rogashova_ekaterina_lab_5/main.py
new file mode 100644
index 0000000..e751a8d
--- /dev/null
+++ b/rogashova_ekaterina_lab_5/main.py
@@ -0,0 +1,52 @@
+import numpy as np
+import time
+import multiprocessing
+
+
+def matrix_multiply(A, B):
+    n = A.shape[0]
+    C = np.zeros((n, n))
+    for i in range(n):
+        for j in range(n):
+            for k in range(n):
+                C[i, j] += A[i, k] * B[k, j]
+    return C
+
+def worker(A, B, C, row_indices):
+    for i in row_indices:
+        for j in range(B.shape[1]):
+            for k in range(A.shape[1]):
+                C[i, j] += A[i, k] * B[k, j]
+
+def parallel_matrix_multiply(A, B, num_processes):
+    n = A.shape[0]
+    C = np.zeros((n, n))
+
+    rows_per_process = n // num_processes
+    processes = []
+    for i in range(num_processes):
+        start_row = i * rows_per_process
+        end_row = start_row + rows_per_process if i != num_processes - 1 else n
+        p = multiprocessing.Process(target=worker, args=(A, B, C, range(start_row, end_row)))
+        processes.append(p)
+        p.start()
+
+    for p in processes:
+        p.join()
+
+    return C
+
+def benchmark(matrix_size, num_processes):
+    A = np.random.rand(matrix_size, matrix_size)
+    B = np.random.rand(matrix_size, matrix_size)
+
+    start_time = time.time()
+    C_par = parallel_matrix_multiply(A, B, num_processes)
+    par_time = time.time() - start_time
+    print(f"Размер матрицы: {matrix_size}x{matrix_size}, Потоки: {num_processes}, Время: {par_time:.4f} сек.")
+
+if __name__ == "__main__":
+    mat_sizes = [100, 300, 500]
+    for size in mat_sizes:
+        for num_processes in [1, 2, 4]:
+            benchmark(size, num_processes)
diff --git a/rogashova_ekaterina_lab_5/readme.md b/rogashova_ekaterina_lab_5/readme.md
new file mode 100644
index 0000000..00db661
--- /dev/null
+++ b/rogashova_ekaterina_lab_5/readme.md
@@ -0,0 +1,23 @@
+# Лабораторная работа №5
+
+## Описание
+Код реализует умножение квадратных матриц с использованием последовательного и параллельного подхода на основе библиотек numpy и multiprocessing.
+
+Функция matrix_multiply(A, B) - выполняет умножение матриц
+
+Функция worker(A, B, C, row_indices) - умножение матриц для определенного диапазона
+
+Функция parallel_matrix_multiply(A, B, num_processes) - делит строки матрицы между процессами и создает процессы для выполнения функции worker, которая обрабатывает каждую партию строк
+
+Функция benchmark(matrix_size, num_processes) - генерирует матрицы и выполняет параллельное умножение, вычисляя затраченное время.
+
+## Вывод работы 
+Этот код позволяет сравнивать производительность обычного и параллельного умножения матриц для разных размеров. Он помогает понять, как использование многопоточности может ускорить выполнение ресурсоемких операций, таких как умножение больших матриц.
+По получившемуся времени, можно заметить, что параллельное умножение больше подходит для больших матриц, чем для маленьких. Заметно большое уменьшение времени при параллельном вычислении в больших матрицах. В матрице 100*100 ускорения почти нет, чаще всего происходит такое, что при увеличении потоков - увеличивается время умножения. 
+Это связано с тем, что система тратит время и ресурсы на создание и управление потоками. 
+Для малых задач эти накладные расходы могут превышать преимущества, получаемые от параллельной обработки. 
+
+![img.png](img.png)
+
+## Видео
+Работоспособность представлена на [видео](https://vk.com/video204968285_456240929).
\ No newline at end of file