1. STATlsnCKÉ ZKOUMÁNÍ
V jednom
1.1 Předmět statistiky
Smyslem statistického zkoumání je objektivně hodnotit jevy kolem nás na zakladě
hodnoceni provedených měřeni, objevovat statistické zákonitosti, přispívat k hluboké analýze
zkoumaných ekonomických i technických jevů v reálných podminkách.
Statistika se obvykle řadí do oblasti společenských věd, za jcji hlavni část se pokládá
ekonomická statistika s dalšimi úsekovými statistikami. Statistika však pronikla do dalších
vědních oborů, tak se mluvi o statistické fyzice, statistické chemíi apod., tato statistika je však
dnes součásti těchto oborů.
Statistika má i značný význam v evidencí různých jevů. Jsou tak získávány cenné
informace, které pak slouží k prováděni rozborů, k prognózování vybraných jevů, k sestavení
plánu činnosti hospodářských jednotek, k posouzeni zavislosti mezi jevy apod. Statistika tak
právem patři mezi nejvýznamnějši složky informačni soustavy.
.. Statistika si pro své zkoumání vytváří svilj specifický aparát, své vlastní metody, aby co
neJlepe mohla zkoumat předmět svého zájmu - kvantitativni stránku zkoumaných jevů. Každé
statistické zkoumání vychází z obecné teorie statistiky, ta se opírá především o matematiku,
počet pravděpodobnosti a matematickou statistiku, s cílem stanovit obecné zákonitosti
chováni jevů, které jsou spjaty s existencí náhody, tj. náhodného kolísání získaných údajů
o těchto jevech. Nepochopeni existence náhody často vede k nesprávnému hodnoceni
sledovaných jevil a tedy i k chybným rozhodnutím. Toto nepochopení je stále i v dnešní době
důsledkem nepochopení reality kolem nás, často je si tak třeba poopravit konvenční způsob
myšlení.
S dalším rozvojem poznam a s rozvojem výpočetní techníky se statístický přístup
k řešení významných úloh v praxi rozvíjí zejména v oblasti řizení a plánování (strategie)
podnikových i nadpodnikových celků. Jde předevšim o modelování ekonomických jevů,
řízení jakostí, logístiku, ale i o oblast výzkumu. Významnou rolí v aplikaci statístíckých
metod v praxi hraje výpočetní technika, která dnes dovoluje řešit í rozsáhlé úlohy ve velmi
krátkém čase, tím výrazně klesla pracnost řešení, ale na druhé straně často tato skutečnost
svádí k rychlému řešení bez z,~ištěni určitých vstupnich podmínek. Tím se též dostává do
popředí nutnost zhodnoceni nepřesností v podkladech, potřeba stanovení a následné zajištěni
minimální přesnosti vstupujících dat.
1.2 Základni statistické pO.imy
Každá vědecká dísciplína si vytváři své základní pojmy, proto i my nejprve vymezíme
základni pojmy, se kterými se setkáváme ve statistickém zkoumání. Mezí tyto pojmy patří
předevšim statistická jednotka a statistický soubor. Statistická jednotka je jednotka, na
které provádíme statistické zkoumání, statisticl<ý soubor představuJe soubor jednotek, které
zahrnuje~e do zkoumání. Abychom se vyvarovalí omylů v závěrech ze svých zkoumáních,
musime Jednoznačně vymezit jak statistickou jednotku, tak statistický soubor pro dané
4 5
zkoumání. Toto vymezeni může být účelové pro konkrétní úkol daného zkoumání.
zkou",lán~ vymezcný statistický soubor můžc být statístickou jednoth.", v jiném zkoumání pak
statlStlckym souborem. Jednoznačné vymezení statistické jednotky i souboru mllže v praxi
narážet na určité obtíže. Jestliže bychom chtěli posoudit vývoj produktivity práce
v chemickém průmyslu v několika letech, je třeba nejprve vymezit, co chápeme chemickým
průmyslem, které všechny jednotky jej tvoři a zda je tomu tak i v jiných státech, chceme-Ii
provést mezinárodni porovnání. Statistickou jednotkou by měl být podnik (firma), ktetý patři
do oblasti chemického priimyslu. Není opravdu jednoduchou otázkou všcchny tyto jednotky
stanOVIt, Jak se třeba vypořádat s tím, kdy určitá část produkce podniku patři mezi chemické
produkty a jiná nikoli. Na vymezení těchto jednotek je závislý i závěr celého zkoumání. Jinou
ukázkou může být snaha stanovit kvalitu minerálního hnojiva, které bylo vyrobeno v určitém
měsici. Statistickým souborem bude hnojivo vyrobené v daném měsíci. Je zřejmé, že nelze
v tomto připadě prozkoumat vše, budeme závislí na chudší informaci, tou budou údaje ze
vzorků, tedy odebraný vzorek bude statistickou jednotkou. Aby byl jednotkou s žádoucí
vypovídaci schopnosti, je třeba přesně stanovit způsob jeho odebráni, je třeba stanovit i jejich
počet, a to tak, aby ínformace získaná z těchto vzorků dala správnou informaci o celku -
statistickém souboru.
Statistické jednotky i soubory jsou nositeli celé řady vlastností více či méně důležitými
z hlediska cile našeho zkoumání. Tyto vlastnosti se nazývaji statistické znaky. Tyto
statistické znah.)' mají ráz buď kvantitativni veličiny, tj. takové veličiny, která milže nabývat
různých číselných hodnot, a to diskrétních nebo spojitých, nebo ráz kvalitativni veličiny, kdy
obměnu statistíckého znaku nelze bezprostředně číselně vyjádřit, i když lze určí té vlastnosti
přiřadit nějaký čiselný kód, např. výrobku lze přiřadit určité kódové číslo, to však není
výrazem kvantity. Někdy lze považovat z praktického hlediska určitou vlastnost za spojitou,
í když striktně matematicky jde o vlastnost diskrétní. Takovým případem je např. výše
měsíční mzdy pracovníků, neboť tato mzda se stanovuje na celé konmy. Zvláštní stav nastává
též tehdy, jestliže statistický znak mllže nabývat pouze dvou hodnot, daný stav nastane lIebo
nenastane. Jde o alternativní veličinu neboli dvouhodnotovou veličinu, často jedné
alternativě je přiřazena hodnota nula, druhé jednička, hovořime pak o nula-jedničkové
veličině. S tímto případem se setkáváme v oblasti posuzování kvality výrobku, kdy výrobek
považujeme za dobrý nebo špatný.
Při statistickém zkoumání pracujeme se statistickými údají. Statistický údaj je číselná
nebo slovní obměna statistického znaku. Můžeme jej získat přímým zjištěnim, jako je tomu
např. při zjišťování teploty chemické reakce čí velikosti produkce 7A určitý časový úsek, nebo
výpočtem jako stanovení měrné spotřeby suroviny, ukazatele produktivity práce nebo
pracnosti.
Údaje, které lze bezprostředně získat, označujeme jako statistické údaje neodvozené,
ostatní pak údaje odvozené. Zvláštni skupinu údajů odvozených tvoři poměrné hodnoty.
JImI rozUlmme hodnoty, které vzníkly poměrem dvou hodnot nebolí pomčřenim. Tyto
hodnoty hrají v hodnocení ekonomických jevů významnou roli, o jejich typech a jejich
zpracování bude pojednáno ve druhé kapitole.
. ~t~tistické údaje se mohou vztahovat buď ke statistické jednotce, pak se mluví
o IOd,vlduálních stati.tických údajích, nebo ke statistickému souboru, pak hovoříme
o statistických nkazatelich, ty mají ráz souhrnných údajů. Je zřejmé, že chceme-Ii ziskat
mfo;.mace o statistickém souboru, opiráme se o indíviduální statistické údaje, přičemž se
snazlme takto získanou ínformací koncentrovat.
 Při konstrukci statistických ukazatelů se muzeme setkat se stavem, kdy můžeme
individuální statistické údaje sčítat, tak jako je tomu při určování velikosti měsíční produkce
určitého výrobku na základě znalosti velikosti denní produkce. Takto vzniklé statístické údaje
jsou závislé na délce časového úseku, za který provádíme souhrn. Těmto veličínám říkáme
veličiny či údaje extenzitni.
V jiných případech tento postup není možný, neboť součet nemá logícký smysl, ale
smysl má průměrná hodnota sledované veličiny. Tyto veličiny nazýváme veličinami či údaji
intenzitnimi. Můžeme konstatovat, že většina statistíckých ukazatelů má právě tento ráz.
Jako příklad lze jmenovat veličiny jako měrná spotřeba suroviny, měrné náklady, ukazatel
pracností, obsah účínné látky v produktu apod.
Viděli jsme, že tentýž objekt zkoumání může být v některých připadech zkoumání
statistickou jednotkou, v jiných statistickým souborem. Z toho je patrné, že ze statistických
ukazatelů tvoříme jiné, a to ukazatele vyššího řádu. Po stránce metodologické může jít i
o obtížný úkol. O tomto řešení bude hlouběji pojednáno v ekonomických disciplinách
studijního oboru Ekonomika a řízení chemických a potravinářských podniků.
Je třeba ještě upozornit na nutnost jednotlivé statistické ukazatele jednoznačně definovat.
S touto definicí je spojena složitá pojmová stránka, která souvisi s mnohotvárností
technických, ale zejména ekonomických procesů. Tato otázka bude probírána v jednotlivých
předmětech studijního oboru.
Pro řizeni podníků a i pro řizení národniho hospodářství je budována ucelená soustava
statistických ukazatelů. S vymezením této soustavy se v t?mto kursu zabývat nebudeme, bude
to součástí přednášek předmětů Podniková ekonomika, Učetnictví a Financování.
Statístické údaje můžeme též rozdělit na údaje úsekové a okamžikové. Úsekový údaj je
takový údaj, který se vztahuje k určítému časově vymezenému úseku. Přikladem je třeba
objem produkce za měsíc, celkové tržby za rok. Okamžikový údaj je takový údaj, který
zjišťujeme k určitému, tzv. rozhodnému okamžik~, p~í1<!ade~ je s~av ~rac.~vní~ů ~ prvním~
lednu, slav zásob suroviny k 31.12. apod. Toto clenem statIstIckých udaJu ma vyznam pn
jejich zpracování, např určeni jejich průměrných hodnot.
Statistické údaje můžeme získávat z celé řady zdrojů. Jednotka, která informaci
poskytuje se nazývá zpravodajská jednotka. Za zpravodajskoujednotku obvykle volíme tu:
která podává věrohodnější informaci s ohledem na včasnost IIlformace a náklady na JeJI
získání.
K posouzení kvantítatívní stránky statistických údajů a ukazatelů slouží měrné jednotky.
Tyto měrné jednotky lze rozdělit na přirozené a smluvené měrné jednotky. Přirozené měrné
jednotky vystihují velikost statistíckého údaje či ukazatele bezprostředně. T~o Jedn?tk)' JSo~
buď natnrální nebo peněžni. Mezi naturální patří jednotky hmotnostI, pocet kusu, casove
jednotky (velikost produkce v normohodínách), délkové, plošné, objemové a další.
Smluvené měrné jednotky nacházejí své použití u bezprostředně nesrovnatelných
velíčín, které sí jsou podobné. Tak je tomu u paliv, mínerálních hnojiv, karbídu vápníku, kdy
je udána standardní výhřevnost, obsah dusíku, obsah acetylenu.
6 7
1.3 Etapy statistického zkonmání
Statistické zkoumání se může opírat o pozorováni prosté, tedy takové, kdy aktivně
nezasahujeme do zkoumaného jevu a pozorováni experimentální, kdy údaje získáváme
z prováděného experímentu. Pozorování experimentální je obvyklejší v laboratorním
zkoumání, kdy lze snadněji dosáhnout stabilizace předem zvolených parametrů experimentu
jako teplot, tlaku, koncentrace vstupujících látek do reakce, obsah nečistot v surovině apod.
Každé vědecké zkoumání má dvě základní fáze, a to analýzu (pozorováni a rozbor)
a syntézu. Vlastní vědecké zkoumání tyto fáze nutně obsahuje a lze jej rozdělit do několika na
sebe navazujících etap.
Chceme-Ii, aby statistické zkoumání bylo úspěšné, musíme nejprve provést zevrubnou
analýzu zkoumaného problému, a to s ohledem na stanovený cíl našeho statistického
zkoumání. Tímto cílem je do jisté míry určen rozsah a hloubka zkoumání. Na základě
zhodnocení požadavků cíle zkoumání je nutné si stanovit plán statistického zkoumání. Tato
část přípravy na vlastní zkoumání je velmi důležitá.
Plán statistického zkoumání i jeho plnění má čtyří etapy:
etapu statistického zjišťování,
etapu statistického zpracováni,
etapu statistického rozboru,
etapu sdělování výsledků.
Ačkoliv každá etapa statistického zkoumání má svůj specifický a nezastupitelný význam,
lze právem tvrdít, že etapa statistického zjišťování má mezí všemi etapami největší význam,
a to proto, že co je ztraceno čí zanedbáno v této etapě, je ztraceno zpravidla navždy, tento
nedostatek vede k tomu, že statistické zkoumání nedá konsístentní výsledky se skutečností.
Při zkoumáni musíme jednoznačně vymezit statistickou jednotku, která je nositelem
obsahu zjišťování, rozhodnout o rozsahu statístíckého souboru a o zpravodajské jednotce -
jednotce, která poskytuje informaci. Na základě cíle zkoumání musíme jednoznačně vymezit
statistické znaky, které budou předmětem našeho ~išťování, a to zejména z hlediska
věcného, místního, časového a organizačního; je tedy třeba dbát na srovnatelnost údajů.
Obzvláštní pečlivost musíme věnovat otázce přesnosti a věrohodnosti získaných údajů.
Nemáme-li kvalitní údaje, další naše práce může být naprosto zbytečná. Musíme tedy
zabezpečit kvalítní měřící zařízení, mit k dispozici kvalitní obsluhu tohoto zařizení, která by
k měření přistupovala naprosto zodpovědně. I když v poslední době na tomto poli dochází
k výraznému zlepšení, je stále co napravovat.
Statistické zjišťování lze provést v podstatě dvojím způsobem, a to jako:
zjišťování vyčerpávající,
zjišťování výběrové.
Vyčerpávající zjišťování (stoprocentní zjišťování) je takové, kdy zjišťujeme statistické
znaky na všech statistických jednotkách, které zahrnujeme do zkoumání. Tento typ zkoumání
je příznačný pro ekonomickou statistiku. Provádí se často formou výkaznictví nebo soupisů.

Výběrové zjišťování nezahrnuje stanovení úrovně statistických znaků u všech
statistických jednotek, ale pouze u něja.'<ým způsobem vybraných statistických j~note~.
Výběr těchto jednotek může být záměrný, pak mluvíme o zámčrném výběru, nebo nahodny,
pak se jedná o náhodný výbčr. Nejčastější zpi.sob náhodného výb~ru. je tzv..pr~s.tý náhodn~
výběr čímž se rozumí takový výběr statistických jednotek, kdy kazda stat.sllcka Jednotka ma
stále ;tejnou možnost být vybrána do statíckého zkoumání (jde o způsob výběru s vracení~:
viz I J. kapítola). S princípem a vlastnostmi prostého náhodného výběru se budeme hlouběji
zabývat v jedenácté kapítole tohoto učebního textu.
Výběrové zjišťování má řadu předností oproti vyčerpávajícímu. Je to především větší
rychlost při získávání ínformací, získání informací s menšímí náklady. ~edos:a~kem
výběrového šetření je skutečnost, že jej nelze použít tam,. kde nelze ';'ynech~t nektere udaje
jako je tomu pří zjíšťování velíčin pro základní ekonom.cke ukazatele clOnost. podOlku.
Výběrové šetření je obvyklejší v podnicích v technické ~bl~sti , jako Je . stat~stická
regulace výrobního procesu, zjišťoválú kvalíty produkce, surovlO I polotovaru (jedna-I! se
o destrukční zkoušky, je dokonce jediným objektivním způsobem zjišťování) ~ebo
vyhodnocování rllzných technologických zkoušek Při této příležitosti je třeba upozornIt na
nutnou důslednost při uskutečňování výběru statistíckých jednotek (vzorků) a též na
skutečnost, že stoprocentní šetření neznamená, že je stoprocentně účinné, že tedy n~ni bez
chyb. Vždyť í při stoprocentní přejímce výrobků se pak setkáváme s výrobky nekvahtmml.
Jíný způsob zjišťování se provádí v případech, kdy ne!ze zajistít přímé ~jištěni ho~n?t
stanovených statistíckých znaků, kdy se opíráme o znalecký posudek vybranych odborn.ku,
v těchto případech provádíme zjišťování pomoci odhadů nebo ankety.
Pro další zpracování statístíckých údaji, má značný význam í forma předání zjištěné
informace. Ukazuje se, že zatím nejvhodnějším technickým prostředkem je statístický
formulář. Může jít o výkaz, dotazník, přehled čí hlášení. Statistický formulář by měl být
přehledný, měl by obsahovat název, rozhodný okamžik zjišťování, datum a lhůtu, odeslání:
jakož i podpisy těch pracovníků, kteří odpovídají za správnost uv~ených. údaJu. Vla~tm
statístické formuláře mají obvykle tvar tabulky. Je výhodou posledm doby, ze Je lze pos.lat
v podobě, která může využít elektronické pošty. V této podobě lze tak usnadnit jejich další
zpracování bez zbytečného opisování údajů.
V etapě zjišťování bychom také měli posoudít veYk?st chyb, .kt~rých se při ~jišťo~ání
dopouštíme. Musíme si uvědonút, že výsledkem měrem v prakt.ckem zk~u~am Je č.s~?
(číselná hodnota), které je zatíženo určítou chybou. Tedy budeme-h měrem na to';"tez
výrobku (vzorcích) opakovat, dá se očekávat, že výsledky se budou od sebe navzaJ~m
odlišovat. Je to z toho důvodu, že na výsledek měření působí různé faktory, podle kterych
chyby rozdělujeme do těchto kategorií:
chyby úmyslné,
chyby neúmyslné.
Samozřejmě, že protí chybám musime co nejrozhodněji bojovat, tím spíše ~roti chybá~
úmyslným. Do této kategorie chyb patří zejména chyby spojen~ se .svědor~ntosll,a poct.vost.
pracovníka. V praxi jde o neprovádění analýz a nahrazem Jejich vysledků odhadem,
nesprávný postup při výběru respondentů v anketách apod. •
8 9
Chyby neúmyslné můžeme opět rozdělit do dvou kategorií, a to na.
chyby systematické,
chyby náhodné.
Mezi chyby systematické patří chyby vznikající nezapracovaností pracovníki., chyby
měřících zařizení, chyby měj-i cích metod (chyba analytického stanovení) apod. Tyto chyby lze
princípiálně odstranit, avšak často jejich odstranění či zmenšeni vede k vynakládáni značných
a někdy neúměrných prostředkl. vzhledem k dosaženému efektu a cílí měření.
Chyby náhodné se projevují nahodíle, jejich původců je obvykle velký počet, přičemž
působení samotného jediného faktoru je samo o sobě prakticky zanedbatelné. Výsledkem
působení samotné náhody je kolísání měřeného znaku kolem určité hodnoty, přičemž toto
kolísání je charakteIizováno jednovrcholovým rozdělením četností (víz další text této
kapitoly). Součet chyby systematické a náhodné dá dohromady chybu měření či stanovení.
Výsledek měření z matematického hlediska patří do kategoIie neúplných (nepřesných)
čísel,to znamená, že při výpočtech s těmito hodnotami bychom mělí zachovávat pravidla pro
počítáni s přibližnýmí čísly. Tato problematíka bude stručně popsána v osmé kapitole.
K zmenšování rizika v)'skytu chyb, které pří zjíšťováni vzníkají, je třeba neustálého
prověřováni údajů - kontroly. Nejdůležitější stránkou kontroly správností údajů je jejich
logická kontrola. Ta se opírá o znalost řešené problematiky.
Druhou etapou statistického zkoumání je etapa statistického zpracování. Je to etapa, ve
které zpracováváme statistické údaje, které nemi,žeme bezprostředně použít k rozbom
zkoumaných jevl', neboť se jedná často o rozsáhlou a neuspořádanou řadu statických údaj.t
Úkolem statistického zpracování je též zhustit informací získanou v etapě zjišťování do řady
ukazatelů.
Zpracování údajů je provázeno shrnováním údaji., průměrovánim údajů či výpočtem
složitějšich ukazatelů. Nebudeme zde rozebírat problematiku zpracování statistických údajů
z hlediska rozmístnění zpravodajských jednotek a místem vlastního zpracování. Spokojíme se
s tím, že tak dospíváme ke zpracování centralizovanému a zpracování decentralizovanému.
Při vlastním zpracování můžeme použít ri.zného stupně mechanizace. Podle tohoto
hlediska rozlišujeme zpracování Tuční, mechanizované a automatizované.
Ruční zpracování i v dnešni době má své misto, a to zejména při zpracování nepříliš
rozsáhlých souborl', dále v oblasti některých výzkumných prací. Toto zpracování se ještě
někdy používá při třídění statistických údajů, a to tzv. čárkovací metodou, kdy přiřazení
jednotlivých měření do určité skupiny (třídy) provádime tak, že k přislušnému třídnímu znaku
(víz další text této kapitoly) zapišeme čárku. Počet čárek pak stanoví četnost příslušného
případu. Při dalším mčnim zpracování dále používáme zpravidla kalkulačku.
Mechanizované zpracov:íní vytváří přechod k automatizovanému zpracování
statistíckých údajů. V dnešní době se opíráme o využítí počítačů a vhodného softwarového
vybavení. Někdy je vhodné si vytvořit vlastní programové vybavení.
Automatizované zpracování je nejvyšším mechanizačním stupněm zpracování dat,
opírá se o počítač. Výchozi data jsou samočínně shromažďována v paměti počítače, kde se
vytváří banka dat. Takto ziskaná data jsou dále opět samočinně zpracovávána eventuálně
vyhodnocována. Tak je tomu pří řizení některých výrobních procesů.

Řekli jsme, že mezí základní metody zpracování statistických údajů patří metoda třídění.
Třídění je postup, kterého používáme v různých vědních oborech, avšak ve statístíce má
klíčové postavení. Statístícké třídění je přířazení jednotek statístického souboru do skupin
jednoznačně vymezených s cílem co nej lepšího poznání zkoumaného jevu. Tříděni
vekonomícké oblasti zaujimá vlastně postavení experimentu v technických a přírodních
vědách. V ekonomické oblasti je použíti experimentu značně omezeno, mnohdy jej nelze
vůbec provést, neboť hrozí nebezpečí, že změněný ekonomický systém se nám již nepodaři
vrátít do původního stavu. Metoda třídění nám vlastně pomáhá zkoumat sledovaný jev pří
stabilizovaných úrovních některých velíčin.

Účel třídění může být rozmanítý a je dán cílem statístického zkoumání. Třídění je
především prvořadým prostředkem statistíckého rozboru. Tříděním jevů v technícké
i ekonomícké oblasti můžeme zejména poznat složení (strukturu) zkoumaných jevů
a odhalovat a hodnotit vzájemné vztahy a souvislosti mezi ními. S metodou třídění jsou úzce
spjaty další statistické metody jako např. metody zkoumáni závíslostí.

Statistické údaje můžeme třídít jak podle kvalítativního, tak í kvantitativního znaku. Při
třídění statistických údajů podle kvalitatívního znaku jednotlivé skupiny, kterým se obvykle
říká třídy, vymezujeme zpravidla slovním popisem, í když někdy je tento popís nahrazen
číselným kódem. Je třeba znovu zdůraznit nutnost jednoznačného vymezení třídy, aby
nedocházelo k nejasnostem při zařazováni jednotlivých údajů do tříd.
Vymezení tříd u kvantítatívních znaků lze provést několíkerým způsobem. Opět je třeba
dodržet zásadu, abychom jakoukoliv hodnotu přířadili do určíté třídy jednoznačně. Jednotlivé
třídy lze vymezít buď hodnotou třídního znaku, což je hodnota, která leží uprostřed třídy
a která zastupuje všechny hodnoty v této třídě ležící při výpočtech. Třídy lze též vymezit
hrauicemi tříd, tj. hodnotami, které jako první nebo poslední leží v příslušné třídě.
Pří vlastním tříděni
je nutno rozhodnout o počtu tříd. Na tuto otázku nelze obecně
jednoznačně odpovědět. Počet tříd bude souvíset s počtem tříděných hodnot (s počtem
měření), s přesn.osti jednotlivých měření, jakož í s velíkosti chyby, které se dopustíme při
tříděni, respektíve s velikostí chyby, kterou jsme schopni nést vzhledem k závěrům
prováděného šetření. Z praktických důvodů lze doporučít vytvoření S až 15 skupín při třídění
asi stovky údajů. Naši snahou bude, aby jednotlívé třídy byly stejně dlouhé nebo vykazovaly
jinou zákonítost, např. aby délka následující třídy byla konstantním násobkem délky
předcházející třídy. Ukažme nyní některé možnosti vymezení tříd.
Varíanta A je nejméně vhodným způsobem vymezení jednotlívých tříd, i když se s ní
v praxi setkáváme. Nevhodná je proto, že v případě, že některá hodnota je shodná s hranící
třídy, nemůžeme jednoznačně rozhodnout, do které třídy jí zařadíme. Je bezchybná v případě,
kdy jednotlivé hodnoty nemohou být shodné s mezní hodnotou, např. v ukázce třiděná
hodnota je celočíselná.
Varíanta B vymezuje třídy dolni mezní hodnotou, která je první hodnotou, která do dané
třídy patří. První hodnotou, která do dané třídy jíž nepatří, je hodnota totožná s mezní
hodnotou další třídy. Obdobným připadem vymezení tříd, je varíanta C, kde je však udána
horní hranice třídy, hodnota, která je poslední, která do dané třídy patří.
Varíanta D má určíté úskalí v tom, že hodnoty, které jsou větší než mezní hodnota určité
třídy, ale menší než mezni hodnota následující třídy, je nutné zaokrouhlovat a navic třídní
znak, který leží v polovíně daného íntervalu, musí tuto skutečnost respektovat, takže
v uvedeném příkladě třídní znak nebude 14,5, avšak 14,55.
Varíanta E ukazuje na vymezení třídy v případě dískrétního znaku. V tomto případě
neexístuje v pravém slova smyslu délka třídy, i když teoreticky je mezní hodnotou např. 1,5.
Tato skutečnost může být významná např. pří aproximací binomického rozdělení rozdělením
normálním při jednodušším určení hodnoty distríbuční funkce (viz další text v 10. kapitole).

Pří vymezení tříd se v praxí můžeme setkat s případem, kdy krajní íntervaly jsou
neuzavřené. První ínterval je označen symbolem "-" (což značí až) a poslední. "+". Např.
Sooo;- z~ačí hodnotu větší než SOOO. V takovém případě je vhodné doplnit tuto hodnotu
vysvetluJlclm textem (správnou hodnotou), neboť así půjde o hodnotu větší než při standardní
délce mlervalu.

10
II
 Vlastní přiřazeni jednotlivých hodnot do tříd (vlastni třiděni) lze provést na
U nepříliš velkých souboru lze tuto operaci provádět i ručně. Tento postup je znám jako
"čárkován]", to proto, že tříděnou hodnotu označime čárkou u příslušného třidního znaku
(třídy) a každý pátý případ označíme přeškrtnutím čtyř předchozích případů. Důvodem je
snadnější součet případů. Tím získáme četnost případll. Sled 'ednotlivých četností s ohledem
na třídni znak vymezuje rozdělení četností. Tvar rozděleni četnosti má značný význam při
analýze sledovaného jevu. Z povahy řešených úloh zpravidla vyplývá, že ziskané rozděleni
četností by mělo sledovat určitý teoretický typ (viz podrobněji kapitola 10). Tato rozdělení by
zpravidla měla mit jeden vrchol v grafickém vyjádření, měla by být jednovrcholová. Pokud
výsledkem třídění je rozdělení četností s několíka vrcholy, vzniká důvodné podezření, že
soubor hodnot vznikal za různorodých podminek, je to signál k nalezení příčin tohoto stavu,
což je např. významné při analýze výrobního procesu.
Grafickým obrazem rozděleni četností je buď mnohoúhelník (polygon), a to v připadě,
kdy použijeme spojnicový graf, nebo sloupkový graf (histogram četností). Někdy bývá
výhodné připojit i graf kumulativnich četnosti či graf kumulativnich relativních četnosti.
Posledně jmenovaný graf vyjadřuje podíl případů, že nastane určitá hodnota nebo menši.
Tvorba grafiI rozdělení četností je dnes součástí řady počitačových programů,
speciálně statistických.
Častým smyslem třídění je poznáni struktury hodnoceného jevu. Tuto strukturu můžeme
sledovat i v různých obdobich, což nám umožňuje sledovat změny ve struktuře, její
dynamiku. Toto hodnoceni se opírá o základni statistické míry - střední hodnoty a míry
variability. Je zřejmé, že na pruběh změn bude mít vliv i moment náhody, vlastni zhodnoceni
má pravděpodobnostní charakter. O těchto otázkách bude pojednáno v dalších kapitolách
tohoto učebního textu.
Je třeba též upozornit na možnost tříděni dle několika znaků zároveň, tak je tomu při
zkoumáni závislostí a vyhodnocováni řady faktoru např. při analýze výrobního procesu. Jinou
možností je třídění podle vymezených vlastností - typů, mluvíme o typologickém třiděni.
Tam, kde jde o třídění jednotek podle obměn slovních znaků, mluvime místo o třídění
O klasifikaci (např. klasifikaci odvětví národního hospodářství, klasifikaci povolání apod.).
Třetí etapou je etapa statistického rozboru. V této elapě musime zhodnotit dosažené
výsledky a vypracovat závěry ve shodě s cílem statistického zkoumáni. Musíme si uvědomit,
že nejde pouze o rozbor v úzkém slova smyslu, ale o celý soubor postupů logického
usuzováni. Rozbor je závažnou části statistické práce, neboť zde bychom měli odpovědět na
všechny otázky kladené v zadaném zkoumáni. Proto je účelné, aby se práce v této etapě
účastnili vedle statístiků technici i ekonomové, pracovnici dokonale obeznámeni
s problematikou řešeného úkolu.
I pro tuto etapu sí statistíka vytvoříla své postupy a metody, které jsou shrnovány ve
"statistických metodách". V další části tohoto učebního textu se budeme věnovat vybraným
statistickým metodám, a to zejména těm, které se daji dobře využít v podnicích chemického
a potravinářského průmyslu.
Poslední etapou je etapa sdělování výsledků. Toto sdělování se provádi jednou ze
možností, a to slovním textem, tabulkou nebo pomocí grafického žobrazeni.
12
počitači.
Domnívám: se,. ž~ se každý posluchač již setkal se statistickými tabulkami, a proto sc
ne?u?eme zab~at JeJ:ch konstrukci. Považujeme za účelné připomenout požadavek, aby
kazda _tabulka m~:a svuJ nazev, aby byla jednoznačně popsána v hlavičce i legendč tabulky,
aby vsechna pohcka v tabulce byla vyplněna. Prázdné políčko ukazuje na nedokončenoo
tabulkl~;, Ve st~tistické tabulce se též uvádějí smluvené značky, ze kterých uvedeme alespoň
neJPouzlvanějsl.
Ležatá čárka ( -) v poličku vyjadřuje, že jde o množínu prázdnou, skutečně nulový případ.
L.žatý křížek ( x) má buď význam ten, že statistický údaj je v uvedeném poličku logicky
nemožný (např. v součtovém řádku pro nesčitatelné údaje) nebo nás
takový údaj nezajímá, v takovém případě je ve formulářích obvykle
předtíštěn
Tečka (.) v poličku tabulky nás informuje o tom, že údaj zatím není znám
Nula (O) neznamená, že žádný údaj nenastal (viz ležatá čárka), ale dovídáme se
o tom, že údaj v poličku je menší než polovina jednotky, ve které údaje
a to nejen v tabulce uvádíme. Např. údaj 0,0 v poličku o stavu zásob určitého
výrobku, říká, že máme na skladě méně než SO kg produktu, pokud
jednotkou JSou luny.
Statístické grafy rovněž umožňují předat výsledky statístické práce. 1 zde se omezime
na náležitosti grafu, ve kterých se stále chybuje:
Každý graf musí obsahovat svůj název, který se umísťuje buď pod nebo nad vlastní graf.
Obecné poznámky umísťujeme bezprostředně pod název.
Zvláštní poznámky uvádíme pod grafický obraz, který dále osvětluje
Vysvětlivky čí klíč v grafu, který vysvětluje význam grafických prvků, umíst'ujeme na
vhodném místě v grafu či mimo vlastni graf.
Každý graf musí mít popsány osy. Osy jsou opatřeny stupnicemí.
Každá stupníce musí začinat nulou (výjimku tvoři časová osa). Tyto stupnice je vhodné
přerušit (přerušení označujeme vlnovkou na stupnici), abychom mohli zvětšit modul
stupmce, a tak lépe využít plochu grafil. Přerušení stupnice je vhodné i při zakreslení
extrémních hodnot. Modulem stupníce se rozumí délka stupníce pro jednotku číselného
IIltervalu.
Časové úseky (týdny, měsice, čtvrtletí, roky) znázonlujeme úsečkou na ose pořadníe.
označení zakreslujeme doprostřed úseku.
Hodnoty úsekových ukazatelů se kreslí ke středu časového úseku, hodnoty okamžikových
ukazatelů pak k příslušné části úseku, dané rozhodným okamžíkem zjišťování.
Nutno konstatovat, že s těmito zásadamí někdy nekorespondují programy v počítačích.
Pro jednoznačný význam čtení grafu je však potřeba uvedené zásady tvorby grafu
respektovat.
tří
J3
2. POMĚRNÉ HODNOTY Příklad 2. I Struktura měsíční produkce podniku z hlediska přínosů závodů

Mezi nejvýznamnější postupy při srovnávání patří poměrné srovnávání tj. srovnavam Závod Produkce v 1000 Kč %
dvou statistických údajů nebo ukazatelů poměrným čislem - poměrnou hodnotou. Tento 1. 102587 78,14
postup je vhodný proto, neboť absolutní statistické údaje poskytují pouze základní představu 2. 12296 9,37
o povaze a vlastnostech zkoumaných veličin a zkoumaných souborů. Poměrné hodnoty tak 3. 7158 5,45
doplňuji absolutní údaje o další informaci a přispívají tak k hlubšímu rozboru sledovaného 4. 5213 3,97
jevu. Další výhoda srovnávání je v jeho názornosti a přehlednosti. 5. 4025 3,07
Celkem 131 279 100,00
Poměrné hodnoty vznikají jako podíl dvou či několika údajů. Údaj, který je ve
jmenovatelí zlomku, je základem pro srovnávání, a proto jej často označujeme jako základní Z posl~niho sloupce tabulky si učiníme lepší představu o váze jednotlivých závodů
údaj, údaj v čitateli pak jako srovnávaný údaj. Vymezení základního i srovnávaného údaje z hledIska JejIch objemu produkce než z absolutních údajů o velikosti produkce. Rozdíl
má rozhodující význam pro obsahovou nápli\ poměrných hodnot, a proto je nutné jejich volbě v názornosti bude tím větší, čím bude větší počet skupin. Tímto způsobem bychom mohli
věnovat náležitou péči. posoudit i váhu jednotlívých podniků v rámci určítého průmyslového odvětví.

Poměrné hodnoty můžeme rozdělit do dvou velkých skupin, a to na: Při rozsáhlejších zkoumáních můžeme určovat strukturu vybraného jevu i podle několika
poměrné hodnoty stejnorodé, znaků najednou, ale také odděleně podle jednotlivých znaků.
poměrné hodnoty různorodé.
Poměrné hodnoty vývoje

2.1 Stejnorodé poměrné hodnoty Poměrné hodnoty vývoje jsou významným prostředkem při zkoumání dynamiky
sledovaných jevů. S vlastním zkoumáním trendů se pak dále seznámíme v kapitole 6, která je
věnována časovým řadám. Zatím ukážeme základní konstrukci poměrných hodnot vývoje.
Stejnorodé poměrné hodnoty srovnávají údaje podle stejného obsahu, přičemž
srovnávání můžeme provádět z hlediska věcného, územního, časového. Mezi nejčastější Bazické poměrné hodnoty vývoje nám říkají kolikrát je hodnota sledované veličiny
stejnorodé poměrné hodnoty patří poměrné hodnoty struktury, vývoje a splnění plánu. v určitém období větší než v základním (bazickém) období. Z tohoto vymezení lze zapsat
základní definiční vztah ve tvaru:
Poměrné hodnoty struktury
B =~ (2.2)
Poměrné hodnoty struktury slouží k poznání struktury (složení) hodnoceného jevu. IYo·
Jsou pro hodnocení výhodnější než výčet absolutních údajů a jsou definovány jako poměr
velikosti srovnávaného údaje k celku v celém souboru. Jde též o poměr četnosti určité
Význam symbolů:
obměny statístíckého znaku (označme jí tl,) a celkového rozsahu tl. Je celkem zřejmé, že tyto
Y. - hodnola ukazatele v i-tém období,
poměrné hodnoty můžeme vytvářet pouze z údajů sčitatelných.
Yo - hodnota ukazatele v základním období.
Poměrné hodnoty struktury určíme podle vztahu:
U, těchto poměrných hodnot je základ vždy stejný po celou řadu období. Základní období
_.!!.L- = nJ se voh Jako hodnota období, které je určitým mezníkem v hospodářství společností.
...1l-
k
nebo k tl .
(2.1)
~>, ~>, Chceme-li provést přepočet bazických hodnot na Jmou bázi, můžeme se opřít
;;:;1 ;=1
o následující vztah:

Velmi často tyto hodnoty násobíme stem, vyjadřujeme je tak v procentech.

~=~:YA
(2.3)
Y A Yo Yo

~ěk?y se k posouzení růstu využívá též míry, která se nazývá relativní odchylka
pomerne hodnoty vývoje. Ta je definována jako poměr absolutní odchylky vývoje a báze
~Ire. '

14 15
 B' = Y, Yo
- Y. =13 -I (24) !'.~ .1 000y.=-' o
II .JOOy..
I I ' (2.12)
u plli1l up

Tato míra se obvykle udává v procentech a informuje nás o kolik se zvýšíla hodnota
Ukazatel splnění plánu používáme v uvedeném tvaru í tehdy, jestlíže hodnota tohoto
sledovaného ukazatele vzhledem k základnímu období.
ukazatele nad 100% je nepříznívým jevem, jako je tomu u ukazatele pracností produkce nebo
ukazatele měrných nákladů či zmetkovítostí.
Dmhou skupinu poměrných hodnot vývoje tvoří řetězové poměrné hodnoty vývoje.
První mírou z této skupíny je koeficient růstn (kJ, je to míra, která nám udává kolikrát je
V ekonomické problematíce pří hodnocení různých jevů potřebujeme posoudít splnění
sledovaná velíčína (ukazatel) větší než v předchozím období, tedy základ srovnávání se
plánu určítého ukazatele i s ohledem na splnění plánu jiného ukazatele. Dostáváme se tak
neustále mění. Tempo růstn je stonásobkem koeficíentu růstu, udává se tedy v procentech.
k pojmu relatívní splnění plánu. Relativní splněni plánu lze vyjádřit vztahem:
Obě tyto uvedené míry lze vyjádřít vztahem:

_!!._'- 100% kde (2. I3)

T =~- 100%=k JOO%
I • " .
(2.5) 1I~' ,
Y, I p.
qp
Vývoj zkoumaných jevll muzeme rovněž vyjádřit pomocí přírůstků, ty mohou být
absolutní nebo poměrné, přičemž poměrné přírl!stky mohou být vztaženy ke stejnému základu "" U p jsou skutečné a plánované hodnoty jednoho ukazatele,
Gedná se o bazických poměrných přirůstcich) nebo k základu, který se řetězově mění q" q p skutečné a plánované hodnoty druhého ukazatele.
Gedná se o tempo přírůstku). Tyto definice lze psát v matematíckém tvaru:
Uvedený vztah lze upravit na jiný:
absolutní přirůstek a, =y, - y, t· (2.6)

b = Y, - Y'-I (2.14)
bazický poměrný přírůstek (2.7)
, Y. Y.
Z tohoto tvaru vídíme, že relatívní splnění plánu lze získat jako poměr splnění plánu
tempo přírůstku L, = Yi - Y,-l (2.8) hodnocených ukazatelů. Tento uvedený tvar lze ještě upravit na výraz:
Yr-l

Poměrné hodnoty vývoje JSou díky své definící svázány, tyto vazby lze popsat (2.15)
následujícímí vztahy:

b, =B, -B, ., (2.9)

Odtud vidíme, že relatívní splnění plánu je rovnocenné splnění plánu poměrné hodnoty !:.
q
f, :::.: kl -I, (2.10)
Poznamenejme ještě několik slov o konstrukci ukazatelů splnění plánu u hodnot
(ukazatelů), jejíchž vzájemný součin je konstantní. S tímto problémem se setkáváme
k, =', + 1. (2.11)
u ukazatelů, z nichž jeden je převrácenou hodnotou druhého. Jako příklad lze uvést ukazatel
produktivity práce (v) ukazatel pracnosti (t) (viz dalši ěást této kapitoly). v. ( - I, odkud:
Poměrné hodnotv splnění plánu

Pro řízení ekonomíckých jednotek se vytvářejí míry pomocí kterých posuzujeme splnění ~ 100%= t p .100%. (2.16)
zadaných (plánovaných ) úkolů. Tyto míry se vytvářejí jak na úrovní vnítropodníkové, vp (~

podníkové í nadpodníkové. Jedná se o splnění plánu. Splnění plánu můžeme sledovat

u různých ukazatelů, a to absolutních í poměrných. Tak lze sledovat splnění plánu produkce Splnění plánu produktivity práce můžeme stanovit tedy též nepřímo přes ukazatel
určítého produktu, dosažených tržních cen, měrné spotřeby 'surovín, pracností výrobků, pracnosti. Splněni plánu pracnosti je však definováno jako:
měrných nákladl! atd. Splnění plánu se udává v procentech a je dáno poměrem skutečně
dosažené hodnoty k hodnotě plánované, což lze zapsat ve tvam:

t6
t7

.!.....100%. (2.17)
Ip
Tato otázka je významná při aplikaci indexní metody v rozborové činnosti podníku. To
bude i předmětem kapítoly 7.
2.2 Různorodé poměrné hodnoty
Různorodé poměrné hodnoty vznikají poměřením velíčín, které mají různý věcný obsah.
Údaj v čitatelí má také odlíšný rozměr od údaje ve jmenovateli. Tato skutečnost vede mnohé
autory k tomu, aby tyto poměrné hodnoty označovali jako rozměro~é po~něrné hodn~ty; D~
této skupiny patři tzv. technickohospodářské ukazatele, pomocI kterych se sledUjI ruzne
ekonomické děje.
Vzhledem k tomu, že přednášky z Inženýrské statistiky pro ekonomy předcházejí
předmět Ekonomika výroby, je účelné a nutné i vzhledem k apl~kacím statistických metod
v podnikové praxi na tomto mistě uvést základní ukazatele spoJene s objemem produkce.
Abychom získali v průmyslovém procesu produkt Q, potřebujeme, s~r.oviny ~, e?ergií, E,
výrobní zařízení, pracovníky a finanční prostřed~. Pro hodno~ru ~:m?ostl vyrobmho
procesu se vytváří soustava poměrných hodnot, ktere toto hodnocem umoznuJl.
Pro využití suroviny je definována měrná spotřeba suroviuy (S'1) jak~ po~ěr spotřeby
i-té suroviny na j-tý produkt. V chemických výrobách se v Jednom vyrobmm proc~su
spotřebovává i řada surovin a vedle sebe může vznikat i pestrá paleta výrobků. Lze tedy psat:
(2.18)
Veličiny S a Q mohou být vzaty jako molekulové hmotnosti podle chemické rovnice,
dostáváme tak stechiometrickou měrnou spotřebu, nebo do vztahu lze zahrnout chemIckou
rovnováhu a reakční rychlost, tím dostaneme teoretickou měrnou spotřebu. Základem pro
výpočet mohou být veličiny z technologického reglementu, a tak dostaneme normo~a~ou
(plánovanou ) měrnou spotřebu. Při porovnáni. skutečné, spotřeby surovm a skutecneho
objemu produkce získáme skutečnou měrnou spotrebu surovmy.
Převrácenou hodnotou měrné spotřeby suroviny získáme měrný výté'l:ek (q,;J
- Qj (2.19)
q, - S, .
,
Obdobným způsobem je definována měrná spotřeba energie, tedy ve tvaru
(2.20)
18
Energii se rozumí elektrická energie, pára, voda, tlakový vzduch. Určitým problémem je
měření těchto spotřeb,ale o této otázce bude pojednáno v přednáškách z Ekonomiky výroby.
Spokojme se tedy pouze s definičním vztahem.
Pro hodnocení využití výrobniho zařízeni je definován výkon výrobního zařízení jako
poměr objemu vyrobené produkce a spotřebovaného času. I zde se nebudeme zabývat
problémy kolem této míry jako je okamžitý výkon, normovaný výkon, problematikou
započítání času na preventivni opravy apod. Označme T, dobu chodu zařízení, za kterou byl
vyroben objem produkce Q, pak
(2.21)
Pro různá hodnocení je významnou veličinou využití lidské práce. Dospíváme k pojmu
produktívity práce, čímž se obvykle rozumí účinnost lídské práce. Tuto účinnost neumíme
bezprostředně měřit, a proto se zavádí ukazatel produktivity práce v, ten je definován jako
poměr množství vyrobené produkce za jednotku času, tedy
(2.22)
Při vlastním výpočtu se dostáváme do problému jak měřít produkcí í jak odpracovaný
čas. Jestliže budeme sledovat ukazatel produJ..'tivity práce pro určítý výrobek, mírou velikostí
produkce daného výrobku mohou být přirozené jednotky jako kg, m , mJ, počel kusů, ... , ale
2
i jednotky peněžní. Tak tomu také bude pří určeni objemu produkce za podník. I jmenovatel
může mít svůj obsah podle velikosti zvolené časové jednotky. Poznamenejme, že v případě
ukazatele produktivity práce se setkáváme s tím, že za jednotku času volíme:
odpracovanou hodinu, čímž se rozumí každá započatá hodina, kterou pracovník pracoval,
odpracovaný den, definovaný jako den, kdy pracovnik nastoupil do práce,
odpracovaný měsic, vymezený jako počet pracovníků, což je totožné s hodnotou, kdy
alespoň jeden den za měsíc pracovník pracoval.
Podle použité časové jednotky tak rozeznáváme ukazatele produktivity práce hodinové,
denní a měsíční.
Jestliže chceme posoudit úroveň produktivity práce v celém podniku, je zřejmé, že dalším
problémem, se kterým se setkáme, je vyřešení otázky sčitatelnosti produkce. Obvykle si
pomáháme peněžními jednotkami. Nutno též rozhodnout, co rozumíme produkcí podniku
a o nikoli.
Mezi nejvýznamnější ukazatele, podle kterých hodnotíme kvalitu činnosti podniku, jsou
náklady. Náklady průmyslového podniku představují peněžně vyjádřenou spotřebu všech
výrobních činitelů a ostatní účelně vynaložené prostředky spojené s činností podniku. Tyto
položky jsou dány legislativními předpisy, tak jsou odlišeny zejména ztráty. O členěni
n~ladů podle různých hledisek bude opět podrobně pojednáno v předmětu Ekonomika
vyroby. Zde se spokojíme se vztahem nákladů a objemu produkce. Dělíme je na :
náklady fixní Nf (nepružné), které nereagují na změnu objemu produkce,
náklady stupňovité N, , ty se chovají jako fixní, ale pří překročení určítého objemu
produkce se mění skokem,
19
 'kl d ' b'l ' (ružné) N které s rostoucím objemem produkce rostou. Tento růst
na a y vana t Il1 P I ..." .., r eární jde
STŘEDNÍ HODNOTY
Y, • o
může být linearní __ jde o naklady proporcionalni. Přt rych ejslm nIst~ ~ez, m 3.
o naklady nadproporcionalni, při pomalejším růstu pak o podproporclOnallll naklady.

V raxi celkové naklady sestavají z nakladů fixních i v~riabilních. Pro pr~váděni analtz
Mezi nejčastějši veličiny použivané při statistickém rozboru patří střední hodnoty ve
v~znam především měrné náklady (11), jsou to naklady vynalozene na jednot u
v

mají
všech jejich typech a fonnách. Středni hodnoty json miramí polohy a jsou statistickými
produkce charakterístíkami zkoumaných statistíckých souborů, udávaji zevšeobecňující charakteristíku
N ~.23) souboru z hledíska určitého kvantitativního znaku. jsou tedy výrazem určitého stupně
11=-.
(2 abstrakce. Středni hodnoty jsou představitelem zkoumaného souboru, jehož úroveň pak
zastupují v dalším zkoumáni, pomáhaji odhalovat vnitřni souvislostí studovaných souborů
V případě proporcionalních nákladu lze psát: a umožňují srovnávat statistické soubory mezi sebou podle zadaných znaků. Rovněž pomáhaji
při hledáni typičnosti hodnocených jevů.

11= Nf+N, =!'!L~b~=!!_L~b=lIf+b. (2.24)

Podle účelu zkoumáni a podle vlastnosti hodnocených statistických údajů SI můžeme
Q Q Q definovat rilzné středni hodnoty, a to:

Z tohoto vztahu je zřejmé Ude o hyperbolu), že při prop'orcion~~nim P:l~l~u ~:~~V!e~:l průměry,
nakladů měrné náklady s rostoucim objemem produkce ldesaJ1, hovon se o n a o g ,
kvantily,
jde o dilsledek toho, že část nákladů je fixnich. modus,
střed rozpětí.
Vídíme že každá různorodá poměrná hodnota bude mit svou sp:.cifickou proble;n~tiku,
v ovidací ~cho nost bude dána přesným vymezením jmenovatele 1 clt~tele. O tvo;be techto
Průměry
YkP t lu· bude ~bširně poíednáno v dalšich ekonomických dlSClphnach studljmho °b~OnI
3.1
u aza e J . k' h d'ků proto se tim dále za yvat
Ekonomíka a řízení chemických a potravmars yc po rn , a
'v

Průměry jsou statistické veličiny, které bezprostředně zavlsejl na všech

nebudeme. průměrovaných hodnotách souboru. Průměry lze obecně definovat vztahem: 'l

Kontrolni otázky:

2. J
b C ď ého podle dvou hledisek
Určete vztahy pro stanoveni struktury sou Okru, !zn e~kd d bVre popsat parabolícky'm
2.2 Celkové náklady ve vztahu k objemu produ ce e ne y o
modelem.Určete vztah pro mčrné naklady.
P('P)o[ tf~~r[~::' r ,'d, ("i

x - průrněrovaná veličina,
y - váha průměrovaných veličin,
z - matematický moment, který udává řád průměru,
n ~ počet měření.

Uvedený vztah je vztahem pro vazen)' průměr. Váha průměrovaných veličin je

hodnota, která respektuje sílu, kterou se jednotlivé veličiny podílejí na tvorbě průměru. Při
průměrováni absolutnich údajů je váholl zpravidla četnost, avšak při průmčrování poměrných
hodnot tomu tak zpravidla Jleni (viz dalši text). Jestliže všechny hodnoty mají stejnou váhu c,
jedná se o průměr prostý.

P( x.Y,c,)=[L X
,,]: _[CLxi]; _[xi]:
_ --- __ (3.2)
LC n.c n

'lpkud
o u sumacI' nebudou označeny meze, budeme vždy zápisu rozumět tak, že se jedná
o součet pro indexovanou veličinu od jedné do 11.

20 21
 Ze vztahů (3.1) a (3.2) lze odvodit jednotlivé typy průměril podle velikosti momentu z. vyhovuje určujicí vlastnosti aritmetického průměru - nahradime-li všechny průměrované
Pokud veličina z je rovna jedné, dostaneme vztah pro aritmetický prilměr: hodnoty průměrem, pak se jejich součet nesmí změnil. Za základní formu aritmetického
průměru lze považovat prostý aritmetický průměr, daný vztahem:

A .... vážený aritmetický průměr, (3.3)

-X=--.
LX, (3.9)
n

~>
P(x,c,l) = - -' = A . prostý aritmetický průměr. (3.4) Protože v praxi jsme často nuceni počítat průměrné hodnoty z rozsáhlých souborů, je
11 často velmi účelné nejprve roztřídit průměrované hodnoty a výpočet průměru pak provést již
z roztříděných údajů. V tomto případě pracujeme s třídnim znakem v každém intervalu x,.
Při volbě z~2, dostáváme vztah pro kvadratický prilměr: Nechť četnost v jednotlivých intervalech je ll" počet intervalů je k. Je tedy zřejmé, že každý
třídni znak Ximá různou váhu, a to n,,, výpočet musime provést podle vztahu pro vážený
aritmetícký průměr, tedy:
(3.5)
,
Lx,.n j

Jestliže za z dosadime trojku, .dostaneme kubický prilměr. Při volbě z = -I výsledkem

x= ~-
n
, kde k udává počet skupin (tříd) . (3.10)

bude vztah pro harmonický prllměr ve tvaru:

Váženého aritmetického průměru musime použít pro výpočet celkového průměru
souboru, známe-Ii dílčí (skupínové) průměry v jednotlivých skupinách, které tvoří celý
Lx;'Y')-' LY, (3.6) soubor. Váhamí budou opět četnosti v jednotlivých skupínách.
P(x,y,-I) = ( LY, = I H.
,
L-'Y'
x,
L X;'Il,
Jestliže za veličinu z zvolime nulu, připad bude nutno řešit limitním přechodem.
x=-"'-"-'-- X, je prilměmá hodnota v i-té skupíně. (3.Il)
n
Výsledkem je výraz pro geometrický průměr:
, Základni vlastnosti aritmetického průměru

P(x,y,~O)= (u
"xi' )L~ =G, kde fl je operátor pro součin. (3.7)
Aritmetický průměr má některé základni vlastnosti, které se pak využívají v různých
statistických metodách, uvedeme nejvýznamnější:

Z uvedených definičnich vztahů pro průměry vidíme, že při 1POčtu ~růměrné h?d~o~y
lze využit různých vztahů, avšak dostaneme rozdílné výsledky. Z teto ~kutec~ostl vyplyva, ~e
neni jedno podle jaké formy průměru určíme průměrnou hodnotu. 1 yp prumě~u bud; dan
povahou průměrovaných hodnot a cílem průměrování. MezI jednothvym. uvedenym, pruměry
plati majorantni vztah podle velikostí veličiny z:
(3.8)
1. Součet všech odchylek od aritmetického průměru je roven nule. Tato vlastnost je
důsledkem definičního vztahu (určující vlastnosti):
(3.12)
2. Jestliže každou hodnotu x, změníme o totéž číslo c, pak se i průměr změní o tuto hodnotu:

tedy, že hodnota průměru vypočtená podle vztahu pro harmonický průměr je maximálně (3.13)
rovna hodnotě vypočtené jako geometrický průměr atd. ?ilsled~em uvedene~o" vz:t~u je
ztráta libovůle použít té které formy výpočtu pnlměru, nebot ta je dana povahou resene ulohy;
Výběr formy průměru je dán určujicí vlastnosti průměr~. Průměry se obvykle označuJ' 3 Vynásobime-Ii každou hodnotu x, konstantní hodnotou c, pak se i průměr změní c-krát
symbolem pro průměrovanou veličinu s pruhem, tedy např. x.
LCX,
--==c.x. (3.14)
Aritmetický průměr n

Aritmetický průměr je nejpoužívanějším typem průměru. Není tomu tak proto, že jde
o jednoduchý vztah, ale proto, že velké množství úloh zejména v ekonomICké oblast.

22 23
4. Aritmetický průmčr součtu veličin (rozdílu) je roven součtu (rozdílu) průměrů těchto
veličin Po Určen; třidních znaků a vynásobeni příslušnými čelnostmi získáme součet 5260. Tato
hodnota je vlastně odhadem celkového počtu vyřazených lahvi. Vydělením celkovým počtem

x+Y=
- L:(x, + Y,)
--.
_ ·x- -I'Y-
(315)
směn (80) získáme průměrnou hodnotu 5260 = 65,75.
fl 80

5. Součet kvadrátl' odchylek od
s =L:(x, -:.:)' =minimum
Výpočet aritmetického_můměm z
průměru je minimální Tento postup výpočtu, i když je podstatně jednodušši než z netřiděných dat, lze dále ještě
zjednodušit použitim metody vhodně zvoleného počátkn. Tento postup je vhodný nejen pro
ručni zpracování, ale i při tvorbě různých programů např. v procesoru EXCEL. Jde o postup
bez ztráty přesnosti, pracuje se s transformovanýmí veličinami. Počátek je vhodné umislíl co
(3.16)
nejblíže k hodnotě průměm. Jestliže rozděleni četnosti hodnot je symetrické, půjde o hodnotu
intetvalového rozděleni četnosti s největši četnosti. Budeme postupovat podle transformačního předpisu:

počátek a h je délka intervalu. Postup výpočtu ukážeme v tabulce

•. . -d'l . četností vypočteme podle vztahu (3.11).
Aritmetícký pnlmer z mtervaloveho ro; ':. eom 'ednotlivých intervalech, tyto hodnoty v = x -h A ,kde A je nový
V praxi ale obvykle neznáme hodn~ty pmmerduhv J středy intervalů (třidní znak), a to na
' dh d t N ·častě •• se volt za tyto o ady , , o , . 3.2 na datech příkladu 3.1.
mUSlme o a nou. eJ , . ..., b J ,. é že chyba v urcem prumeru Je
základě snahy o minímalizac~ ~zmkaJ~cl ~I~y t
eřizla~~ Že délky intervalů jsou stejné
odvislá na kvalitč odhadu dl:ClCh P:l m~~Lt osttP ':á sy'metrickou podobu, vzniklá chyb~
u Tabulka 3.2
růměmého očtu v řazen' ch lahví metodou vhodně zvoleného
(neJčasteJsl
.
I' l' t h ba však může výrazně vzrust v pltp
...... d praxI) a ze rozde em ce n o " ade
pnpa v .' .
prlllněru celého soubolu Je z~ra;ldl~ m~ a.•a o c Y'm a posledním intervalu, jestliže tyto
nedostatečné informac~. o pmmerne r~~d~~~~ ~ei.;~~t~ neni symetrické, lze vznikajicí chybu
Počet lahvi Cetnost v, v,n, V/1I~
n,
intervaly JSou ?eohram~ene. pOdk~d , st p vy' počtu ukážeme v přikladu 3.1.
X,

zmenšit korekcI na dany typ roz e em .. o u

P 35 2 -3 -6 18
45 8 -2 -16 32
Příklad 3.1 Výpočet průměru z intervalového rozdělení četností
55 17 -1 -17 17
65 26 O O O
, '" I d 'e na Iněni lahve. Lahve, které nejsou 75 15 1
Při plnění vína do lahvI
-
se vlzualne oS e uJ 't 'hPvY'razenY'ch lahví z 80 směn určete
.. Z . znamu o pac ec
85 7 2
15
14
15
dostatečně naplněny, se ~razuJl. ,e.za 'j ích na 'ednu směnu. V jedné směně se naplm
. 28
95 4 3 12
prllměmý počet vyřazenych l!Jhvl pnpadaJ c . J, h lahví byly utříděny a jsou uvedeny 105 1 4 4
36
přibližně stejný počet lahví.. Udaje o počtu, vyrazenyc 4
E 80 X
v tabulce 3.1. V téže tabulce Je proveden I vypočet. 6 162

Tabulka 3.1 Výpočet pnlměrného počtu vyřazených lahvi za dobu jedné směnv - 6
v=-=0075.
80 '
Tato hodnota není průměrnou hodnotou vyřazeného počtu lahví v pllvodnim rozměnr,
Počet lahví n, X, x,n, x/ni musíme dosadit do transformačního vztaJ1U, odkud dostalleme:
- 40 2 35 70 2450
- 50 8 45 360 1200 x =A + v.h =65 + 0,075.10 =65,75.
- 60 17 55 935 51425
- 70 26 65 1390 109850
Metoda vhodně zvoleného počátku urychluje výpočet(zejména u složitějších
statísltckých metod). Při zpracování je třeba dát pozor na to, aby byly všechny intervaly stejně
- 80 15 75 1125 84375
- 90 7 85 595 50575
dlouhé, pak lze transformaci provést mechanicky, a to tak, že v místě počátku
napišeme lIulu,
ve směru rostoucích hodnot x napíšeme hodnoty 1,2, .... , ve směm klesajícich hodnot x, pak
- 100 4 95 380 36100
- 110 1 105 105 11025
-I, -2, .. , .. Pokud lIa kOllci souboru má interval jinou délku, dosadíme do transformačního
L 80 X 5260 362000
předpisu Tento stav nelze opomenout aní pří
práci na počítači.
Tímto způsobem výrazně
lze
snižit numerické hodnoty (počet nutných číslic
pro další zpracování).Při některých
starších
stahst'ckých programech velké numerické hodnoty vedly í k chybám ve výsledku. Nové
P~ogramy mají tento problémošetřen. Použitím standardních statistických programůse
')Poslední sloupec je určen k výpočtu rozptylu (viz dalši text). vyraz?ě výpočtu,
snížila pracnost na druhé straně
dobré statistické programy jsou 7..atím pro
mnohe fimny neúnosně nákladné, a proto v textu bude ukázán postup výpočtu
bez použití
těchto programů.
speciálních Lze však využít např.
tabulkový procesor EXCEL.
24
25
Geometrický průměr Tabulka 3.3 Plnění plánu v jednotliVÝch závodech

Prostý geometrický průměr určíme jako n-tou odmocninu ze součinu průměrovaných

hodnot. Určující vlastnost geometrického průměru stanoví, že nahradíme-Ii každý Závod Plán v Skutečnost v Procento
1000 Kč 1000 Kč splněni plánu
průměrovaný člen průměrem, pak se součin nesmí změnit.
1. 105024 102587 97,68
2. 12210 12296 100,70
G= ~(]XI (3.17) 3.
4.
6052
5213
7158
5213
118,27
109,26
5. 3988 4025 100,93
Zlogarítmováním dostaneme: l: 132045 131 279 (99,42)

L:logx, .. prům,ěrné.splnění plánu pěti závody je vlastně splnění plánu podniku, proto tuto hodnotu
10gG=--·. (3. I8) urclme z udaJu za podmk:
n
,
Vidíme, že logaritmus geometrického prumeru lze určit jako aritmetický průměr " sklll
logaritmů pJŮměrovaných hodnot. Nutno dodat, že v praktickém využítí geometrického -:- 1 131279
';'--.100% = ---.100% = 99,42%
průměru počítáme výhradně s kladnými čísly, takže vztah (3. 18) má význam. "L..JPlan;
" 132045
1::1

Pomocí geometrického průměru musíme stanovovat průměrné tempo růstu, zde nelze
pn"'měr stanovit pomocí arítmetíckého průměru. V tomto stanovení se velmí chybuje. Nutnost
Vidim~, že ~odnik jak? cel~k plán n.esplnil, ač čtyři z pěti závodů jej splnily, dva závody
použítí geometrického průměru je důsledkem toho, že základ řetězového údaje se neustále dokonce vyrazne. Zdanhve male nesplnem planu prvni ol závodem má však velikou váhu to
mění, a že růst za n období lze vyjádřít součínem daných temp růstu.
pr?to,. že, tento ~ávod se ~ozh~dující měrou podilí na množství produkce celého podniku.
P~meme splně~'. planu p,:t, zavody nelze stanovit jako součet splnění plánu jednotlivými
Kvadratický a kubick)' průměr patří do oblasti mocnínových průměrů, v ekonomické zavody, vyděleny Jejich poetem, nelze tedy použít vztah pro aritmetický průměr:
praxi nemají téměř použití.
, skUL
Průměr poměrných hodnot L:--' .100%
'"' plán, 526 84
5 =-5-'- =105,37%.
Dosud jsme se zabývali stanovením průměrů z neodvozených velíčin, tj. veličín, které lze
zpravidla jednoduše zjistit. Při provádění ekonomíckých rozborů se však často setkáváme
s problémem určeni průměrů poměrných hodnot. Jde nám o stanovení průměrné hodnoty Takto vypočtená hodnota Je průměrem procent splnění plánu, není průměrným
ukazatele pracností, průměrných měrných nákladů, průměrné měrné spotřeby energíí procentem!
a stanovení splnění plánu za vyšší organizační jednotku. Stanovení průměrné hodnoty
u poměrných hodnot ukážeme v příkladu 3.2 na případu splnění plánu podníku, který má , ,U"..edli j~me tak první a základní cestu pro určení průměrného splnění plánu. Často se
5 závodů. st~va, ze zname splnělÚ plánu jednotlivých závodů a máme určit jejich průměrné splnění
pla~u, známe tedy jednotlivé poměrné hodnoty, tato informace však nestačí, musíme znát
Při určování průměru poměrných hodnot se setkáme s využiti ol harmonického průměru. navlc buď hodnoty ve jmenovateli jednotlivých poměrných hodnot nebo hodnoty v jejich
Je to opět oblast, ve které se v praxi hodněchybuje. člI~tell (vahu); Probereme nejprve alternativu, kdy známe jednotlivé poměrné hodnoty a údaje
ve Jmenovateli těchto poměrných hodnot. Musí platit:
Příklad 3.2 Určení splnění plánu podniku za měsíc
~ Sklll,
L,
~ Skl/I,
L , - - ,-pian,
,
Podnik má 5 závodů. Určete průměrné splnění plánu pěti závodů. Plánované hodnoty ';1 .100% = ,&'I plall;
í skutečně dosažené hodnoty jsou uvedeny v tabulce 3.3. V téže tabulce je též uvedeno .100%. (3.19)
splnění plánu v jednotlívých závodech. Lplán, ±Plán,
I I ;=1

pom~odnh°tyhv čítateli
jsme formálně vynásobili a vydělili hodnotami plánu (jmenovatelem
rnyc odnot) Vidíme že vy'sled , t h' '" . . k' ••
poměrn'ch h o d ' '. , ny vz a Je vazenym antmetlc ym prumerem
Y not, kde vahou Je Jmenovatel poměrných hodnot.

26
27
 1/ - počet údajů,
Jiný případ nastává, když známe jednotlivé poměrné hodnoty a údaje v čitateli
poměrných hodnot. Z definičního vztahu pro splněni plánu lze psát. f~, - četnost v intc:rvalu, kdc leží medián ("prostřední interval"),
, , S - kumulat'~nt cetnost v lnt~rvalu, který předcházi intervalu, ve kterém leží mcdiiln,
Lsklll, Lskul, Jde o pocet hodnot, ktery v souhrnu předchází "prostřední interval"
-'=-'--- 100% =----""------ .100% =99,42%. (3.20) I - rozpětí hodnot v "prostředním intelvalu ll. •

"L, pláli, . ~ ---.S

L, plál/, "ClIl,
II skUl,
Z tvam vc vztahu (3.20) vidime, že se jedná o hannonický průměr, kde váhou je čitatel
poměrné hodnoty. Lze zevšeobecnit a stanovit poučku: pomčr poměrných hodnot určíme
pomocí váženého aritmetického průměm, a to tehdy. jestliže známe jednotlivé poměrné
hodnoty a údaje ve jmenovateli. Známe-Ii jednotlivé poměrné hodnoty a údaje v jejich
čitateli, musíme použít harmonický průměr!
3.2 Kvantily (QJ
K vantily jsou střední hodnoty, které dělí soubor na určité části, k %-ní kvantil je
hodnota, kdy tuto hodnotu nebo menší hodnotu nabude právě k% případů z celku. Kvantily
jsou důležitým prostředkem popisu soubom, jejich významné postavení mezi statistickými
mírami je především při využití pravděpodobnostních metod, a to zejména v oblasti
statistického odhadu a testování statistick}'ch hypotéz.
Dalšín~ významným.i kvantily v ekonomické oblasti jsou kvartily - hodnoty, které dělí
soub~r na ctvrtmy. Dolnl kValtl1 Q25, horní kvartil Q75 a prostřední kvartil Q"" kterým je
medl~,n Tyto míry se využívaji v tzv. pyramidové analýze. O této metodě bude pojednáno
v dalSIch dlsclplmach oboru Ekonomiky a řízení chemických a potravinářských podniků.
Jinými používanými kvantily jsou pentily, které dělí soubor na pětiny, decily, dělící
soubor ~a desetmy a percentl~y, ty děJi soubor na setiny. Výpočetni vztah těchto kvantilů je
obdobny Jako vztah (3.21). Mlsto polovmy soubonl se vezme jeho daný podíl.
3,3 Modus (mo,)
,~od?s je h~dnota, kt~rá ~ná největší četnost, je tedy nejčetnější hodnotou. Určeni modu
se va~e, vyhr~dne na ~'ozdelelll čelností. Statistický význam modu neni stejný pro diskrétni
a spoJlte vehcmy. U dIskrétních veličin je modem ta hodnota, která má největši četnost. Tato
hodnota Je z rozděleni četností zřejmá.

V popísné statistice, při hodnocení souborll v ekonomické oblasti se využívá především U spojí~ý~h ;eličín, u inte,:"alo~éh~ rozdělení četností, určení modu vyžaduje
50% kvantil. Této hodnotč je vymezen zvláštní název, a to medián. Je to hodnota, která dělí aprox,mallvm vypocet. Pro praktlcke vyuz,tl Je dostatečný lineární aproximativní vztah:
soubor na dvě poloviny. Je to míra vhodná při popisu úrovně souboru zejména v těch
případech, kdy chybí kvalitnější informace o okrajových hodnotách v souboru, neboť je to _ x )/, + x JI,
mira, která nereaguje na extrémní hodnoty. mo - -D- - - -H- - > kde
x /I, +//, (3.22)

Medián stanovujeme jednak z uspořádaných hodnot podle velikosti, jednak z rozdělení

XD - dolni mez nejčetnějšího intervalu,
četností. Principem je nalezení prostřední hodnoty. Tuto hodnotu u lichého počtu údajů
x/{ - horní mez nejčetnějšiho intervalu,
nalezneme jako 1/ + I _ tou hodnotu. Jestliže určujeme hodnotu mediánu ze sudého počtu /I, - rozdíl mezi největší četnosti a četností v intervalu, který předchází nejčetnější,
2
R, - rozdll mezI neJvětši četností a četností v íntervalu, který jej následuje.
měření z uspořádaných hodnot podle velikosti, pak za medián budeme považovat hodnotu,
kterou určíme jako arítmetický průměr ze dvou hodnot, které se nejvíce přibližují mediánu.
Označime-li rozdíl XII - xI) = i, lze dosazením do vztahu (3.22) pSál:
Máme-li tedy k dispozici 50 měření, mediánem bude hodnota s pořadovým číslem 25,5. Její
hodnotu určíme jako průměr z hodnot, které jsou v pořadí na 25. a 26. místě.
_ i.R
moz-xD + - - I
,
Poněkud složitějšíje výpočet mediánu ze skupinového rozdělení četností. V tomto R, +11" (323)
případě již neznáme jednotlivé hodnoty uvnitř každého intervalu, a proto předpokládáme, že
jejich růst je v každém intervalu rovnoměrný. Výpočet mediánu pak provedeme interpolací, 3,4 Střed rozpětí (C)
nejčastěji podle vztahu:
Střed rozpětí je definován jako polovina ze součtu nejmenší a největši hodnoty:
'!..-s
1
mex = x D +1 . fl- , kde (3.21) c = xlnIQ + xlllll.'t
p
2 (333)

Tato mira se využívá v některých připadech při statístické regulaci výrobniho procesu.
XD - dolní mez intervalu, kde se nacházi medián,

28
29
3.5 Vztah mezi aritmetickým průměrem, modem a mediánem Dodatek ke 3. kapitole

Jestliže zkoumané veličiny sleduji symetrické rozděleni, je zreJme, že hodnota Vztah mezi aritmetickým, geometrickým a harmonickým průměrem
aritmetického průměru, mediánu i modu je stejná. Jestliže v jednovrcholovém rozděleni
četnosti nejprve četnosti stnněji rostou a po dosaženi maximální četnosti volněji klesaji, Odvození vztahů je provedeno d
mluvime o levostranném rozděleni četností. V tomto připadě modus leží nalevo od mediánu Hodnoty a a h mají stejné znaménko. pro va prvky. Závěr lze zobecnit úplnou indukci.
a ten nalevo od průměru. Je to proto, že na obou stranách od mediánu leži stejný počet
případů, avšak levá část je rozprostřena na kratšim úseku než pravá, proto také modus musí (a-h)'~o,
ležet v levé části. U pravostrannébo rozdělení čelnosti naopak platí vztah: a' -2ah+h' > O
a'+2ah+h' ;4~h,
(3.34)
(a+h)' ~4ah,
a+h r
Přiklad 3.3 Určení středních hodnot -->-vah
2 - .
(3.35)
Určete středni hodnoty měrných spotřeb elektrické energie při výrobě karbidu vápniku na
základě hodnot uvedených v tabulce 3.4. Měrné spotřeby představují spotřebu elektrického Vidíme, že a:j~etický průměr není menší než průměr eometrick'
proudu v jednotlivých výrob nich dávkách, těch je hodnoceno 182. vztahu (3.35) vydehme hodnotou (a+b), tím dostaneme g y. Dále obě strany

Tabulka 3.4 Měrné spotřeby elektrícké energie při výrobě karbidu vápníku a+h~ 4ab
a+b'
Měrná spoti'eba Cetnost Kumulativní v, VIIi a+b 2ab 2
el. energie n, četnost --~--=--
(kWh/ko CaG,1 2 a +b .!. +.!. (3.36)
do 3,56 3 3 -3 -9 a h
· 3,60 8 11 -2 -16
- 3,84 50 61 -1 -50
Aritmetický průměr je tedy větší nebo roven průměru harmonickému
- 3,68 60 121 O O
vztahu (3.35) vydělíme výrazem (a+b)', dostaneme: . Pokud obě strany
· 3,72 42 163 1 42
· 3,76 15 178 2 30
· 3,80 4 182 3 12 I~ 4ab
(a + b)' vynásobíme výrazem a.b,
L 182 X X 9
4a'h'
ah ~ - - - odmocněním dostaneme
~+~' ,
x= 3,662 Získáno postupem jako v příkladu 3.1.
.fab ~ 2ab = _2_
a+b 1 1 (3.37)
91-61 -+-
me, =3,64+0,04'60=3,660, a b

Tím jsme dokáz

a
rI, ze
. h armomcky
'"
pruměr neni menší než geometrický průměr.
10
mo, =3,64 + 0,04 28 =3,654. Součet kv d ' . d
{. . a ratu o chylek od průměru je minimální

Protože mo, < me, < x lze dané rozdělení četností považovat za levostranné. Jelikož Hledáme odpověd' na otázku d kl .' I d ' •
však rozdíly mezi uvedenýmí středními hodnotami jsou velmi malé, dané rozdělení četností tedy hledáme přislušnou h d Ao ele 10 noty Je soucet čtverců odchylek minimální
o notu ze vztahu '
lze považovat z praktického hlediska za symetrické.
/ = L (x, - A)' = minimum,
Poznamenejme ještě, že X není průměrnou měrnou sp€ltřeboll, ale průměrem z měrných (338)
spotřeb. Pro určení průměrné měrné spotřeby el. energie je třeba ještě znát váhu, tj.
buď údaje v čitateli nebo jmenovateli měrných spotřeb.
(3.39)

30
3t

Tato podmínka je splněna pokud A =
průměru.
Kontrolní otázky a úlohy
4. MÍRY VARIABILITY
x, což plyne z určující vlaslnosti aritmetického
V předchozí kapitole jsme poznali první míry, které popísují soubor dat, a to jeho úroveň.
Tyto míry však obvykle nestačí k hodnocení zkoumaného jevu. Je sice pravda, že ze vztahu
mezí průměrem, modem a medíánem si dovedeme zhmba představit tvar rozdělení četností,
ale tato ínformace v praxi nestačí. Je nutné definovat míry, které by popísovaly proměnlivost
hodnot, tedy variabilítu, z druhé strany můžeme hovořít o homogenitě souboru.

3.1 Charakterizujte základm vlastnosti geometrického průměru Tyto míry, které nazýváme míramí varíability či mírami měnlívosti, vyjadřují též
3.2 Charakterizujte pravostranné rozděleni četností • .• . stupeň stejnorodosti neboli homogeníty statistických údajll. Nutno konstatovat, že míry
3.3 Na základě dat tab. 3.5 stanovte průměr, modus, medián. Určete t~p ~oz~elen~ cetnostl. varíability mají vedle středních hodnot největší důležítost. Mnohá praktická zkoumání
Dále stanovte podmínky, kdy prirměr ze zadaných hodnot bude pmmernym vykonem.
souvisejí právě se zkoumáním zdrojů variabílíty hodnot.

Tabulka3.5 Rozděleni četo"stí výkonu zařizení 4.1 Variační rozpětí R

Výkon . Četnost
Variaění rozpětí (často zvané krátce pouze rozpětí) je nejjednodušší mírou varíabilíty.
(kg/hod) A B C Je definováno jako rozdíl mezi největší a nejmenší hodnotou souboru, tedy:
1440· 2 - 2
1460 - 9 - 9 (4.1)
1480 - 13 - 13
1500 - 18 2 20
30 7 37 Jíž z uvedené definice vidime největší přednost této miry, a to jednoduchost výpočtu.
1520 -
1540 - 28 18 46 Nevýhodou této míry je skutečnost, že je odvíslá pouze od dvou, a to extrémních hodnot.
18 9 27 Tedy jedíná extrémní hodnota zvýší velikost varíačního rozpětí. Z této skutečnosti vyplývá
1560 -
15 12 27 í použití této míry. Lze jí doporučít pro hodnocení varíabílity malých souborů, souborů do
1580 -
1600 - 4 20 24 rozsahu 15 měření, lépe však do lO měření. Tyto případy jsou stále ještě významné např. při
10 17 uplatnění statistícké regulace výrobního procesu. O statístické regulací bude pojednáno
1620 - 7 -
1640 - 1 9 10 v kapitole 14.
1660 - 1 8 9
1680· - 4 4 4.2 Kvsntilové rozpěti RJO(J..li

1700 - - 1 1
146 100 246 Pří snaze využít numerickou jednoduchost variačního rozpětí a při potlačení vlivu
L
extrémních hodnot se používá kvantilové rozpětí, které je dáno rozdílem dvou kvantilů,
obvykle symetricky rozdělených ve vztahu k mediánu, definujeme jej ve tvaru:

11'00 2i = Q,oo , - Q, , kde (4.2)

QlIJO.' a Q, představují horní a dolni kvantil.

V ekonomické oblasti častým případem kvantilového rozpětí je kvs.1ílové rozpětí, jde

o rozdíl horního a dolního kvartilu:

. V technické praxi mezi nejpoužívanější patří 99% , 95% a 90% kvantilová rozpětí. Tato
otázka bude probrána v kapitole, pojednávající o statistickém odhadu.

32 33
4.3 Průměrná odchylka a Výpočet podle vztahu (4.5) dovoluje využít metodu vhodně zvoleného počátku. Při
Při snaze do míry variability zahrnout všechny prvky souboru dospívá~e k m~ře,v ve přepočtu do původních veličin stačí směrodatnou odchylku zvětšit c-krát, což vyplývá
které sčítáme všechny odchylky naměřených hodnot od určité hodnoty, neJčasteJI od, prum:,ru, z předchozích dvou vlastností rozptylu.
někd od medíánu. Protože součet všech odchylek od průn:ěru j,e .r~ven n~le, mUSlme sCI~at
tyto ;ozdílY v absolutní hodnotě. Protože velíkost tohoto souctu zavlSl na poctu hodnot, soucet Připomeňme zde ještě vlastnost, že rozptyl kolem průměru je minimální, což bylo
vztahujeme na jedno měření, tedy: dokázáno v předchozí kapítole.

~Idl - L~~ Z vlastností směrodatné odchylky uveďme ještě skutečnost, že v íntervalu (x ±k.s) leží
Ci = =L,,-Ix,,-,--,xl _'--
__ , pro utřiděná data pak d = - - - . (4.3)
n n ' n alespoň (I - -;-).100% hodnot hodnoceného souboru, ať je jeho rozdělení četností jakékoli.
k
Jestlíže výpočet provádíme ze skupinového rozdělení, četností, hodnotu p~měrné Půjde-Ii o jednovrcholové rozdělení četností, pak jich bude alespoň (1- __I_,J 100''/0.
odchylky určíme váženým aritmetickým průměrem z absolutmch hodnot odchylek, vahc:u J~ 2,25.k
četnost. Takto lze postupovat u absolutních údajů, ,u poměrných hodnot Jde opět o vazeny Veličína k se obvykle volí 2 nebo 3. Tato vlastnost plyne z Čebyševovy nerovnosti 2. typu
aritmetický průměr, ale váhou je jmenovatel poměrne hodnoty. a bude dokázána v kapítole ll. Jde o významnou vlastnost, které se používá k hrubému
posouzení správnosti výpočtu směrodatné odchylky a dále pak ve statistické regulaci
4.4 Rozptyl (?) a směrodatná odchylka (s) výrobního procesu (viz kapitola 14).

Jinou cestou jak překlenout skutečnost, že součet ,odchyl~k ?d průměru je roven nule, je V poslední době je rozptyl definován výrazem, kdy ve jmenovatelí nevystupuje počet
umocnění odchylek na druhou. Získáme tím míru, ktera se nazyva rozptyl. měření II, ale velíčina (n -I) nazývaná počet stupňů volnosti. V tomto textu se přidržíme
z praktických důvodů definice s počtem měření n. Tím se nám některé vztahy poněkud
2 L(X' _X)2 (4.4) zjednoduší. V oblasti statístického odhadu bude tato otázka diskutována a bude tam též
sr = n vysvětlen význam novější definice. Na tuto skutečnost je třeba upozornit s tím, že na
Tento vztah lze upravit na zpravidla výhodnějši výpočetní tvar: kalkulačkách je námi definovaná směrodatná odchylka pod označením o.

LX~ -2 Příklad 4.1 Výpočet rozptylu a směrodatné odchylky

=---x =
n
Určete rozptyl a směrodatnou odchylku na základě dat z příkladu 3. 1

2 -2 (4.5)
=X r -x S.
2
=362000 _ 65,752 =4525 _ 4323,06 =201,94,
80
Směl"Odatná odchylka je kladnou hodnou odmocniny z rozptylu, tedy:
sr = 14,21.
(4.6)
Při použití metody vhodně zvoleného počátku dostaneme:
Nyní poukážeme na dvě významné početní vlastnosti rozptylu.
2 162
s. =80 -0,075 2 =2,025 - 0,005625 =2,019375
1. Rozptyl se nezmění, jestliže ke každé hodnotě připočteme konstantu c, neboť:
s. = 1,421 .
(4.7)
n Využitím vlastností rozptylu dostaneme:
kr' 2
2. Jestliže každou hodnotu vynásobíme konstantou c, hodnota rozptylu vzroste c at. 2
S. =h 2oS. 2 =100.2,0194 =201,94,
s. = 10.1,421 = 14,21.
L(CX, _ci)2 _c 2 ~(x, _X)2 =s; (4.8)
fl 11

34 35
4.5 Variační koeficient lIx .., Soubory ,:,.ěření ,vy~azuji vlastnč stejnou variabilitu, ale variační koeticienty se znacně
hSI podle pouzlte merne, Jednotky.. V případě, že se hodnota plůměru blíží k nule, znacně
Všechny dosud ukázané miry variability jsou miry, které mají ráz absolutnich ukazatelů naroste hodnot~, va?ačmho koefi,clentu. Je zřejmé, že častá tvrzeni, že pokud je variační
a závisejí na měrné jednotce, ve které variabilitu měříme, pak do jisté miry je ztiženo koeficIent mensl nez 0,05, Je dany soubor homogenní, je přinejmenším diskutabilní.
porovnáni variability u různých sledovaných souborů. Proto se definuje poměrná mira
variability - variační koeficient, který porovnává směrodatnou odchylku s průměrem, tedy: . Obdo,bně ~1U,sím.e být opatrní ~ři hodnoceni poměrné průměrné odchylky, definované
Jako pomer prumerne odchylky a pruměru:
Sll
v.x=-=-. (4.9)
X
(4.10)
Protože směrodatná odchylka i průměr mají stejný rozměr, zdá se, že variačni koeficient
nebude na rozměr citlivý. Tedy budeme-Ií porovnávat dvě měřici metody, přičemž první 4.6 Určení celkového rozptylu ze skupinových rozptyll.
vykazuje menší hodnotu variačniho koeficíentu než druhá, zajímá nás, zda pIvní měřici
metoda dává přesnější výsledky než druhá. Bylo by tomu pouze tehdy, jestliže průměry Představme si úlohu, kdy zkoumáme výtěžky reakce při použití rllzných katalyzátorů.
v obou souborech by byly stejné. V praxi tomu tak ale vždy není. Variační koeficient je totiž Bylo provedeno /I, měřeni pro první katalyzátor, zjištěna hodnota průměru X, a také rozptyl
závislý na velikosti své báze, tedy hodnotě průměru. Tato skutečnost bude patmá z dalšího SI" Potom postup opakujeme pro druhý, třetí až k-tý katalyzátor. Ze ziskaných hodnot
ilustrativniho přikladu.
průměrll pr?jednotlivé kat~IY::átory (sknpinové prilměry) a rozptylů (skupinové rozptyly)
chceme, urclt celkovy prurner a rozptyl souboru výtěžků bez ohledu na použitý typ
Příklad 4.2 Porovnání variabílilY..i1QmOci variačních koeficientů katalyzatoru.

Porovnejte variabilitu teploty, měřenou v různých jednotkách.

Určení celkového průměru (průměru výtěžků) určíme na základě poznatk!1 z kapitoly
pojednávající o středních hodnotách (kapitola 2) jako:
Tabulka 4.1 Tabulka naměřených hodnot, porovnáni varíačních koeficient!l k

LXi/l,
Číslo x, ťC) X, (K) X3 ťF) x= '-:1 _
měření /I
1. ·5,2 268,0 22,6
2. ·3,7 269,5 25,3 Ozna~me rozdíl skupinového průměru a celkového průměru symbolem z , tedy
3. ·1,4 271,8 29,5 Zl = Xj -x.
4. '1,0 272,2 30,2
5. ·0,8 272,4 30,6
Celkový rozptyl pak určíme ze vztahu:
6. 0,1 273,3 32,2
7. 0,9 274,1 33,3
8. 3,4 276,6 38,1 (41 I)
9. 3,7 276,9 38,7
10. 4,2 274,4 39,6
x, 0,02 273,22 32,04 (4.12)
s, 29,671 29,671 53,200

148,355 0,0101 0,1672 S2=S::!+Zi

v, x , ,
(4.13)
tedy celkový rozptyl určíme jako součet průměru skupinových (dílčích) rozptylů ( s,')
Z tabulky je vidět, že variačni koeficient vykazuje u jednotlivých souborů značně ,
rozdílnou hodnotu, i když jde v podstatě o tři stejné soubory dat, o vyjádření teploty
. Ln,z,' L(x, -x)'n,
v různých stupnicich dle známých vztahů: a rozptyl skupinových (dílčich) průměrů z,' , nebot' 2 ,-,I
Zl = -- = . - - - - - - má tvar
n n
n'C = (273,2 + n)K , rozptylu, ale jde o skupinové prllměry.
5
n'C = (32 +-n)' F. Q 'hje symbolem pro celkovy' souce
't"t • vyd
c vercu, e"
emI poclem
'" ._, /1 vede k určeni.
merem
9 ce Ik OVe o rozptylu Ve r"" Q
k I '. . ve Icme ,se promitá součet čtverců způsobený druhem
ata yzatoru mluví se o so 't čtv • , .
, IIC II erCII mezI skuplllamí, v hodnotě Q, sOllčet čtverc!1 uvnitř

36
37
skupin. Ten představuje variabilitu způsobenou všemi ostatnimi faktory kromě katalyzátoru.
V praxi se obvykle urči Q podle upraveného vztallU a Q, rovněž podle upraveného vztahu,
veličina Q, se dopočte. Výpočet lze urychlit využitim procesoru EXCEL nebo využitím
speciálních programů ANOVA (ANALYSIS OF VARIANCE).
Pro zevrubné hodnocení lze vztahy (3.11) a (3.13) vyjádřit v procentech, část připadajici
na složku mezi skupinami pak vysvětluje vliv působeni katalyzátoru. Přesnějši hodnoceni,
a to i s ohledem na existenci náhodného koUsáni bude popsáno v kapitole 16.
Dá se říci, že ze 20 měření zhruba 25% připadá na rozdílnou práci pracovníků a 75% na
rozdílnou variabílítu vstupujícího materiálu. Ke zevšeobecnění je třeba využít úplnou analýzu
rozptylu, viz kapitola 16.
V tabulce 4.4 ukážeme výpočet pomocí vhodně zvoleného počátku a využitím vztahů
(4.20) a (4.21). Je použito transformace v = (x, - 54,0) 10.

Příklad 4.3 Určeni celkového rozptylu ze skupinových rozgtylů Tabulka 4.4 VÝPočet veličin pro aJJalýzu rozptylu

Na základě údajů z tabulky 4.2 určete rozptyl váhy pláště pneumatiky způsobený
rozdílnou praci pracovníka (konfekcionéra) a rozptyl způsobený nehomogenitou karkasy
Měření v, v, , v, v, ,
1. 2 4 -5 25
(kordová vrstva pneumat.iky).
2. 14 196 2 4
Tabulka 4.2 Váhy pláště gneumatiky u dvou pracovníků
3. - - 6 36
4. 2 4 12 144
5. 4 16 -2 4
Měřeni Pracovník 1. Pracovník 2.
6. 15 225 -8 64
1. 54,2 53,5
7. 16 256 -2 4
2. 55,4 54,2
3. 54,0 54,6
8. 20 400 - -
9. - - -1 1
4. 54,2 55,2 10. 1 1 -1 1
5. 54,4 .53,8
~ 74 1102 1 283
6. 55,5 53,2
5476
7. 55,6 53,8 (Lv,)' X 1 X
8. 56,0 54,0
9. 54,0 53,9
10. 54,1 53,9 Q=1102+283 __(74+1)' =110375
~ 547,4 540,1 20 ).
x, 54,74 54,01

s,
, 0,5544 0,2829 74' + I' (74 + I)' = 266 45
Q, = 10
20 "

Q, =1103,75-266,4=837,3
Po určení skupinových pruměru a skupinových rozptylů Usou již v tabulce uvedeny)
přistoupíme k vlastni výpočetní tabulce (lze i pohodlně provést v EXCEL).
V % dostaneme stejný výsledek lj. 24,14% + 75,86% = 100%.

Tabulka 4.3 Výpočetní tabulka analýzy rozptylu

Dodatek ke 4, kapitole
Pracovník x, , , z,
, ,
/li s, /ljS; Z, njzi Odvození vztahu Q~QLii2J
1 54,74 10 0,5544 5,544 0,365 0,133225 1,33225
2
~
54,01
(54,375)
10
20
0,2829
X
2,829
8,373
-0,365
X
0,133225
X
1,33225
2,6645
Q = /lS; = i; (x, - x)'.
, I

• K tomuto součtu můžeme dospět postupným načítáním čtverců rozdílů od celkového

Q=2,664 + 8,373 = 11,037, pruměru po Jednotlivých skupinách:
24,14% + 75,86% = 100"10,
mezí uvnitř celkem.

38 39
 ~ ~1~ n (4.14)
Q=L(X'-X)'+ L(X'-X)'+"'+ L(X'-x)'
I=-I I=-I~II t·n,lnlt.+nAl~l

V první skupině je průměrná hodnota X" pak můžeme psát:

''1 '" '" (4. I S)

= L(X' -x,)' + L(X'-'X)' +2L(X' -x,)(x, -x)=
i"-I

="ISI
, +Il I Z 1
, +0, neboť
,,-1 ''"1
(416)

,
L(X' -x)' ')' 'n "
( _2~~X"~~X"+l~t.Xlj ('n)'
s',-
- .!',~,,-'- - -
/ll
a
=±_~_"'/lX~ =
1=-1 n.k Il.k

L, (x, - x, )(X, - x) =z, L' (x, - XI) = Z,.O =O v důsledku vlastností prl,měru
".1 ,-1

(421)
Obdobně pro druhou skupinu platí:

(4.17)
Kontrolní otázky a úloh)'

· , kde v = !_::--.'
4.1 Dokažte, že platí vztah s x='h.s h i. .
a pro k-tou skupinu pak: 4.2 Co rozumíte veličinou ll",. Jak $e určí tato hodnota?
(4.18)
"
L(X, - X)2 = nks; + J1 kZ; . 4.3 Určete průměr a směrodatnou odchylku na základě dat z tabulky 4.S.
'_III '111+' +n!_l
Tabulka 4.5 Rozdělení četností
Dosazenim do vztahu (4. \4) získáme závěrečný tvar:
X Ilx Y Ily
, , 2
(4.19) 2,10 5 5,20 1
2
I1S :::: "" 11 S2
L...Jlt + "" n.z
L...JII· 2,15 16 5,30 8
,,,1 ,,,1 2,20 28 5,40 29
2,25 49 5,50 36
Yýpočet veličin O a O, v případě k-$kupin a stejného počtu měření ve skupině ll. 2.30 21 5,60 33
2.35 14 5.70 20
Ze vztahu (4.5) lze psát: 2,40 9 5,80 11
2.45 3 5.90 7
~. (~
S2=~-
x
~ )'
~ ~Q="'X2_~~
N N
)' L..' N
při N =/l.k, (420) 2,50
2.55
1
2
6,00
6.10
5
4
1: 148 X 154

měrné náklady na výlísek v Kčlks

X -
y • obsah vody v surovině v.,
, .. '

~I
40
 5. METODY ZKOUMÁNÍ ZÁVISLOSTÍ
u č t růměrnou hmotnost a směrodatnou
4.4 Při balení výrobku se sledujeljkeh04h6m~t~?~tJ:e t~e~ae:průměru navažovat, aby byl splněn
odch lku na základě dat tabu y .. o I ?
poža~avek, že minimální hmotnost nesmí klesnout pod 250 g . V předchozích dvou kapitolách jsme poznali základní statistické míry, které popisují
soubory dat. Ty10 míry rovněž, jak uvidíme, nacházejí uplatněni při zkoumání působení
Tabulka 4.6 Rozdělení četností hmotnosti baleného výrobku jedněch veličín na veličiny jiné.

Cetnost Metody zkoumáni závíslostí jsou metody, které umožňují posoudít vztah mezi
Měřeni Hmotnost
x, n, proměnnými velíčinami. Proměnnou veličínou rozumlme libovolnou měřitelnou
1. 248 4 charakteristíku, která může nabývat různých hodnot v důsledku své proměnlivosti. Takovou
2. 249 7 25 veličinou může být obsah účinné látky v surovině či produktu, teplota v reaktoru, počet
3. 250 24 odpracovaných hodin, měrná spotřeba suroviny, náklady na výrobu, tedy veličiny technické
4. 251 56 i ekonomické. Konstantními veličínami jsou pak ty, které se neměni. Setkáváme se s nimi ve
5. 252 60 spojitosti s proměnnými veličinami např. v plánovaném experimentu.
6. 253 50
7. 254 38 Proměnné veličiny z praktických důvodů budeme dělit do dvou skupin, a to na:
8. 255 5 nezávisle proměnné veličiny,
9. 256 2 závisle proměnné veličiny.
10. 257 2
X 248 Nezávisle proměnnými veličinami se obvykle označují takové proměnné veličiny, jejichž
L
změna má za následek změnu jiných veličin - závisle proměnných veličin. Kvalita suroviny,
měřená např. obsahem účinné látky, vyvolává při reakci změnu v kvalitě produktu, ve
velikosti měrných nákladů na suroviny ve výrobě, proto ji zpravidla považujeme za nezávisle
proměnnou veličinu; kvalitu produktu, měmé náklady pak za závisle proměnnou veličinu. Při
řešeni úloh v praxi je stanovení nezávisle proměnné veličiny a závísle proměnné veličiny
dáno otázkou praktického přístupu k řešenému problému. Při zkoumání vztahu mezi
spotřebou suroviny a velikosti produkce je sice zřejmé, že produkt vzniká ze suroviny, ale
v praxi nás často zajímá otázka kolík suroviny si musíme opatřit, abychom splnili požadovaný
objem produkce, tedy spotřebu suroviny budeme považovat za závisle proměnnou veličinu.

V následujícím textu budeme zatím označovat nezávisle proměnnou veličinu

symbolem x, závisle proměnou veličinu symbolemy.

Ke zkoumání závislostí lze principiálně volit jeden ze dvou přístupů. Dle prvniho
přístupu můžeme stabilizovat nezávisle proměnné veličiny na určitých, předem zvolených
úrovních. Pří těchto úrovních provádíme experiment. Pří tomto postupu lze záměrně volit
úrovn.ě jednotlivých veličin (faktorů) podle vhodného schématu, mluví se o plánovaném
expenmentu nebo o experimentálním přístupu. Tento přístup dovoluje nalézt takovou strategii
experimentování, abychom co nejrycWeji a co nejhospodáměji popsali hodnocený jev či
proces a hledalí optimálni řešení, např. vzhledem ke kvalitě produktu, výkonu zařízení nebo
měrných nákladů. V našich podmínkách je tento způsob zkoumání závislosti zatím omezen na
laboratorní zkoumání, výjimečně na zkoumání v poloprovozním měřitku.

I D~ým přístupem je pozorování prosté. U tohoto způsobu se omezujeme jen na

edov~ h~noceného jevu, bez aktivního zasahování do něj. Tímto způsobem postupujeme
I tehdy, JestlIže zkoumání provádíme z archivovaných údajů.
,
m ' podle obecnost', m"uzeme děl'tt d o dvou kategont.
Závislosti "P ' tvon
rvol .. zavls
. , IoSÍl.
.t~m.hcké, někdy též zvané funkčni, pevné. Pro ty10 závíslosti je příznačný pevný vztah
mez. záVIsle a nezávísle proměnný mí veličinami. Jsou-li známy hodnoty nezávisle

43
42
proměnných veličin, je tím determinována hodnota závísle proměnné veličiny. S těmito
závislostmi se setkáváme při popisu základních přírodních zákonů např. ve fyzice či chemii. funkce). Jde o takové urcení konstant ab S e ' .
naměřeným hodnotám. Tuto úlohu lz~ řeŠ;t ,regresnl !unkce co nejvíce přibližovala k
I
Jako příklad lze uvést dráhu volného pádu s = - gť nebo stavovou rovnici ve tvaru definovat "nejlepší přiblíženi" Za ne'č tV'V' kr ruznym zpusobem podle toho, jak budeme
2 . . , J as ejSI Itenum se pov 'I
odchyeI k naměřených hodnot v' "
od h d .' azUje nlllllma ni součet čtverců
pV = RT. Pří formulací těchto zákonů hraje hlavní roli abstrakce a exístence ideálních stanovení regresních konstant je ~ not n~ funkCI ~regresním modelu). Tato metoda
podmínek, které v praktickém denním životě nebývají splněny. Tím dochází k tomu, že pro Stanovení regresních konstant se čas:Onlal~a, ~o ozn~č~ll1m metoda nejmenších ."tverců.
stejné hodnoty nezávisle proměnných veličin dostáváme poněkud rozdílné výsledky, dokonce azyva vYlovnanlm.
celé jejich rozdělení četností. Je to dáno mimo jiné tím, že na výsledek působi i existence Vyrovnání přímkou (lineární vyrovnání)
náhody (působení náhodných jevů). Těmto závislostem říkáme závislosti statistické,
stochastické, korelační či volné. Korelační závislost hodnotí vztah mezi reálnými Vyrovnání přímkou lze formulovat jako úloh k '..
proměnnými, je prostředkem pro zkoumání přičinnosti mezi zkoumanými veličinami. takovou, která by se co nejvíce přiblížila k nam ěV~' dl' me~' vsemI přímkami hledáme
nejmenších čtverců lze kritérium Corm I t renym hodnotam. Podle požadavků metody
Pří vlastnilO zkoumání závislosti se setkáváme se dvěma úkoly. Prvním je úkol ,'egresní, u ova matemat.ckym vztahem:
což je úkol, jehož cilem je odpovědět na otázku, co se stane se závisle proměnnou veličinou,
jestlíže nezávisle proměnná veličina (nezávisle proměnné veličiny) nabude určité hodnoty. / = L" (Y, - Y,)' = minimum, kde
Řešením tohoto úkolu se zabývá regresní analýza.
1.=..1
(5.1)

Výsledkem regresní analýzy je regresní model, který může mit podobu grafu či nejčastěji / - kriteriální funkce
podobu matematického předpisu. V případě matematické závislosti by tento model byl y, - výsledek i-tého měření závisle proměnné I'"
1': h d tl'" ve lemy y , .
modelem jediným, k jeho tvorbě by postačilo jen tolik měřeni, kolik má takový model ,- o no a eZlCI na regresnim mod I " .:
/I _ počet měření. e u pro I-te měrem nezavlsle proměnné veličiny x"
konstant. V praxi se setkávám s korelačními závislostmi, a proto musíme řešit i druhý úkol,
úkol korelační. Tento úkol odpovídá na otázku, do jaké míry je regresní model konsistentní
se skutečností. K řešení tohoto úkolu se využívá korelační analýza. Korelačni analýza, Jak známo ze základního kursu matematik" .
body, neboli stanovením konstant a y, pnmku lze jednoznačně vymezit dvěma
zejména při pravděpodobnostním přístupu k řešenému úkolu má blízký vztah k analýze vztahem: ,., a b,., Tvar regresní přímky můžeme tedy popsat
rozptylu.

5.1 Párová regresni analýza Y=a>a +b )~..

x
(52)
Párová regresni analýza se zabývá tvorbou regresního modelu pro případ jedné závisle Na zákl adě prmelpu
' . metody nejmenších čtv ' v.

proměnné veličiny a jedné nezávisle proměnné veličiny. S tímto případem se v praxi (S. I), odkud dostaneme: ercu vztah pro pnmku dosadime do vztahu
setkáváme velmi často. Stači vzpomenout posouzeni vztahu mezi výkonem výrobního
zařízení a spotřebou elektrické energie nebo mezi spotřebou suroviny a množstvím vyrobené •
produkce. / = L(Y, -a,., -b_.x)' =minimum
fl ..- .
(S.3)
Nejjednodušším regresním modelem je spojení skupinových průměrů v připadě, že
Hledání "nejlepší přímk " I d '
nezávisle proměnnou veličinu utřídíme do skupin, pro každou skupinu stanovime průměrnou proměnny'ch a~. b~. x) y ze te y formulovat jako hledání minima funkce (S -3) d ~u
hodnotu závisle proměnné veličiny a ty graficky spojíme. Vzniklá čára se nazývá empirická
čára regrese. Tento způsob popisu regresního vztahu má svou přednost v jednoduchosti
Můžeme tedy psát:
a v tom, že nejsme vázáni na určitý typ matematického předpisu. Na druhé straně tento model
neumoži\uje dobrý odhad hodnot závisle proměnné veličiny. Tento způsob tvorby regresního Oj •
modelu není proto příliš rozšířen. Regresi proto častěji vystihujeme regresní funkcí, fu =2L&,-a,.,-b_x)(_I)=O
matematickým modelem. Při tomto způsobu řešeni zadaného úkolu z oblasti zkoumání ~ ,- •I~I ,
(S.4)
závislostí musíme nejprve rozhodnout o druhu modelu. Toto rozhodnuti lze provést na
základě zkušeností, na základě teoretických úvah, studiem literatury o řešeném problému
nebo z obrazu naměřených údajů. V dnešní době některé programy vypočtou vedle sebe řadu
regresních modelů, v dalším kroku se vybírá "nejvhodnějši" z nich. Tento způsob je (S.S)

-rv~:~~~~~~~ý;~;r;hk~;;j;;~;T;;:~h;;k,:;-;r;;;:;;;-::::=::;-;=~---:-----:-_
mechanický, může vést k nevhodnému výběru modelu, a proto jej nelze obecně doporučit. .'mněme si, že proměn
' . ..
(hledáme takové, aby regre~~:n~r;;~ hledán,í minima funkce/jsou regresní konstanty a a b
Po volbě regresního modelu (matematické funkci) je třeba specifikovat konstanty ty JSOU pevnými hodnotami. ce nejlepe vyhovovala danému kriteriu), nikoli led; x, ~"
v daném modelu, těmto konstantám říkáme regresní konstanty (parametry regresni

44
4.\
 Snadno nahlédneme, že obě derivace druhého řádu jsou kladné, tedy nalezené řešení bude
skutečněmínímem.
(5.12)
Získané rovnice upravíme na tvar tzv. normálních rovnic:

" "
I>, =n.ay,+b,,,·I>,,
1"'1 1"'1
(56) nebo využítím znalostí regresniho koeficientu b", a dosazením do první nonnální rovnice,
II n /I čimž dostaneme:
Lx,.y, = a""Lx, + b""L x,' . (5.7)
1:=1 ,,,,1 ,,,,I
" "
LY, -b",Lx,
Z těchto nonnálních rovnic určíme obě regresní konstanty, větší význam má regresní a)7: =-'='----'.3..-=;;-b
Jl )'%.
X. (5.\3)
konstanta b", u přímky označovaná jako regresní koeficient. Tato veličína vyjadřuje velikost
změny závísle proměnné pří změně nezávisle proměnné veličiny o jednotku. Tímto jsme stanovili hodnoty regresruch konstant. Větší váhu má regresní konstanta b""
Řešením normálních rovnic např. pomocí determinantů dostaneme vztah pro regresní která nám říká i s ohledem na znaménko, jakou změnu závisle proměnné veličiny y lze
očekávat pří jednotkové změně nezávisle proměnné veličiny x. V praxi nás velmi často zajímá
koeficient ve lvaru:
i vztah obrácený, tj. jak velkou změnu velíčiny x musime provést, abychom mohli očekávat
změnu závisle proměnné velíčiny y o jednotku. Tento obrácený vztah je nutno řešit zvlášť,
mluvíme o stanovení regresních konstant sdnlžené regresní přímky, ~. konstant a", a b",.
(5.8) Pomamenejme zatím, že obecně neplatí vztah b",.b", = \, ten platí pouze pro
matematíckou líneární závislost. Sdružená regresru přimka má tedy tvar:

X=a",+b",.y. (5.\4)
jestliže čitatele i jmenovatele vydělíme čtvercem počtu měření ,l, dospíváme k dalšimu
výpočetnímu tvaru:
Regresni konstanty pak učíme podle vztahů:

(5.9)

(5.\5)

Veličina
-x.y-x.y=-'L,
-- \ ~(x, -x-)1.. -)
1)', - y (5.\0)
n 1==1

je definicí kovariance, kterou budeme značit cov(x,y). Na základě tohoto vymezeru

můžeme uvést další tvar pro určení regresního koeficientu:
a", =x-b",.;;. (5.\6)

Všimněme sí ještě, že:

b = cov(x,y) (5.11)
'" S,'
b .b = cov(x,y) cov(x,y)
Pxy 2' 2 (5.\7)
Z posledně uvedeného vztahu vidíme, jestliže cov(x,y) je rovna nule, bude i regresru Sz S}'
koeficient roven nule. Lze pak tvrdit, že se nám nepodařilo prokázat, že zkoumané veličiny
jsou na sobě lineárně závislé. V tomto případě pak nemá ani smysl počítat druhou regresní tato hodnota neru obecně rovna jedné.
konstantu a",.
Phklad 5. Stanovení regresního vztahu při výrobě kyselíny sirové
Regresní konstantu lze buď stanovit přímo z normálních rovnic (5.6) a (5.7) jako:
:l:ovte vztah .mezi množstvím vyrobeného monohydrátu kyseliny sírové a množstvím
;:~:lcev~lého pyntu na základě měsíčnich údajů. Údaje í výpočetní velíčíny jsou uvedeny

47
46
Tabulka 5.1 Tabulka .údaji, a-'yý.JlQčetních veličín ve výrobě monohydrátu kyseliny sír()vé
Pracnost výpočtu i při rozsáhlých souborech dat d .' '" _ '
technIce. Není třeba vlastnit speciální program nes, ustboulPda do pozadl dlky vypocetlll
provedení výpočtu snadné, y, pomocI ta u koveho procesoru EXCEL je
Měsíc y, x, x, XiYi y, Y,
I. 2696 2124 4511376 5726304 7268416 2548
Yýpočet regresního modelu z utříděný~h dat
II. 2452 1945 3783025 4769140 6012304 2370
III. 2688 2264 5125696 6085632 7225344 2687
IV. 2418 2079 4322241 5027022 5846724 2503 Podkladem pro výpočet je kombínační tabulka K -d'a I '
V. 2755 2404 5779216 6623020 7590025 2826 váhu, dano.u je.j í četno,st,í. Tato skutečnost se musí od:::;'it '0dnota v tabulce ma různou
2597 2229 4968441 5788713 6744409 2652 - d
V tom t o pnpa I i ve tvaru normálních rovnic
VI. e noma nt rovnice můžeme zapsat ve tvaru.
VII. 1973 1860 3459600 3669780 3892729 2286
VIII. 2512 2130 4536900 5350560 6310144 2554 , ,
IX. 2018 1535 2356225 3097630 4072324 1964 "L...J y).. n)" = n.a% + h)~L..J
.'" x,. nI '
J I ,.,.1 (5.16)
X. 2559 1997 3988009 5110323 6548481 2422
XI.
XII.
2165
2906
1687
2390
2845969
5712100
3652355
6945340
4687225
8444836
2115
2812
.,
LL:x,Y},I1'1 ::.::a)'XLx,.n"
. h ~X211
l: 29739 24644 51388798 61845819 74642961 29739 I I ,.i I-I YX~ , . , ' (5 17)

x - spotřeba pyritu v tunách, X, ~-tá obměna třídního znaku nezávisle proměnné veličiny x,
y - produkce monohydrátu kyselíny sirové v tunách. y, - J-tá obměna třídního znak1, závisle proměnné veličiny y,
". - okrajová četnost veličin x,
b = 1261845819-29739.24644 =099176
,. 12.51388798-(29739)' ' , n) - okrajová četnost veličiny,
"if - četnost v kombinační tabulce.
b = 126184581C)-29739~4644 =081910
~ 12.74642961- (29739)' ' , Vztah pro výpočet regresniho koeficientu bude dán výrazem:
,f I s f
b" .b" = 0,99176.0,81910 = 0.81235, n.~~Xj'YJ.ll'J - Lx;.n,LyJ.nJ
a = 29737 _ O991 762464~ = 44150 byx = _'.1 rl. _('":_ _ ))"~_ _
yx ]2' 12 » (S 18)
I1.LX,2. n, - Lx,.n,
,-I ,,,,I

a =24644_0819103973.2=2374
". 12' 12 ' lzdelz .. , č
e pn vypo tu uplatnit metodu vhodně zvoleného počátku.

Zhodnocení regresních konstant !J~í regresního koefi' t ..

IClen u pro pnpad, kdy známe sl<;~pinové (podmíněmll.p,růmě[\'

Regresní koeficíent byx = 0,99176 říká, že s každým zvýšením spotřeby pyritu o jednu V praxi se můžeme setkat s pří d kd :' _, ,_, ,
kupinového rozděleni - , p~ em, y nezavlsle promenna veJrcma x Je utříděna do
tunu lze očekávat průměrné zvýšení produkce monohydrátu kyselíny sírové o 0,99 tuny. /I '-noSl' h d ..cetnostl. Jestllze x, znači středy skupin nezávisle proměnné veličiny x
V praxi se však setkáváme s obrácenou úlohou, kdy známe požadovaný objem produkce '-Cl I o notx y o - 'h '.. • '
pak regresní k ti'" ,p,rumeme odnoty y v He skupme (skupinový, podmíněný) průměr
a máme stanovit očekávanou spotřebu surovíny. Na tuto otázku v uvedeném příkladu oe IClent urč,me podle vztahu' '
odpovídá regresní koeficíent b". = 0,81910, který říká, že pří zvýšení produkce o jednu tunu
lze očekávat zvýšenou spotřebu pyritu o 0,82 tuny, tato hodnota není převrácenou hodnotou ~ '.
11.L...., X,·Y, Jl, - '" X.n , "'y- , /I ,
byx. Tato skutečnost je důsledkem toho, že jde o statistickou závislost, všimněme si, že I lL...."
__
L...t
,I
'~I

b,•.b"" = 0,81 .
Il.'f;.. X}- .fl; - (~, )' x; .n,
(5.19)

48
49
 Vyrovnání naměřených hodnot přímkou - líneární vyrovnání - je v praxí nejčastějším
Vyrovnání exponenciálou
případem aplíkace regresní analýzy. Příčíny tohoto stavu lze především spatřovat v tom, že
mnohé závíslosti jsou skutečně lineární a jiné se v relativně úzké oblasti od lineárního
průběhu přílíš nelíší. Při popisu řady jevů je vhodným modelem reality exponenciála ve tvaru:

Jestliže však skutečný průběh závíslostí nabývá lokálního extrému pro některou hodnotu Y =a",.b:X.
(5.23)
nezávisle proměnné veličiny, lineární vyrovnání pak nutně vede k nesprávnému závěru, proto
musíme přejít na nelineární vyrovnání. Obdobně tak musíme postupovat při širším definičnim Je celkem zřejmé, že bezprostřední aplikace metod . h _. W .
oboru hodnot nezávisle proměnné veličiny. V řešení si pomáháme zlogaritmovánim kdy součinoVY'YtneJm:ns~cd' ctvercu b~ ne~edla k cíh.
I var preva trne na souctovy:

Vyrovnání parabolou druhého řádu Ý = logY,

a~ = log ap-'
Normální rovnice dostaneme aplikací metody nejmenšich čtverců pro vztah: (5.24)
Y = a + bx + cx' . Systém normálních rovnic je pak ve tvaru: b;. = 10gb",.
"
I>, ""
=na+bL.;x, + cL.; x,' , . Nyn~.mů~eme ~pl~kovat metodu nejmenších čtvercll. Výsledné vztah budou .
Jako v pnpade lmearnlho vyrovnání. V tomto případě ale žádáme b bYl .. °lbdob?e

r
,,,,I ,=1 i-I II ' a y y minima ]ZQvan
11 11 11 11
součet čtverců funkce L.;
,,,,1
&-
Ý a nikoli funkce";;" Lv - Y)' J d .
L.J I I . e na se o tzv. funkcionální
L.;x,y, =aL.;x, + bL.; x; +cL.;x~, ,-'I

1-..1 ,=:I 1:1 1=1

regresi. Z první normální rovnice pak plyne rovnost

/I II " II

L.;x,'y, =aL.;x,' +bL.;x~ + cL.; x,' . (5.21) Vyrovnání skupinovými (podmíněnými) průměry
,,,,I ,..,,] 1=] pol

Za jednoduchosti zápisu normálnich rovnic se skrývá dosti značná pracnost při výpočtu, . fl Tento způsob vyrovnání nenašel širši uplatnění mezi techniky ani mezi ekono _
ten se však snadno provede na počítači. Je třeba již na tomto místě zdůraznit náročnost na m orm~c~ o zko~n;ané závislosti je poskytována rychle a jednoduše. Při tomto z m~o:~
přesnost výchozích dat, což v provozním měřítku bývá často problém; jde o vztah chyby
měření a variability hodnocených hodnot. Nedostatečná přesnost údajů často vede ~r~a;~';:~:~:~~i~a~%~~~~t;~~P~~;:~te~uZ~zg;;~~7::~~~~f~::~~~~~d;~:~
k nesprávným závěrům, toto je značný problém zejména v oblasti chemíckého průmyslu aplíka~' .at~ a. se ze vsech moznych nejvíce přibližuje k naměřeným hodnotám při
v kontinuálních výrobách. zaJože~lopnnclpu n~J~enších čtverců, je tedy určitým limitním stavem. Na tomto principu J'e
I posuzovam zda předpokládan . t . fu k ' .
Y var regresm n ce Je konSIstentní se skutečností.
Vyrovnání hyperbolou
Maticový přistup k řešení regresniho modelu
Při řešeni
praktíckých úloh se setkáváme s případem, kdy s ,ůstem hodnot nezávisle Zápis systému normálních " _. .
proměnné veličiny x klesají hodnoty závisle proměnné veličiny y, přičemž se tento pokles vhodně defino t ' . rovmce Je mozne provest využitím matIcového počtu. Je nutné
zpomaluje. S touto problematikoo se například setkáme při zkoumání vztahu mezi měrnýmí va maltce, ktere budou vstupovat do řešení. Detinujme matice:
náklady na výrobek a množstvím vyrobené produkce. Zde diky existenci fixních nákladů
dochází k nákladové degresi, a to můžeme popsat hyperbolou. Vhodným modelem pro popis YI J'; bo x, x,
,
y, Y,
·w, [>I·iil;
takových jevů je hyperbola ve tvaru : b,
[y]= , [Y]= , [b]= ,
b x, x, (5.25)
Y=a+-. (5.22)
x
Y. Y. b, ,
Regresní konstanty a a b určíme opět metodou nejmenších čtverců. Výsledkem budou
x" x"
r~,] .
analogické vztahy jako při lineárním vyrovnání s tím rozdílem, že se v rovnicích místo hodnot L - mallce (sloupcový vektor) . I • _'"
ryj _ matice (sl . vys edků měrem zavlsle proměnné veličiny y (ll. měření)
nezávisle proměnné veličíny x objeví hodnoty .~ [hl
oupcovy vektor) hod t
matice ( I '
.
no regresmho modelu (hodnot regresní funkce)
'
x s oupcovy vektor) re . hk '
[rl matice hod t ., gresnlC onstant (uveden i případ paraboly 2. řádu)
no nezavlsle pro ě . I" ,
m nne ve lčmy (uveden i připad paraboly 2. řádu).

50
51
 Systém normálních rovníc lze vyjádřit vztahem:

[XrIY] = [xY[xJ[b] ,kde (5.26)

Korelační poměr je míra bezrozměrná (j t •.
[x)' = [ 1
x, x,
... 1]
... x. je transponovaná matíce k matíci [x] . (5.27)
1.

bez nutností zpětného přepočtu.

Ik
lineární transformace výchozích dat L e ~ cast ':.~ u), a proto na tuto TlltrU nemá vliv
t
- ze e Y POUZlt metody vhodně zvoleného počátku

Řešenim rovnice (5.26) dostaneme: 2. Korelační poměr poskytuje největší hodnotu 'h k "
též založeny na rozkladu celko '1' zel vsec Olelaclnch měl. Ostatní míry JSOU
. . - ve 10 rozpty u. Na této sk t ' ..
vhodnostI zvoleneho regresního modelu. u ecnostl Je založen test
~xY[x]) '[x),IY] = [bl· (5.28)
3. Minímální hodnota korelačního poměru j 1 T •.
Tímto zpllSobem lze pracovat na počítači, neboť nejpracnější operace při tomto zpllsohu všechny skupínové průměry s . e nu a:.. ento pnpad nastane tehdy, jestliže
výpočtu, tj. stanovení inverzni matice, je součástí standardních programů.
I JSOU rovny coz Je obvykle vý tl'
sledovanými proměrlllými neexístuje korel '.. .. I ' . ra;em o 10, ze mezi
nekvalitní data. acm zaVls OSl. JlIlym duvodem mohou být
5.2 Párová korelační analýza

4. Maximální hodnota korelačniho poměru 'e rovna 'cd . •..•

K hodnocení výsledků regresní analýzy je zpravidla nutné znát i těsnost regresniho nastane tehdy, jestliže sledované veličiny n;vykazují l;vn~;'s~Pi~~:~~b~~utento případ
modelu. Síla (těsnost) regresního modelu bude tím vyšší, čím těsněji se naměřené hodnoty
budou přimykat k hodnotám na regresním modelu. Tím také regresní model bude mít větší 5. Čtverec korelačního poměru udává tu část roz t lu z· . . ...
váhu pro naše další praktícké závěry. je způsobenazměnou nezávisle proměnné veličíl;/Y. aVlsle proměnne vehcmy y, která

Míry těsností závislosti jsou založeny na zkoumání variabílity hodnot závisle proměnné K r lační index '7..
veličíny y. Tato variabílita může mít příčinu v působení vyhodnocované nezávisle proměnné
veličiny x, v působeni celé řady dalších veličín, ale i v existenci náhody.
. Korelační index je mira těsností závislosti ři
Již na tomto místě je nutné upozornit na případ, kdy nezávisle proměnné velíčíny jsou
vehčmou, která měří sílu regresního odhadu I tt . . .
vy~ovnanl h~ovolnou funkCI, presněji je
rozptylu závísle proměnné veličíny na d .' I .~ o ;,"a. Je zalozena na rozkladu celkového
. •

ve
navzájem v určitém vztahu, jsou tedy korelovány. Za korelované veličíny považujeme kolem celkového průměru druho . b k ~ oz Y'. Ivnl Je rozptyl vyrovnaných hodnot Y
takové, jejichž kovarianci nelze považovat za nulovou. V tomto případě regresní model odráží , u Je z yt ovy nebolt reZIduální rozptyl.
vliv i ostatních, do párové regreslú analýzy nezahrnutých nezávisle proměnných veličin. • •
Očistění od tohoto vlivu lze provést až při použítí aparátu mnohonásobné regresní a korelační L:(Y,-J;)' L:(Y,-y)'
analýzy. s:, = -,~J____ ,
+ ....!.::-._- ;:;: S2 + Sy' ,
11 II y~
(5.30)
!<orelační noměr '7,-
rozptyl regresní funkce kolem průměru
Korelačni poměr je míra těsnosti závislostí pří vyrovnání skupinovými prumery. Tuto
reziduální rozptyl. '
míru lze tedy určit pouze v případě utříděných údajů do skupin. Výpočet korelačního poměru
neni vázán na apriorní znalost typu regresní funkce, a proto jej můžeme použít k určení síly
regresního vztahu. Korelační índex je definován J'ako: '7,. -
- ~.~:
.2 -
sY
-
'
f-;:.
1- -- _
2 (5.3] )
S}'
V částí, která se zabývala mírami variability jsme ukázalí, že celkový rozptyl lze rozložit
na dvě složky, a to na průměr skupinových rozptylů a rozptyl skupinových průměrů. Tohoto DOSll7enlm do VzIahu (5 31)
rozkladu lze použít ke stanovení vlastností korelačního poměru, který je definován jako . lze dospět k dalsímu výpočetnímu vztahu:
odmocnina poměru rozptylu skupinových průměrů a celkového rozptylu:

, kde (529)
(5.32)

52
53
 Výpočet korelačního mdexu se da ~nadno
.
t
'
ovnané hodnoty Y kdy se opíráme trovést na počítači. Tento výpočet lze provést (5.36)
i bez něj použitím vztahu~ k~~ ne~uslme pObita vyrsniho modelu. Jde "nejprve o výpočet
o součty, jejichž hodnota Je JIl. znama z tvor y regre
reziduálniho rozptylu:
(5.33)
Ze vztahu (5.35) je též zřejmé, že 'J' ='xy =,.
o definice matíc jako ve vztahu (5.25). Pro vyrovnání
V tomto vztahu se opíráme Vlastností korelačního koeficientu
parabolou lze tak dospět k výrazu:
1. Korelační koeficient je míra bezrozměrná.

1
i): -aL), -b'Lx,y, -c'L x, .y,
n n

:;;,-;L,_ _ .-"':!I_--:'~·-'!..-_---""<'-'_-
n 2

(5.34)
2. Jestliže korelačníkoeficient je roven nule, znamená to, že zkoumané veličiny nejsou
S)".x =- II lineárně korelovány, neznamená to však, že mezí ními neexistuje žádná závislost.

3. Korelační koeficient může nabývat kladné i záporné hodnoty, a to ve shodě se

Vlastnosti korelačniho indexu znaménkem regresního koeficientu. Záporná hodnota korelačního koeficientu znamená, že
jde o neplímo úměrnou závislost.
] Korelační index je bezrozměrná veliČína.
. . d ' .de o matematickou závislost. 4. Korelační koeficíent v absolutní hodnotě rovný jedné poukazuje na funkční, a to ještě

2. M aximálni hodnota korelačního indexuje rovnaje ne, J lineární závislost mezi zkoumanými veličinami.
. I b I rokázána závislost mezi
Minimální hodnota korelačního índexu Je ro~na n~ e ne y a p !:JQ!!nocení korelačního koeficíentu
3. proměnnými veličinamí při zvoleném regresmm mo e u. í
. . ' .ako u korelačniho poměru. Je-Ii hodnota Korelační koeficient mŮžeme hodnotit obdobně jako předchozí korelační míry. Čtverec
Hodnoceni korelačního mdexu Je podobne J ě načí to že byl vhodně vybrán typ korelačního koeficientu ,', který se často nazývá koeficient determinace, udává podíl na
korelačního indexu blízká k hodnotě khorelačdmho Pyo].mad~J:eZtu čás; celkového rozptylu, která celkovém rozptylu hodnot závísle proměnné veličiny vlivem změny hodnot nezávisle
, mo de1u. Čtverec korelačni
regresmho , . o m exuv'
v ličiny při zvoleném regresmm , mo dcu.I proměnné veličíny při předpokládaném lineárním modelu.
připadá na měnící se hodnoty nezavlsle promenne ve
Toto hodnocení je na místě pouze tehdy, jestliže korelačIÚ koeficient je statisticky
významný Je zřejmé, že korelační koeficient má tím větši váhu, čím větší počet údajů je
Korelační koeficient , k díspozíci pří jeho výpočtu. Kdybychom se opirali jen o dvě měření, je očividné, že nemŮže
, d l ' e lineární model. Tento plípad má i svou míru exístovat žádný reziduální rozptyl, neboť dvěma body ( pokud nejsou ídentické) je určena
Nejčast~jším. plípadem re~r~smho ~o e ~~ to tedy zvláštní případ korelačniho inde~~pro přímka Statistická významnost je chápána ve smyslu testování statístických hypotéz (viz
těsnosti závlsloslt, a to kore~a~Dl koeficIent. t __ d finován jako poměr kovanance veltcm x kapítola 13), příčemž na korelační koeficient hledime jako na náhodnou veličinu a testujeme
, , v' k Korelacm koeficIent Je ez e hodnotu korelačního koeficientu p = Ox) To je případ, kdy neexistuje lineární závislost
vyrovnam, pn~, ou. datny'ch odchylek uvedených veličin, tedy:
v
a y dělene soucmem smero a mame k dispozici všechna možná měření. Korelační koeficient , považujeme za
vyznamný, pokud jeho velikost v absolutIÚ hodnotě je větší než kritická hodnota. Kritickou

, = cov(x,y) =
i (x, - i){y, - y)
II 1/y" pro Y = a+bx.
(5.35) hodnotu korelačniho koeficientu zjístíme v mnohých statistických tabulkách (viz též příloha
4) pro různé hladiny významnosti. Hladina významností a v tomto plípadě znamená riziko
)I),' sx.Sy n.sx·sy (pravděp~dobnost) nesprávného závěru v tom smyslu, že prohlásíme korelační koeficient za
vyznamnY,1 když ve skutečnosti Iineárni závislost neexístuje. Příslušnou kritickou hodnotu
ro 'očet korelačllího koeficientu je tvar.
• v ...
korel~čniho ko~ficíentu nalezneme pro zvolenou hladínu významnosti a pro příslušný počet
Nejčastějším
a také neJpresněJSlm ;'zt~h~~ ~ 0:~e tedy zprostředkované hodnoty Jaka lupňu volnosti, který představuje počet nezávíslých veličin v systému. Pří vyrovnání
ve kterém se objevují jen součty z naměrenyc o no
pfimkou .ztrácíme 2 stupně volnosti v důsledku existence dvou vazeb, dvou rovnic pro
průměry či směrodatné odchylky):
!anOvem regresních konstant. Tedy počet stupM volnosti se rovná (ll - 2).
'1
P Je korelační koeficient v případě• ze mame k d'Ispozlel
v , .. vsec hna maž'
v
na mereOl.
vv ,

55
54
 korelačního
Tabulka 5.2 destílačním-zb"'ka 'cin_odce
Tabulka hodnot ' t1l!-.J!...!L.
. t· b Ik .'
a zavIslosti obsahlLperoxidu vodíku v
Jestliže nemáme k dispozici tabulky kritických hodnot; kritickou hodnotu ____ ._~"''-.!J.Jla e'lmm oblemlLP-L0du!s.ce.J)eroxidu - .. _--- vodík~ - - -
koeficientu r,,,, lze přibližně určit podle vztahu:
y'" 79 81 83 85 87 89 91 93 95 97 99 101 ni w, WPi W!ňJ
(537) 1. 1 -6 -6 36
'knl
I
:-=k ~-C= ~~
155 1~ 2 -10 1'; 4 .2Q 8 -5 -40 200
'"n-I'
-iss
~
1 ., 3 -12 5 .2Q
2 ·6
7.21 3
11 ·4 -44 176
1 ~ 2
·9
16 -3 -48 144
Velikost konstanty k souvisí s volbou hladiny významnosti a voli se v rozmezí 1,9 až ~ '1 ;: I
3,0. Vztah uspokojivě platí pro n> 45. Kdybychom chtěli připustit 5% ríziko (et~0,05),
8.16 5 -10
15 -2 ·30 60
1,85 1
.,
volime hodnotu k rovnou 1,96, pro 1% riziko pak k ~ 2,58. Podrobněji viz kapítola 13. 3 17 -17 5 -5 27 -1 -27 27
~ 2'1
12 . O
I 2,05 4
, 11
3 18 18
3
1 \
1
, , 31
-26
O O

Příklad 52 Stanovení kritické hodnoty

2,15 2 3
1 2
51°12413 , 1 1
11
1
2
26
22
26
44
~
základě měření
jsme zjistili hodnotu korelačniho koeficientu rovnou -0,45.
3 9 3
2,35 1 3 '14 " 3 1 12 3 36 108
Na 17
Z přílohy 4 zjišťujeme na hladině významností et~0,05 (5% riziku) kritickou hodnotu rovnou -i4s 12
8 1 4 6 " I3 51 9 4 36 144

0,4921 (počet stupňů volnosti je 15). Naše hodnota je v absolutni hodnotě menší než kritická,
5
2,55 2
10
1 " 1
, 7 5 35 175

proto nemůžeme řici, že jsme potvrdili lineární závislost mezi zkoumanými proměnnýmí. 2'65 1 8
3 " 1 5 6 30 180

V tomto případě nemá smysl ani hodnotit daný lineární regresní model. Toto je velmi důležitý -TIs j 7
1 7 1 7
1 7
4 7 28 196

krok při hodnocení výsledků korelační analýzy. Poznamenejme ještě, že dle přibližného
8
2,85 2" 1 3 8 24 192
n, 1 4 8 15 27 42 45 22 11 7 3 1 186 X 42 1708
vztahu je r,,,, ~ 1,96. ~.. ~ 0,49, cožje dobrá shoda s tabelovanou kritickou hodnotou a to za v;- -5 -4 -3 -2 -1 O 1 2 3 4 5 6 X
. ,,16 -16 -24 -30 -27 44 28 15
Vili -5 O 45 33 6 69
horších podmínek, než jsou doporučené. v, n, 25 64 72 60 27 O 45 88 99 112 75 36 703

Phklad 5.3 Zkoumáni působení obsahu peroxidu vodíku v destilačním zbytku na wfl. -5 -17 -25 -59 -43 -23 43 80 38 34 13 6 42

objem produkce peroxidu vodíku VIN!" 25 68 75 118 43 O 43 160 114 136 65 36 883
-5 -4,3 -3,1 -3,9 -1,6 -0,5 0,96 3,64 3,45 4,86 4,33 6 X
Zhodnoťte závislost mezi denním objemem produkce peroxidu vodíku na jedné destilační
1Y,
z, -5,2 -4,5 -3,4 -4,2 -1,8 -0,8 0,73 3,41 3,23 4,63 4,11 5,77 X
aparatuře (x) a obsahem peroxidu vodíku v destilačním zbytku (y) z, .n, 27,31 80,13 89,82 259,5 89,28 25,12 23,96 255,9 114,7 150,1 5,62 33,34 1199,781

Objem produkce je měřen v kílogramech, obsah peroxidu vodíku v destilační zbytku

v gramech peroxidu vodíku v litru. Praktícký význam tohoto vztahu spočívá v tom, že
v destilačním zbytku zůstává určité procento peroxidu vodíku, rust tohoto procenta nepříznívě Při výpočtu veličiny L,
~ v" IVi postupuJeme
. . v kombmační
. tabulce tak že lle·iprve k. 'd'
""d vazem
působi na nákladovost v této výrobě.
,,=1 ' 'J

,. ku vynásobíme hodnotu lY '

do každého políčka vedle přÍs~~~~~st~ ~ komb~rnak1ční tabulce n,! a tuto hodnotu pak zapíšeme
, .
Bylo získáno 186 provozních měření za období delší než plll roku Získané výsledky byly
a zapíšeme je do řádku (.. ,ce n~stl. a II získané hodnoty sečteme po sloupcích
roztřiděny do kombinační tabulky (tab 5.2). V této tabulce je proveden i výpočet potřebných
predstavuje celkový součet
lY ln,. soucet techto hod t "dku '
hodnot lY, 42) D'I I d ' " no v ra
hodnot pro hodnocení zkoumané závislosti. " . aelOnotyvradkulV /11) vynaso . b'Jme hodnotami VI, tím získáme veličiny
Při výpočtu je použíta metoda vhodně zvoleného počátku. Ta usnadní výpočet v vhřádku
připadech, kdy nemůžeme k výpočtu použít programů na počítačích. Korelační míry zůstanOU o doznačeném
' v, lY }n Y' J" , představuje požadovaný součet " v, w,. Jestliže
eJJch soucet L:
beze změny, protože to jsou míry bezrozměrné. Regresní koeficíent bJ" získáme přepočtem noty fadku lY .n, vydělíme hod .
,notami nI> dostaneme hodnoty skupínových průměrů
,=]
ty dále využijeme ' k '
podle vztahu bJ" ~ b~.~ , kde k představuje délku intelvalu u hodnot y a h je délka intervalu
e stanoveni emplrick'e cary
v,
regrese a ke stanoveni korelačního poměru. Wi ,

h
u hodnot x. Tento přepočet získáme dosazením transformačních předpisů do modelu
W ~ a~ +b~.v. Hodnotu a," stanovime ze vztahu a). = y- bJ"'x .
•

57
56
 5.3 Korelace pořadových čísel - Spearmamh korelační koeficient Rlj

Veličiny pro zhodnocení zkoumané závislosti

Korelační koeficíent pořadových čísel je zvláštni typ korelačního koeficíentu, kdy
x= 89,00 + 0,3710.2 = 89,74, korelujeme pořadí hodnot. Dříve se využíval jako "náhražka" korelačního koeficíentu s cílem
li = ~ =0,3710, snížít pracnost výpočtu u neutříděných údajů. Jednotlívá měření byla nahrazena jejích
186 pořadím a pro tato pořadí byl vypočten korelační koeficíent. Koeficíent pořadových čísel se
Jí = 2,05 + 0,22580,1 = 2,073, uplatňuje u tzv. bodových systémů, kdy se zkoumaný jev ohodnotí body a na tomto základě
se stanoví i pořadí. V dnešní době se výpočet tohoto koeficíentu uplatňuje při různých
sociologických zkoumáních, kdy se posuzuje shoda pořadí např. mezí dvěma hodnotiteli. Je
s x =2.1,908=3,816, třeba zdůraznít, že se hodnoti lineární vztah, což vyplývá z odvozeni výpočetního vztahu
z korelačního koeficientu. Výpočet tohoto koeficíentu lze provést na počítačí při uplatnění
speciálních programů. Na druhé straně jeho výpočet se dá snadno provést i bez využítí
výpočetní techniky. Jeho výpočet se provede podle vztahu:

1708 _(~ I' =~9,1318 =3,022, s y = 0,1.3,022 = 0,3022,

sw = 186 186) 6IA'
R = 1- -i=!-;j kde (5.38)
=~1~86~.8;8~3~-~69~4~2:;;:;=;;2\ = 0,8087 , '1 m,(l2-1/
r .. ='yx = f(186.703-69').(186.1708 42')
d, - rozdíl pořadí závisle a nezávísle proměnné veličiny,

186.883 - 6942 1,2805, b = 12805. 0,10 = 0,0640, II - počet měření.

'"' 2
b~ = 186.703 - 69'
Vlastnosti koeficientu pořadových čísel
a = 2,073 _0,064089,74 = -3,670,
y.<
a = 0,2258 _1,2805.0,3710 = -0,2493,
~ I. Jestlíže dochází k úplné shodě koeficíent pořadových čísel je roven jedné. V tomto
,
1708,000 + 0,249342-1,2805883 = 3,160, případě je očí vid ně LA = O.
1:::\
s;' = 186
1- 3,160 = jO,6539 = 0,8087, 2. V případě, že dojde k "úplné neshodě" pořadí, tj. k právě obrácenému pořadí, je koeficient
1Jyx = pořadových čísel roven (-1).
9,132 .
3 Pří praktické aplíkaci se může stát, že několik hodnot bude mít stejné pořadí. V tomto
1119,781
případě přířadíme každé takové hodnotě stejné - prostřední - pořadí. Jsou-li například
186 = ~6,450 = 0,8404. hodnoty na 5. až 7. místě stejné, všem třem hodnotám přiřadíme pořadí 6. Musíme si
1]~ = 1]" = ~ 9,132 9,132
uvědomit, že tím dojde k určitému zkresleni korelačního koeficientu pořadových čísel.

2> = Li,
fl II 11 fl

Hodnocení: . tedy
Sice není porušena vlastnost, že ale je porušena rovnost Li' = Li' .
ě větší než kritická hodnota, Je , '
i=l rel ,=1 l=!
,
Výpočet lze pak provést podle vztahu:
Korelační koeficient je v abs.olu;m hodno~oumanými veličinami existuje Imearnl
'z.namn', a proto máme právo tvr~~t" z: mezI z eroxidu vodíku v destilačním z~ytk~ Je
:vislos/ Čtverectohoto kodeficll:;ntu ~j,:%~ep~~~:~:e ~~e~
peroxidu vodíku Jestliže.ddenm
zhruba ze 65% závislý na enmm o , e očekávat že obsah peroxl u vO . e
rodukce peroxidu vodíku vzroste o 1 kg, ~~d: vodiku v' lítru. Ve zkoumané oblast~ I,~ (5.39)
~estilačnim zbytku vzroste aSI o 0,.o6~ g ~er roto že není v podstatě rozdíl mezI korelacJl\
" vat hodnoceny' vztah za hnearm, atp ,
Povazo
" " ' koefi'
(O 84) a korelacmm IClent em (O ,81) .
pornerem ,
12 i vyjadřuje n-tici stejného pořadí, sčítáme pro všechny případy
• společného pořadí s. Pro dvě stejné dvojice a jednu trojici bude:

59
58
 k =~I~~+~34 =3.
12 12 5.4 Kend"flův koeficient konkordance r.

Příklad SA Yýpočet korelačního_~geficientu pořadových či sel Kendall~v~ koe~cientu konkordance se používá k posouzení shody několika řad pořadí
vcelku. Pouzlva se nekdy ke stanovování kvality hodnotitelů.
Určete korelační koeficient a korelační koeficient pořadových čisel na základě dat
z při kladu 5. L Obě hodnoly spolu porovnejte.
Tk
= 12 ~A'_3}l+~
°LJ, . , kde
h
1
.ll(ll
2
-I) ,I Jl-I (SAO)
Vstupní data, hodnoty přiřazených pořadi i výpočetni hodnoty jsou uvedeny v tabulce
5.3. Hodnoty pro určení korelačního koeficientu jsou uvedeny v tabulce 5.1. II - počet jednotek,
h - počet řad (hodnotitelů),
A, - součet pořadi pro určitou jednotku (výrobek)
Tabulka 5.3 Yýpočetni tabulka korelačního koeficíentu pořadových či sel

. Při absolutní shodě po!adí je koeficient konkordance roven jedné, při dokonalé neshodě
Je roven nule. Postup vypoctu bude patrný z příkladu 5.5.
Měsíc y x i j d cf'
I. 2696 2124 10 7 3 9 Příklad 55 Stanoveni koeficientu konkordance
II. 2452 1945 5 4 1 1
III. 2688 2264 9 10 -1 1 Na základě údajů v tabulce 5 4 stanovte koeficient konkordance 4 hodnotitelé hodnotili
IV. 2418 2079 4 6 -2 4 pořadi značky piva podlc chuti. Posuďte shodu stanoveného pořadí.
V. 2755 2404 11 12 -1 1
VL 2597 2229 8 9 -1 1
Tabulka 5.4 Pořadí píva dle chuti a výpočet dat pro stanovení koeficientu konkordance
VIL 1973 1860 1 3 -2 4
VIII. 2512 2130 6 8 -2 4
lX. 2018 1535 2 1 1 1 Hodnotítelé
X. 2559 1997 7 5 2 4 Značka
XL 2165 1687 3 2 1 1 oiva 1 2 3 4 A, A,'
XII. 2906 2390 12 11 1 1 A 2 3 3 1 9 81
1: 29739 24644 78 78 O 32 B 7 5 4 6 22 484
C 9 7 8 7 31 961
O 3 2 1 2 8 64
y - produkce monohydrátu kyseliny sirové v tunách, E 10 8 9 9 36 1296
x - spotřeba pyrítu v tunách, F 8 10 10 10 38 1444
G 1 1
i - pořadí hodnot x podle velikosti, 2 3 7 49
H 6 9
j - pořadi hodnot y podle velikosti. 7 8 30 900
I 4 4 5 5 18 324
J 5 6 6 4 21 441
H = 1- 632_ = O888 l: 55 55
'J 12.143" 55 55 220 6044

r= - 12~618_4S819-2973924644. =-tQ,8123S =0,901.

12 10 t-l
r.
f<l251388798 - 24644')(12.74642961- 29739') 4'10(10'_1) 6044-3 _ =0912.
10 1

Protože vypočte . k fi·

shodu pořadí za dobr~~. oe IClent konkordance není příliš vzdálen od jedné, lze považovat
Korelačlú koeficient je významný, neboť je větši než kritická hodnota (viz tabulky)
Došlo k velmi dobré shodě mezi korelačnim koeficientem a korelačním koeficientel1l
pořadových čísel. Z výsledku se dá řici, že zhruba 80% kolísáni objemu produkce .
způsobeno různým množstvim spotřebované suroviny. Na kvalitu suroviny (pyritu) a da
technologické faktory připadá asi 20%.

60
61
5.5 Hodnocení závislosti kvalitativních znaků Tabulka 5.5 Závislost přáni sportovnich přenosů v televizi na Slupni vzděláni

Při vyhodnocováni různých anket se často vyhodnocuji závislosti v oblasti Vzdělání hodně přimčřeně málo ~ hodně přiměřeně málo ~
kvalitativnich znaků. Jednou z možnosti je porovnat pro všechny alternativy skutečně zjištěné základní 37 55 22 114 34.656 52.212 27.132 114
četnosti s takovými četnostmi, které by odpovídaly případu, kdy hodnocené faktory jsou na 'VYUčení 46 83 52 181 55.024 82.898 43.078 181
sobě nezávislé. Ty snadno zjistíme tak, že relativní četnosti jednoho faktoru vynásobíme střední 48 72 32 152 46.208 69.616 36.176 152
počtem zjištěných případů druhého faktoru. Hodnotícím kriteríem je v podstatě test dobré vS 21 19 13 53 16.112 24.274 12.614 53
shody (víz kapitola 13). Určíme velíčinu ~ 152 229 119 500 152 229 119 500
Relativní 0.304 0.458 0.238 1
,.(n-n)' četnost
(5.41)
X' =LL"' n" " kde

~
1==\ 1",1
88
C= - ' - =0125
r - počet řádků, 507,88 ' ,
s - počet sloupců, r '
nI' ~ četnost pozorovaná, výběrová) 788
C = L,- =0089
n, _ četnost teoretická odpovídající modelu nezávislostí, , V2500 ' .
X' _ testová charakteristíka (o jejím významu bude pojednáno podrobně v kapítole 13).
. . Na zák!adě v~likosti obou kontingenčních koeficientů lze prohlásit že zkoumaná
Hodnocené faktory považujeme za nezávislé, pokud testová charakteristika X' je menší zavlslost pozadavkú na sportovní přenosy a stupně vzdělání nebyla prokázána:
než kritická hodnota veličiny X' pro f = (r -I).(s -I) stupňů volnosti. Kritické hodnoty jsou
tabelovány (např. viz příloha 4). Postup řešeni ukážeme v přikladu 5.6. Tabulka 2 x 2

Pro rychlejši hodnocení se stanovuji kontingenčni koeficienty. Pokud tylo koeficienty . Z~láštním připadem zkoumáni závislosti kvalitativnich znaků je ten, kdy pro každ' faktor
jsou blizké k nule, považujeme závislost za neprokázanou, pokud jsou blizké k jedničce, jde
eXIstuJI pouze dvě
vananty. V tomto lze případě velíčínu
X' stanovit dle vztahu: y
o závislost.

c=
,
- -
X' +n
'
ES Pearsonův kontingenční koeficient,
(5.42) x'= n(a.d-bc)' _
(a + b}(c +d}(a +c)(b +d) .
(5.44)

Tato veličina má pouze jeden stupeň volnosti Veličiny a,b,c,d představuji údaje
". (5.43) v poličkách 1abulky 2 X 2. Postup bude jistě jasný z příkladu 5 7
C = lL Cramerov kontingenční koeficient.
,. VC.fl Pnklad 5.7 Tabulka 2 X 2
V uvedených vztazich n představuje počet respondentů, c je menši z hodnot (r-1), resp.
labu~s~~te zda hodnoceni určité činnosti souvisí s pohlavím. Údaje jsou soustředěny do
(s-I). Postup ukážeme na příkladu 5.6

Příklad 5.6 Vyhodnoceni ankety. Tabulka 5.6 Tabulk 2 x 2

Bylo osloveno 500 respondentů s otázkou, zda je v televizi dostatek sportovních přenosů.
Odpovědi byly zkoumány s ohledem na stupeň vzděláni. Data i výpočet jsou uvedeny
A B
v tabulce 5.6. Mutl a 45 b 112 (a+b) 157
eny c 8 d 55 (c+d) 63
,(37-34,656)' (13-12,614)' (8+C) 53 (b+d) 167 n 220
X = + ... +. =7,88.
34,656 12,614
x' _ 220(45.55-8.112') _ 220(2475-896)'
Z tabulek určíme kritickou hodnotu X;,o,,, (6) = 12,6. protože 7,88<12,6 hodnoceni 53167157.63 - 87545241 6,27.
závislost nebyla prokázána.

62 63
 jestliže nezávisle proměnné veličiny budou v sílném korelačním vztahu, bude to mít za
x~o,o, (I) = 3,84, následek růst diference mezi párovým regresním koeficicntem a dílčím regresním

Vypočtená hodnota je ~,ětší než kritická, je prokázána domněnka, že existuje rozdíl mezi
koeficientem.

muži a ženami vzhledem k cmnostem A a B. I v připadě korelační závislostí tři proměnných je potřebné slanovit sílu regresního
odhadu, určit vlastně korelačni índex pro vyrovnání rovinou. Tomuto korelačnimu koeticientu
se říká totální korelační koeficient. Tento totální korelačni koeficient označime dle zvyklostí
5.6 M nohonásobná regresní a korelační analýza jako r,,,,
Jeho čtverci se řiká koeficient determínace, Informuje nás o tom, kolik
, . , ak i ekonomické oblasti zpravidla nevystačime z variabílity (rozptylu) hodnot XI (faktom před tečkou) je Zpllsobeno změnami hodnot za
Při zkoumání závislostí Jak v lechn,lcke, tl d t'l r v celé řady nezávisle proměnných tečkou, tedy veličinami x} a X3, Po dosazení do vztahu pro korelační index dostaneme:
v' ' .. '\ t' ale muslme vy 10 no I v I . , , 'I t'
s párovou kare Iacm zaV1S os 1) ...", rčiny) 1 zde zkoumam t.:avtS os 1
, eličin na veličinu závisle proměnnou (zavl sic ptomenne ve I . 3
V v ,

obsahuje úkoly regresni a korelacm. 1j2n =B2 ·rI2 +B3 ·rlJ = LB,fl/" (5.49)
,,,,2

Vyrovnání rovinou
" .. d kdy
' pnpa, Hodnocení totáhúho korelačního koeficientu se provádí obdobně jako u párového
.. vv> v> ad
mnohonásobné zavlslosll, korelačního koeficíentu.Rozdíl je v posouzení významnosti, které musime provádět poněkud
Probereme nejprve neJJednodu~sl, P~'P rčin (označime je jako x, a X3) na závísle
jinak. Tato problemalika vyžaduje hlubší znalosti z matematické statistíky, a proto ji zatím
hednolíme vlív dvou nezávisle ~~omenn~~ dve ~l' d' me že hodnocené veličiny jsou svázány
proměnnou veličinu, kterou oznav~"nevxl' ďe ,~~ oa a ro~náni rovinou. Funkčni předpis tak rozvíjet nebudeme,
lineárním vztahem. V tomto pnpade te Y J vy
Totální korelační koeficient není jedinou mírou těsností závíslostí v případě vyrovnání
můžeme popsat vztahem:
rovinou (mnohonásobné regresní závislosti). V případě hlubší analýzy hodnoceného úkolu
(5.45)
potřebujeme odpovědět nejen na otázku spolehlivostí regresního odhadu, ale i ohodnotil sílu
Xl :;::Q123 +h l2 _3 X 2 +b112 x3 , působení jednotlivých nezávisle proměnných veličin na závisle proměnnou veličínu, Tuto
v" opěl metodu nejmenších informaci nám neposkytnou párové korelační koeficienty. Jejich hodnoly jsou zkresleny
Pro stanoveni jednotlivých regresních konstanl pouzlJeme
řadou dalších nezávísle proměnných veličin, které jsou nějakým způsobem svázány
čtverců. Výsledkem budou vztahy: s vyhodnocovanou nezávisle proměnnou veličinou, říkáme tak, že jsou v interkorelaci. Od
. (5.46) této zkresleností můžeme jednotlivé faktory očistit buď ve fázi zjišťováni (muselo by ale jit
a_)'>1 = x-, -b".X2
._J
-b.,').X3.
.~." o plánovaný experiment) nebo při zpracování naměřených dat, což je obvyklejší.

(5.47) Pro vyhodnocení sily působeni hodnocené nezávisle proměnné veličiny na závisle
proměnnou veličinu pří stabilizaci další nezávísle proměnné veličiny se používá dílčí
korrlační koeficient definovaný jako geometrický průměr sdružených dílčích regresních
(5.48) koeficientů, tedy:
SI~ú -=-/:13.:']~ == ~:I_.B 3 .
b13z =-'
')3
l '
-r'23 .53
1', (5.50)
, v " rochází bodem, jchož souřadnice jso~
Ze vztahu (5.46) je palme, ze regresm rovl~a Pk fi' t' m b se říká ditči regresOl
Zí 'kany'm regresmm oe IClen u Tyt
průměry hodnocenýc h ve1Icm. ,s v ~ kt " značeny' ch v indexu za tečkou.
'V·

o
. 'h .. d a to podle poclU la OIU o , d etody b b _ rn
koeficienty prvm o ra, u, v' r v' kl ré byly stabilizovány proce urou m '13 -'12·
(5.51 )
faktory označují nezávls1e promenne. Ve"l~my. o : . e"'nu závisle proměnné veličiny rl , , "' - ~(I-r,;)(I'-r~)
• V r v' b VYjadroje pmmernou zm
nejmenších čtvercu, e IClna 123 . , t b'lizaci (konstantním působenij
o'

v' . otkové změně nezávisle proměnné vehčmy x, a pn s a I . . Hodnoceni významnosti dílčích korelačních koeficientů provádime obdobným poslupem
pn jedn. v ' 1'" Obdobně bychom hodnotilí koefiClenl b13 " J parovych korelačních koeficientů s tím rozdílem, že ztrácime další jeden slupell volnosti,
další nezáVIsle promenne ve lemy Xl' I
li' tetl J JIch počet bude (n-3), kde n značí počel měření.
, , 'í1čim re resním koeficientem a regresním koe Ic:en ....
Všimněme SI rozdllu mezI d v' ~ v k hodě těchto regresních koeficlenlu, t"", n,l .ch korelačnich koeficientů můžeme využít í při stanoveni lotálniho korelačniho
v> dV' ' ese Je celkem zrejme, ze e s , . ěnn'
v pnpa e palOve regr., . I' Y k I čn' Roeficient mezi nezavlsle prom I .entu Dosazením do vztahu (5.49) lze získat výhodný Ivar:
- b - b dOjde lehdy, jesl lze ore a I
kd y b,.. - 12 - 123 ' korelovány Nao
'o' •

O tedy když nezávisle proměnné veltcmy nejsou . r

'V.

vehclIlanu
' , _

'23 - • (I '1;)(1 '1;,):1-(1-")(1-,.,)

~ 13 12 3 . (552)

64 G5
Vyrovnání nadrovinou
Vhodnost této cesty řešeni prakticky' h 'I h . o
· . , c u o Je v tom ze ml'- b'l'
V podnikové praxi je obvyklejši připad, kdy nezávisle proměnných veličin je celá řada kom bInaCI nezavisle promělllly'ch el'O' k' Izeme sta I Izovat líbovolnou
, v ICln, a ta pro' ďt J I b k'
a kdy tyto veličiny působí na změnu závisle proměnné veličiny lineárně. Jde tak o případ problemu. NYIÚ uvedeme rekurentní vztahy: va e I u o e rozbory studovaného
vyrovnání nadrovinon. Pro vyvozeni regresních konstant se používá opět metoda
nejmenších čtverců. Je zde výhodné (tak jako i v některých dalšich statistických metodách)
přejít na směrodatné proměnné neboli proměnné v normovaném tvarn. Tyto proměnné
ziskáme transformaci, kdy od každé hodnoty odečteme průměrnou hodnotu soubom a vzniklý (557)
rozdíl vydělíme směrodatnou odchylkou soubom, tedy postupujeme dle vztahu:

x -x
u =--'- .
j (5.53) (558)
s,

Je celkem zřejmé, že průměrná hodnota směrodatných proměnných je rovna nule jako ,,~ ..t =]-(l-Ij~)(]-/ji.2)Ú-";23) .... (1'-r.2 )
. """'(',1) . (5.59)
důsledek skutečnosti, že součet odchylek od aritmetického průměm je roven nule:
Výpočet "pomocí rekurentních vztahů začíná v' o , o, o ,

Jde v podstate o stejný postup, který byl nkázán lP~ctem, d!lclch korelaclllch koeficíentll.
i(x, -x) se vlastně stabílizuje další faktor Cllceme I'
.
?t dV}l~ovnalll lovmou. Procedurou výpočtu
-I urcl ICI korel o , k fi'
U=/':d =0. (5.54) Ij, .. , budeme potřebovattrojíci dílčích korelačních k fi' • acnl, o~ ,Iclent druhého řádu
n.sx oe IClentu prvmho radu a to .
"23 'i2.4 • .

Směrodatná odchylka směrodatných proměnných je rovna jedničce, což je opět zřejmé z Tj... nebo 'i3.4
definičniho vztahu: 'lAl '234'

Výpočet r o
'
ve Icmy r" J4 lze tedy provést dv " • b
vy šich řádů pak lze získat někol"k ' . • oJlm ,zpuso em. Dílčí korelační koeficienty
(5.55)
~hYbu zaokrouhlením. Jestliže to~~;; zpu~oben: t7sledek musí dát stejnou hodnotu až na
I nesp~vným výpočtem jedíného árov~~~I,
prověfit správnost výpočtu P ,P _
t
tre _a, hledat c~ybu, ta může být způsobena
o:elaclllho koe!lclentu. Touto cestou se dá
Výsledkem aplíkace metody nejmenšich čtverců je tato soustava normálnich rovnic:
vytvofit program za pomoc;" ta~~I~~~hcoet pomocI rekurentních vztahů sí lze celkem snadno
procesoru v EXCEL.
rl2 = B 2 + B3 1'23 + + B k '2k'
V v' ní I chou nadplochou
'I3=B 2 ''n+ B3 + + Bk r2J: ,
(5.56) ejjednoduššim o' d .
pnpa em Je vyrovnání funkcí:
Y-h ~hx +b
I I 2X 2 +h12 X 1X 2 +b x 2 +b x 2
Řešením této soustavy normálních rovnic získáme dílčí regresní koeficienty posledního, '" "2' (5.60)
tj. (k-2)-tého řádu. Výpočet lze provést na počítačí, standardní programy tuto soustavu Vídime že v ří d-
normaI . h ' P pa e dvou nezávisle prom 'h r
nic r~vnie; pro tři nezávisle ...; e~r~~e .~: lem dostáváme soustavu šesti
o o'

obvykle řeší přes výpočet ínverzní matíce. V této soustavě normálních rovnic vystupují kromě
hledaných regresních koeficientů všechny párové korelační koeficienty. Tímto způsobem se pf tavy lze SIce vyfešit na počítači atrome,nne ~ehc:ny JIZ ~eset nonnálních rovnic. Tyto
postupuje i při praktických aplikacích, kdy v první etapě zjistíme párové korelačni • no I měfení, takže v dnešních' e ~uSl,me Sl uvedomlt, ze rapídně rostou požadavk na
koeficíenty, ty zhodnotíme a provedeme výběr nezávísle proměnných veličín pro konečnou prom) lu jde Prakticky o neřešitelntodm~;kach v podnicích chemického a potravinářsd;,ho
tvorbu regresního modelu. Jíný postup je ten, kdy se jíž v první fázi rozhodne o výběru Iho modelu Lepší sítuace ' pro em s ohledem na vypovídací schopnost získaného
nezávisle proměnných veličin a využije se maticového přístupu k řešení vhodnou definiCI uplatněm plánovaného experimentuje v laboratornim výzkumu, ale tam bude lepší cestou
matice [x]. .7 Přtdpoklad '
y pro uspěšnou a rka '
Další cestou zkoumání závíslostí v praxi je vyžití rekurentních vztahů pro dílčí reg re5JII J. P I CI regresní a korelační analýzy v praxi
nUl ne konSI t
koeficíenty, pro dílčí korelační koeficienty i totální korelační koeficient. Správnost uvedenýcll . a Oval že znač' Č·
vztahů lze dokázat úplnou indukcí vztahů, se kterými jsme se setkali při vyrovnání rovin()ll. porntrn~Y~1 a potravínáfsÍeých POd~~íc~st ~echniků í ekonomů, kteří pracují v našich
o a trhu jsou statistické pro~r VI o ~ne~odác~ .regresní a korelační analýzy
amy, ere znaene usnadrlují výpočet regresního
66
67
modelu i korelačnich měr. Při aplikaci těchto programů často docházi k tomu, že praktický
přínos použitých metod je malý. Pojednáme nyni krátce o hlavních příčínách neúspěchů nezávisle proměnné veličiny J'sou závJ'slc' ", ". .
a poukážeme na podmínky, které musíme splnit, abychom byli v aplikací úspěšní. -' . I k:tery. závislost Il řekr'
- naRJmem cmlteh kt' Id'
tento clIHte.
',.. p 'U . >
yva. egresn1 a korel _.
ery nes e uJcme. Musíme nalé· t
I" z
I
dovo uJe reSlt zkoumaný problém pr t -. - k' '" acnl ana yza nam tak aktivně
Logický rozbor problému veličinami, dostaneme tak nový sl~ěr o o~el p~~, ryvaJ,lcl faktor bude souviset se zkoumanými
pro 1 u SI analyzu zkoumaného problému.
Musime si uvědomit, že metody regresní a korelační analýzy jsou jen pomocníkem při Autokorelace
řešení problému. Vlastní řešení musíme vždy začít velmi solidním rozborem řešeného
problému. Při tomto rozbonl se opíráme jak o teoretické znalosti, tak o praktické zkušeností. K autokorelaci dochází tehdy jestliže 'ednotl" __. ,
Na hloubce rozbonl a stanoveném cíli bude závíset rozsáhlost budovaného modelu a úspěch Zkoumaný vztah je systematicky nad' hod J, lva merem neJsou na sobě nezávislá
, . '.. nocovan v těch pří d I kd' ... .
cele naší práce. proměn na, tak I vehclOa závisle prom - " f u pa ec " y Jak vehclTla nezávísle
,. enna JSou nkc' - N-k
bludne korelacI. I casu. e dy se mluvi o klamné či

Výskyt extrémních hodnot

Mezí nejčastější
pnclOY neúspěch," při aplíkaci regresní a korelační analýzy patří
nepřesnost podkladů. I když se v poslední době stav měřící techniky zlepšil, pro rozsáhlejší Získáme-Ii již soubor dat ke statistickému zkou " _'
modely bude třeba zajistit ještě přesnější zařizení, obzvláště tam, kde variabilita měřeného tohoto souboru, obzvláště se musíme ve-n t ~an.', meh bychom posoudit homogenitu
. ' v , ova extremnuTI hodnot: v
znaku je nízká. zeJmena v menslch souborech získávaJ' í Ik áh _ aru, protoze tyto hodnoty
't 'I - . ve
posou dI, eventua ne Je odstranit na základ-
ou v
" k'u Extremni h d t '
o no y mus,me logícky
'
Problém časového posuvu pozorování (viz kapitola 13). e statJstJC eho testu, například testu odlehlých

Pří aplíkací regresní a korelaění analýzy v oblasti chemického průmyslu se setkáváme Při aplikaci v praxi se často přehlíží skutečnos ž l " _
s dalším, mnohdy velmi obtížně řešitelným problémem, který nazýváme časový posuv údajů. požadavku, aby hodnocené veličiny sledo I ~ ~I ,odnocem Je casto vázáno na splnění
S tímto problémem se setkáváme zejména u kontinuálních výrob. Na vstupujíci surovinu musíme být v hodnocení opatrní. va y norma nJ rozdělení. Pokud tomu tak neni,
působi řada faktorů v různých časových okamžicích. Ke správné aplikaci musíme poměrně
velmi přesně určit okamžik působení zkoumaného činítele na vzníkající produkt. Jde tedy o to Dodatek k 5. kapitole
časově sladit zaznamenané hodnoty o výrobě přesně definovaného výrobku.
U diskontinuálních výrob jde o průvodni list výrobní dávky. V reaktorech či pecích je často až VWočet reziduálního rozptylu (využití maticového počtu)
nemožné přesně určit působení vyhodnocovaných faktorů na konkrétní část vstupující
suroviny, přes polotovary až po produkt. Někdy sí lze pomoci tak, že vezmeme údaje za delšl [Y)= [xJ[b),
časové období a dále pak pracujeme s průměrnými hodnotamí.

J:'.!:9.!:J!ém dynamiky systému

[b)= [xf[xJ) '[xj'fyJ, (viz vztah (5.28)).

Dalším problémem specífickým pro chemickou výrobu je kontinuální proces, kdy do Reziduální součet čtverců bude dán hodnotou:
reaktoru neustále přitéká malé množství surovíny, které se míchá se vznikajícím produktem,
směs potom postupujc do dalšího reaktonl. S tímto problémem je možné se setkat např. při [Y -yf[y - y]= [Yf[Y]-[Yj'fy]-fyf[Y]+ fyj'fy],
výrobě syntetického kaučuku.

V tomto případě dokonce i silnějši krátkodobá změna v balitě surovíny na vstupu do fr ][Y] = [b]'.(x]'.(xJ[b] = [bY[xY[xJ[x]'.(x]) '[xYfyJ= [b]'[xny]= [YYM
prvního reaktoru výrazně neovlivní pri'lběh reakce a parametry vznikajícího produktu. Cely
proces má značnou setrvačnost a přitom nedokážeme určit, že ze změřeného malého množstVJ fY yf[y - yJ= -fy]'.(y] + fyffy] = fyrfy]-fyf[xJfbJ
suroviny vznikne konkrétní produk1 se svými vlastnostmi. Zde použití regresni a korelačllI (5.61)
Od lud je výh d - -
analýzy zatim nevedlo k cíli. Pod t -" o ne urcovat hodnotl 'd' I 'I
ate JIŽ VYPOčteny při tvorbě reg ,~ rezl ua nI 10 rozptylu, všechny hodnoty JSou
Překrývá,ni vlivů resOl o modelu až na součet čtverců hodnot y.

S timto problémem se setkáváme při existenci int~rkorelace mezi nezávisle proměnný/lll určeni korelačního koeficientu
veličinami. V praxi to znamená, že nedostaneme-li výsledek regresní a korelační anal)
konzístentní se zkušeností, může to být způsobeno i tím, že oba faktory, které považujeme tJ fl r• pro Y=a+b x,
)'"

68
69
 "
LXII ::.:: n.a
;1

(5.62)
(5.66)

(5.63)

I, (~, - x)(y, - y) ( roznásobením dostaneme:)

V dalším postupu eliminujeme konstantu a tak, že první rovnici vynásobíme součtem
cov(x,y) rl = hodnot x, a odečteme ji od druhé rovnice, pak prvni rovnici vynásobíme součtem hodnot x,
rY" =
nsr·s y a odečteme ji od třetí rovnice (5.66). Nově vzniklé dvě rovnice vydělíme počtem měření n.
Tímto postupem získáme dvě rovníce pro stanovení regresních konstant b, a b, ve tvaru:
I,X,y, -nxy
;"1 (vydělením /I pak:)
(5.67)

xy-x.y _ (vynásobením čítatele í jmenovatele n':) (5.64)

:=----- -
S využítím vztahu (5.64) můžeme obě rovnice převést na následující formu:

'i1· SI.s2 =b2'S~ +6)·"23·S2·S3'

rl).s\.j'J = 62"23.82.83 + 6).s;.

II II n

n~>, y, -
= ~,,,,-I
L x, I>,
,,,,=I,-_,,,=I~ (přejdeme ke tvaru, který obsahuje jen součty) První rovnici vydělíme s" druhou s" dále budeme řešit soustavu dvou roVIllC
ramerovým pravidlem, čímž dostaneme vztahy pro určení regresních konstant:

" /I II

nLx,y, - Lx,LY' (5.68)

.ki.,' ·(~··lt,t:.' .(ty,n

(5.65)

V' (5.69)

Vyrovnání rovinou V vnani_" dr vinou

Uplatníme metodu nejmenších čtverců na funkcí XI = a + b,x, + b,x, Pnnclp metody nejmenších čtverců uplatníme na funkční předpis pro nadrovinu.
Jed tlove proměnné jsou převedeny na směrodatné proměnné:
,
f = I, (XI - X.)' = I, (XI - a - b,x, - b,x,)
1=1
::::minimum.
f i (u, •
• I
. I .. .e rovny nule.
Stanovíme derivace podle jednotlivých regresll\ch konstant a po oZIme J
lJpravou dospějeme k obvyklému tvaru normálních ro~11IC: Po stanovené parciálních derivací podle jednotlivých regresních konstant dostaneme
n rmalmch rovnic ve tvaru:

7l
70
 • Tabulka 5.7 Tabulka______. .. ob"'
obsahu železa v titanove' běl e a lep e ost
... b"1
+ ... -t Bt.Lub.
= nll.

"
L"Il.U21 ::::BO-'LU21
. +B 2
.
·L ;r U
•
+ B3.LU?,.U3r + ... +Bk ·L li 2
"

,, 1 ·
U kr' MMení Obsah
železa v %
Bělost Měření Obsah
Železa v %
Bělost

r~1 r 1 trl
1 0,019 94,9 13 0,013 95,4
n

L1I .II 3l = Bo-Lll

n

11 +B 2
/I

·L U 2i· U 31
'I

+8)."'2:,11;, + ... +B k ·L" 1I 3,·1I k1 , (5.71) 2 0,020 94,8 14 0,Ot3 95,9

,,,,I
II
Id ,-\ ,-I
1..01
3 0,019 94,9 15 0,014 95,5
4 0,019 95,2 16 0,012 96,2
n
5 0,019 95,0 17 0,010 96,4
II

L.ltll.lIb :;:: BQ'LUk'

" "

+B.Z:2:U2I.ltk' + 8:;·L
II
U
3,·II k1
+ ... + B,ťL:u;, . 6 0,016 95,1 18 0,010 96,1
,,,,1 ,.-.1 r,1 ,~l " 7 0,016 95,0 19 0,010 96,1
8 0,016 95,4 20 0,010 96,0
Tento systém upravíme využitim vztahů: 9 0,014 95,3 21 0,014 95,6
10 0,014 95,4 22 0,015 95,5
" • • viz (554) 11 0,014 95,4 23 0,014 95,5
LUb ::::0,
= Lil"
= ... ::::
Lil"
,, ,, ,.,-1
12 0,013 95,7

• •
L,,2•
-=Ln;, ::::,.. : : Lil:, =1 , viz (5.55)
56 Posuďte
d h Ik vztah
br ' "teplotou reakce a jejim vyl' ěžkem
mezi ' . Stanovte prumery
. " a smerodatne
- ,
, I " , I
" ? dC Y Yo o~ ve ICIO, regresllI vztah, korelačni koeficient, korelačni poměr korelačni
n viz (5.64) ex. VSluPIll data JSOU v tabulce 5.8. '
Lu f
,.II Sl = nrts ,
ln

" Tabulka 5.8 Korelačni tabulka mezi teplotou ("g a yýtěžkem

Z první rovnice vyplývá, že Ilo = o. Po vydělcní celé soustavy normálnich rovnic počtem
měření n dostaneme:
rlx 202 204 206 208 210 212 ny

1'" = fl, + 8 3 "23 +···+8".r1k ,

0,85 - - 2 1 - 3
(572) 084 - 2 8 5 1 - 16
'il :::: B2 .r23 +8, +···+B,.I'", 0,83 - 3 12 11 3 - 29
0,82 - 8 4 6 7 1 26
0,81 - 2 1 2 2 3 10
0,80 1 - - - 1 1 3
n. 1 1~ 27 25 14 5 87
Kontrolni otáz~úlohy

5.1 Charakterizujte vztah mezi korelačnim poměrem, korelačním indexcm a korelačním S 7 II rčete,vztah mezi p
lJda. "
omerem ...,
vstupujlclch latek (x) a čistotou produktu v % (y)
koeficientem při řešení téže úlohy. je Jsou v tabulce 5.9. o .
5.2 Posud'te možné přičiny toho, že v řešené úloze je korelační koeficient nevýznamný.
r Ika 59 Korei ač'
5.3 Vymezte matici [x] při vyrovnáni funkci Y ~ a + h.x + c.x' + dx' III tab ulka mezI. poměrem vstupuiicích látek a čistotou p ro d u klu

5.4 Proveďte vyrovnání rovinou na základě těchto dílčích výslcdků: ylx 1,80 1,85 1,90 ny
'" = 0,2 x, = 70 s, = 8 894 - -
1,95
2
2,00
3
2,05
- 5
'" =0,4 ',=5 x, =40 89,3 . - 1 7 6 - 14
r :::: 0,8 Xl:::: 8 s) :::: 4
89.2 . - 8 14 10 2 34
13 891 - 1
Xl _ výkon pracovníků v kg výliskll za hodinu, 15 6 12 3 37
890 - 3
Xl - stáří pracovniků v letech, eg.g 6 - 4 1 14
1 1 - 2
v" - -
o

základě
Xl - praxe v profesi v letech.
tl. 1
5.5 Na tabulky 5.7 posud'te, zda existuje lineárni vztah mezi obsahem železa 5 30 29 35 6 106
a bělosti v titanové bělobě. Dále určete průměry a směrodatné odchylky oboU
hodnocených velí čin.

72 73
6. STATISTICKÉ ŘADY bude pojednáno v kapitole JO Z poval o o 'h
urČIty mo e rozdeleni četností. Tyto
·' d I 'Y resene o problé '0
,mu muzeme teoreticky očekávat
o •
dl'
Při analýze IŮzných hospodářských jevů nabývaji na významu statistické řady. specitiko~at ně~o~ka základními mira:~ ~Ic~s~~zpravI?la Jed:lOv~C?olové, lze je pak blíže
Statistickou řadou rozumíme uspořádané statistické údaje podle určitého hlediska. Timto mformacl o zmene podminek které defiln I y o k?d n~seho ocekavam JSou pro nás cennou
hlediskem může být hledisko věcné, mistní, organizační, časové i jiné. Podle třídicího , 'k ' ova y Oce avane rozděl " .
Je pro nas pou aZem na nutnost zko " ..,' , em cetnostl. Tato skutečnost
hlediska dospiváme tak k věcným, mistnim, organizačním či časovým řadám. Četnostl. e zeJmena o případy kdy ro d'l 'č "
'Jd " umam pncm ktere vedl k "
y e zmene tvaru rozdělení
, ". ' z e em etnostl má d .' Ok I'
pnnclpu Je zalozena í statistická regulac ' b 'h va CI ne o Ik vrcholů. Na tomto
Statistické řady tedy vznikaji jako výsledek tříděni zpravidla podle jednohn znaku, e vyro m o procesu.
někdy podle několika znaků. Toto třiděni můžeme provádět podle znaku kvalitativního Časové řady
í kvantitativniho. Jestliže statistické údaje třídíme podle Kvalitativniho hlediska, zpravidla
neexistuje pevné pořadí obměn statistického znaku, i když snahou je, aby pořadí obměn , Č,asové řady vznikaji utřiděním statistíck' ch úd 'o " ,

statistického znaku mělo své logické zákonitosti. Pro správné vyhodnoceni statistických řad je na JejIch vypovídací schopnost je třeba ~'t ,aJu podle casoveho hledIska. S ohledem
nutné, aby statístické údaje vykazovaly variabilitn podle zkoumaného hlediska, avšak vymezení je třeba pečlivě posoudit zejm;arucI Č steJn?rod.ost, ostatnich hledisek. Toto stejné
vzhledem k ostatnim hlediskům byly pokud možno neměnné. Jestliže bychom chtěli posoudit delšich časových úseků. Někdy nelze na v asovych radac~, kdy se jedná o zhodnocení
vývoj velikosti produkce určitého podniku, je nutné, abychom zvážili skutečnost, že některé měsiců nejsou stejné co do počtu praco~,~;c~~o~enout skute~?ost" že délky jednotlivých
závody po určitou dobu patřily do zkoumaného podníku, později však nikoli, že v praxi "standardni měsíc", který má 30 dní. m, a proto Je ucelne přepočítat hodnoty na
docházi ke změně náplně ukazatelů, kterými hodnotíme velikost produkce, že docházi ke
změně cen. Tyto změny nám ztěžuji hodnocení statistických údajů, kterými měříme velikost Při zpracováni údajů v časovou řadu s' ,
produkce. Závěry z jejich vývoje pak neúplně vyjadřuji změnu objemu produkce v podniku statistická řada vzniká, zda jde o údaje abso/ tn:u~'me být vědomí i toho, z jakých údajů
a omezují tak i naši prognostickou činnost. z absolutních údajů patří zejména řady r~ Il1 ,CI odvozene. K časovým řadám vzníklých
vlastnich nákladů odpracovany'cll Ilod' o ved' ,KOS!' pro~ukce, spotřeb surovin, vynaloženy'ch
'd , . ' mapo casovym • ď k '
6. J Vymezeni statistických řad u aJU pak ukazatele produktivity práce pracn~ ( " ;a am, tere vznikly z odvozených
, s I, prumernych mezd apod.
Nyni budeme krátce charakterizovat jednotlivé druhy statistických řad. Jiným hlediskem je to, zda časové ř d '·k" , .• ,
Do časových řad z údajů úsekových a~/ ~~~' aJI z uda~u,usekových nebo okamžíkových.
Věcné řady atd Představiteli časových řad z Údajů / •. ~kc~ za meslc, oáklady na reklamace za rok
k prvnímu dni v měsíci nebo řadu sta ? abmkzl ovych lze Jmenovat řadu stavu pracovniků
Věcné řady ziskáme utříděnim statistických jednotek podle obměn věcného znaku pří
vu zaso posledlllmu dm v měsíci.
stabilizaci údajů z územního, organízačniho a časového hlediska. Jako příklad věcné řady a vé řad extenzitních veličin
můžeme uvést utříděni pracovníků podle pracovního zařazeni, stanovení struktury dělniků
podle pracovni třídy do které jsou zařazeni, tříděni výrobků do výrobkových skupin. Extenzílni veličiny jsou veličin '" h' , ,
Tyto veličiny můžeme sčítat a tak v~ ~,:!'~ z ,,:ehkostJe úměrná délce sledovaného obdobi
Územni (mistní) řady řady Můžeme sledoval ob'~m rod vale nove statIstIcké údaje a z nich pak nové statistické
~vou ~du ~ěsiČní produ~ce. ~ mě~~;~c~O~;lk~U
: J~notlivýc~ m,ěsících, dostáváme tak
Územni řady dostaneme uspořádáním statistických údajů podle územniho, (místniho, 'oč VT1letlch, Jestliže sečteme objem d kaJu e v.sak vytVOrlt udaj o objemu produkce
geografického) hlediska. Do této skupiny statistických řad patří mimo jiné řady, pomoci r nIch objemu produkce. y pro u ce za vsechny měsíce roku, dostaneme řadu
kterých hodnotime zkoumané jevy podle územních celků (okresy, státy). Tyto řady maji
zejména svůj význam v národohospodářských úvahách. čl Pro poSUzováni trendů může hýt účel' ".
~ny teto lady získáme načítánim vel'k ne vytvaret radu kumulativnich úhrnů. Jednotlivé
Organizačni řady ~~%~iOC~bd°ktbi, ve kterém Zjišťuje~eO~~d~~~u:~~~tPrv~iho, hObdobi 5zpr~vídla počátku
I ara er extenzitnich r v· Ivm 10 u fnu. VSI mneme si že tato
Tyto řady, které vznikaji utříděnim podle organizačního hlediska mají význam zejména pru~l~že vydělíme hodnotu ;ue~~~:íi~~~t ~~učet úd~jů za několík ,období nemá reálný
pří studiu podniku jako systému. O této problematice bude podrobněji pojednáno v dalších odnotu sledované veličiny, o u rou poctem sledovanych období, získáme
ekonomických předmětech, a proto se zde omezime pouze na toto konstatování.
Zvl tnom tyPem ř
ek se . ady kumulativnich úhrnů' • ,
Řady rozděleni četnosti ph cm e POstupn~ posouvá, dospiváme t' Je r~da,. kdy Jde o stejně dlouhá obdobi, ale
rodu Jl se~avenl ročních klouzavých . hraJ: krade k10nzavých úhrnů. Nejčastějším
Řady rozdělení četnosti zaujimají zvláštní postaveni ve statistickém zkoumáni, a~ IIIIl me Zl Jka~: od II do 3I.XIJ., dalš~ h:n~~hkosti hrodukce, Prvni hodnotou je ročni
zejména ty, které jsou sestaveny podle obměn kvantitativniho znaku. PIŮběh těchto, pfiP<>čt J o součet velikosti r d k ' ou Je u rn produkce od 1.11. do 3 í I tu
rozdělení četnosti má své teoretické základy v pravděpodobnostnich rozdělenich, o kteljdl \'flle pfírústek objemu p~O~U~C~' ZV daných měsicích nebo tak, že ke klouza~ému
a unOf (obJem produkce v únoru běžného roku

74
75
zmenšený o objem produkce v únoru roku minulého). Postup opakujeme pro další měsíce.
Jestliže klouzavý úhrn vydělíme počtem údajů, dostaneme klouzavý průměr. Klouzavých
úhrnů i klouzavých průměrů se používá tam, kde chceme zjistit trend očíštěný od
pravídelných výkyvů např. sezónních či cyklických. Tak se určuje hlavní vývojová tendence.
U sezónních výkyvů je délka cyklu rok, v obchodě u prodejů často ·týden. Správná volba
Diagram Z 1
I
mil. m3
délky cyklu je rozhodující pro celé zkoumání a vychází z obecných poznatků o hodnoceném m m3
1,500
Jevu i- _'_17i 450
6.2 Diagram Z, eliminace cyklických výkyvi. 1,250 400

1,000
350 I
Diagram Z je graf, který slouží k rychlé oríentaci vývoje jevu během časového cyklu,
f 300
nejčastěji během roku. Diagram Z má tři části. Prvni je čára běžných údajů, druhou čára
750 r 250
kumulativních úhrnů a třetí je čára klouzavých úhmit. Je tedy zřejmé, že díagram Z lze
500
i- 200
uplatnit pouze u sčitatelných veličin. l3ěžné údaje by byly v diagramu Z nevýrazné, a proto se
často pro tuto čáru volí jiný modul stupnice než pro ostatní dvě čáry. Ukazuje se jako vhodné,
150
aby poměr mezi modulem pro klouzavé a kumulativní úhrny a modulem pro běžné hodnoty 250 100
byl zhruba.':., kde c je počet období v cyklu. U měsíčních údajů se poměr často volí I :S. 50
2 o --'--T
Stupnici pro běžné údaje pak umístíme na pravou stranu grafu. Čára běžných údajů je
1 _.~ r
o
úsekovou řadou (body se zakresluji do středu intervalů), čára kumulativnich úhrnů se II III IV V VI VII VIII IX
zakresluje jako čára okamžíkových údajů (body se zakreslují ke koncí časového intervalu), ----------- - ~_~ XII_ _ J
čára klouzavých úhrnů se rovněž zakresluje ke konci intervalu. Z čáry klouzavých úhrnů je
patrné porovnání běžného roku s rokem minulým. V těch časových úsecích, kde tato čára
stoupá jsou hodnoty běžného roku větší než v roce minulém. Postup výpočtu a zakreslení Z průběhu diagramu Z vidime že pokle SPO t" bV " • ..
charakteru, neboť čára klouzavy' ~h 'In o St re Yk cervnu, cervencl I srpnu je sezónního
v grafu je patrné z příkladu 6.1. uh' kytu u nu ellto po les nezaznamenává (;' kl
mu pos je obraz o spotřebě plynu od počátku roku 1990. . ara ouzavých
Příklad 6.1 Sestrojení diagramu Z spotřeb plynu v roce 1990
sové řady intenzitnich velíčin
Sestrojte diagram Z spotřeby plynu na základě dat tabulky 6.1
Časové řady intenzítních veličin tvoříme' k 'd'o, ,
Tyto veličiny nejsou závíslé na déle I d J? z u aJ~ usekovych, tak i okamžikových.
Tabulka 6.1 Tabulka spotřeb plynu v mil. m' a VÝpočetní tabulka diagramu Z
,hv vyvojové tendence. Tím že n', e, s ~ ovaneh~ obdob~, na JeJ~c.h vehkost má především
, dělemm příslušného stati;tickéheon~;yzna':' JejIch souc,et, '~emuzeme ani průměr vytvořit
Měsíc Spotřeba plynu Rozdíl Klouzavý Kumulativní
zlIu Ilmou informaci o ' . I' ~Je delČkou obdobt. Presto I zde potřebujeme znát
1989 1990 d úhrn úhrn 1990 . urovm ce e rady asto po "' "
e tenzllmch veličin jsme hodnotu o' , " UZlvanou mlrou je opět průměr.
I. 133 131 -2 1335 131
počtem stejně dlouhých období pruměru, Z1SkaJI Jako součet údajů v řadě vydělený
ll. 122 128 6 1341 259 Ilalelnosti ' u mtenzltmch takto nemůžeme postupovat z důvodu
III. 126 138 12 1353 397
IV. 107 119 12 1365 516
V. 100 116 16 1381 632 hod O 'ypočtu průměru u o " 'I
notách,. tento POstup lze a p memyc 1 h.~dno~ jsm~ ~ojednalí v kapitole o středních
'Id l 'chčín, k1eré mají r:~~OVtt I,u ZJ,lsťo~al1lpnlme.'~J poměrných hodnot u časových
VI. 94 104 10 1391 736
VII. 87 94 7 1398 830
VIII. 87 95 8 1406 925 mžiku je nutno použit chron:~o u~~~c,h udoaju. a JS?U Zjlsťovány k určítému rozhodnému
IX. 104 113 9 1415 1038 mbny prúběh zkoumané veli"g,C y prumer. P:' tomto typu prúměru se předpokládá
X. 121 123 2 1417 1161 určit podle Vztahu' cmy mezI sousedmml rozhodnými okamžiky. Průměr lze
XI. 125 133 8 1425 1294
XII. 131 134 3 1428 • 1428 y "v
") . I (Xl - X )+ Y1 + Yz ( , +
Součet 1337 1428 91 X X - _ o ~X2-X')+"·+)··'2 Y.(x•.-x.,)
(xI -xo)+(Xl --)_._~(~--
-Xl + ... + X -x ) ----:
" ll-I

76
77
 Eliminace cyklických výkvvů pomocí klouzaVÝch průměrů

~Y'-I+Y'(X
~ _o..--- i -x1-1 ) (6.1) V praxi potřebujeme odhadnout budouci průběh nějakého jevu, který je zatížen
I_I 2 cyklickými výkyvy. Tak je tomu např. pří prodeji některých předmětů částečně sezónního
charakteru, při prodeji některých potravin. Jako ukázku jednoho z postupů ukážeme cestu přes
klouzavé průměry a "sezónní faktor". Prodej určitého výrobku ukazuje na cykličnost prodeje.
Y, _ zjištěná hodnota v i-tém rozhodném okamžiku, Nejprve spočteme klouzavý průměr pro jednotlivá čtvrtletí v roce, a to tak, že v roce
x - i-tý rozhodný okamžik, vezmeme pět příslušných čtvrtletních hodnot, okrajovým hodnotám přiřadíme poloviční
váhu. Tomuto postupu řikáme "centrování". Tento postup je nutno zvolit proto, abychom
;0- počátečni hodnota v počátečním okamžiku o ' X mohli dále spolu srovnat údaje v jednotlivých čtvrtletích. Kdybychom roční prodej vydělili
Pokud jsou intervaly mezi rozhodnými okamžiky stejné, lze vztah (6.1) upravit na tvar: čtyřmi, získaná hodnota průměru by byla hodnotou, kdy právě končí pololetí, my však
potřebujeme porovnávat jednotlivá čtvrtletí, a proto se musíme o polovínu délky posunout, to
,.-1 y právě respektuje uvedený postup Ode o chronologický průměr ). Celý další postup je uveden
i Y,-\ + Y, .1).
Y. Yo+"'y,+_.2!.
Y;+Y\+"'+Y'-\+2=2 2 f:: (6.2) v příkladu 6.2.
- j:ol 2 II
y= • II
II Příklad 6.3 Eliminace cykličnosti pomoci klouzavých průměrů a sezónního faktoru
LI).
. ,,\ I . k'ho průměm ukážeme v přikladu 6.3. Na základě dat v tabulce 6.2 ukažte na trend prodeje vybrané skupiny výrobků.
Určem chrono oglc e

Tabulka 6.3 Tabulka výchozích dat o prodejí a VÝpočetní tabulka pro eliminaci cykličnosti
Příklad 6.2 Určeni chronologického průměru
Na základěúdajů v tabulce 6.3 stanovte průměrný stav zásob.
Prodej Klouzavý Průměrný Upravený Sezónnl Očištěný
ROk Č1vrtletf "Index"
Tabulka 6 2 Stav zásob suroviny v t a určení průměrného stavu zásob mll. Kč nruměr "index" úda; faktor úda;
1996 I. 41,5 52,0 52,0
II. 53,6 52,7 52,7
Okamžik Zásoba YH +Y, x, Xi_I Y, \ + Y, (x. XJ-l) III. 70,7 52,89 1,337 53,2 53,2
i v t 2 ' IV. 45,2 53,41 0,846 52,8 52,8
zjišťování 2
20,8 1997 I. 42,6 54,35 0,784 53,4 53,4
O U 19,85
18,9 19,85 1 II. 56,7 55,64 1,019 55,7 55,7
1 1.11. 18,25
17,6 18,25 1 III. 75,1 56,79 1,322 56,5 56,5
2 Ull. 19,05
20,5 19,05 1 IV. 51,1 57,54 0,888 59,7 59,7
3 1.iV. 19,45
18,4 19,45 1 1998 I. 45,9 58,46 0,785 57,5 57,5
4 1.V. 19,75
21,1 19,75 1 II. 59,4 59,11 1,005 58,4 58,4
5 1 VL 22,75
24,4 22,75 1 III. 79,8 60,03 1,329 1,330 60,0 1,329 60,0
6 1.VII. 39,60
15,2 19,80 2 IV. 51,6 61,91 0,833 0,856 60,3 0,856 60,3
7 1.IX. 13,45
11,7 13,45 1 1m L 52,7 63,84
8 1X 12,05 0,826 0,798 66,0 0,798 66,0
12,4 12,05 1 II. 67,7 65,78
9 1.XI. 10,75 1,029 1,018 66,5 1,017 66,5
9,8 10,75 1 III. 86,9
10 1.XII. 12,55 65,4 65,4
15,3 12,55 1 IV. 60,0
11 31 XII. 70,1 70,1
12 207,50 Soutet
X X X 940,5 X X 4.002 940,1 4,000 940,3
Součet X

Ji = 207,5 = 17,29.
12
hronologícký průměr je pouze ur ČItým
·' odhade11l
• v v aždélD I
prve počteme klo uzavy" prumě r s centrováním. Pro první hodnotu platí:
Je třeba upozornit na skutecnost, z~t d že pohyb průměrované veličiny Je v k 'ce. • 426
skutečného stavu, což vyplývá z pře~ho a. u, ě se bude blížit skutečné hodnotě tím VI 2 53,6· 70,7+45,2+_' 2
=5289
,.
intervalu Iíneární. Hodnota vypočt~~e o, p~m ~
čím bude interval mezi okamžiky ZJlsťovam krats\. V.I

79
78
2. "Index" je poměr hodnoty ve čtvrtletí a klouzavého průměru v daném čtvrtletí, tedy např.
70,7:52,89=1,331.
Z uvedených normálních rovnicJ'c patrné'
• ze..
3. Průměrný "índex" se získá jako prostý aritmetický průměr "índexů" v daných čtvrtletích,
tedy: (0,784+0,785+0,826):3=0,798.
"
4. Upravený údaj ukazuje na trend po elíminaci sezónnosti a získáme jej jako podíl hodnoty
ve čtvrtletí a průměrného "indexu", např. 41,5:0,798=52,0.
L>i
a= '..::.!...-
5. Sezónní faktor respektuje požadavek, aby průměr z průměrných "índexů" byl roven jedné, II (6.5)
tedy aby součet průměrných "indexů" byl roven čtyřem:
1,330. 4,00fl. = 1,329.
"
4,002 LV,Y,
6. Očištěný údaj v posledním sloupci stanovíme jako podíl hodnoty v daném čtvrtletí a b:::::; ''''l _
sezónního faktom Pro []J. čtvrtletí roku 1999 platí' 86,9: 1,329 = 65,4. "
LV,' (6.6)
'-I
Získanou řadu očištěných údajů lze pak využít pro tvorbu regresního modelu, pomocí
kterého lze odhadovat prodeje v dalších čtvrtletích. O tvorbě regresních modelů časových řad
Regresni konslanta a je tak prostým aritmetick' "
bude pojednáno v další části této kapitoly. ukazatele (nemusí ale jil o průměrnou hodnotu I V' y~ prumere';! z hodnot sledovaného
ZjednodUŠIt využitím vztahu pro součet řad 't .).• ypoce,l :eglesm konstanty b lze ještě
, y c vercu. Vyuzltlm uvedené transformace půjde
6.3 VyrovnállÍ časových řad fllnkccmi o součet dvou rad čtvercll přírozených čísel při l'očtu'l o _ II - I .
cenu /Jl - -2- . Dosazemm získáme'.

Časových řad pouzlvame k určeni hlavní vývojové tendence. Jednou z možnosti

stanoveni této tendence je použití řady klouzavých průměrů. Jinou možnosti je určit trend
fv,' =2. (111)(111+ 1)(2111+ I) = ~.(~1~ 1ll-I +2 ~:.~:,:.J)_ IIf" -1\
,I 6 3 2 2' I - 12 2 (6.7)
pomocí matematického předpisu ve tvaru regresního modelu. Jde o aplikaci regresní analýzy
s tou zvláštností, že nezávisle proměnná veličina (v tomto případě čas) se mění o jedníčku Dosazením do Zl h (66)
Ueden rok, jeden měsíc). koeficíent b jako: v a u . můžeme stanovit obvyklý výpočetni vztah pro regresni

Při vyrovnání regresním modelem musíme nejprve zvolít vhodný typ modelu. Pokud lze
považovat absolutní pt'irůstky v jednotlívých obdobích za praktícky konstantní, vhodným
h
modelem bude lineární model, pokud budou relatívní přírůstky zhruba konstantní, vhodným
modelem bude exponenciální. Jen v nečetných případech bude vhodným modelem parabola (6.8)
nebo hyperbola.
lenlo vztah ..
Zl . " muzeme v podstatě v .. ' . . . .
Pří vyrovnání časových řad nezávisle proměnná veličina x je čas. Tato veličina ogarumovamm přejdeme na ř' . Jyuz~t ! pn vyro~nanl exponenciálou Y = a.b'.
představuje řadu přirozených čísel. Tuto veličinu můžeme transformovat tak, aby souče! o funkCIonální regresi, přejdeme ted~S~:' tva,;,earnl ho vyrovnaní hodnot logaritmů y, jde
transformovaných veličin byl roven nule. To provedeme tak, že počátek posuneme
k prostřední hodnotě. Budeme-Ii mít lichý počet hodnot, transformované veličíny budou I gY loga+x.logb=a'+b'x
celočíselné, v případě sudého počtu hodnot půjde o poloviny. Transformační vztah lze zapsal (6.9)
ve tvaru: I zd muzeme I .
pro r-esnl'~~ atUtl transformaci na velíčiny
-~ ~onstanty.
V
Řešením normálnich rovnic dostaneme
n
V= Xi -Xo ' tak aby LV, = o. (6.3) •
,I logy,
a
1/
V případě lineárního vyrovnáni normální rovníce nabudou tvar:
(6.10)

" v logy
LY, =/1.Q,
1,.,1

n " v
LV,Yi =bL v,2. (6.11)
,::::1 j",]

80
8t
 Regresní konstanta a je vlastně geometrický pruměr pozorovaných hodnot y, regresni
konstanta b vyjadřuje pruměrné tempo rustu zkoumané veličiny y. ,~r~ výpočet konstant v obou modelech se '" .
pouZ1va se metoda přibližného řešeni, nelze ted ~~da :OUZI:
~etoda neJmenšich Čtverců,
Existuje dalši vhodná tranformace pro výpočet regresních konstant, a to ta, kdy nový uveden v dodatku k této kapitole. y pocltat orelaclll mdex. Postup výpočtu bude
počátek posuneme do prvni hodnoty (počátku časové řady) podle vztahu: z, = X, - x o' Tento
případ je vhodný při vyrovnáni časové řady parabolou a též proto, že snadno zjistime nové
Dodatek k 6. kapitole
regresni konstanty přidánim dalšiho období. Využivá se toho, že jsou známy jednoduché
vztahy pro určení řady aritmetické, řad čtverců, řad třetich a čtvrtých mocnin. Tyto vztahy zde
připomeneme, plati tedy:
VÝPočet konstant GompertzovJ( a Pearl Reedow křivky

Počátek hodnot X se položi do prvního zk "k

,. " Ik' oumalll de tedy x - O d 'I
(612) na tn steJne ve e skupiny. Hledané konst t Ó -,.' a e se sou bor rozdělí
uvedených vztahů: an y pro ompertzovu knvku se urči podle dále

• d,
c=-
(6.13) d'
I (620)

_d,(C-I)
Iog b - -__
(6.14) (c' -1)' , (6.21)

±z' = ?n' +311-1 n(n+IX2n+l) = 311' +3n-I.±z,' . (6.15)

loga = ~{SI
II
--!!LJ
•
c -1
, kde
(6.22)
1=1 ' 5 6 5 I~l
11 - počet hodnot ve skupině,
Gompertzova křivka d S2 -S'l
d S -S, .
Gompertzova křivka je definována vztahem: S S S .
Y = a.bel>. (6.16) : ) Jsou SOučty hodnot logaritmů veličiny y v jednotlivých skupinách, tedy
Zlogaritmováním můžeme tuto funkci převést na tvar S Llogy, .
logY = loga + (Iogb).c·. (6.17)

Tento model se použivá předevšim v marketingových studiích pro konstrukci takového Pn výpočtu
konstant u Pe I R d ..
Je \ t že' ar ee ovy knvky postupujeme obdobným způsobem Rozdíl
modelu zákona růstu, kdy sledovaná veličina neustále roste, ale rust se zpomaluje tak, že se om, mlsto logaritmů h d ' .
hodnocená veličina s časem limitně blíži k maximálni hodnotě dané konstantou Q o not y se Jedná o převrácené hodnoty, tedy ~. Získáme
pf'mu hodnoty a , b, c. y
(resp. loga ). Konstanta h je menší než jedna.

_~.r.y,lnl otázky a úlohy

V souvislosti s prognózovalllm se použivá Pearl Reedova křivka, která ...
charakteristický "esovitý" pruběh aje dána předpisem:
I Jak se pozná v día r ' .
2 a z.akladě dat ta: ;:;'IU
Z, ze Jde o sezónní výkyv?
(618 prod k ky . u Y 6.3 stanovte lineárn' .. ,
Y= . a ~k ce selmy sírové kromě 60% olea I a<!xponen,claln, regresni model časové řady
a+b.c·
Pro výpočet konstant a, b, c se používá převrácené hodnoty, tedy: roce I~:dě modelu odhadněte produkc' I v hSSR. (Udaje JSou ze statistické ročenky).
4 I 246t a v roce 1985 I I V etec 1984 a J 985. Skutečné produkce b I v
zadanem období (1971 _ 1979).298 t. Zhodnoťte výsledek, určete pruměrné tempo ~;tu
1 X (6 I
- =a+b.c •

82
83
 7. lNDEXNÍ MKI'ODA
Tabulka 6.4 Údaje o produ}ci kyseliny sírové kromě 60% ol.lm-'( ČSSR
7.1 Pojem indexu
Rok produkce v kl
1971 1162 Indexni metoda patří mezi základní metody, které poullvame při srovnávání. Pří
1972 1176 srovnávání se můžeme setkat s porovnáváním veličin, které se vztahuji buď ke statishcké
1973 1209 Jednotce nebo ke statistickému souboru. V prvnim případě jde o porovnávání individuálních
1974 1211 údajů, někdy se proto mluví o individuálních indexech. Název neni zrovna šťastný, nehol' se
1975 1245 nejedná o vlastní indexovou problematiku. O tu jde, pokud porovnáváme veličiny, které se
1976 1240 vztahují ke statistickému souboru. Mluvime pak o indexech (souhrnných indexech).
1977 1276
1978 1195 Podle charakteristiky porovnávaných veličin sestrojujeme indexy dvojím způsobem.
1979 1253 U sčitatelných údajů utvoříme index jako pomčr dvou součtů. Tak můžeme postupovat
1: 10967 v případě, kdy zkoumáme, zda došlo k růstu velikosti produkce určitého výrobku v běžném
období ve srovnání se základním obdobím. Při porovnávání nesčitatelných veličin musíme
' h 9 \ t Určete regresní nejprve soubory údajů průměrovat. V těchto případech se uplatní různá velikost vah
. ' . ' robku v tunách za posled niC e.
6.3 Jsou známy prodeje vybranpehoľl dovy křivky. Údaje o prodejí: u jednotlivých průměrů.
konstanty Gompertzovy a ear ee
25,59,99,145,197,236,256,261,264 Při porovnávání statistických údajů musíme rozlišovat údaje extenzitní, k1eré jsou závislé
na velíkostí časového úseku, územního nebo organízačního celku, za k1erý provádíme
rovnávání. Tyto údaje budeme podle zvyklostí označovat symbolem q. Údaje intenzitní
budeme opět podle zvyklostí označovat symbolem p. K těmto symbolům přiřazujeme ještě
mdex, a to takový, že indexcm 1 budeme označovat údaje běžného období a též údaje, kterých
bylo . kutečně dosaženo. Indexem O budeme označovat údaje základniho období a údaje
planované.

"
Podle tohoto zavedeného označeni Lq"
,.,
= Lq, vyjadřuje souhrn objemu stejného

)'Tobku u 1/ výrobců ve srovnávaném období (výrobků skutečnč vyrobených), L qo pak

J dluje souhrn výrobků v základním období (plánované množství produk1u).

Je ~řejmé, že porovnání tohoto typu nebude mnoho, daleko více případů je těch, kdy
porovnaváme nestejnorodé údaje. Do této kategorie již patří porovnávání objemu produkce
Dlku jako celku. Tyto údaje můžeme porovnávat pouze za pomoci vhodně zvolené
IIn. veličiny jako je cena výrobků nebo měrné náklady. Souhrn vyrobené produkce
me pak vyjádřít ve tvaru:

(7.1)

m Jme. dospěli k hodnotovému vyjádření objemu produkce. Tohoto vztahu rovnez

~1ŽI''tlm při .zkoumání so~hrnných změn intenzitních veličin. Intcnzitní vcličiny pak
prl:-"'dime na sčllatelný tvar. Uroveň intenzillúch veličin charak1erizujeme jejich průměrem:

L:P.'1,
q (7.2)

85
84
7.2 Indexy nesčitatelných extenzitnich veličin
Rozdíl čítatelů a jmenovatelů ve vzt h (7 4 "
přínos (RQ) = (R",) , přínos způsobeny' ~lluveJn' ) u:'ava v I(lodn)otovém vyjádřeni celkový
zmen cen II
V předchozí části textu jsme viděli, že pomocí intenzitní veličiny lze převést nesčitatelné množství produkce (Rp). p a Pří nos vlivem
.
zrněny
extenzitní veličiny na sčitatelné. To nám umožňuje porovnat objem produkce podniku
skutečně vyrobený s objemem produkce plánovaným. Toto porovnání provedeme pomoci
índexu objemu produkce: Jestliže bychom použili při rozkladu hod t 'h '
no ove o mdexu vztah (7 5) , "
nemá velký význam, neboť vyjadřuje dří. b " ,vyraz .... J','Io
yro
informace je prakticky bezcenná a v podn'kve .v enou pro.dukcl v dnešnich cenách, tato
(7.3) , u se aru samostatne nesleduje.
Jednotlivé druhy uvedených indexů mužem t" . ,
hodnot (individuálních índexu), a to podle těchtoevz~:hs~anovlt na zakladě znalosti poměrných
Tomuto indexu, který má tvar podílu dvou součtů (agregátů), se říká agregátní index.
Výsledek řiká kolikrát je skutečně vyrobený objem produkce větší než plánovaný. Protože na
výsledek má vliv změna intenzitní veličiny, nemůžeme bezprostředně rozhodnout, zda došlo
k růstu objemu produkce. Abychom poznali proč došlo ke změně hodnotového índexu IQ'
rozložíme jej na dvě složky. První složka bude ukazovat na změnu extenzítní veličiny (říkáme (7.7)
jí index množství nebo ohjemový index), druhá pak na změnu íntenzitní složky (obecně se
mluví o cenovém indexn). Rozklad hodnotového indexu lze formálně provést třemi způsoby,
a to:
(vážený aritmetický průměr pří váze O )
-.
L.p,'1, L.P.'1, (7.4) (7.8)
L.P.'1, .L.P.% '
(vážený harmonický průměr pří váze Q,).

L.p,'1, L.p,'1, L.P,'1. (7.5) vyrazy:

Obdobně mužeme vyjádřit jak index
cenový, tak index množství. Dostaneme tak
L.P.'1. - L.P,'1. ·L.P.'1. '
L.p,'1, L.P,'1, L.P,'1'
,
(I', vyjadřuje stálé ceny). (7.6)
L.p.'1. = L.P,'1;·L.P.'1. (7,9)

I když všechny tři uvedené vztahy jsou formálně v pořádku, nejpoužívanějšim vztahem je
vztah (7.4). Hodnotový index tak rozkládáme na cenový index tak, že vahou intenzitw
, _ LipPolJ,L.p,'1,
veličiny (cen, měrných nákladů) je extenzitní veličina běžného období. U índexu množství je - L.p.'1, L. p~qL . (7.10)
vahou intenzitní veličina základniho období. Výrazy v čitateli i jmenovatelí každého indexu
mají reálný smysl, a to: \ olba VÝpočetního v ' . , fp
ztahu zavlsl na znalosti příslušných veličin.
L.p,'1, - vyjadřuje v hodnotovém vyjádření velikost produkce v běžném období, Pti lad 7 I R b
oz ~_~r~sp~l~ne,,'
n"j~p"'laE!J'n!!ULoQ!b!1Jj~e!!ml!!ul.PJ:QQd.Y.ko~<;;'m!!lli~c!!!m~Q!I!lli;ii!~'lffiiJr!.tll;ill.)'
Rro ukce zavodu za měsic pomoci indexn; metody
L. 1'.'1. - znači hodnotu velikosti produkce v základ nim období, ..
a uk ladě dat tabulky 7 I '
L. 1'0'1, - udává produkci vyrobenou v běžném obdobi v cenách základního obdobi II ~t ~ruhuvýrobků a ~ f~~vu~~ te rozbor s~lněni plánu produkce závodu. V závodě se
(plánovaných cenách či plánovaných měrných nákladech). ne le tak i zhOdnotit změnu v ~irnSOy~ hzn~mklYdměrné náklady, a to jak plánové tak
C na a ech. •
• , '.. 7560285
7576900 = 0,9978,

86
87
 1 = 7321900. = O9663 1 = .~~60 28} = I 0326
, 7576900 ' , 7321900 ' rozbor, index / , který nazýváme ' d' • , •
P III cx proDlcnh"eho slož' I.'
kterém budou váhy stejné, a to hodnot bě. 'h ' ,enl, roz o~lme na index, ve
znc
Tabulka 7.1 Výpoč~egátních indexll se řiká index stálého složení a obvykl' Y b ~ obdobl cxtenzitni veličiny. Tomuto ind
e se o ecne znači / V • . , exu
,. YPOctemc JCJ podle vztahu:

Produkce Měrné náklady v Kč Celkové náklady v Kč

i,
Výrobek
'10 'I, Po P, Poqo p,IJ, Poq, i,

850 870 1210 1195 1028500 1039650 1052700 1,0235 0,9876

~- 1840 1730 860 890 1582400 1539700 1487800 0,9402 1,0349
(7.12)
~_2
3 1200 1180 930 942 1116000 1111560 1097400 0,9833 1,0129
4 350 360 8600 8570 3010000 3085200 3096000 1,0286 0,9965
5 50 35 16800 22405 840000 784175 588000 0,7000 1,3336 Ze v,!ahu (7.12) vidíme, že index stálého složen' ,
u agregátruch mdexů. 1 ma stejnou povahu jako cenový index
l: X X X X 7576900 7560285 7321900 X X

I~de~ kterým hodnotíme změny ve struktuře vah ." ,

R Q =7560285-7576900=-16615, a LnačlmeJeJ symbolem J Jeho ' • ' se nazyva IIldex struktnry veli'·
.>q. vypocet provedeme podle vztahu: cmy IJ
II, = 7 321900 -7576900 = -255 000,
II, =7 560285 -7321900 =+238 385. LPoq,
/ =
Lq, _POl LP{3LJ Lq,
Závěry z přikladu:
LPo'lo - Po =
Plán úplných vlastnich nákladů byl splněn na 99,78%. Bezprostředně nemůžeme říci, že Lqo ~-J
LP{Lqo (7.13)

tato skutečnost je přiznivým jevem. Musime provést hlubši analýzu, tedy přejit k hodnoceni
pomoci indexu množstvi a indexu měrných nákladů. Index množství ukazuje, že bylo Z předchozího vztahu 'd' ., "
vyrobeno o 3,37% výrobků méně. Index měrných nákladů vyjadřuje skutečnost, že došlo v čitateli tak i J'menov t I' vl.'me, ze mteozltm veličíny z· t' ..
\'Zlah a e I, zat,mco váhy se mění. S d us avaJI na stejné úrovni jak
k růstu měrných nákladů o 3,26%, pracovali jsme tedy méně hospodárně, je to důsledek na no se přesvědčíme o tom, že platí
nesplnění plánu výroby nejdražšiho výrobku. Veličiny II nás informují o tom, že jsme ušetřili
na úplných vlastnich nákladech 16615 Kč; diky tomu, že jsme nesplnili množství výrobků, 1 I, / ...
ušetřili jsme 255 OOOKč, ale diky růstu měrných nákladů jsme vynaložili o 238 385 Kč vice.
(7.14)
Index proměnlivého sl. ,
7.3 Hodnocení změny průměrné úrovně intenzitních nkazatelů f ozem lze rozložit na index stálého složení a index struktury
v tochto Uvedených inde " .
Při souhrnném srovnávání mají značný význam změny ve struktuře srovnávaných II ukazuje na n xech ma reaJný význam zcl'!"
souborů. Tato otázka nabývá na dllležitosti zejména u intenzitnich ukazatelů, které ny I edy Obd:eb~t~a příčinu změn průměrné inte;;'~tni v c;t~tele a jmenovatele. Tento
porovnáváme jako průměrné úrovně. J O u agregátnich indexů 01.. ~ lCmy na Jednotku extenzitni
p . uzeme provest rozklad, a to dle vztahu.
p (p,-p )+(p _. .
Jestliže budeme porovnávat průměrnou úroveň skutečných a plánovaných měrných OlOl-PO)'
nákladů v připadě sčitatelné produkce dostaneme: r. rOl· To.
(7.15)

h mo-Ii zjistil celk •

Y\1Ů'M1II1'e . ovou zmenu, určim" •.
mnoŽStvlm celkOvé produkce (" )e Jl tak, z~ Jednotlivé hodnoty sčítanců
\L.,q, , tedy Upravlme na tvar:
(p p) r'l, '-Po,)·L'I, +(P ,-Po)·Lq,·
=(p
o (7.16)
Z uvedeného vztahu vidime, že na změnu průměrné úrovně působi jednak změna veli '
P (měrných nákladů), jednak změna ve struktuře vah veličin IJ. Abychom mohli provést hlu

88
89
 průměrne, zmeny
Příklad 7.2
měrných nákladů

'kladě dat tabulky

Zhodnocení v

•
Zhodnoťte změnu pruměrnyc
• , h měrných
výrobek se vyra'b'I ve čtyřech závodech.
nákladu na za
•
7.2. Tentýž
Při
na nákladech 106 692 a díkyKč změnám struktuře
zhodnoceni celkových úspor vidíme, že jsme
ve
uspořili
J 92 344
produkce 85 652
Kč,
Kč.
z toho díky úspoře

Tabulka 7.2 HodnocenI, zrn ě ny pru• měrných měrných nákladu

7.4 Rozklad indexu produktivity práce

Výrobce q, qo Po 1', p,q, Poqo Poq,

Na závěr kapitoly metodě ukážeme rozklad indexu produktivity práce.
o índexní
Ukazatel Produktivity práce je definován jako v = ~, tedy jako poměr objemu produkce
1 2640 2600 930 936 2471040 2418000 2455200
2 1385 1400 810 811 1123235 1134000 1121850
a odpracovaného času. Při praktických aplikacich se setkáváme často s takovými intenzitnimi
3 2312 2200 560 520 1202240 1232000 1294720
4 1124 850 470 442 496808 399500 528280
veličinami, u kterých má význam i jejich převrácená hodnota. V připadě ukazatele
produktivity práce je tou veličinou ukazatel pracnosti ,= _.
L 7461 7050 X X 5293323 5183500 5400050
1 Ukazatel produktivity práce
můžeme tak posuzovat nepřímo přes ukazatel pracnosti. v
- 5 293323 = 709,47, _ 709,47 = 0,9649,
1',= 7461 1, - 735,25 Rozklad UkilZatele produktivity práce
-
VI VJ VOl
- 5183500 = 735,25, _ 709,47 = 0,9802, Iv ::::~=-=--.-=-=lv.lsT'
Vo VOl Vo
Po = --7-050 Ip - 723,77
(717)

5400050 = 723,77, 1" -_ 723,77

735,25 = 0,9844.
POl 7461

Velíčiny pro rozbor absolut ních změn měrných nákladů: (7.18)

, - -I' - Po -- 709,47 - 735,25 = -25,78,

' - -' - =70947-723,77=-14,3 ,
O Pfj vyjádření ukazatele produktivity práce přes ukazatel pracnosti:
,'o, = -!Y..'
= f1..'
POl Po = 72;,77 -735,25 = -11,48.
'o 1
1. =-=1
.. jl Ý- kl'

Veličíny pro rozb Ol' ceIkových změn: (719)

" .2:q, -- -25,78.7461 = -192 344,2

" qj ---1430.7461
rOl·L....J • =-10669 ,
'0 2:q, = -11,48.7461 = -85 652. (720)

Závěry z příkladu: , I I o 351%. Tento pok1esid~ ~

když souhrnné indexy jsou stejné, indexy stálého složení jsou rozdílné v
ovc vah ROzdíl vynikne tim Více, jestliže indexy stálého složeni na
důsledku
převedeme průměrový
Průměrné měrné náklady ,:zhl'~:~ákladů o 1,98% a oes dalších
k plánovanym k y , 1,56%o došlo k po
způsoben vlast~í~ pok~~~e:. :~;~měnám ve struktuře proílukce. želIÍ"
průměrných mernych na a u " bylo dosaženo sn~ I

• ě~ě
Prum nakladu•
měrných
na výrobku
o 14, 30 Kč. ús~o:e
došloK kdal 25v' 78 Kč
v

Šl uspore o
Kč uspory
II ,'48Teto došlo díky zrn ě ně ve sl
(7.21)
produkce.

90
91
 --------
PŘESNOST MĚŘENÍ VVPOČTY
0

L'oqj L 1tj .I,q, = ~~~

"" . T .. (7.22) 8. A STATlSTlCKÉ
l.=~= Llq LY;
měření číslo určitou
"L,/,q, , , d sebe odlišovat
" . d x stálého složení se budo~ o
Z uvedených rozkladu vldlme" ze 10 e y T) Vzhledem k tomu, ze ve vztahu ~.
měřeni čí
• ., (7 22) Výsledkem každého je (hodnota), které je zatíženo chybou. Budeme_

v důsledkusvých rozdílných vah (T,v

o
re~p~
I ;ožení je odvislá i od toho, zda byl zvyse.n
li na tomtéž vzorku
měření
výrobku opakovat, výsledky se budou od sebe odlíšovat. Toto

měření patří nepřesných Čísel.

odlišení je dáno nedokonalou homogcnítou výrobku, chybou a exístenci nJhody
hod~ota
o
h~:n~~ab;;~~:~ý.
při počítání těmito počitání
vystupuje ve váze i v , Jestlíže byl zvýšen již u vysoké úrovne, Z matematického hlediska výsledek do kategoríe (neúplných)
ukazatel produktívity prace tam, k J
čísly.
To znamená, že s daty se musime opirat o pravidla s neúplnými

ákladů měrnych
'd . k 'stu 1 oprotL 1,. .

Nejprve musíme stanovit miry, pomoci kterých POSuzujeme chyby měřeni. Základni
dOJ e I r u " . h
Indexní metodu Iz~ s úsp~che~a~~~st?v;:n~ní výkonových norem, norem spotre y
velíčínou tohoto druhu je absolutní chyba D(a) čísla. Jí rozumíme absolutní hodnotu rozdílu
'k
a rozbor vlastmc n , • b
nákladů, ukazatele prodUktIVIty prace, p
surovin či energií. naměřené hodnoty a od správného čisla A (čísla nezatiženého chybou, "přesného" čísla).
Protože v praxí obvykle neznáme správnou hodnotu A, užíváme v řadě úvah místo absolutní
Kontrolní otázky a úlohy hodnoty její homi odhad, který nazýváme mezní absolutní chybou. Mezní absolutni chyba
M(a) je chyba, která není nikdy menši než absolutní chyba, platí tedy:
1 Proveďte rozklad indexu pracd~os bor ukazatele produktívity prace.
7 tí na índex stálého složení a stru~ury.
M(a) ~ D(a).
. . " b Ik 7 3 prove te roz ..
7.2 Na zaklade ta u y . . , b' minerálních hnOJIV (8.1)
Tabulka 7.3 UdaJe
' . o pro du kcí a ukazatelí produktivíty prace ve vvro e
Relativní
správného čislachyba
A: d(a) přiblížnéhočísla a je poměr absolutní chyby a absolutni hodnoty

Produkce v tunách Plán Skul. prod. d( ) = !)(a)

Výrobek Cena prod.práce práce a lAl'
Kč/t Plán q, Skut q, Vo (kg/hod.) v, (kg/hod) (82)

opět
Superfosfát 6500 8000 7900 2137 2182
vztah:relativní chyby mra). Tato chyba není
NPK 5500 2100 2400 1048 I pro relativní chybu se zavádí pojem
protomezní
972
nikdy menší než relatívní chyba. Plati
LAV 4400 6500 6700 2052 2127
m(a)~d(a)

vztahů
(8.3)
Ze (8.1) a (8.2) vyplývá, že ínterval ve vztahu (8.4) zachycuje správnou hodnotu A:
a D(a)"A"a+D(a),

COž se někdy ne zeela přesně zapisuje jako: (8.4)

A a.t D(a)

Za meznl chyby pak můžeme příjmout hodnoty: (85)

-.(a) M(a)
a M(a)/'
(8.6)
At(a) m(A)[a+M(a~].

úloh v pr'·,· v I . Čl' •

·-11 pfjbl'ž'h ,'~ e ml "sto p atl, ze
ftIen,
' ne o č'sla
. b l ' h b' d
a, tedy platí: M(a)«a. Mezni relativní chyba je pak
•
(8 7)
.."
Podstatně
meZlll a so utm c y a Je po statne me"s. nez

92
93
menší než jedna, tedy m(a)« I. Při splněni těchto podminek lze při výpočtech použivat
Řešení spočivá v d .
přibližné vztahy: osazem do vztahu (8 ll) J '
. . e treba mít 4 platné č' I'
-J3ó = 5,477. IS Ice, tedy:
M(a)
lII(a) '" ----, (8.8)
a
N~ní krátce pojednáme
operaclch. o velikosti chvb kt' ,
.' ere vzmkají ... 'kl
M (a) '" lal. mra) . (8.9) pn za adních POčetních
Qlyba sOučtu
Pří výpočtech s přibližnými čisly
(výsledky měřeni) hraje významnou roli pojem platné
číslice. Platnou čislici je číslice rozdílná od nuly a nula tehdy, jestliže nepoukazuje na řád Absolutní chyba algeb 'k' h
čísla nebo leži mezi platnými čislicemi. Z této definice je zřejmé, že existuje rozdíl mezi chyb sčítanců ralc e o součtu přibližných čísel
hodnotami 25,14 a 25,140. V prvním připadě dané čislo má čtyři platné číslice, zalímco ve nepřekročí součet abSOlutních
druhém pět platných číslic. V případě celočíselných hodnot např. 15000 nelze jednoznačně D(y) S; D(xl ) + D(x,) +.,.+ D(x,,).
určit, kolik dané číslo má platných číslic. Abychom zamezili nejednoznačnému výkladu, měli
bychom dané číslo zapsat ve tvaru např. 1,50.10 4 . Tak se dovídáme, že dané čislo má tří Dů?ledkem této poučky je skut _ _ , (8, 12)
platné číslice, platnou číslici by tak byla pouze jedna nula. relal.vm chyba ze sčíta' ecnost, ze relatIvni ch ba s ' '_
~aménko. Pokud sČítan:~u';':fkrud Jde, o tak~vý souče;' ve O~~~~~em v~sš~,než nejvyšší
Říkáme, že II prvních čislic přibližného čisla je platných, jestliže absolutni chyba tohoto vyrazně vzrůst relatívní chyba J ?zdllna znamenka, může dojít ke Zl ':"~JI SCltancl stejné
čisla nepřevýší
polovinu jednotky řádu, který je vyjádřen 11- tou platnou čislíci zleva doprava. při rozdilu vypadne Te souct~. Při výpočtech je třeba mít ,:~te přesnosti, může
Tedy platí: ilustrativní případ uV~d'ment\kProblem ,vyníká pří určování ro~dt.~hkbcl',Sh~ více, kolík jich
ve I ost rozdll u hodnot Iu .zkych čísel. Jako

D(a) = la - AI S; .!.IO~'" . (8.10)

y= 69,132-69,1 I I = O021
D(y)- ' ,
2 - 0,0005 + 0,0005 = 0,00 I
d(y)=~_
V tomto případě je prvních II číslic platných, tj. číslice am,am_I,···,am_,.I' Veličina m 0,021 - 0,05
udává řád čísla a II počet platných čislic. Někdy se setkáváme s pojmem počtu platných Relativní chyba každ 'h
čislic v širšim smyslu, čimž se rozum i připad, kdy absolutni chyba nepřekroči jednotku řádu, vzrostla asi 5000 krát! e o sčitance byla příblížně 000001 V'd'
danou 11- tou platnou číslici. , . I Ime, že relativní chyba
Du-~a SOučinu
Při řešelÚ řady úloh je významný vztah mezi relativní chybou přiblížného čísla a
počtem jeho platných číslic. Dá se ukázat, že pokud kladné čislo a má II platných čislic, Relatívní chyba s " _,
,-1 IOucet relativních chYbOt~C,lllu _~ekohka přibližných
číscl (rozdílných od
pak relativni chyba tohoto čisla nepřekročí hodnotu (
/0 )
dělenou první platnou číslicí, tj.. ec Ito clsel. I) _ "
nu y neprevysuJe
ú(y) S, d(x) d
I + (x')+"'+d(x,,).

d(a)s;-. -
a
I (I )'-1
10
(8.1 1) lad 8 2
Určeni počtu platnÝch" /'
-
..
CIS Je SOUCJnU
(813)
m
r ete P<>če
t platných č' r
/s /c SOučinu y = 12,2.73,56.
a" - prvni platná čislice čísla a, které je m-tého řádu.
e!cnl získáme " . Všechny číslice jsou platné.
VYUzlllm vztahu (8.13)
Při vymezeni počtu platných číslic v širším smyslu musíme odhady relalívních ch)~
dvakrát zvětšit.
d<)) 0,05 + 0,005
12.2 73,56 = 0,0042,
Y ~ 12,2.73,56 = 897 432
Příklad 8. I Určeni počtu platných číslic yú(v) ~ 897 0,004 = 3 6 ' ,
, ,

Určete počet platných čislic pro případ, že chceme stanovit odmocninu ze l/icdl
lid VJdlmc .
, le VÝsledek ol'
a nepřekročit relativni chybu 0,001. a POUze 2 platné čí r ',
s .ce, nutno Jej psát jako 897 ± 4 ,

94
95
-
Chyba podíll1
alespOll dva aroume t •
h" " n y, pozadavku na -,
Relativní chyba podílu nepřevyšuje součet relativních chyb dělítelc a dělence. mno a pnpady, proto se vkládá dalši p;e:;:~~~SI ~~~~mentů funkce lze vyhovět nekon • ,
I. Předpokládáme, že všechn ..... azCIl1~třj nejobvyklejší Předpoklady.ccne
Příklad 8.3 Určení počtu platných číslic ppdí!!! y parClalru dIferenciál uy D .
chyby funkce /.J(y) V ". y &,' (x,) působi stejně na tvorbu
Určete počet platných číslic podílu hodnot 25,7 a 3,6. . YIlZltlln vztahu (8 . 14) Jze psal:
•

Řešení získáme z poučky o chybě podílu, tedy: D(x,) = D(Yl.

I (~I
d(y) = 08 5 + O-,-O~ = O 016 1ax, (8.16)
25,7 3,6 ' , Tomuto postupu se Ilěkd "k'
D(y) = (25,7: 3,6).0,016 = 7,14.0,016 = 0,1 17, y fl a metoda ste;ny'ch
;J
,. •
V IVU.
y=7,14±0,IJ. 2. Jíným předpokladem' ,
D(x ) - D( Je ten, ze absolutní chyb ' h
I - x,) = '" = D(x ) = D(x) MJ ' Y vsec argumentů jsou stejné PI '
Výsledek má tedy pouze jednu platnou Číslící. Dosaz ' d " . UVl se o met d" , . all tedy'
emm o vztahu (8.14) dostaneme: o e stejných absolutních chYb'
Chyba mocniny a odmocniny D(x)= D(yL

L J-
'=1"1iJx,
a I'
Relativní chyba ln-té mocníny je ln-krát větší než základu, relativní chyba ln-té
(8. I7)
odmocniny je m-krát menši než rclativní chyba daného čísla.

Obecný vzorec pro chyby 1 Konečně třetím Čt ..

ste'n '. . ' as o vyuzlvaným předpokl d .
l e, Jde o metodu stejných relativnír~ ~~~~e tg, ,že všechny relativní chYby jsou
V praxi potřebujeme znát chybu statistického ukazatele, jestliže známe chyby
jednotlivých členů tohoto ukazatele, z matematického hlediska potřebujeme znát chybu Protože d(x,) = d(x,) = ... =d(x,,) = D(x,) = D(x,) pet ~(~dlme do vztahu (814)
funkce, známe-Ii chyby jednotlivých argumentů této funkce. D(x) _ kl I lx, I );J = .. , = -Ix1,,2 = k proto
, - x, a dosazením do (8 14) 'k' "
ZlS ame tvar
Jestližejde o derivovatelnou Iilnkci y =j(xl,x,,"',x,,), pak v případě malých chyb, kdy
lze díference druhého řádu zanedbat, lze psát: D(y) =k fix; Ox,iJyl,
'",I

(8.18)
Dú')=ldj(xl,x,,"',x.)1 = L"IOJ
-.D(x,)ISL
ax, "lOJI
--D(x,)
()X,
(8.14)
k _D(y)
,,,,I je-I

~Ix 0/1 a konečně:

a pro relativní chybu: ft ar,I (819)

fl~_lnj(_xl_,x_"_...,x-,,ll'
/J(>:.) _ x, . D(y)
fil:
tlx,~I'
d(y) = D({2 $' D(x,) = D(x,) =
IYI ,.1 Y ,ol Ox; (8.15) (820)
I

= flaln~l. D(x,).
1+:1 ar,
• 84 'rč ni
Neméně d,lIežítá je úloha obrácená, kdy z požadavku na absolutní chybu fu žadavku Ila velík .
potřebujeme stanovít požadavky na velikost absolutní chyby argumentů funkce, tedY
požadavku na přesnost funkce stanovit požadavky na přesnost měření. Pokud má fu

96

97
 9. POČET PRAVDĚPODOBNOSTI

9.1 Úvod

p=a.b,
I v posledni době jsme svědky bouřlivého rozvoje výrobních sil na základě komplexní
I 1 _ I = 0,0005,
automatizace výrobnich procesů. Docházi k neustálému tlaku na zvyšováni kvality produkce
k = a.b+a.b = ~ - 2.5200 a spolehlivosti výrobků. Do popředí zájmu přicházi tlak na snižování zásob všeho druhu. Tyto
potřeby vyvolávají nutnost používání objektivniho znázornění zkoumaných jevů. K tomu
D(a) = 5.k = 0,0025, přispivaji matematické a matematicko-statistické metody spolu s využitím počtu
D(b) = 200k = 0,1000 pravděpodobnosti.
tedy dohromady 0,001.
. , h ba rovna O 0005 ,
'd' 'ze u obou stran je re\atlvm c Y , Technologický proces bez vhodného systému kontroly a regulace neni schopen
V 1 tme, poskytovat výrobky, které by byly z hlediska jakosti plně homogenní. Je tomu tak proto, že
žádný technický výpočet nemůže v reálných výrobních podmínkách předvídat všechny možné
faktory, které působí na výrobni proces a i na kvalitu výrobků. Mezi těmito faktory je velké
množstvi takových, které samy o sobě maji na chod výrobního procesu jen velmi malý vliv.
Těchto faktorů bývá velmi mnoho. Diky tomuto velkému počtu výrobní proces neprobihá za
striktně konstantnich podmínek a výsledkem je i produkt s kolísajícími vlastnostmi. Kolísání
výrobního procesu je dáno existencí náhodného kolísání výrobních faktorů, krátce řečeno -
náhodou. Takto se chovaji kvalitativní znaky výrobku, měrná spotřeba surovin í energií,
výkon výrobniho zařízení i počet vyrobených nekvalitních výrobků.

Náhoda existuje zcela objektivně, nezávisle na našem subjektu a má svou přičinnou

podmíněnost. Náhoda nevyplývá z nutnosti zákonitosti zkoumaného jevu, je pouze formou
projevu nutnosti. Chování jevu, který je ovlivněn náhodnou, je vázáno na určitý komplex
podminek. Při jeho změně dochází i ke změně zkoumaného jevu.

Počet pravděpodobnosti je vědní disciplína, která se zabývá studiem zákonitosti

působení náhody. Zkoumáni hromadných procesů, při kterých provádíme řadu měřeni při
obdobných podmínkách, se neobejde bez počtu a teorie pravděpodobnosti a na ni založené
matematické statistiky. Při tomto objektivnim přistupu k hodnocení hromadných jevů
procesů dovoluje využití poznatků počtu pravděpodobnosti formulovat a odhalovat různé
l onitosti, kterými se řídi výrobni proces i jeho výsledky. Tak jako matematické disciplíny,
I počet pravděpodobnosti a matematická statistika zkoumaji obecné zákonitosti
omadných jevů bez příhlédnuti k zvláštnostem zkoumaných jevů. Díky tomu lze výsledky
I 10 vědnich disciplin aplikovat na jevy r'lzné povahy a podstaty, a to jak v oblasti
"ke,.lak i oblasti ekonomické. Musíme si však uvědomít, že správnost řešení je odvislá
~ho. jak hlubokou jsme provedli analýzu příčinných vztahů. Matematicko-statistické
Y Jsou pouze pomocným prostředkem při zkoumání určitých jevů. Podstata řešeni
~·'Wl..'ncho problému je však vždy záležitost technická čí ekonomická.

c:t be"'. náh,ody j~ významné např. ve výrobě syntetických vláken, kdy docházi
pO(~Pcr1 vyraběneho vlak na (doba mezi dvěma přetrhy je náhodným jevem) Správné
I tohoto je:", slouží k určení velikosti obsluhy zvlákňovacího zařízeni. V praxi má
""~,..~"" 'nam odhšeni náhodného kolísání zkoumaných veličin od nenáhodného kolísáni.
proV~ěné zásahy do technologického procesu jej zhoršuji. Regulace má význam
• c ceme-h odstranil nenáhodnou přičinu výkyvu. Indikace náhodného

99
98
~-------

a nenáhodného výkyvu je možná při uplatněni metod statistické regulace výrobniho procesu.
O této metodě bude podrobně pojednáno v kapitole 14. jeden jev při realizaci náhodnéh
v daném vymezeni tyt' ", o pokusu nastat musi
o Jevy jlZ nelze rozložit. '
9.2 Základní pojmy v počtu pravděpodobnosti Soubor všech element' 'h .
arnlC nahodn' /' o
yc 1 jevu tvoři základnj pr 't '
Vztah ' , os oJ.
Lm!QY-'lQJlerace mezI, nahodIl'yml~
"
Základnimi pojmy, se kterými počet pravděpodobnosti pracuje, jsou náhodný pokus
(pokus), náhodný jev, náhodná veličina a náhodný proces. Protože libovolné na'hod ' ,
.. ne jevy lze I ..
mnozlnu, mezi náhodnými 'e , s OZlt z elemenlárních náh . .
N:íhodný pokus je realizace určitého komplexu podmínek svázaného s existenci označuji dva náhodné jevy pjo( plah vztahy a Operace množinov' °Ndnych~ jevů, a ty tvoří
, om. e, ec t symboly A a fl
náhody. Nejedná se tedy pouze o pokus jako experiment. Z hlediska počtu pravděpodobnosti
lze i výrobu určitého výrobku chápat jako pokus. Náhodným pokusem je i opakované AcB 'ď'
,, VYja rUje stav, že nastane-I"" . ,
pozorováni. Jestliže chceme určit obsah účinné látky v surovině, často opakujeme měřeni na I Jev B nebo že j'ev A j'e c'a' t' ' I pn reahzacI náhodného pok '
"k" ' slJevuB' - , usu jev A '
tomtéž vzorku, z hlediska počtu pravděpodobnosti provádime náhodný pokus. Oblast využiti n a mkluze množjn ' CI ze Jev A má za násled k . . nu tne nastane
počtu pravděpodobnosti zajimají opakované pokusy, při kterých je zachován určitý komplex A =B je definici ro~nocenno " • e Jev B. Tomuto Vztahu se
podminek. Jevy, které probihají při mnohonásobném opakování pokusu nazýváme hromadné má za následek jev A stl Jevu, tedy stavu, kdy jev A m' ,
jevy. A + B = A U B j'e VYJ~a'd" . a za nasledek jev B a jev B
" rel1lm sjednoce ' (
v pnpadě, že jsou neslu 'í ' " Ol součtu) náhodných 'evů "
Náhodný jev je takový jev, který při realizaci určitého komplexu podminek může, ale rozumime jev že nast cbtel~e (dISjunktní) je ve vyjádře '. j, . Vyznam součtu jevů
takový jev' ' ane ud jev A nebo ll. JesU" 'd ,Ol. sjednocením jevů A a B
nemusí nastat. Mimo tuto kategorii leží jev nemožný, tj. jev, který nemůže nikdy nastat a jev
jistý, jev, který musi nastat vždy. V naši každodenni praxi se mnohokrát setkáváme právě
A _B zn;č~er~:~~ne ~hlesdPo,ň jeden z jevů A neb~~ j e o jevy slučitelné, pak SOučtem je
kt' ", na o nych jevů R d' '
s náhodnými jevy. Do této skupiny patři výroba kvalitniho výrobku, výkon výrobniho ery spoclva v nastou ', . oz dem charakteriz '
zařizení, počet poruch výrobniho zařizeni za určítou dobu, velikost měrné spotřeby suroviny.
A B =A n fl vYJ'ad' pen. je.-:u A a nenastoupeni jevu B uJeme takový náhodný jev,
, " ' ruje soucrn, tedy tako " ,
Náhodný jev je výsledkem pravdčpodobnostních neboli stochastických zákonitostí. A je opacny jev a je rovnoce' vy jev, kdy nastane jev A i jev B
Existence jevu náhodného, jistého či nemožného je vždy vázána na přesně vymezený okruh nny s nenastoupenim j'evu A '
podminek, tak z jevu náhodného se může stát jev jístý a naopak, záleži tak na vymezeném
Vb ' .
!trane pojmy z kombinatoriky
komplexu podminek.
Pii řešeni někte 'ch '
Jiným velmi důležitým
pojmem je náhodná veličina. Náhodnou veličinou se v počtu uvahy, ty se o íra'i ry , pra~depodobnostních úloh 'sm '.,
pravděpodobnosti rozumí veličina, která jako výsledek náhodného pokusu může nabývat definiční vztahyP J o zakladnl pOjmy jako variace a Jk ebllucenl POUZlt kombinatoricke'
, Om mace N '
různých hodnot. . yru uvedeme základni
Variace k-té' "d
pn' .11 Y Z II P k· ,
V mnohých současných aplikacich statistických metod jsme nuceni zkoumat soubor u, pličemž na oř d' , rv u vyjadřuji tvorbu VŠe h '.
náhodných veličin, který náleži různým hodnotám nějakého nenáhodného prostorového či Upl ně pouze j:dn~u 't:dnotlivy.Ch prvků ve skupině zá~ež~~znxch skt~pín o k prvcích z II
časového parametru. Soubor těchto náhodných veličin se nazývá náhodným procesem. eopakujl se) Počet vanaci bez Opak j~ ,noU:~e prvky se vyskytují
( J ova", je dao vztahem
I II) I"
Z uvedených definic základních pojmů je patrné, že pojmy náhodného jevu, náhodne " (11- k)i = 11(11-1)'''(11_ k + 1) .
veličiny i náhodného procesu jsou spolu svázány a váží se na případy, kdy zkoumáni ml
hromadný charakter. V takových případech nás nezajímá výsledek jednoho pokusu, alt (9./)
Tll l!lIIačí " " "
lilktoriálně ..
zákonitosti hromadného jevu jako celku. V hromadné výrobě nás tak nezajímá vlastnOll ,
II
• pnpomeňme, že 0'= I
konkrétniho výrobku - statistické jednotky - (hmotnost pneumatiky, pevnost vzorku vlál<: Vanacr s o sk
obsah specifické nečlsl0ty ve vzorku výrobku), ale úroveň a rozděleni vlastnosti ve vešk o, PoČ p ovánim jsou takové v '
produkci, tedy ve vymezeném statistickém souboru. Cl těchto variaci Určímej'ako,anace, kdy se jednotlivé prvky ve sk "
I '( . upme mohou
ll) ll'
Pro pochopeni základni,;h pravděpodobnostnich zákónitostí je účelné mezi náhod n
jevy vydělít úplnou skupinu elementámích (prvotních) náhodných jevů. Tyto jevy
"""Ulace jsou v ' (9.2)
tyto základní vlastnosti: 4 /I Tim d anace ll-té třidy z
- jsou navzájem neslučitelné neboli disjunktní. Nastane-Ií jeden náhodný jev, nemůže prvků. Jejich po' t

--
OSlaneme Vztah, fl ..
" V.(11) ce muzeme určit ze vztahu (9. J)
jiný, řikáme též, že nemaji žádný společný bod, ll.I 111 .

(11 11)1 - Oj. = 111 .

(9.3)
100

JOl
•

. ". aby se jednotlivé prvky ve 9.3 Definice pravděpodobnosti

kdy je moz ne ,
. ' j'sou permutace,
pakova nlO\ Pojem pravděpodobností je mnohými chápán intuitivně jako určítý stupeň naplnění toho,
Permutace sOJ .' h počet je dán výrazem
skupině opakovaly eJlc (94) že sledovaný jev nastane. Jako jedno z prvních vymezeni pojmu pravděpodobnosti sahá do
středověku v souvislosti s hazardními hrami. Tomuto vymezení je nejbližší statistická
P' - n" "'t fl prvků se definice pravděpodobností. Jde o stanoveni relativní četnosti toho, že zkoumaný jev nastane
"- . "padě že v celkovém poc u
. v připadě velkého počtu pokusů. Jako příklad lze uvést stanovení toho, že na náhodně hozené
, "t permutact v p n , k " h
" případem je stano vent poc u , I t' t '" i = n. počet tec to minci padne rub. Lze experimentálně ověřit, že s rostoucím počtem pokusů (hodů) relativní
Jm y m · " J "eimé že musr par '-' J četnost padnutí rubu bude neustále těsněji kolísat kolem určité hodnoty. Tuto hodnotu lze
ku"e s různou ce'tOStl
n l
J'
eZfJ) ,'>:'
každý prvek opa j nazvat pravděpodobností toho, že padne rub. Je třeba znovu zdůraznit, že všechny hody musí
, odle vztahu: být provedeny zcela náhodně a určení pravděpodobnosti je pouze příbližné, neboť se po
permutad slanov1me p (9.5) každém hodu bude relativni četnost měnit. Počet provedených pokusů musí být veliký. Na
tomto principu jsou založeny i některé simulační techniky, kdy na počitačí lze provést značný
n!
počet pokusů. O těchto simulačních technikách bude podrobně pojednáno v předmětu
Pn (i p I.2 .···) i)---
k -,' li 1... ;,'
\" 2" Operačni analýza. Uvidime pozdějí, že statistická definíce pravděpodobnosti souvisi se
". k nezáleží. Protože
O

kd na poradl prv u . ' k té zákonem velkých čisel.

Kombinace představujdí ~~vá~~n~ar~~~r~~;o tří~y můžeme určít počet kombmacl -
k mbinací k-té třídy lze oS a . Klasická definice pravděpodobnosti stanovuje pravděpodobnost jako čislo, které
z o o' k vznikne jako podil počtu případů danému jevu "při znivých" a celkového počtu případů.
třídy z n prvku ja o:
(9.6) V případě stanovení pravděpodobnosti toho, že na náhodně hozené minci padne rub, je
V,(n) _ n! jnl zřejmé, že jde o dvě možnosti, z nichž pouze jedna je "příznivá" - padne právě rub.
C,(n) =1:\- kl(n-k)1 ~k) , ' . dnoduchost
Pravděpodobnost toho, že padne rub je tedy jedna polovina. Tato hodnota bude skutečnou
pravděpodobností toho, že padne na minci rub jen v případě, že hod bude proveden zcela
, očet může být pres je ."
..' binačnim čislem Jeho vyP • i hodnotami 1/. EJ<.rst~~1 nahodně, a že mince bude dokonale homogenní. Pokud nebude homogenní, může jedna strana
počet kombínacl)e. da~ ~~~nota velmi rychle roste ~ ro;~~u~:dnoty n>SO lze POUZlt padat častěji a klasickou definici skutečnou hodnotu pravděpodobnosti nezjistime, budeme se
zápisu pracný, gr?tozeljeh často v hodnotách logantm~f: ktoriálu v nekonečnou řadu muset opřít o definici statistickou.
tabulky faktonalu ve ml h který je založen na rozvOJI a
užitečného Surhngova vzta u, (9 7)
U klasické definice pravděpodobnosti se určení čitatele a jmenovatele často oprra
( 1 I +...\. o kombinatorické úvahy. V jiných připadech může čitatel i jmenovatel představovat oblasti
n! '" .JWn"e ',\1 + l2n + 288n' ) oapf plochy a v takových připadech se mluví o geometrické pravděpodobnosti.
" "dobry' ol přiblížením vztah:
50 je dostatecne Z povahy obou definic je patrné, že maximální hodnota pravděpodobnosti je jedna.
Pro určení faktoriálu pro II > (9.8)
Ptiklad 9.1 loha o v 'běru bez vracení
r,;; - n"
n\~ -..j21t.n. .e '
běžné úlom
cca __I .1 000/
10,
což je pro Je hodnocena dodávka výrobků, která obsahuje N výrobků. V této dodávce je K
faktoriálu pro 11>50 je 12.11 'u vadných. Náhodně vybereme ke kontrole výrobků a ptáme se, jaká je
Chyba při určení /I
~ipodobnost toho, že při kontrole objevime právě x vadných výrobků. Zkontrolované
, .. '
dostacujlCI , h skupin ve kteryC
' h se kalllt
těcl" v lpět do hodnoceného souboru nevracíme. Takovému druhu výběru říkáme výběr bez
rartnl
. akováním představuií t~orbu ,~a~í°:J~ř\ tutéž k~mbinaci Počet
Konlbmace s op, . 'prvky v ruznem pora
k může opakovat, ale steJne Ul této úlohy vede na určení pravděpodobnosti podle klasické definice
prve '01
kombínací je dán vyraze pr.,·~llodobnosli. Ve jmenovateli bude počet všech možných skupin O rozsahu /I, na poradí

("+ k - 11 nezaloží. takže počet všech možností je (:} Určení počtu "příznivých" případů se
C;(Il)=~ k )
. ; n:~t, že vadné výrobky lze vybrat pouze ze skupíny vadných výrobklr, a těch je
_ L I d'; . Y ze, sku~InY dobrých výrobků, jichž je N, K. Počty možných výběrů
• .._ h r ~~h vytobku budou dány příslušnými kombinačními čísly. Skupiny dobrých
o pak spolu kombinujeme. Výsledkem řešeni je vztah:

103
\02
 (N-K) (K)
l1-X x
9.4 Pl'avděpodobn .
oshu operace
P (ll x ) = - - - - · - (9.10)
N.K , (~)
Z axiomaticke' (/efi .
lnIce pra ď
. . v epodobnosti lze jednodu' .
- jesthže A c B pot P Se odvodIt tato pravidla-
Jako numerickou ilustraci určime pravděpodobnost toho, že v dodávce o N výrobcích, • jestliže A _]]' om (A):;; P(B) , .
z nichž je 30 vadných, nalezneme všechny výrobky dobré, jeden vadný, dva vadné a tři vadné, - - , potom I'(A) = 1'(8)
jestliže ke kontrole náhodně vybíráme tři výrobky. Protože jde o výběr bez vracení, stačí - P(A) = I-P(A) ' (9./4)
dosadit do vztahu (9.10), např. pro x = O: (9.15)
Vztahu (9.16) se ři . • (9 16)
pracného výpočtu p vypoctu praktických úl h ". .

~:::~~~~~,~st ~ýS~;Ua\a:ué~~n~;:o:{~Vdě~?d~b~:uz~~:č~:~~ j::;í ~. cesta méně

o VYlobku a pak stanovit pravdě muze byt jednodušší určit . r a~'e.h určit
O podobnost jevu Opač 'J P avdepodobnost
_perace sčítárti ne 10.

Obdobně získáme další výsledky P,OO,3Q(3,1) = 0,45 Při urČováni pravdě

slučitelné a kd . podobnosti součtu dvo ' . .
P,OO.30 (3,2) = 0,19 ted .' Y o jevy neslučiteln' P u jevu rozhšujeme ..

l~oo.3Q (3,3) = 0,02 (9. r2»:~:~~~:~Vp~~odobností

.
toho~ ž:~a~~~~íJ~~vAděpodbobnosl;:::I~~~j:~
ne o B se •
~:!tudc,ntáI eJOnyc
jevhY
Opreme o axiom 2 ( h'
Vidíme, že i když je v dodávce 30% vadných výrobků, pravděpodobnost toho, že při P(A +8) = PIA) +1'(8). -
kontrole tři výrobků budou všechny dobré, je dostí vysoká, a to 0,34. ~
určeni pravděpodobn' •
.
Poslední definíce pravděpodobnosti je definice axiomatická, která odstraňuje některé loho, že nastane alesPOňjedenO;tj':?UcAtu jevů slučitelných jde o st .
nedostatky předchozích definic. Předpokládá, že existuje množina elementárních náhodných Vll nebo 8 V ". . anovenl pravď d .
P(A + B) . yuzltlm aXIOmu 2 l z ' epo obnostl
jevů a náhodný jev je podmnožinou vzájemně se vylučujících jevů, pak každému náhodnému =P(A) + P(B) _ P(AB). e psat:
jevu je přiřazena pravděpodobnostP(A), cožje nezáporné či slo, tedy:
/nedanou pravdě (9. J7)
zmenšenou podobnost sOučtu •. .
P(A);' O. Axiom I. (9.11) pravdě o pravděpodobnost ~rc'me jako SOUčet ravd
IJIduk ~obností sOučtu Iz š~~ho, ze nastane jev AP. ěpodobností jevů A B
Pravděpodobnost sjednocení konečného počtu nebo spočetně nekonečného počtu CI ze ze Vztahu (9 17) ;o:;~ ;'~y'~aza
u/.íbovolný počet sČí;a~~~. l!
Vztah pl o ur~eni
neslučitelných jevů A" A" ... je rovna součtu jejich pravděpodobností, tedy lze psát: Uplnou matematickou
!'(~ ,
4.- .)= L;P(A.)- ~ P(A A)+ "1'
A
P(A, +A, + .. ·)=P(A,)+P(A,)+"· Axiom 2. (9 J2) " L., "J "(AAA
'.J'
1<)
L.,,. J' ')""'+(-1)" ' /'( A A
I,Jol"'l A ) .(9.18)
"Jd ,. , ..... "

Pravděpodobnostjevu jistého je rovna jedné. ---""'.J.JjLIQli'ení

P(U) = I. Axiom 3. (9.1)) Pro stanOVení

~/lého a pravděpodobnosti
na 10 nepodmíněného' Operace násobeni 'e ř .
Jednotlivé definice nejsou spolu v rozporu, ale každá definice sama o sobě. n~ní.úP~ \)r~~m ý
n;(a'/jin jev i::í:~~on~íllěIlÝIll.jeve~ r~;~~i~~P;av:ov~Ymezit
pojem
Jistě nás zajímá pravděpodobnost výskytu vadného výrobku v dodávce. Je zřeJme, ze
AB) ajejí velik. ,pravdepodobnost jevu A Y jev, ktelY.le
pravděpodobnost lze stanovit, či lépe řečeno odhadnout, .jen pomocí statistické defi ost určJme ze vztahu' vzhledem k jevu B
pravděpodobnosti. Klasické definice by šlo použít za předpokladu, že známe počel vadn 8) P(A.B) .
výrobků v dodávce, ale ten neznáme. Řikáme, že uvedené tři definíce pravděpodobnosti 1'(8) .
bezrozporný systém definic.
(9.19)

104

105
 Příklad 9.2 Určení zmetkovitosti ve výrobě
. 13 jevem A jako:
" d ' " ou pravděpodobnostJevu U 20 000 archů bylo zjištěno, že 620 archů je delších než připouští norma a 125 je
Obdobne po mmen (9 20) kratších než připouští norma. Určete pravděpodobnost toho, že náhodně vybraný arch nebude
P(AB) vyhovovat v délce.
P(R\A)=--"
P(A) • součinu
' prav d"ep odobnost Ze zadání je zřejmé, že jde o součet jevů neslučitelných. Označíme-Ii symbolem D, že
oI 'vá i vztah pro násobem - arch nebude vyhovovat v délce, platí:
" dchozich vztahu vyp Y
Z obou pre
dvoU jevů A, B.
(9.2J) p(D)=~+_J2~=~ =003725.
20 000 20 000 20 000 '
P(A.B) = P(B\A)P(A),

'evu A nezmění, ať Jev

Dále bylo zjištěno, že 535 archů nevyhovuje v šířce, tedy P(Š) = ~ = 0,02675.
P(A.B) = P(A\B).J'(B)
," e pravděpodobnost J , . I' 20000
." P( A\B) = P(A) , pak to znamena, ~e s B ' u na sobě stochasticky neza e,
VIS
Jesthze "' d" "'káme že Jevy A a JSo Určete pravděpodobnostloho, že náhodně vybraný arch bude vadný.
13 nastal či nikoli V tomto pnpa e fl ,

a pak nutně platl: (922) Prolože dodržení rozměru v délce a šířce lze považovat za jevy nezávislé, řešení úlohy
nás vede k určení pravděpodobnosti součtu dvou slučitelných, ale nezávíslých jevů. Dosadíme
P(A.B) = }'(A)P(B) . ké .ev 13 je nezávislý na lak do vztahu (9.26) a určíme pravděpodobnost výskytu vadného výrobku jako:
." . ' A nezávislý na jevu 13, pak ta J
zřeJ' mé že jesthze Je Jev P(V) = P(D + Š) = 1- (1- 0,03725).(1- 0,02675) = 0,0630
Je ceIke m ' ,
ť ckou indukcI,
jevu A "" zobecnit úplnou matema \
" odobnost součinu lze rovnez
Vztah pro prav dep Volná Dra vděpodobnost
v .sledkem bude vztah (923)
Y P(A\A A .··A ,). Jestliže se jev A mtlŽe realízovat pouze za podmínky, že nastal jev B, ze souboru jevů
A P(A,\AIA,)'" "n., ,-
P(A,A, .. ,A,) = P(AI)P(A, \ ,). 'estliže podmíněna 8"8''-'',13,, přičemž jevy Bi tvoří úplnou skupinu dísjunktnich jevů a jestliže známe
, . I' . v souhrnu, J 'k že
A nazýváme nezaVIS ym\, . o v očtená za podmm y, všechny pravděpodobnosti jevů 13, a všechny podmíněné pravděpodobnosti jevů P(AI13,) ,
Jevy A" A" :'" 'libovolného jevu zdané s~pmy J~:í~ě~r pravděpodobnost> JeVIl. pak můžeme stanovit pravděpodobnost jevu A podle vztahu:
pravděpodobnost vyskyt~ b"hly se vždy rovna nepo ,
kterékoli jevy této skupmy pro e , P(A) =L,P(B,
,,
).P(AI13,) . (9.27)
tedy když platí: (924\

P(A,\A\ .. 'A,A",,)=P(A,),kde .~ Pravděpodobností P(A) se v tomto případě říká úplná pravděpodobnost, a ta je rovna
A Jestliže tyto jeVY J tu součinů pravděpodobnosti jevů 13, a podmíněných pravděpodobností jevu A jevy 13, .
'vů A"A,,-", "
.sou libovolné jevy ze souboru Je .
A" A,,'" J d' dokázat že platí vztah. Protože jevy B, tvoři úplnou skupínu vzájemně disjunktních jevů, platí:
.'
nezáVls\e v souhrnu , pakse a '
B U8 U"'U13, = U ,
' A) = řl P(A, ) , (jev jistý)
P(A,A,,··A,}= pen
'"\' ~} .' U I
.e rovna SOUCl"
A, J
že nastane jev AI i A,
tedy pravděpodobnost, T
Jevy jsou v součtu opět disjunktni, a proto platí:
tí ' J'sou na
pravděpo d ob noS . d lučitelných jeve\, klere
t oučtu vou s •
. . ště pravděpodob noS s (A)
Určeme nynt Je , . LP(AnB,) = iP(B,).P(Ai B,)
. . l' MO žeme tedy psal. '00]

nezaVIS e. u 1'(13) _ P(A).P(B) =

P(B)-P(AB) = P(A) +
P(A + 13) = P(A)+, 1(1- 1'(13)1= J- p(A)P(B)
= I-(J-J (A) 107
106
•
---------
9.6 Rozdělení náhodné veličiny

. . obků vzatých do výrob): .•

··klad 9 3 ZmetkOvitost vyr , "' bude vadná jesthze Vzhledem k hromadných náhodných Jevil nás nutně bude zajímat
povaze
Pn . ,. t k montazl ' pravděpodobnostní chování náhodných veličin. Toto chování lze popsal pravdčpodobnostním
ho že součástka, ktera Je vza a hcházi 50% součástek se
Určete pravděpodobn~~t~od' ' telů Od prvního dodavatele p , l% a od třetího 20% rozdělením. Toto pravděpodobnostní rozdělení lze v případě dískrétní náhodné velíčíny
součástky přícházejí od tild \~haOv\O% součástek se zmetkovItoSt! stanovít množinou všech možných hodnot náhodné velíčiny spolu s pravděpodobnostmi, se
. 'o, 5°Ao..od . rule0/
zmetkovitosti kterými náhodná veličína těchto hodnot nabývá. Tuto dvojici údajů (hodnot náhodné veličiny
.' .tek se zmetkovItostI 1,5 O. a příslušné pravděpodobnosti) lze stanovit tabulkou nebo funkčním předpisem; říkáme pak, že
soucas P(B ) ~ O20 . je určeno rozdělcní pravděpodobností. Pro veličiny diskrétní i spojité lze zákon chováni
_ 050 1'(B) ~ 0,30 " - 0015
Ze zadáni je zřejmé, že 1'(B I ) - , -.'0005 1'(A\B,) ~ 0,0 1 1'(A\H,) - , náhodné veličiny popsat pomoci její distribuční funkce. Distribuční funkce F(x) v daném
, ,. P(A\B) - , bodě X o udává pravděpodobnost toho, že náhodná veličina .; nabude hodnotu menši nebo
Dále ze zadáni úlohy vyplyva, ze I
rovnou hodnotě xo ' Tuto skutečnost můžeme zapsat jako:
, 'h (9 27) úlohu vyřešíme:
Dosazemm do vzta u .
F(xo ) ~ P(~ <; x o) (9.28)
1'(V) ~ 0,50,005 +0,3.0,01 +0,2.0,015 ~ 0,0085.
Z definice distribuční funkce je patrné, že jde o funkci neklesající, tedy plati:

9•5 Náhodná veličina .'. lné formě, proto za

" dřovat v clse 'h d
'mí se setkáme, budeme VYJ~ která může vlivem na. ~ Y F(x,);;' F(x,),jestliže platí x, > XI' (929)
Náhodné jevy, se ktery .t měřitelnou promennou, . ' Náhodné vehcmy
.•' b deme rozume . , ' hodné promenne.
'hodnon vehclllOU u . • někdy hovon o na Jinou vlastnosti je ta, že distribuční funkce pro největší hodnotu náhodné velíčiny
na h h dnot v hterature se
nabývat různýc . o kt.' k' ch důvodů rozdělují na: z definovaného intervalu musi býl rovna jedné (distribučni funkce v poslednim bodě je rovna
se z teoretických I pra IC Y jedné). Chceme·li určit pravděpodobnost toho, že náhodná v~ičina nabude hodnot z intervalu
xl,x,), pak tato pravděpodobnost bude dána rozdílem distribučnich funkcí v daných bodech,
· k 'tní náhodné veličiny,
\. dlS re, 'hodne' veličiny. č ' nebo tedy'
2. spojlte na , •' b' vat kone ne
..' ktera muze na y , yv
, r.'na je taková vehcma, .... rvky mohou být zapsan (9.30)
Diskrétní n~b~dna .:~ l~~odnot, tj. takovou množinu,.Je~lz ~'kacich statistických metod
četně nekonecne mnozs VI .,' x . V praktlckyc ap I říklad lze
~~itém pořadí a tvo~i POls:oupn~::Ši:~:~YS~y~Ují jako celočisel~~1;~~;~~;"J~~č~
vene
vadných
Pro spojitou náhodnou veličinu obdobou rozděleni pravděpodobností je rozdělení hnstot
pravděpodobnosti: Hustota pravděpodobnosti [(x) je definována jako derivace distribuční
' krétní náhodne ve Icmy. ch během stano
se d1 $ . d vy' robku, pocet poru funkce F(x) podle x, tedy:
uvést pocet va na
vy' robků v dodávce. , ' která nabývá nesPoČCodtně
, k ' náhodná vehčlna, akt obsah v Y f(x) ~ dF(x) . (9.31 )
,·' a Je ta ova
Ilcm ( I t v re oru, dx
"ta' llábodná ve 'm l'ntervalu tep o a
SpOJI , vymezene
nckonečné množstv~ hbo~nhotzav·r~lzení měrné náklady apod.). 'a!<o
'k vyro m o ' • vat J Hodnotu distribučni funkce v bodě X o lze stanovít ze vztahu:
v produktu, vy on • dy o hodnotách náhodných v~li~~~k~~aznoáhodnéhO
.' 10 x, řil<álllc'
'e další úvahy budeme .,;z , každému jevu, ktery J':",;Ys
o Čí~~~hn~áhodná veličína ItedYn~~~~!: pokusu jev, kterému je pnrazeno CIS
•' , .' 10 Nastane· I v
1•
/, (x,,) ~ f(x).dx, jestlíže a je dolní mez definičniho intervalu náhodné veličiny.

okusu, urclte CIS . d ot x. '~

~e náhodná velíčma nabyla ho n Y . ko ~ 1) a hodnoty, klelY lil
. • 'i řeckýmí pismeny Ja , • 'adřovat, ,..qHlI'tIuS,lota pravděpodobnosti není pravděpodobnost, nelze ji rovněž bezprostředně
, 1'" ny se zpravidla oznacuJ ) _ O2 může napf. VYJ daI!i PII'~Il(°idva~ Výraz f(x),dx se nazývá pravděpodobnostni element, který vyjadřuje
Náhodne ve ICI " ísmeny. Zápis P(~ ~ x - ' , ' obků je 0,2. V <Id" o nost, že náhodná veličina nabude hodnoty mezi x a (x+dx),
pak nabývají, latmskY~" p 'běru nalezneme právě x vadnYC~:~lIšení zápísu, bu
pravděpodobnostdtoh~;o~~t v:e]Zdnoznačnost, s ,ohlede~o~:m,z~eto latínskýmí písmeny "'lOdIli ch i se. velmi často setkáváme s případem, kdy současně sledujeme celou řadu
Pr
f8X

textu, kde n~?,o e" .. hodnoty označovat steJnym sym
náhodnou vehcmll I JeJI
' -Mlení Pvehčm bl" tzv . v'Icerozmeľnou
• na'I 10 d nou veI'·'
Icmu nebo I'I na'h odny' ve k tor a Je
. ho
nr~ e~ ukážeme na připadu hodnocerú dvourozměrné náhodné veličiny. Chování
e vehčmy lze popsat pomocí simnltánní distribučuí funkce F(x,y), která je

109
t08
definována jako pravděpodobnost, že náhodná veličina .; nabude hodnoty menší nebo rovné
hodnotě x a současně náhodná veličina TJ nabude hodnoty menší nebo rovné hodnotě y, tedy: Pok"Ud jsou náhodné veličiny q a ." ,
TJ vzaJemne nezávislé, platí:
F(x,y) ~ P(';':; x,TJ':; y). (9.32) F(x,y) = l'~ (x) F, (y)
pro každé (x,y).
(9.42)
Simultánni pravděpodobnost pro dískrétní náhodné velíčiny pak udává
pravděpodobnost, že náhodná veličina .; nabude hodnoty x a náhodná velíčína TJ nabude 2, I Charakteristíky náhodných veličín
hodnoty y:
Charakteristiky náhodn .c ....
P(x,y) ~ P('; ~ X,TJ ~ y), (9.33) vlast~osti chování sledovan h ~el,cm .Jsou veličiny, které nám
7 . -. .
rozdelením. Předev" 'dYCh nahodnych velíčín J'ež J'so pomahaJJ POp,sovat hlavní
. o'm Jecha k . . ,. u vymezeny ' d '
obdobně je definována simultánni hustota pravděpodobnostíjako: vanabílity, šikmostí a šp" . ra tenstlky polohy (střed' h' pr"v epodobnostním
Icatostl. ni odnoty) charakt . 'k
' enstl Y
j( x,y )
~ a' F(x,y) , (9.34)
Střední hodnoty
&.iJy
Střední hodnoty J'sou I'"
n" .... ve 'cmy které h akt .
eJeasteJsl hOdnotou'e ..' c ar enzují úroveň ." .
Simultánní (sdmžená) dístribnční fnnkce je funkcí neklesající a spojitou zleva, a to
vzhledem ke každé z obou funkcí, dále platí:
očekávaná hodnota či ~ate::~m:~, (p~avděpodobnostní prumě~;at'~~'.ckeho So~boru Jejich
a JC a nadeJe, definovaný vztahem: ' nve oznacovaný jako
F(-oo,y) ~ F(x,-oo) ~ F(-oo,-oo) ~ O a E(q)=Ex= ix,p(x,)
1=1 pro diskrétní veličiny, kde
F(+oo,+oo) = 1. (9.35) (943)
X, jsou možné hodnoty nál d' ',.
'h . 10 ne vehcmy q a ( ) ..
Jestlíže sledujeme pouze jednu náhodnou velíčinu bez ohledu na hodnoty ostatních na odna veličína q nabývá hodnot x P f,
x, pnslušné pravděpodobnosti se letery' .
náhodných veličin, mluvime o marginálním (okrajovém) zákonu rozdělení, marginální ,. ro sPOJ.te veličiny jde o vztah ' m,
distribučni fnnkci a marginální hnstotě pravděpodobnosti. Někdy se setkáváme též h
s podmíněným zákonem rozdělení, kde podmínkou je požadavek stability ostatních E(q) Ex = =f
x .J(x) dx kde
náhodných velíčín. Pro nezávislé náhodné velíčiny platí, že jejích podmíněná rozdělení jsou
a b . a
rovna marginálnim rozdělením. Využítim matematíckého zápisu můžeme psát: . JSou meze definičního oboru (9.44)
náhodné veličiny l;.
F; (x) ~ P('; ,:; x) ~ F(x, 00), (margínální distribučni funkce) (936) Nyní ukážem 'kl
e za adní početni vlastnosti pruměnJ:
F~(y) ~ P(t]':; y) ~ F(oo,y) , (marginální distribuční funkce) (9.37) F.c =c
Ecx=~Ex (e je konstanta)
) !:'(c+x) = ~+Ex (9.45)
F(~y) = P(';':; ~TJ ~ y), (podmíněná distribuční funkce) (9.38)
f.'(x.y) = F r,' ' (9.46)
. ox·J-'Y. Pouzev f d"
f.(r+ y) =Ex + Ey P 'pa e, ze veličiny x a y jsou nezávislé veli" (9.47)
00
":t2.. .
f. (x) ~ fj(x,y) dy, (marginální hustota pravděpodobnosti)
(9 )9 6
7 . '" Ex F..,. = (Ex)'
1.(1, Ex) = O . '
Ciny, (9.48)
(9.49)
-00

(950)
PnimOUkazy Uvedených v
00

f,(y) ~ f j(x,y) dx, (marginální hustota pravděpodobností) (9 •

cr Při řešení ř d ' ztahu snadno provedeme d '
(9 Sl)
-00
fl van jako hodl~ y uloh v praxi se setkáváme i s o~aze~'m do definičního vztahu pro
rou je pravdě;~~:bneJvět~ípravděpodobností n:b~v~~~t~~Obnostnír~ modem, který je
•
f(x1y) =~~) , j,(y) '" O (podmíněná hustota pravděpodobnosti). ...., . Jedné Polovin' nostnl medián, COž je hodnot., ou pravdepodobností Jínou
dl'POdobnostní kv , !d~ o zvláštní případ
e
;ha;'o
kterou Je distribuční funkce
nabude hOdnotyantd Je taková hodnota náhodne' aktellstlk zvaných kvantily
(l a) V I veličiny pro kt ..
- e 'čina a udává ' ' erou dJstnbučni
pravdepodobnost překročení daného
110
1/1
kvantilu. Například 5% kvantil je hodnota (bod), kde distríbuční funkce nabude hodnotu 0,05,
S tímto případ
tedy I-a = 0,95. Při některé tabelaci rozdělení spojitých náhodných veličin se použivaji Jestliže ch b ' em se setkáváme ři
tabulky kritických hodnot. Krítícká hodnota xa je hodnota, jejiž překročeni děje
y YJednothvých měření Iz p ,?,hodnocOváni II o akov" ,.
průměru klesá úměrně h d v I e povazOvat 2a náhOdné aPna SO~~I n:eza: 1Sj'IÝCh měření.
se
s pravděpodobností a, což lze obecně zapsat jako: o note __ král. 2a\lS e, pak chyba
PI
atnost uvedených vztahů I
ln
P(!;~a)=a. (9.52) ze snadno dokázat do ,. '
Příklad 9.1 Určeni ch b' . 'v sazennn do definičniho vztahu
Pro medián lze napsat definiční vztah jako: ~-~ ..wx ,lli!.'ťiJlky
Určete rozptyl ve '. I'
1 a rozptyI Ve váze k 'd' k vaze . I'v
atky, .lest
Mti b

JJ(x) dx = JJ(x) dx ="2' kde (9.53)

.
a III YJe také , 00/ g.
lze
°
rozptyl navážky látky s k' d·. L •
a """OU je 0,00 I g
Řešení je v určení roz
/1 Mti
'
pty.u rozdílu dvou veI'ICln:
V>

a, h jsou hodnoty mezi definičního oboru náhodné velíčíny !;.

a'(x-Y)=a'(x)+O" _
O'(x- )_ ; - (Y)-0,001+0,001=0,002
Miry varíabílíty Y - '11°,002 = 0,0447. '

U měr
variabílity zavádíme analogícké míry těm, které jsme poznali ve čtvrté kapitole. Va ' v •
naCIII koeficient' .
Je , zde ve h ď .
Nejpoužívanější mírou je pravděpodobnostní rozptyl kolem průméru (krátce jej budeme s o e s kaplt%u 4 definován . k .
nazývat pouze rozptylem). Je definován jako pravděpodobnostní průměr čtverců rozdílů V. = O'(x) ja o.
jednotlívých hodnot náhodné velíčíny od svého pravděpodobnostního průměru, tedy: /:,>: .

a; =a' (x) =E(x -l.!.x)' . (9.54) Momenty (9.64)

Směrodatná odchylka je odmocnínou z rozptylu: ,Pr~vděpodobnostni průměr ' . ~

POPISUJI rozděleni ravdv I rozptyl JSou zvláštni ř'
momenty. I' epodobností i rozdělení h I' Ipady SOustavy charakteri fk kt '
(955) ustot pravděpodobno t' S I, ere
I s J~ SOustavy zvané
Momenty počátečni (
Nyni opět ukážeme na základní početní vlastnosti rozptylu, které budeme v dalším textu momenty kolem počátku) k-tého řád .
využívat: Jl; =10c' = x' l: U JSou definOvány jako:

I . p(x,) , (pro diskrétní veličiny)

1. a'(e)=O, (9.56)
(9.65)
2. a' (e + x) = a' (x), (9.57) , b

3. a'(e.x) = e'.a'(x), (9.5 8)

Jl, f
= Ex' = x' 1(x). dx
( pro spojité veličiny).
4. a'(x±y) =a'(x)+a'(y)±2. E[(x-Ex}(y-Ey)] , kde (9.59)
(960) 2 ~ty v
(9.66)
E[(x - Ex}(y - Ey)] = cov(x,y) = Jl", je definicí kovariance , stredové (centrální) k-tého řád I " vo

Jl _ E U ze vyjadnt vztahem:
5. a'(x ± y) = a' (x) + a'(y), ale pouze v případě, že velíčíny x, y jsou veličíny (9. 61 ) • - -(x-Ex)'.
na sobě nezávíslé

6.
- x +x +···+x
a'(x) =a' ( I '
a' (x) v ' . é (O 62)
") =- - , pokud vehclllY x, JSou na sobe nezavlsl
'V"
M men f~oriální k t '] (967)
tl fl - e 10 řádu jsou definova'
,,' I ny ve tvaru:
~I'J Ex '1,.Jtde
7. a(x) = a~) opět pro na sobě nezávíslé veličíny x,. •
"n X(X-l)(r (9.68)
. -2). .. , (x-k+l)

(9.69)

J 12

11.1
-
Nym, pou k:az·eme na nektere
" vy
"znamne' vztahy , ..I z uvcdených definic:
, kl erc' vyplyvaJ

vytvořujícífunkce M .. (.9) je definována jako:

o •

Momentová
. obvy klé značeni prumeru •
P; = Ex = P • coz• Je (9.70)
J.l~ :=. Ex ,
2

I;e..,a.p(x,) pro diskrétní velíčiny,

(9.71) h

(9.72) M .. (.9) = He'8 =

p,=O, 1 '() 3
,"
(9.73)
,=p;-p =(1 x, ,_ '-3p;I'+2p h (9.80)
P, = E(x - rel: )'_- P,'-3p'.p+31'1'
1, 1 _p, _
M.. (.9) = Je"9 f(x)dx pro Spojité veličiny,
Pk = t.(~}; ,(-Pl' , (9.74)
"
(981)
pí'l = P , (9.75)
v
veličina vztazích
definičních konvergoval alespoň pro jellO malé hodnoty.
,9 je pomocným parametrem, a lakOvým, aby 10 sOUčel resp. integrál
Ji[2] = fJ~ - fJ , (9.76)

, , - 3 H' + 21' .
PIJI = 11.1 ,-,
fi' t
nich pak koe IClen
(9.77)
Počáteční
způsobem, a to: momenty k-lého řádu lze z momentové vytvořujíci fUnkce získat dvojim

vytvořujicí funkce podle .9 v bodě .9 = O, tedy:

•.•. i momenty JSou p růměr a rozptyl, vedle
.. druhy' špičatost.
.
NejvýznamncJslm
. .e symetrII,
Prvm, z ni.ch charaktenzuJ I. jako hOdnotu k-té derivace momentové

I'J _ --':':.L . (978)

a, = (p,)i - a'(x)
(9.82)

Je-li a, = O, . rozd·lenim
d ·1 i Je e symetrickým, 2 rozvojem momentové vytvořujicí funkce v řadu a pak určením koeficientu u veličiny .9
zřejmýpři rOzvedeni momentOvé vytvořující funkce v řadu, tedy:
.
k
dané roz e en levostranným,
aJ> O, Tento postup je
kl
aJ <O, pravostranným.

. mlrou
Druhý koeficient Je , • ičatosti a Je
sp . d e finován jako:

1', _~ (9.79) Ex
.9' , + .9 'J '
.9 k Ex + .. ,=
=1+.9.' +--Ex -'(ox +... +_,
~ lext~
k
2! 3! kl

rozdělem ~~ rozděl
a, f .. )' - a'(x) , 'z další
2
l 1

stand~rd:m
pro špičatost ~pIC. rozděleni
\1-'1 rmované normální
. o ... n 8 / 9 , f)1t,
Je nokoefiCient
. • ·.atosti k a,
o > 3, J plošš'I
= + "'.JI+- II +- II + .. ,+ II +'"
k Základnim
'má koeficient splcatostl, děleni
= 3 Je-Ii
a..v opačném pnpade pa
21 ' 31.1 k! k

" ""." C''', ""'0< ,. -"'"' ~o~, '·'Mo """ "'"o. i.ko ","'.'.0"
tere J I než normovan é normalnl roz
.• ě'š'
šplcat •
(983)
O'

' řullCI n c
hodně Přime • cí z
řadu postupně
oh.., "'O "'" """~jod~ ".0. "o P;
Ol
Momentova yyjvo
"'fuke
tak, ze pomo.,
'Ierelall
i i' KdYž tUlo budeme derívovat podle .9 a stanovovat hOdnoty derivací
'
v::vořující
. ~y:nezenl~v~ěpodobnostníchro~~~;n
funkce Je aparátem T<o j. od'"""", ''",,' ",,"",
~rčov~~f.~i~~e:~mentů člastoict;;~ro:~~~ých Vzhlede.'~;o~;~~vé
Momentova 'momenty velke rady p . obtižné ObecneJs že nam . . . , O.
snadno by vyl ti~~

fuok~ d~" ~""" ~ "'~.

momentu z
charakteristické funkce, funkce
rávnoukomp exn statlstlc
aplikaci . k'yc h metod,
• apara
.. 'teone ale o sp • ,

momentových vytvořujícich
o rozvIJem ' . CI'Ie dostatecny.
funkce bude pro nase
....."..
lnu Jejich"""""i'o 00""" funkci,"'"což""'j" o,"""""
lze snadno dokázat jako:

r'J "'·m < E." . &'" "M.r'! M ,(a) CO",)

114

tts
 ]0. ZÁKLADNÍ PRAVDĚPODOBNOSTNÍ ROZDĚLENÍ
._. . dána vztahem:
~ kce náhodné vehclny je
, vytvořující funkce un (9.85) V dalším textu se budeme zabývat vybranými pravděpodobnostnimí rozdělení mí, která
2. M.omentova mají blízký vztah k aplikací v průmyslové praxi. Tato pravděpodobnostní rozděleni jsou
závíslá na splněni definičních podOlinek, jsou vyjádřena matematickým predpisem.
Nf (9) 0= Ee'I')' . .. t ukážeme určení Jednoznačné vymezení chování náhodné veličiny závisi na parametrech těchto rozdělení.
,I') ., , ~unkce v dalslm tex u,
,
omentove v -"
l'
. () _ c + x a g
(x) -- ex .
ytvořUjlCI Parametry pravděpodobnostnich rozděleni úzce souvísejí s charakteristikami daných
S ohledem n~ V,y~~\t\ ::e pro dva případy, a tO g x - rozděleni, tedy i s momenty těchto rozdělení. S ohledem na tuto skutečnost uvedeme u těchto
mOlnentové vytvOnljlC\ un c (9.86) rozdělení vztah pro průměr a rozptyl. Nejprve uvedeme vybraná pravděpodobnostní rozděleni
diskrétni náhodné veličiny, pak spojité náhodné veličiny.
( )9 ]';,. Ee"o=e".M,(9),
M cu (
9) = ]", ,H = ,e (9.87)

.• ]' <\,.) - ,M I c 9) . 10.1 Alternativní rozdělení

Eo ,~ 9)
veličiny x parametru (c
- "" -
M", ()
9 0= 'e - ., 'f k' .
.. d" de o momentovOU v ytvořujlCI un Cl
V tomto pnp" e] Alternativní rozdělení popisuje chováni náhodné veličiny, kdy sledovaný náhodný jev
nastane s pravděpodobnosti p a nenastane s pravděpodobnosti 1- P = q. Jestliže sledovaný
'Ih "druhé
Kontrolní otázky a UO)'J. b' I' a kombinací s opakovaOlm jev nastane, pak náhodné veličině přiřadíme hodnotu x =I, v opačném případě pak x =O.
" kom Inac . 1--
. , opakovaOlm, S ohledem na tuto skutečnost se často hovoří jako o nula-jedníčkové veličině.
_ -et variací, vanaCI s , . d é hodiny, jest lze
9.\ Urcete P,?c _ • _ setkaí během dane je n '10 časovém

92 ~~~;:;:~~:;;~bno:tk~j~o:n;:i:á~~~ o;~b~inut;~Ppř~~~~~~o1~~~0:t ~~~, že přijdou S ohledem na vymezení této náhodné veličiny a skutečnost, že jde o diskrétní
náhodnou veličinu, lze zadat funkci rozděleni pravděpodobnosti ve tvaru:
. .eden na druheho poc b_ nezávislé. Urcete teZ
j I 'hodnéanasoe
'nterva II na
I 'n' okamzlk.
v·
x-p, P(x) = \- P = q pro x=O, (10. \)
Přesně ve stel Y 1__ '
"movanoU ve lemu
/I = -
a,
. P(x) = P pro x = 1.
• _ rozptyl pro nol
9 .3 Určete prumer a k· fO normovano
u veličinu ".
Distribučni funkci lze zapsat ve tvaru:
vytvořujíci fun CI P
9.4 Určete momentovOu
F(x) = O pro x<O, (\0.2)
F(x)=I- p=q pro O:5x<l,
F(x) = I pro x"'1.

Z definičního předpisu je jasné, že alternativní rozdělení má jediný parametr, a to p.

Znač; se často jako A(p). Dosazením do definičního vztahu pro průměr a rozptyl snadno
dostaneme:

Jl =p, (\ 0.3)
u; _ p(l_ p) = pq. (10.4)

Druhou cestou určení momentů je postup přes momentovou vytvořujici funkci:

I
M,(8) =Xe"P(x) = 1_ p+e'.p . (10.5)
=0

Pomocí derivací získáme:

I' p,

117

1\6
 právě x výrobků vadnyeh'
' I"
rovna hodnotě p . Pokud jsou lze v dod::;~~á~~
' jestjednotlivá . ~;:~~~~~:,.bnolstvý
I
skytu
vadného výrobk
tl) VIS a, ze psat: u
cr; = p- p' = p(l- p),
P(x) = x p' (I _ p)"" - (")
přímo z definice. x pX{1"·· .
( (1010)
tedy stejné vztahy, které jsme získali

Binomické,čísi
výrobků . . počet mo' , h
. nám
, na poradl o udava znyc určíme
I M omenty
nezálež' ' nalezneme právě x 'd .
z maloh 0, ze,
opakováni
10.2 Hypergeometrické rozdělení M (9) _ ( 9 mentove vytvoruj'icl' funk va nych

Hypergeometrické rozdělení
je základním modelem pro výběrzpětbez vracení. což
• _ pe +q)", ce
(10.11)

výrobků výrobků, pravděpodobnost,výrobků

znamená, že po rozhodnuti, zda výrobek je dobrý nebo špatný, jej nevracíme. Jde II = tlp, (10.12)

náhodně
o úlohu, kdy dodávka obsahuje N mezi nimi je K vadných. Ke kontrole
právě cr'., = '",J (1 -p)=npq, (10.13)

výrobků. Určení pravděpodobnosti

vybereme tl a zajímá nás 10
že mezi nimi bude x
ll, =np(l-p)(l-2p), (10.14)
vadných této jsme již provedli· viz vztah (9. ), tedy:
Jl4 = 3n'1_
p2(l-
2 p)' + np(1- 1')(1- 6p + 6p') (10.15)
(10.6) a,= p -q-p .
(10.16)
.Jnp(l- p) - npq J-'
a. =3+ 1-6p(l-p) 1-6 pq
np(I- p )- =3+- (1017)
npq

rozdělení má 3 parametry a znači se často jako H (N ,K ,tl). rozděleni

Z uvedených momentů I
podstatně v~t-,; výběru ~ro měřeni připadě
Hypergeometrické
je ,], " Rozptyly
jsou skné ze jsou
konstatovat
stejn" že prumery
• , u binomického h

~m ~odstatě v;a~~ roz:~h

(10.7) Binomické 1 n.ez rozsah : Jedno av a, ypergeometríckého

rozrěJ~~ ~~~ovv:;~ž řicl, vyběru

bínomíc~:~~~d~~:~:i~ep ~ k~~žc:o~:~~ac~bm,e)
II bude veh:'z e bude symetrickým roz:' v jedno, zda souboru N
K
p=tl N =tlp,
(10.8) normální že
y rozsah
d 0,5 ,nebo
u e stejne špIčaté k vy eru
, Kl
cr • =tl- KJN-tl
N 1--
N-tl
- - ="pq-
NN-I
P" , ..' ja o normované

Přes jednoduchost zápisu pro určení pravděpodobnosti je výpočet dosti pracný.

N-I
n urcovam jed r '
pravděpodobností u binomického rozděleni lze opět využít

určení pravděpodobností určim

e rekurentniho vzorce: not Ivych
e Pro
hledaných lze využit rekurentního vztahu, kdy nejsnáz
pravděpodobnost pro x = O, a pak pokračujeme dle vztahu: (10.9)
P(x+ I) = P(x) fl-X fl. (10 18)
x+l' q
_ J'( ) (tl- x)(K - x)
Binoll1lcké lozdělení '
x+ I) - x -
(x -
+ - - - K -II + x + I)-
I)(N výsledkll ~ nket
castoa z~ač~né jako B(n"~~Přm'a ,pouzltl přeJ'im
počítači např. s využitim tabulkového procesoru
P( vyhodnocování
I ' ruznych studiich " ve statlstícké "

rozděleni
Tímto zptlSobem lze postupovat na ouceni dvou b' , ' pn nOlmování prá ce, pn
EXCEL. Hlavni uplatnění tohoto rozděleni je v oblasti statistické přejimky. momlckych ce

ver"Nechľ náhodn'a vehcma

.,.
ná Icma y binomické rozdělení
veličín uJe bmomické rozděleni s paramet
x sled' ,

x + y), jestliže obě náhodné ve~:č' Y' . anovte rozděleni součtu těchto
hodných (. . s parametry fl p St ry fl., p.a náhodná
10.3 Binonlieké rozdělení

rozdělení výběr sobě

krn'~"
Binomické je základním modelem pro s vracením. To znamená, že pii Zadanou úloh b d my JSou na nezávislé
10,''''0"''. m. ,. ,,_ ,ob<' " ""o". ,.j
~""o"
u u cm e 'reslt
" .
""""'" '" ,p" • p'
_;tim. M využitím momcntove. vytv ' .. ,
",_,=' rn "'b"" "J ' 'o -i'' ' ' '
w.... """.0" p"",""","""o'" ",,,,", "'"''''
"k ,~OO"""''''''' 'J""'"'
,,' o""" P""""'" "k 'u p,",""'''' ,,' '" ,,'oro,"" m",robk' 're 'm"~' '''''o, ,.
J. ",,"UM. "
"""b"" po""'·
P . TortO
1.. ,,/9) = M (9) M OruJICI funkce, tedy:

-i'''''''' ~ ""'" op""",

., " (9) -_ (f'.,e
. " +'/ x )'" ( Py e ,9 + (/:oJ·
)" (10.19)

~~_ObM"
'"""''''''' >od-' '" mori " k~"",~,",m'
'o"" ",,""'''''''' ",~_.
N.;;m "0'= ,"'J -"
"""bky
j.
pH , ' - • ,,,,,"
119
]lB
 Z tvaru momentové vytvořující funkce je zřejmé, že veličina (x + y) obecně nesleduje
binomické rozdělení. Pokud ale Px = P,,, pak ano.
. K~Ybychom mělí za . k .
Ur~eni modu binomického rozděleni ~a;,~:~'ků .~aximá~ně dva, j~le ~ ~::~OVlt pravděpodobnost toho, že s. .
me Jako SOUcet pravděpodob o.venl hodnoty distribučni fl k I vyrobek koupí z 12
un
V některýchúlohách je třeba určit modus binomického rozdělení. Protože binomické . nostl prO) t-P(I)+P(2) =O181 Ce F(2) Tuto hOdnotu
rozdělení je rozdělenim diskrétní náhodné veličiny s jediným vrcholem, pak modus určíme RelatlVni binomické rozde"1 . ' .
---!ml
jako veličinu, která splňuje podmínky:
Pro řadu aplikací v P ' .
l'(m) ?(m) rax, Je významná .h d . •
- - - ... ;, J a na o na veličina.? kde n'
------- >]
P(m+l) 1'(111 - 1) - . sleduje binomické. . '.
pravděpodobno t rozdělem B(n,p) Jde o I ' . n ahodna vel1čma ~
s p V II poku' I V re at/vnl četnost I d
sec I. yužitím vztahů (946).

(x) .
Řešením pro binomické rozdělení je vztah:
se ovaného jevu, kte' .
a (9.58) dOstaneme: ry ma
JI - =1'
np-q'; m $np+ p. (10.20) n '

Vidíme, že hodnota modu je

hodnota je celé číslo, pak binomické
pravděpodobností.
sevřena v nerovnosti o rozpětí jedna. Jestliže mezní
rozdělení bude mít dvě hodnoty se stejnou maximální
a2(~= :q 0 0.21)

(10.22)
Příklad ] 0.1 Binomické rozdělení
10.4 Poissonovo rozdělení

Pravděpodobnost toho, že si zákazník při určitý

výrobek je.!. Určete
nákupu koupi
3 Poissonovo rozde') . •
pravděpodobnost toho, že z náhodně vybraných dvanácti zákazniků si tento výrobek koupí x
. d"nlJe
vyJa . počet v'sk o .
em pravd"epodobnosti o' . "
zákazníků. Dále určete počet zákazniků z dvanácti hodnocených, kteří si koupí daný výrobek. na. výrobku, poče(va:~em:!o yrav~ěp~dobných fe~s~~eda~h.ování náhodné veličiny, kter'
POISsonovo rozděleni' h yberu nekohka výrobků ' yc~ podmmek jako je poč a
Jestliže je velký počet zákazniků nebo připouštíme "vracení" jsou splněny podmínky pro velmí málo Kp' Je c araktenzováno velký , ~ocet nopu na určité délce I'k et vad
binomický model skutečnosti. V tabulce 10. J jsou vypočteny příslušné pravděpodobnosti za podmínek: o/SSonovu rozděleni lze přejít z ~poctem .možnosti, z nichž se ~e~,na apod.
podle vztahu (10.10) a (10.18). mom/ckellO rozděleni r '. " IzuJe Jen
lmltnlm prechode
11-+ co m
Tabulka 10.] Pravděpodobnostibinomického rozdělení p--,>O
flP=J..<30
x P(x) x P(x)
0,007707 7 0,047689
°
1 0,046244 8 0,014903 Poí Pro praktické podmínk sta" .
ssonovo rozděleni je del . CI, aby II bylo větší než
2 0,127171 9 0,003312 novano vztahem: 100 a p b l " .
3 0,211952 10 0,000497 Y o mensl než 0,05.
4 0,238446 11 0,000045 P(x) = ':'-<J..x
5 0,190757 12 0,000002 xl
6 0,111275 ~ 1.000000 F(x)=O .
pro X<O,
Pro modus tohoto rozdělení platí:
F(x) = i e '<,1,'
o.
00.23)
(J 0.24)
'''00 i' pro x;,
1 2 1 I
12.- --$m$12.-+-, Momento .
3 3 3 3 Va vytvořující funkce má tvar
Mx (8) = eJ.("I)
provedením výpočtu stanovíme hodnotu modu = 4. Pro tuto hodnotu x =4 v tabulce
hodnot pravděpodobnosti je též největší pravděpodobnost rovna hodnotě 0,238.
(10.25)
120

121
 Pomocí derivací určíme momenty'
O~dobnou úvahou jako u ' .
p=}", (1026) toho,. ze v /I opakovan' ch b'~olnlekého rozdělení stanoví > •
p; =..t:! +A, (1027) krat, Jev A, nastal x .~t :~ochast'cky nezávislých náhodný:e v~ah propravděpodobnosl
a; :=..t. (10.28)
, , z Jev A, nastal x, .krát. po usech Jev A, nastal x.
,
Z definičního vzlahu je patrné, že Poissonovo rozdělení Je rozdělením
jednoparametrickým. Tato skutečnost umožňuje toto rozdělení tabelovat. Tabelují se hodnoty
pravděpodobností nebo hodnoty distribuční funkce. Tabulka distribučních hodnot se využivá Ke stanovení " (10.29)
pří konstrnkcí statistických přejimacích plánů. Zkrácené označení tohoto rozděleni je P(}").
momentu se využívá
momentové vytv " ., ,
p(x)) = IIp orUJ'cl funkce, výsledkem J'e'
)' .
Příklad 10.2 Poissonovo rozděleni
a' (x).= ll') q
I JI'
(10.30)
Počet vzhledových vad na výrobku sleduje Poissonovo rozdělení. Na základě delšího
pozorováni bylo zjíštěno, že průměrný počet vad je roven 0,90. Určete pravděpodobnost toho, 00.31)
že na hodnoceném výrobku se vyskytne více než jedna vada resp. vice než dvě vady. 10.6 Negativní bínomíck . •
c rozdc/cní
Řešení:
Zkoumám
• e Posloupnost n' h d .
lnformace byla zjištěna z velkého počtu měření (ustálený výrobní proces probíhá pravd epodobnost sl d . . .a o nych pokusů·' .
tému v' k e ovaneho Jevu je , Z" , pn schematu výb·
dlouho). Lze proto přípustit, že x
= p(r) = p, =}" = 0,90. Řešením je určení součtu Zkráce:;:~ sle?ov?ného jevu. Veli~i~a ~tma nas otázka kolik po::::ů ~u~ace.nim, jestliže
znacentm l'(x )' 1 Je tedy přede e predcllázet n
pravděpodobností S = P(2) + P(3) + P( 4) + .... Tato funkce bývá někdy tabelována čí je
sled~vaného jevu nastal v (ll :~p J~ Označena pravděpodo~n~~novenéc<.;lé kladné číslo'
uvedena ve statistických programech. Nalézáme hodnotu 0,2275. Ke stejnému výsledku
splneny Podmínky pro b' . ~ - tem pokusu. Je zřejmé' • toho, ze IHý výskyt
dospějeme i tím, že určíme pravděpodobnost jevu opačného, tedy případu , že nalezneme
maximálně jednu vadu a pak dopočteme do jedné. Jde vlastně o určení distríbuční funkce
tedy x krát) a POčet pOkus~nbomll(cke rozdělení, sledovaný s;J':: v prkedPosledním pokusu jsou
Y n+x_I)' vys ytl (n-I)k .
Poissonova rozdělení v bodě jedna pro}" = 0,90. Využitím definičního vztahu (10.23) určíme , mus. tedy platil: rat (nenastal

F(J) = P(O) + P(I) = 0,4066 + 0,3659 = 0,7725.

1'(11- J) _("+ j
-
X I
11-1
_
P'-"_"+
q -.
(
X- 1
I'}n-, j Jl
X q.
Tuto hodnotu lze odečíst též z tabulek distribuční funkce Poíssonova rozdělení (viz V poslednim p k (10 32)
příloha 2) nebo ze statístíckých programů. Oopočtením do jedné získáme hledanou předch . ' . o usu sledovan' .
OZl vyraz vynásobíme P r y. Je~ musel nastat, s ohl d
pravděpodobnost rovnou 0,2275. Pro více než dvě vady je výsledkem hodnota 0,0629. Tato , lm z'skame hledaný vztalt e em na nezávislost ve výb.
hodnota je stále dostí vysoká při relatívně malé hodnotě průměrného počtu vad. Je to důsledek pro negatIvní blilo . k' eru,
toho, že Poissonovo rozdělení je pro malé hodnoty }" výrazně nesymetrické. l'(xl1
).
l»_-
I1+X-) " x ( ) tl
mlc erozdě/ení
(
X P q = x p'(-q)', kde

rozdělení
_') ( (J 0.33)
10.5 Multinomické
( =0(_1)' i1+X-Ij
x x ) (za podminky ll> O).

Multinomícké rozdělení je zobecněným binomíckým rozdělením pro s-rozměrnou Odtud pramení' .

náhodnou velí činu. V praxi často nevystačíme s jednoduchým modelem s vracením, ale I nazev tohoto rozdělen,' .
- negattv . b' .
potřebujeme rozšířít počet variant výskytu náhodného jevu. Vychází se z úplné skupíny Momenty Se ur'c" • n, tnom,cké rozdělení
, Opet po . .
vzájemně se vylučujících náhodných jevů A, s pravděpodobnostmi výskytu P. pro mOCI momentové vytvoru" ., . fi
~'CI unkce kt . .
k = I, 2, "', s. Z povahy úlohy je zřejmé, že musí platit: A1 ~ () , era ma tvar'
,(.9)= "ox.> -11 ( ~() .
p, + Jl, + ... + Jl, = I a
~.
- x
p" -q)' ="
-ll "f '( ),,,
:S; x ' le' -q1 =oP"6-e·'q)".
Stanovením h . (J 0.34)
odnot denvací Podle
.9 v bodě .9 -- O. dostaneme·

122

123
 (10.35) F(x) ~ I
pro x>A+ CI .
(10.36) VÝPočet počátečních moment" I
u ze provést p"nmo z defl " .
, I "IJ a ~ InJcmho Vztahu.
Použiti tohoto rozdělení je ve statistické přejímce a v plánováni výroby. tJ. =-. Jx' cIx _ 1 (A +a)bl ( .
2a . - -_ -.A- a )' I
,I " 2a - I. -- _
" +I .
10.7 Geometrické rozdělení Odtud určíme " , (10.42)
pn,mer a rozptyl:
p.l: :::: A.
Geometrickým rozdělením se nazývá rozděleni náhodné veličiny, kdy určujeme , a'
(T;c ::::
pravděpodobnost toho, že v prvních x pokusech sledovaný jev nenastane a nastane teprve
3 (10.43)
v (x + 1) pokusu, jedná se opět o výběr s vracením.
Mnohdy býv' , (10
Tento případ je vlastně zvláštnim případem negativniho binomického rozděleni, kde intervalu byla ro~n~Yh;ddn~ provést transformaci n' , .44)
počet výskytů 11 je roven jedné. Bude jistě platit: vyhOVUJe transformač~í v:;~ha to Ještě s mezními ~:~~:et. veličíny tak, ahy délka defl
" ,
. am, O a I T lO,cmho
P(x) = ?(x,l, p) = pqx, (10.37) u =.!.= (A _ a) . Omuto požadavku
2a -- pak
q
J1:t == - , (10.38)
p f(li) = I (10.45)
, q pro UE\O; I),
.!(u)=O
Cf x = -, . (10.39) pro Ostatní li.
p
(10.46)
Dístribuční fuok
ce nabude tvar
10.8 Rovnoměrné rozdělení F(1I) =O
pro 11 <O,
F(li)=li
F(1I)=1
pro 11 E (O ; 1),
Předchozi
kapitolou jsme ukončili popis základních rozdělení diskrétni náhodné veličíny. pro 11 > 1. (10.47)
Nyni uvedeme nejdůležitější rozděleni pro spojité náhodné veličiny, která se uplatňuji pří
řešeni v mnohých praktických úlohách v podnikové praxi.

Nejjednoduššim rozdělenim spojité náhodné veličiny

je rovnoměrné rozděleni. Toto
"
Toto rozdělení se s
Poeltačí .
Je obvykle ZabUdov:
.
ymbohcky značí
,2
I )
- , 1 Jeho ,. , .
ft
vyuz,t, Je v símu/ač ' h '
rozdělení představuje pravděpodobnostni rozdělení náhodné veličiny, která má konstantní an generator náhodných .. !lIc rešenich, na
hustotu pravděpodobnosti. Definičním tvarem tohoto rozděleni bude vztah: c'sel tohoto rozdělení
10.9 Nor '"
ma Ol (Ga ussovo)
I rozdělení
f(x)=- pro x E (A -CI; A +CI), (10.40)
2a
NOrm'1 '
fIx) = O pro ostatni x. tam a n, rozdělení' .
. Uto rozdělen' ", Je neJPoužívaně'"
Je dostat" '. muzeme dospět b' ~s, model rozdělen' .. ,
Zkráceným zápisem je tvar R(A,2a). Ze vztahu (10.40) integrací určíme distribuční slOžení (~~,:~~llk)ý, V!{ma podm~ne~no~~c~ého rozdělení za 'p;~~~~ ~áho,dné veličíny. K
funkci jako: PUSObením ovlí :~ vetsího počtu 17 ~e ,re ~edly k PoiSsonovu r ~ u, ,ze rozsah výbě11l
rOldělení). vnuJe hOdnotu x náhodné ~t~Iych náhodných velíč7nzdelem. J:nou cestou je
F(x) = O pro x < A -a, e IClny ~ Jen velmí nepatr~ě (s~~h~ každá svým
F(x) = x-lA-a) (10.4 1) ,NofJnální . uJe rovnoměrné
pro xE(A-a;A+a}. I1ahOdnÝeh' •na hOdná veličína ',.
2a JeVll v techníc .. vYJadrUJe pravd'
e, pn rodě í společnosti. T;:~dobno~tni, chování široké k .
O rozdelen'm Se řídí' alego"e
t24 vykon výrobního

125
 &
zařízení, čistota chemíckého produktu, ale i velikost výtrusů u hub. Tato skutečnost souvisi
s definičními podmínkami normálního rozdělení a též s existencí centrální limitní včty, se Obrázek 10. I
kterou sc seznámime v další kapitole. Můžeme říci, že s tímto rozdělením se setkáváme
především tam, kde na kolísání náhodné veličiny působí velký počet drobných a vzájemně
nezávislých vlivel.

Z dříve uvedených podmínek lze odvodit definiční vztah pro hustotu normálního
rozdělení ve tvaru:
0,39891
G

pro XE(-OO,+OO). (10.48)

Normální rozdělení má typický zvoncovítý tvar symetrícký kolcm hodnoty x = IJ .

V tomto bodě je hustota pravděpodobnosti maximální a je rovna hodnotě 0,3989. Pro qSO
a
hodnoty x, které se blíži k plus či minus nekonečnu hodnota hustoty pravděpodobnosti
konverguje k nule. Průsečiky rovnoběžek s osou pořadnic, které procházej i body (IJ - a) resp.
(IJ + a) a hustot pravděpodobnosti jsou inflexními body čáry hustot pravděpodobností.
Tečny vedené inflexnimi body protínaji osu úseček v bodech (p- 2a) resp. (IJ + 2a)
a protínaj i se na ose souměmosti vedené rovnoběžně s osou pořad nic bodem x = IJ .
- d ntce
P ora . prusecl
• "ku Je
. rovna ho dnote- - - - . 1-1o d noty IJUstot pravd-epo d
0,4839 O b ' norma'I nt'I10
noslI
a
rozděleni se běžně
tabelují, i když jejích hodnoty lze snadno stanovit pomocí tabulkového
procesoru EXCEL i bez speciálního statistického programu. x
. Při tabelaci se -
Distribučni funkce normálniho rozděleni je dána vztahem: dlstríbu- . fi casto VYUžívá .
cnl unkce jen pro kladné hos:metne normálního rozděle ' ,
noty II nebo hOdnoty Laplac:~~ ~a~se tabelují hodnoty
(10.49) <P()-J" I _~ . u ce <P(II)'
II - - e ' dl
o2tr tl.

Protože distlibuční funkci normálního rozděleni nelze určít v analytickém tvaru, je tato
S ohledem na tuto rů (10.51)
funkce tabelována. Tabelace se vztahuje pro normovanou náhodnou veličínu II = x -IJ a znou možnost tabelace uv
a ~(-) ~ O, edeme několik základních vztahů
mluví se o tabelací normovuného normálního rozdělení. Toto normované normální
rozdělení je zvláštním připadem normálního rozdělení pro hodnoty parametrů IJ = O a (J = I.
J: (O) = 0,5, <P(:,,) = - <P(1I), .
/'(+«» = I, _, /'(11) = 0,5 + <P(1I) deIinítorícky
Toto rozdělení se zkráceně označuje jako N(O; 1), zatímco normální rozdělení jako
<1>(0) 'OD, !'(II)-F(-II)=2<1>(II), ,
N(x;p;(J').
<1>(+«» = O5 2[1- F(1I)] = 1-2"'( )
, , <P(' ) w 11 ,
1 _~
, . II -<P(-1I)=2<P(1I)
f
1.1

(1050) Zejména v .
F(1I) = -r-;-- e ' dll. zaokrouh/e' poslední době Se ři .
_<ov 2n rOzděl . ne na Jednoduch' . P tabelacI vycMzí z ",
em, v tomto případě ho~n~:s~b:: (např .. 0,95 apoď)c~teta~~~noty distribuční funkce
Momenty '. rmovaneho normálního rozděl~IJ~ se kvantíl daného
norma/mho rozděle . " nI.
ni Se urcl z
~ J momentové vytvořující funk '
M z (8)==e"9-t- U ,.'9 ce, kteramátvar:

126 (10.52)

127
u_-----
o chování náhodné veličiny je správný. Po utřídění dat posuzujeme, zda rozdělení četností ze
. že prvním
Výsledkem Je, získaných dat neodporuje našemu předpokladu o jeho typu, mluvíme o vyrovnáni modelem
, 'eme momentY. 2
určítého pravděpodobnostního rozdělení. Toto vyrovnáni má tří kroky. Prvním krokem je
, vytvořující funkce urcuJ tem je rozptyl (J
ve en určení parametrů rozdělení. Pří dostatečně velkém počtu měření u Poíssonova rozdělení lze
Z této momento . a druhým centrálním mom
"1 čním momentem Je I' řicí, že průměr je parametrem A. Pří předpokladu, že jde o normální rozdělení průměr bude
poca e 'lního rozděleni . odhadem parametru 1', směrodatná odchylka s odhadem parametm (J. Druhým krokem je
. ríbuční funkce norma , ktere nevyhOVUje provedení vlastního vyrovnáni, jeho výsledkem jsou "vyrovnané" četností. Tyto vyrovnané
Pliklad 103 Dlst d kce _ dusíkatého vaPna ,. h bylo zjištěno, že četností odpovídaji teoretickému modelu s odhadnutýmí parametry. Třetím krokem je
, k t pro u r ' h bal emc d .
Určete prav~ěpodlobn~~\~ž:~\J~áhle konlrol~ vl~~n:o~~~i,~lka je 1,070% Znak sle uJe objektivní posouzení vzniklých rozdílů mezi pozorovanými četnostmi a llteoretickýmill
, d' kům odberate e, Je 'k' 19 717% a smero četnostmí. Tento třetí krok musí objektivně posoudít vzníklé rozdíly. Blíže se s ním
poza av . 'h dusI u Je " soj, pozdějí \' kapitole věnované testováni statistických hypotéz.
průměrný obsa,h v~.ane ,odavek odběratele je18, o. seznámíme
· lni rozde\en' a poza
llorma Nyní se budeme věnovat druhému kroku - vlastnímu vyrovnání. U jednoparametrických
rozdělení při
znalosti parametru dosadíme do předpísu pro pravděpodobnostní rozdělem, např.
Ře~eni " 'lze připustit, že: u Poissonova rozdělení dosadíme za J. a určíme všechny hodnoty P(x,) .
. ' lky' počet merem,
, . k dispOZICI ve I 12)
J>roto2C Je . dh d viz kapíto a ,
s = (J = 1,070 (bodovy o a, Postup pří vyrovnání normálním rozdělenim je v podstatě trojí:
x = I' = 19,737 a vyrovnání pomocí distribuční funkce,
vyrovnání pomocí hustoty pravděpodobnosti,
185- 19,737 =-116. vyrovnání pomocí pravděpodobnostního papílU.
'-- , . 'h rozd'le eni" .
u=1 070 . . "funkce nonnahll o
, ..' hodnotu dlstnbucm a) Vyrovnání pomocí distribuční funkce
Z tabulek zJlSume _ O12302.
0500-037698- , •
_0500-<1>(1,16)= , , , k ZaJ'ímave je, ze Nejprve musíme provést odhad parametrů normálního rozdělení. Protože nám v řešení
F(-1,16) - , . . 12 3% dodave . N '''emná úlohy jde o vyrovnání hodnot četností, lze s výhodou použít metodu vhodně zvoleného
hovuJe aSI, 18 5% epnJ
, ku odběratele nevy • dovanOu hodnotu '.... ' sledkům počátku.
Vídíme, že po~da;ho dusíku překračuJedPo:neho znaku. K uspokoJ~v~mp;?' poklesu
• "rn' obsah vazan ríabilitou ho nO • ěr zůstal steJny V dalším kroku provedeme vlastní vyrovnání. Abychom mohli použít tabulek distribuční
P~;'~n~st je způsobena velko~ v;roduktu Jestliže by ~~ a Hu) = 0,0018. funkce nonnálního rozdělení, musíme vstupní data přetransforrnovat na normovaný tvar.
s ak dospět homogenlza O30 pak by bylo tl = - ,
lze P . d h Iky na hodnotu , ' Vzhledem k definici distribuční funkce musíme pracovat s horní mezí intervalu naměřených
směrodatne o c y , ' veličin. Při stanovování mezí je vhodné, aby první ínterval začínal v (- (0) a poslední končil
. k normálního rozde\W! , \\čína hOOmmm (.~). PYIWll nY~hOm mk n~YOlnl1l, JQllnnl1J ny ~Q IJ Y~QknY!0 ngrmftInl fYZlIQIQnl·
"klad 104 );lli1!'íbučnl fun ce 'I 'ho rozdělení bude náhodna ve
P fl
'evmo delu norma ni
d' dobnost toh o, z Po stanovení normovaných veličin vyhledáme příslušné hodnoty distribuční funkce, dále
Určete prav epO b) ± 2(J, c) I' ± 3(J . pak stanovíme rozdíl sousedních hodnot distribučních funkcí. Tento rozdíl představuje
ležet v íntervalu a) I' ± (J , I' přírůstek distribuční funkce, který by měl odpovídat přírůstku kumulativních relativních
, h tj 1/ = ±\' četností. Jestliže tento přírůstek vynásobíme celkovým počtem měření, dospíváme k přírůstku
, . , h proměnnyC , další kumulatívních četností, tj. četnostem v příslušném intervalu.
B,.ešem . , not v normovanyc 7 Obdobně pro '
. ) určíme nejprv<:> hod \ = 2 0.34134" 0,68~" 'žádáme, aby
Pro vanantu a b de F(l) - F(-I) = 2 <l>(l . ' s často zajÍtna pnpad, ~~ nonnálního b) Vyrovnání modelem normálního rozdělení pomocí hustot pravděpodobnosti
hledanoU hodnotoU U S l eS 0,9973 V pra": "a rč~"í hodnoty kvanU u tak. aby
dvě varianty dostane~e. O'~č~t pií~adů Jde vl~.stne. o ~usíme mčit horní hodn~~oty 0,475 Po urče,ú parametrů JI a (J vypočteme normovanou veličinu 11. Zde pracujeme se středy
v intervalu I~že\ urb~~ i~terva\u ležet 95% pflp~d~75 či Laplaceova funk~e'~~5% případů intervalů, pak odečteme z tabulek hodnotu hustoty pravděpodobnosti. Finálnim krokem je
rozdělení M~-l~. ~~~u~ní funkce nabyla hlo~~O%d; v íntervalu I' ± 1,96 (J eZI výpočet veličiny f(lI) 1/, která je vyrovnanou hodnotou.
v teto hodno te IS, " n"m J'e hodnota , ' u
'd' e ze rese
Z tabulek VI lm , 1 .. 99% případll Vyrovnání tímto zpi,sobem je rychlejší, avšak o něco méně přesné než postup při
1 258 (J eZI
V íntervalu 1'':' , vyrovnáni pomocí distribučni funkce. Je to zpilsobeno tím, že uvnitř intervalů pracujeme se
'I 'ho rozdělení dobnost\ll střední hodnotou hustoty pravděpodobnosti při nelineárním průběhu funkce hustot
vyrovnání modelem norma ni ==- , . rve zvolit vhodný prav~~popředPoklad
- h '\ h muslme neJp ěřit zda nas
, děpodobnostníc u od' h veličín musíme OV ,
pří řešen~ kP: a; dat o chování náho nyc
model. Po ZIS 'am t29

12S
----------- ----------
Tabulka 10.2 Vyrovnáni 01o d ~I<;;ID..~=!ill.!!l!!!'
normáln'h O rozděle m' I Uční funkce
pomocí distr'b

pravděpodobnosti nollnálního rozdělen\. Nutno konstatovat, že tento způsob vyrovnání je

obvykle v praxí dostačujicí a lze jej snadno provést použítim tabulkového procesoru EXCEL.
vI/ U F(II) óF(lI) óF(II)1I x I'~(x)
"
- -
Příklad rozdělení
00 -00 0,00000 - -
10.5 Vyrovnání modelem normálního
základě rozděleni.
-6,5 -2,63 0,00427 0,00427 1,20 2 0,0071

údajů kvalitě představuji

Na dat tabulky 10.1 proved'te vyrovnání modelem normálního -5,5 -2,23 0,01287 0,00860 2,41 1 0,0107

litrů
-4,5 -1,82 0,03438 0,02151 6,02 5 0,0286
K dispozici je 280 o karbídu vápníku, o jeho lítráži. Hodnoty tak
-3,5 -1,41 0,07927 0,04489 12,57 15 0,0821
množství acetylénu, které získáme z jednoho litru karbidu vápníku. V této tabulce je -2,5 -1,01 0,15625 0,07698 21,55 21 0,1571
proveden i výpočet průměru a směrodatné odchylky. -1,5 -0,60 0,27425 0,11800 33,04 28 0,2571

Tabulka 10.1 Výpočet průměru a5měrodatné odchylky \itráže karbidu vápniku -0,5
0,5
-0,19
0,21
0,42074
0,58317
0,14649
0,16243
41,02
45,48
43
52
0,4107
0,5964
1,5 0,62 0,73237 0,14920 41,78 41 0,7429
2,5 1,02 0,84614 0,11377 31,86 36 0,8714
,
vjWn l 3,5 1,43 0,92364 0,07750 21,70 16 0,9286
v, vln l
X, ", -7 -14 98 4,5
5,5
1,84
2,24
0,96784
0,98745
0,04420
0,01961
12,38
5,49
8
6
0,9571
0,9786
270 2 -6 36
1 -6 125 6.5 2,65 0,99598 0,00853 2,39 4 0,9929
271 -5 -25 +00 +00 1,00000 0,00402 1,13 2 1,0000
272 5 -60 240
273 15 -4
-63 189 r. X X 1,00000 280,00 280 X
21 -3 112
274 -2 -56
275 28 -43 43
43 -1 O
276 O F.(x) je kumulativní relativní četnost (tyto hodnoty budou pouzlty
,- v kapitole 13).
52 o 41
277 1 41
278 41 72 144
36 2 144
279 48 ' , modelem norm'aIOl'ho rozd ělení pomocI' hustot pravděpodobnosti
Tabulka 10.3 Vyrov naOl
280
281
16
8
6
- 3
4
5
32
30
128
150
144 f(u)
282
283 4 6 24
14 98
V II f(lI)
(Y
II ".
2 7 2 -
284 -6 1692 -7 -2,84 0,0071 0,81
280
)(
-6 -2,43 0,0208 2,37 1
-
r. -5 -2,02 0,0508 5,78 5
-4 -1,62 0,1074 12,22 15 -
-3 -1,21 0,1919 21,84 21
_ -6
v=_=-00214 -2 -0,80 0,2897 32,97 28
280 ' ' -1 -0,40 0,3683 41,92 43
o

J'
0,01 0,3989 45,40 52
~692 (-6
s ='1_- - =246.
1
2
0,42 0,3668 41,75 41
.1280280 ' 0,82 0,2850 32,44 36
3 1,23 0,1872 21,31 16

Tím jsme určili potřebné parametry normálniho rozdělen\. V tabulce 10.2 provedeme
4
I-.. 5
1,63
2,04
0,1040
0,0498
11,84
5,67
8
6
k 6 2,45 0,0198 2,25 4
vyrovnání pomocí dístribuční funkce. 7 2,65 0,0069 0,79 2
_l: X X 279,36 280

Sou čet vyrovnanych

' hodnot není ro ven poctu
' měřeni, rozdíl pad'a na vrub pouzlte
--, metody.

131

130
c) Vyrovnáni pomocí pravděpodobnostnihopapílu

Pravděpodobnostní papír je takový grafický papír, na kterém se distribuční funkce Matematick " d
normálního rozdělení jeví jako přímka. Pravděpodobnostní papír má jednu stupnici } je efinováno ve tvaru-
rovnoměrnou, druhá je pravděpodobnostIÚ. Pravděpodobnostní stupnice u většiny J(x) = " e1x "J'
pravděpodobnostních papirů probihá od hodnoty 0,02% do hodnoty 99,98%. Na stupnici j(x) '" O pro x>",
bývají vyznačeny hodnoty 15,87% a 84,13%, někdy označené též jako -o- resp. +0-. pro ostatní x.
Rovnoběžky vedené v těchto bodech s osou úseček protínaj í přímku distribučni funkce (LO 55)
Ve1Jčina A ud' , •
v bodech, jej íchž úsečky odpovídají hodnotám (ll - 0-) resp. (ll + 0-). Obdobně rovnoběžka . (purucha) o . ava cas , d o k tereho
Jev ' sled ' .
vedená bodem, který je na pravděpodobnostni stupnici označen 50%, protiná přimku muze nastat kdYkolI, pak A . ovany Jev n"stat nemůže V / ' .
v průsečíku, jehož hodnota odpovidá veličině Jl. Na pravděpodobnostnímpapíru nakreslíme f(x) =' '" Je rovno nule, detiniční vztahye~ce casto sledovaný
A,. e Ostanou tvar
přímku, která prochází body o souřadnicích (,ll; 50) a (,ll + o- ; 84,13), tak dostaneme průběh j(x) = O pro x·'O.
distribuční funkce. Tím je provedeno í vyrovnání naměřených hodnot normálním rozdělením. pro ostatní x.
(10.56)
Distribuční funk .
V komerčních statistických programech je obvykle dodáván program na provedení CI stanovím (l0.57)
e ze vztahu:
vyrovnání normálnim rozdělením.
F(x) = A. JX e-)~d< = í
e "']"
Pří řešení řady praktických úloh se setkáváme s levostranným rozdělením. Jestliže = I -e
původní velí činy zlogaritmujeme a pak utřídíme, často dostaneme normální rozdělení.
o "I -L-" o
-'".

(l0.58)
Takovému rozdělení se říká logaritmickollormální rozdělení. Momenty se určí z
momentové vytvořuíící fu k .
J n ce aJsou'
Aproximace binomického a Poissonova rozdělení normálnim rozdělením I .
JI ~-
x ,,'
Určováni hodnot dístribuční funkce binomického a Poissonova rozdělení může být pro
vyšší hodnoty náhodné veličiny x dosti pracné. Na základě platnosti centrální limitní věty (viz (10.59)
J
a 2 == __
další kapitola) můžeme přejít na normovanou veličinu, která bude sledovat normální
... .:l?'
rozdělení. Aproximace bude tím lepší, čím původIÚ rozdělení budou symetričtější a čím mají
rozptyl větší, postačující je, aby byl větší než 9.
Obvyklou zkratkou (10.60)
pro exponenciální rozděl ,. .
Pro aproximaci používáme tyto vztahy: Pfl.'kladl06E enlje E(,,)
. .
. Xpollellclálni rozděl .
~
"
P( ~$X"'r =
) ".(X+0,5-np )
vnpq
pro binomické rozdělení, (10.53) Průměrná doba kd . •
hedvábí J' e 5 .
.
' y Je treba zaSáhnout d
mlllut Urč t o zvlákň 'J
m"'ut. Bylo oVěřen~, že ;I:d~~:~dy.ěpodkobnosttoh~, že ~~~~'~~ stroje při výrobě viskózového
• zna sleduje muset zasáhn d
pro Poissonovo rozdělení. (10.54) ~ exponencíálni rozdělení out o 4 resp 5

Úkol vede na st '

Hodnota 0,5 v obou uvedených vztazích je korekcí na skutečnost, že v bímomickém a ", anovel1l hOdnoty dístrib • ,
určllne jako' A _ I I Ucrll funkce exponen "1 '1
Poissonově rozděleni jde o diskrétní náhodné veličiny, zatímco normální náhodná veličina je . ,- _ = - Cla IlIIO rOzdělen' P
veličinou spojitou.
x 5 I. arametr
I" 4
(4)=I-e' =1-0
,45 = 0,55 !
10,10 Exponenciální rozdělení Do čt ř . 1"(5) = I - e ' = 1- 0,37 = O63
s p • y mmut bude
ravdepod b třeba zasahovat.. ' .
o lIostí 0,63. s pravdepodobností
Exponenciální rozdělení je rozdělením, kde náhodnou veličinou je čas, ve kterém nastá~ 0,55, do pěti minut
sledovaný jev, např. porucha. Své uplatnění nachází zejména v teOlii spolehlivosti a teorII
hromadné obsluhy.

132

133
 (" .
Dodatek k 10. Kapitole
1~0'-= 1) = m -'1)1''" ''I'' "",
P(m) (' nI 'I
Určcni momentů binomického rozdělení II 1''"'1".".
J' . - -
11-11/+1/)<1. (1070)
11/

Pro binomické rozděleni platí:

Tyto nerovnosti po dVOjIcích
.. dál e upravlme
.
(1061) na tvar

(111 + 1)'1 > (II -'111)1'

(1062) 111'1 < (II-m + 1)1', (10.71)
Gde o zápis binomické věty),
L."lil}Xq"-X = (p + 'I)" = 1 m(p+q) > "1'-'1
(l072)
r-'"O x
(10.63) 111(1' + 'I) < "1' + 1", (1'+'1= I),

"1'-'1< m <111'+ p.
dospět sečtenim rozdělení, kdy se momentová (10.73)
vytvořující součtu veličín součinu jejích momentových
K témuž výsledku lze II alternatívnich
funkce nczávislých náhodných rovná
mlc ym rozdělením
vytvořujících funkcí.
Určení momentů provedeme přes výpočet hodnot derivací, tedy: Lím'tI mm
-
(1064) přechodem pro N~co a K =1'
N hypergeometrícké rozd-elení přechází v
p=n (pe 9+'1)"-' pe 9\ 9.0 =np, bínomícké.
(1065)

(1066)
K(K-I)(K x!
x+l) (N
- .~c
K
--:~-:)(~N~-::.'K~:'I)~"~'(~N::!'-.:!:~~
II+X+I)
p, = fl; _p' = n(n -I)P' + nI' - (np)' = npq. N(N _ . (II x)!
.__ l)···(N -11+ I)
n! -
Analogicky lze stanovit dalši dva momenty:
(1067)
ll!
= X!(II- x)1 K(K -1)':-(K- -x+l) (N
-N(N - K)(N - K -1) ...( N -K -1I+x+l) N"
' -l)"'(N
P3 ="1''1(1-21'), (10.68) -11+1) ----
P. =3n'p'q' +npq(J-6p+6p').
=("](~X~-~}-{~-~).(I_KX
x--.!!.
_KN- N)(l<_~I)
IN-' = N I
Určení modu binomického rozděleni {I- ~ }-{I- f1~ I) --- .lL

P(m) =
(n \p*q~'"
~m) _ _ =~I+1 !L>\
(10.69)
~p = ("]
lim P(X)N_ x pp ...pqq...q=(:}xqnx (J O. 75)
p(m+\) (" p
m+1
J'",' q N" n-m Jl

135
134
 . . kého a poissonov~ rozdě1~ill
'htah blllomlc
Dále platí, že I;:: o
00 (

X
J(- 'ly =(I
11\
q)" = p "
(Newtonův vztaJl) (1083)
1 "cházi
" . za podmínek " _> Oa "I' = A pre '
.
. ké rozdelem 11-+ 00,
Využitím cesty přes derivace dostaneme:
Ukážeme, že bm~rnlc ud A <30 (je malé číslo).
'poissonovO rozdčlem, pok
v n X P = p·(-nXI-e9q)"(-q)e81 •.0 = J~',lIq = ~/{',
I) ...-
il(II-1)"'~:-3_+ __ p'(I-p) '7- (10.84)
P(x) = xl' (j11 "(l"-X : : : . - - - .t
x. , 11(11 + 1)'1' nq
P,= -
1"
+ .
P
1" P

( 1085)
II(II-I)···(n-x,:l: I) 1. (111')'(1- p)N =
= - - - xl 11

P, = n(n + 1)'1' + "'1.- 'eq' = '!q' + I/(~ = !/{!

('1 + 1') = ntj
x - 1" ~ Q:::fl~; p' p' pp,,' (1086)
={l-'~r
1" ( 1" fl
1- n ) xi (1--1')

(10.76)
A' e' _~.
.l. -A 1;(
Určení momentové vytvořující funkce normálního rozděleni
lim P(x).~~ =1.---
xl I I
X.
p-.O
IIp,,,,l..::30
Pří splnění podmínek z bínomického
se dá ukázat, že platí:
rozdělení nebo sečtení řady rovnoměrných rozděleni

Určem
. momen(II poissonova rozde"1 e ni
f(x) = ce
'(".)' .
'h
(10.77) (l088)
i e'Á ),' = 1, neboť
(Mac Laurinův rozvOj),
Vzhledem k tomu, že tato funkce je symetrická kolem a, tato hodnota bude p. Dále
..:=0 xl .00 J
~e'",,}
91 V _ ".l{e"-l)
(1078) z podmínky, aby ff(x) cJx = I se určí konstanta c jako c = c--. (10.89)
-,tetl).:::::e .
00 e -1 A.'"
Je

~
Ol)
_e b,j21l
M ,(9) = 1: e 1C9_=e xi ,"0 x!
Z praktíckých důvodů nejprve lIrClme momentovou vytvohljící funkci normálního
X-"O

• . hodnoty derivace, tedy:

. op ět Přes urcem rozděleni pro náhodnou veličinu (x _ p).
Dalši cesta Je
(10.79)

(10.80) (10.90)

(10.81)
Provedeme transformaci tl
x-p , tedy dx =b dll .
=~-
b (10.91)

. . kého rozdělení (1092)

Momenty negativnlho bmomlc

Pro (u-b9)=z, du=dz.

v' momentovOu v yt vořující funkci: (10.93)
Nejprve ufCIme )•
(108l)
00(-n)[8(_
.• (-11).( '1')=1"1: te '1
)f=p"6- e9
'1
M,(9)=~e'\x I' - ,<o X ( 10.94)

136 137
 (JO. 103)
(10.95)

ním momentové Kontrolní otám a úlohy

-. • . •. tečnlch mome 9'
ved me rOZ
ntů k-tého řádu pro e
vede
10.1 Určete momentovou vytvořující funkci, průměr a rozptyl rovnoměrného rozdělení, je·li
. urcem poca '.'
VlastnI .' fl' entů u vehcm kl definičním oborem x E (O ; I).
• .. . funkce v řadu a urcenl koe tCI .
VytvorujlCI (10.96)
10.2 Určete momenty binomického rozděleni pro 11= 100 a p = 0,40.
1 b191 b
2
~?- + ~~~:t.- + ....
(9) = e' = 1+ 21 4\ . Ude o důsledek 10.3 Pravděpodobnost toho, že výrobek nevyhovi požadav),,-i',m na jakost je 0,001. Určete
M \X-J1)\ y . ou nulo ve w
pravděpodobnost toho, že ze 4000 (3000) výrobků při kontrole neuspěje více než jeden
. . ' . • e všechny liché mo::,.ent j(x _ 1-'). Koeflcíent u clenu
výrobek.
e
deného rozvoje je zrejm , z ké a že jde o vehcmu .
Z pro ve . . rozdělení je sym etrtC , .
toho že normalnl • . moment platr. 10.4 Stanovte pravděpodobnost toho, že ve výrobě, kde je 5% zmetkovitost, se jako první
, , dy b = a . Pro č;tvrty vadný výrobek objeví prvni, desátý, dvacátý.
n' = b' , a proto b' -- a , te
_
"_
21 (10.97)
JO.5 Určete typ rozdělení a jeho parametry náhodnou veličinu (x + y), když velíčina x sleduje

b'9' _~, atedy 1-';=1-',=3. rozděleni N(x,l'na;) a veličina y sleduje rozdělení N(Y,Il"a;).

0- 41 •.
10.6 Na základě dat přikladu 10.3 určete nutnou variabilitu souboru, aby množství nekvalitní
• .. . funkce lze psat.
. tové VytVOrujlCl produkce nebylo vyšší než 0,5%.
(10.98)
Z vlastnostl momen \ '.'
1-1 9 +"2(1
10.7 Proveďte vyrovnání exponenciálnim rozdělením pro dále uvedený soubor dat.
(9)= e'·M(,.i9) = e 2 4 6 8 10 12 16 2030 40 50
M ,(9) = M(,_,.,) (1099) XII

", 61 443931 2822292421 12 I

V tabulce velíčina XII = 2 znamená, že do doby dvou minut bylo zjištěno 61 zásahů
do výrobního zařizení, XII = 4, že v íntervalu (2; 4) bylo zaznamenáno 44 případů.

pro 9;;',1.,

(10 100)

-- A
- ,1.-9
pro 9<,1.·

.... funkce'.
. ytVOrujlCI
. . omentove v
.' zdertvac, m (10 10 1)
Momenty urclme

(10. 102)

139
ll. NÁHODNÝ VÝBĚR
Vedle prost'h .
'k l' e o náhodného 'b'
ne o Ikastupňovy' vy'b' " vy enl Se uplatňu;,' ....
·
Se za byvat ' . erp CI system a t'IC k"y vybe'r. l'ěmilo
uplat nemm , . I Jllle typy vy'b'eruo Jako
v'b' ,
•
obl as t Ol. v'b'
I I.l Pojem náhodného výběru využitím tabulek náh d ~~~e,~rostého náhodného výb' Y ery se zabývat nebudeme. B Jer.
Počítači. K tomu je ~ře~:c .cl seJ nebo dnes nejčastěji e~. Te~1 lze realizovat bud' loso~á ~me
stanovit časovy' odb' a vyrobky o<'íslovat nebo' p mocI generátonl náhodny' cl " nl, m•
Základním úkolem pravděpodobnostních metod ve statistickém zkoumání, metod er vzorku. Je vymezIt souř cl" I Clse na
a f1Iceml anebo náhOdně
matematické statistiky. je činit závěry o hromadných jevech a procesech na základě výsledků
pozorování nebo experimentu. Tyto závěry se nevztahují k jednotlivým pokusům. ale 11.2 Vy'b' ,
k celému souboru, ze kterého jsme provedli měřeni na vybraných jednotkách. Soubor ze erova rozdělení
kterého vybíráme je obvykle nazýván základním souborem. Základni soubor je soubor všech
možných jevů nebo předmětů určitého druhu. Rozumí se jim množína hodnot náhodné Každ' 'b'
velíčiny s daným pravděpodobnostním rozdělením a určitými parametry tohoto rozdělení. Tak " . Y vy er ze základniho .
Pouzlva termín statistik ) . . souboru Je urČOván sv' .
za základní soubor můžeme považovat všechny výrobky, které vzníkly za určitou dobu nebo odchylka, v}"běrovy' k Y IJako Je relativni četnost vY·b,ymJ. chnrakteristikami (ne'kd
výrobky. které tvoří dodávku od dodavatele. Základním souborem mohou býl všechny b d" ore ační k fl' , erovy prů' " Y se
u ou ,h~lt u každého výběru II oe IClent. Hodnoty těchto V'b~er, .vyberová směrodatná
hodnoty koncentrací účinné látky v dodávce. které bychom mohli zjistít při proměření všech
elementárních částí.
zkoumam Je třeba blíže oz' udou tak laké náhodnou veli erovych charakteristik se r.
vyběrů z téhož základnih p nat JejIch zákonité chováni ClnOU Pro cile statistického
charakteristik. jeho pa o souboru Statisticky řečeno •. pr~vedeme_1J řadu náhodnÝ'h
Základní soubor může obsahovat konečně ncbo nekonečně mnoho hodnot náhodné
charakteristiky maji led;:~e~7asr" ,v~~ah k parametrům z~~~:dn~~ rozděleni výběrový~h
veličíny. Příkladem souboru s konečným počtem N hodnot je dodávka s K výrobky vadnýmí a
n] za ony rozdělení, kterým řík' Ol o ,s~Uboru Výběrové
N - K výrobky dobrými. Příkladem nekonečně velkého souboru je objem produkce, který stále ame vyberová rozděleni
vzníká a bude vznikat I v budoucnu. Jíným přikladem je pevnost vyráběného vlákna, ta má
charakter spojíté náhodné veličiny. Pro základní soubor je tedy typické jeho
Rozdělení výbfrových průměrů
pravděpodobnostní rozděleni se svými parametry. Je zřejmé. že se nám jen výjimečně podaří
U pravděpodobn '
zjistít všechny hodnoty základního souboru. Základni soubor jsme tak nuceni posuzovat jen hustotu . d' ostmch rozdělení js ' '.
z jeho částí. z výběrového souboru. " prav epodobnosti dál . .. me urcova" Jejich řed'
z~!,mat jejic~ předpis, j~jich e pak Jejich momenty. U výlllrov PI~ pro ~ra~dč~odobnost či
na lodne vehclny momenty a vztah te' ht yc rozdelem nas take' II d
Výběrový soubor je částí základního souboru a obsahuje výrobky čí výsledky, které . c o mOmenť k u e
u mOlllentům Původní
jsme získali podle určitého schématu. Má-Ii výběrový soubor sledované vlastností blízké
~ejpr~e ukážeme na
chování nejvýznamnější
o
vlastnostem základního souboru. jde o reprezentativní výběr. Naší snahou obvykle bude, prumeru x.
aby výběrový soubor byl reprezentatívní. Exístuje celá řada způsobu vybírání jednotek do výběrové c11arakteristiky
výběrového souboru. Nejvýznamnější je prostý náhodný výběr. Jím rozumíme takový
- výběrového
výběr. kdy jednotlivé prvky souboru jsou vybírány nezávísle na sobě a nezávísle na
Provedeme_lí prosty' 'h d' ,
N(x' na o ny vyběr z 'kl
vybírajicím. Další podmínkou je. aby každý prvek měl neustále stejnou možnost být vybrán N - ,,li,,; : ) , pak rozděleni Výběrových průem::'i :~~~h~éžso~~oru s normálnim rozdělením
do výběrového souboru. Nelze tedy považovat za prostý náhodný výběr takový výběr. kdy se
odběr vzorku provádí např. každou hodínu nebo se odebírá jen z horní částí zásobníku čí
(x.t'x,--'-). Pravděpodob .' o s e oval normálni rozdělení a to
II nos(ll1 promčr _ G '

počátku nebo konce navíjené role papíru. Veličina fl ' mstal stejný ale r .
"YIvoču" ,Pfjredstavuje rOzsah výběru DOk, ' ' Ozply/ se ll-krát zmen§íl
~IC' unkce. . u az telo vlastnosti s .
Prostý náhodný výběr má dvě základní vlastností: e Plovede vy -' ,
UZltlrn momentové

1. Existuje rovnost mezi pravděpodobnostmi nebo hustotami pravděpodobnosti jako M.(f)=M~~,. 'x.(f)=M (f)j
důsledek skutečnosti, že výběr pochází ze stejného základního souboru. Platí tedy: -;; - - (,I" Xl-f ... f:C,,) •
II

Prolože je v 'b' (11.3)

j(x,)=j(x,)= ... =j(x,,). (III)
y er proveden prostým náhodným v 'b'
y erem. dále platí:

M.(f) =Mx, (:JMx,(!J... Mx. Uf) =[Mx(~Y

2. Vzhledem k nezávislosti vybírání musí platit pro símultánní funkcí hustol
pravděpodobností vztah:

j(x,.x, .. ··.x,,) = j(x,). j(x,) ..... j(x,,). (l12) Jestlíže 'b _ J (114)
rnOrneotovou vy cr, pocházi se souboru .
vytvonljici funkci normálního r dn?lrm~lním rozdělením,
S
k
oz e em dostaneme: pa dosazenim za
140

141
 (11.5) hodnocených reakto • .
ťřipadů v praxi nezn:~sou rozdilné. Tento příklad'
rošení bude stc" parametr a, ale ou' ,!e pOuze ilustrativní . _
praktických PříP:;\ ~e budeme muse/ po~,,-,vYber~vousměrodalnou'o~l~t~~ve většině
Z tvaru této momentové vytvořující rozdělení
,
cr-
funkce vidíme, že jde o normální
u u e probráno v kapitole v_Zit Jm~ pravděpodobnost y s, ~rincip .c
s parametry Ji a --. Rozděleni výběrov 'h enovane testování slalisticky~Jl hmode/, Rešení
n e o rozJltyjg C I ypotéz.

U rozdělení 'b - , ,
Rozdělení rozdílu výběrových průměrů pravděpodobnostní rO';;PIe; o~eho, rozptylu Uvedeme
Jl . Jde o případ méně ča~y; adI e Jde o dvě možnosti, Prv ,pra~?ěpodobnostni prům­
Jestliže náhodná veličina x, sleduje normální rozdělení N(x" Ji, ,cr;) a veličina x, hodnota ' e vyskytu tll Je pnpad kd ' er a
sleduje normální rozdělení N(x" Ji" cri), pak rozdělení rozdílu výběrových průměrů rovněž definujem~avyn~~'du ,Výsledky měření ~~I;s:J~a~lv obl~sti analytické ch~~~eZl~~lla veličina
rovy rOzplyl sg jako' o em teto hOdnot k , , ' YJe znama
sleduje normální rozdělení, a to s parametry: , y, tera Je známa. Tak
"
l:;(x, - Jl)'
a (116) ,.2 _
~o--
''''1 __
II

Veličiny n, ' n, udávají rozsahy výběrů pří stanovení průměrů. Důkaz se opět snadno E(so') = Jl(s;) = a' (x), (117)
provede pomocí momentové vytvořující funkce.
a' (s;) = Jl, -oo'(x2
Uvedený poznatek o chování rozdílu výběrových průměrů se v praxi využívá při II (11.8)
porovnávání dvou variant, např. zda je rozdíl v úrovní jakosti surovin od dvou dodavatelů,
zda došlo k růstu výkonu výrobního zařízení po úpravě výrobního procesu apod. Častějším případem 'e t (11.9)
I zde je účeln " Jen, kdy Jl není zná
e znat pravděpodobnostni • _ mo. Jde o rozptyl, definov '
Příklad 11.1 Hodnocení rozdílu výběrových průměrů prumer a rozptyl plal' any ve vztahu (4 4)
, , llytoVztah, ' ,
E(s ) = ,,( ') _ 11- I y.
Posuďte, zda dva typy reaktorů mají stejný hodinový výkon. Bylo ověřeno, že hodínové ,. s - -;;-oo'(x),
výkony reaktorů sledují normální rozdělení. Typ první se směrodatnou odchylkou cr, = 0,80
a'(s') = (II-I)' 11 ~I-IVII_J)
~-.Q/\'-,- (11.10)
t /hod., typ druhý se směrodatnou odchylkou a, = 0,75 tlhod. U každého z reaktorů bylo .l 4 - ,
II ll' --'a (x),
hodnoceno 50 várek. Byly získány průměrné výkony x= 9,65 tlhod. a y = 9,28 tlhod.
Pro velké výběry ( (I Ul)
1I-'>C<3) Iz '
e psal bez ohled
Řešení: "(s') _ , u na typ rozdělení vztahy'
~ -a (x), ,
Řešení musí mít pravděpodobnostní charakter. Budeme předpokládat, že oba reaktory
mají stejný hodinový výkon, tedy, že plalí Ji, = ll,. Tím je jednoznačně určen model
normálního rozdělení. Vypočteme normovanou veličinu ll.
0"( ') Jl _ ,,'
s = _'- -!:2 = Jl, - a' (x)

Pokud náh d '

fl

o na veličina x sled .
----"ofl
(I 1.12)

(IUJ)
x- Y- (Ji, - Ji,)- = 9,65 - 9,08 - (O) uJe nonnální rozděleni
u=
a' a' 0,80' 0,75'
3,68. a'(s;)= ~ , pak dostaneme vztahy:
-'+-' --+-- /I '
n, n, 50 50
a'/s') 2(11-1)
\' = ---- 00'( (x)
20"_ (11.14)
112 X) ""
__
Určíme hodnotu distribuční funkce normálního rozdělení F(3,68) = 0,9999, dále určíme II' .
veličinu 1- F(3,68) = 0,0001. Tato hodnota říká, že dosažení zjištěného rozdílu nebo většího
rozdílu v případě rovných výkonů je 0,0001, tedy pravděpodobnost velmi malá, a ~ro~o ní! ~
dělenív'b-
I zde
,
erove směrodat .
_ne odchylky Ve 'b-
(11./5)

předpoklad nebudeme považovat za správný. Je velmi pravděpodobné, že hodinove vyk()ll)' se SPokojime se zn I '
- vy erech Z n ' I '
orm<LndlQ[Qzdě/ení
a OSll prvních d ~-
vou momentů.

142

t43
 lI(s)=_11) ~3a'Jx) =c,a(x), (I Ll 6)
.;emo teorém se v ",
1"~1)
o
b~dlZ dána náhod' y~z,va k dukazu 2. Čeb š
kla~~,~~;~;~: \:t;;á/má koncg;;;;~:~d~~~;:~sti, která je formulována lakt
II
dano libovolné .
a'(s)=Ul~l-c;)a'(x) (11.17) li
c !to podminek I ' nostnl prumčr i _
pat, nerovnost:
,o.
rozptyl, aále je
PVx- Iix) < c)", J _ a~(x)
Veličina c, je tabelována (viz příloha 6). Pro hodnoty ll> 30 tuto konstantu lze
,,'
s uspokojivou přesnosti zjistit ze vztahu: Při dlikazu 'd (1125)
VYJ eme z b' .
o racene nerovnosti
3 7 lX-Ex!;;""
c = 1-·--- -_.-+'" (11.18)
, 411 32n'
lx-mj' ",,".
(J I 26)
Připomeňme, že funkce r je zobecněný faktoriál a je definován vztahcm:
Nyni budeme aplikovat 1. Čeb • (11.27)
~ ysevovu nerovnost:
f
r(a + I) = e-'I" dl =a!, dále plati (11.21)
p[(x - Ex)' > ,'] 6
" -, = P6x-.&f;;, c).s: F(.r - Hx)' O"(x)
(11.22) c
,--
- 7 ' tedy platí:
pDX-F.xj;;,c}" a'(x)
,,'
11.3 Zákon velkých čísel a centrální limitní včta v ...
yuz'Jeme vlastnosti' (11.28)
Jevu opačného, tedy:

Při použití statistických metod hraji významnou roli teorémy, které vyjadřuji vztah mezi l-pDx-.&f;;,,-]=pflx _ I ·' ) ~,
výběrovými charakteristikami a parametry rozděleni náhodných veličin. P.L.Čebyšev dokázal 6 '-'J.s:" ;;, 1-::'_, .
teorém, který ukazuje, že při určitých podmínkách aritmetický průměr z náhodných veličin c
Položíme_li C = k () (1129)
bude blízký svému pravděpodobnostnímu průměru. Proto tyto teorémy nesou jeho jméno. a x pro
k > 1 z (J 1.29) dostaneme:
Čebyševova nerovnost 1. typu~ Exf .s: ku(x))~ 1-.2.
p66X -,
k' '
Budiž dána náhodná velíčina x, která ml,že nabývat pouze nezáporné hodnoty a má
konečný pravděpodobnostní průměr Ex, pak plati nerovnost: Z tohoto V t h o (11.30)
pravd' z a u mužem ..
epodobnost toho' , e urcl! bez ohledu
(11.23) , ' ze nahodIlá veličina nabude h ':: typ, pravděpodobIlostnih
Zillmn velkých čísgl o not v mtervalu Ex±kU(x/ rozdělení

Je dáno n '. •
pravdě palOve nezávislých '
P(x;;, I) = LP(x) < LX. P(x) < LXP(x) = Ex. těchto ~~~~ibnostní průměry (POCháze';"ahodných veličin x"x"", x '
kladné čísI n JSou konečné, přičemž ~ ze. st,eJného základního so b' "' ktere maji stejné
%;>\ .r~l x>o

o, pak plati rovnost: neJvetšl z nich je menši • u.,oru) a Všechny rozptyl

Obdobně lze provést důkaz i pro spojité náhodné velíčiny. Tuto první ČebyševoVU nez clslo c. Je-li I'b y
nerovnost lze rozšířit na obecnější případ, kdy je dáno kladné číslo a a platí: li Ú C I ovo/né
,~ /.5
Ol" p + -'i.'::.:.:.:.:':.!, _I ]
n /1<,' =1
(11.24) I .
(J 1.31)

144

145
 Vidíme, že jde o značný počel námčrů Jestliže víme, že pracovník pracuje alespoň z 80%,
ČebyšeVOVU nerovnost na tedy p '" 0,80, pak c = pq = 0,80.0,20 = 0,16 a II bude alespoň 32 000. I tento počet
2.
v kl dy lze aplikovat náměrů je při1íš velký, budeme muset asi slevit ze zadanýcb podmínek.
vymezené predpo a
S ohledem na + x +... + x, . Výsledkem bude'.
. ".-~---
náhodnou vehcl11U II

,( x, + x, +...:':":") ( 1132)
Prvnim krokem při resem úloh s náhodnými veličinami je
jejich určeni

1r-'S". ++'- "_C +--. pravděpodobnostniho chováni. Značný význam při uskutečnění lohoto kroku má
limitní věta. Prakticky nejdůležitějším tvarem je věta Lilldeberg-Lévyho, která
centrální
tvrdí, že
součet (a tedy i průměr) vzájemně nezávislých náhodných velí čin, které pocházejí z jednoho

, islost lze dále psat. základniho souboru a maji konečný pravděpodobnostni průměr i rozptyl pro dostatečně velký
. OVOU nezav počet měření, sleduje přibližně normální rozděleni (síeduje asymptoticky normální rozdělení).
S ohledem na par , (11.3 2)
1. '1. + ... +0 Xn
Průměr tohoto součtu bude IIJ.l(X) a rozptyl nu' (x) .
\ ~ <J x, ~--
p~x,~ x, +".+ x"'-_)l\ < s j ~ 1 - - - Il'S'
Tato věta se nazývá centrální proto, že je centrální nebolí ústřední větou pro výběrové
II zákona velkých metody. Důkaz je poněkud složitý, a proto jej provádět nebudeme. Abychom mohli použít
\ . tato formulace
guje k nule, Je . h visel centrální limitní větu, byly hledány podmínky, za kterých ji lze použít i v širších případech.
C s rostoucím II konver lace zákona velkyc c Tyto podmínky jsou shrnuty v Ljapunovově větě, ta v podstatě říká, že centrální limitní větu
, az - ll' a formu
Protože vyl' IlS' , v lati Bernou lOV lze použít tam, kde každá veličina, která je zahrnuta do součtu, jej sama o sobě prakticky
" Obdobně lze dokaz , ze p
at
neovlivni. To je splněno tehdy, jestliže druhý a třeti moment je konečný. Matematicky loto
v' I dokazana .
Clse " v tnOSt ve tvaru· (11.3 3) lze zapsat vztahem:
pro relatlVm ce

lim, ,~ pí\;-
~
A s1'" < 1
ť kterou lze pro
tento případ zapsat ve ( 11.34)
ČebyševOVY nerovnoS "
Důkaz se provede z 2.
tvaru:
0,25 Při platnosti podmínek centrální limítní věty plati, že normovaná veličina

{
II
J
m _ p ~ s ~ 1-7.
II •
ké rozděleni, C ,:,us1 b~tm~ěření
. .
"
, v O 25
nŠI nez "
Stanovime-
,
se relativm čeln
O st
/I = _I--'.J.l-O(--'.I) (11.35)
. vázána na bl11oml~ v' adě velkeho po u <J(I)
Tato nerovnost Je . ' dokázáno, ze v pnp. ákladního souboru.
00 Je um v d bnosu P 1.
li limitu pro 11-->, ' dl'šo vat od pravdepo o při dostatečně velkém počtu měření sleduje normované normální rozděleni. Veličina I je
I ěmalo o I ..
bude libovo n v' v'kovém pozorovam . b výběrovou charakteristikou s momenty J.l(I) a <J(I). Je-Ii veličinou I = x, pak můžeme psát:
vení počtu náměrů pn mZI , " liže chcete zajístll, a ~
Přiklad I 12 SJ,aI!O v' Vikovém pozorovam, Jesdte'lkoU trváni operace
. ěrů pn roz . ovenou (11.36)
otřebných nam zdil mezi stan
Určete počet P děpodobnost a aby r? 'Ině o 1%
závěr měl 95°~o yra\ operace se lišil maxima
skutečnýn1 trvanl m te o Tedy tato veličina sleduje normované normální rozdělení pro dostatečně velký počet
. proložt měření ll, ač náhodná veličina x normální rozdělení nesleduje. Otázkou je, jak velké 11 musí
v vy neroVnostI. . blol
v v '
lli'sen.h
."
.. t'tue ""UZltlm
2 Ccbyševo 1 maxIm
O95 , s'" 0,0 a bYl. Pro 11=50 si mllžeme být s normalitou průměru prakticky vždy jisti. Nebude-Ii rozdělení
, ěruo ZJIS I vJ • ) p "', !,'hodné veličiny x od normality při1iš vzdáleno, mnohdy stačí již II = 5.
Sta:'0v:nio~~~~~~~~~~~~u(~:rnikhPra(~u;~~~ ~:~~:~~; , Je-I~ náhodnou veličínou směrodatná odchylka, je třeba, aby počet náhodných pok'usů byl
se jedna o ln O 5 '" 0,25 ze vzta u
hodnota p.q '" 0,5. , ·ětŠI nez 100, pro rozdělení korelačních koeficíentů blízkých k jedné, je třeba více než 300
. být alespoň 50 000 .
0,25 řešením pak
n mUS\
095~1-~'
, 11.0,01
147

146
 II

pokusů i více. V takových připadcch se k ziskáni normality používá vhodných transformací,

jak ještě ukážeme v dalšich kapitolách.

11.4 Rozděleni X'

veličina (I J 42)
/I j'e"
pns Iusný
' k al1tiI _ .
I a v
V závěrečných částcch této kapitoly probereme ti; velmi důležitá rozděleni, která se nOr O1ovaného '
nonnalního rOzdělení.
řadí k tzv. rozdělenim exaktního typu. Tato rozdělení patři mezi nejpoužívanější
Příklad /1.3
v praktíckých aplikacich v průmyslové praxi. Rozdělení X' je definováno takto: sleduje-Ii Určení hit" k . I
~='-"'.!!.!!Jcii!geU!!10~dUQ1YJOZdělenc Z'
náhodná velíčína x normované normální rozdělení N(O; 1), potom náhodná veličina vzniklá
Určete kritickou h
součtem čtverců těchto velíčin sleduje rozděleni X' (chi kvadrát) s v stupni volností, kde
(J /.41) a (1/.42) odnotu veličiny ,
počet stupňů volnosti představuje počet sčitanců. Rozděleni X' je charakterizováno hustotou Z.-('." pro 50 Sluprlů
volnosti na zákl d' o
pravděpodobnosti ve tvaru: a e Vztahu

,
(11.37) Z."o,O' (50) = 0,5{.J9'9 + I 645)'
t , = 67,22
(dle Vztahu I J.4I),

Z;.o.o, (50) = 5fl - 2 (-2]'

--+1645/
Bez důkazu uvedeme momenty: 9.50 ' 1,9.50
= 67,503
(dle vztahu 1/.42)
I'(x ' ) = v, Správná hOdnota je 67,50.
(11.38)
cr' (X') = 2v. Pro praktické a I'k
Věta" I" . Pl ace v oblasti v'b' ,
. jesllze na hOdná v /' ,. y eroveho rozptylu I . ,
Zkrácené označeni rozdělení X' je X'(v). e ICJlla x sl d . ]faje vyzn
veličina !!:ť... e uje normální rozdělení N(x amno u, roli Cochl'anova
. cr' sledUje rozděleni Z' s _ ' 1'; cr ), pak náhodná
Tvar rozdělení X' je výhradně závislý na počtu stuPllů volnosti v. Z tvaru pro hustotu odVodIt rozdělení v" . v - 11- I stupní volností '
pravděpodobnosti tohoto rozdělení je přímý výpočet distribuční funkce obtížný, proto se ohledem na nutnost ~~erovych rozptylů a rozděle' ' . . Z teto vlastnosti se dá
důležité veličiny tohoto rozdělení tabelují. S ohledem na praktické využítí tohoto rozdělení se
tabeluji hodnoty distribuční funkce, hodnoty kvantilll nebo kritické hodnoty X;, které
nutné Iransformovať í di~e~~~~~~~lčr~ fUnkce .v posle~n~~b~~~Z~~i~";,ěro~latnÝch odchylek S
, pOlo do predplsu pro f(z ') d ,ode byla rovna jedné je
vyhovují vztahu: 2 ns 2 osadJme za:
% =-
(11.39)
cr' '
d 2
% =;;n dr', pak:

Nutno poznamenat, že tabulky krítických hodnot obvykle končí pro 29 stupňů volnosti
Máme-lí určit kritickou hodnotu pro včtší počet stupňů volnosti než 29, využivá se
skutečnosti, že se vzrůstajícím počtem stupňů volnosti náhodná veličina
(11.43)
(I 1.40)

sleduje normované normálni rozdělení. Krítíckou hodnotu veličiny X'lze určit lJ(s') _ 11-- 1
--cr'(x)
uspokojivč dle vztahu: II '

0"(s')=3(n-l) 4

x.' (v) = O,sUZv -I +11,_.)' nebo přesněji dle vztahu: (11.4 1) II' - O' (x). (11.44)

(11.45)

t48

149
 Rozděleni výběrových,smběeroru,~l~~~~in~~
, k'ame ze vzlahu (11.43) změnou
hodnoty " Iu, tj , vynaso
diferencla
' ch lek ZIS
ziskáme tak vztah &S),
vlastnosti:
Zkrácené Označenírozdělení I je I(V) , Z defilllcního vztahlJ rozdčlení I plynou základní
f(s) = (11.46) I, Rozděleni I je symetrické rozdělení kolem hOdnoty t = O,
Rozdělení I je plošší než flonnovaflé normálni rozdělení
dostatečně velký počet stupňů volnosti přecházi v normální rozdělení,
2,
3, Pro
' 'i tvar''
Momenty na byvaJ
rozděleni
veličiny rozdělení
Vzhledem k tomu, Že I je jednoparametrickým je výhodné rozdělenim,
distribuční
kvantilů různé třeba
významné tohoto tabelovat. Tabelují se hodnoty funkce F(I),
lJ(s) = c,a(x), (1147)

Skutečnost, některých
dále hodnoty a kritické hodnoty pro hodnoty a, Je UPOZOrnit na

a' (s) =
(
"-J -c')a'(x) ,
-11- ,
(11.48)
't dle
Že v
dVOustranného testu či dvoustranného odhadu a jsou určenydefiničním
tabulkách se tabelují kritiCké hodnoty, které vyplývají z užiti
vztahem:

.' ' k nstantou pro dauy'rozsah" vy'b·eru

6 fl ' Jej i hodnoty se dají slanovl
Velicllla c, Je o 'h ' uvedeny v pnloze ,
vzta hu (IJ .66) . Některézmc JSou
veličina rozděleni veličina
(11.52)
Jestlíže náhodná x sleduje normální (x; p,; o','), pak náhodná
x-p r--
rozdělení rozděleni,j~ aplika~~~!e~~~~
t=-yn_l
s
11.5 Studentovo t ,
'k Studentovo v

Rozděleni
.'.'
z nejvýznamneJslc
'.
h vy bt,,:z
I, známé erov
d
POY'Choz~ozděleni. Uplatň,uje
ačemm Ja o
k 'ho procesu, Je rozd.1
ktse
e en 1m" ere
,
~enlemVeyžaduje
'na pn porovn
znalost směrodatne, sleduje rozděleni Důkaz provedeme dosazením do definičniho vztahu:
I,
(1153)

variant úrovní t:chn~l~gl~o~boru, Je definováno takto, • 'N(O ' I)

odchylky a v zákla mm ' v a n é normální rozdelem :'
'.' leduje
'. d'ana n áhodná'.'vehcma
Budlz 1/, která sleduje
"Xnormo
s ts u rozdělem
v p n i volnosti, a Je
'nezávisla na
nechť veličina
'hodná vehcma v s
dále na k 'hodná
'.' • 11 , pa na
náhodné vehcme

veličinou výbě,'ových průměrů,

velíčina rOzděleni veličina x,
I='! .]V významnou náhodnou pro aplikace v praxi je I'ozdí/

rOvněž rozděleni N(x"p"ai) veličina ověřit

v , Jestliže náhodná x, sleduje normálni N(x',I'"a,') a náhodná
• ' I s v stupni volnostI. veličina I na b'yva, hodnoty sleduje normálni a plati, že a, =a, =a (toto je nutné
lu - 00 ,-t<o S hustotou pravděpodobnosli
ozdelem , Náhodná
sleduje StUd(entovo)r • viz testOváni statistických hypotéz), pak náhodná
'
z mterva

1
f(l)=~ 1~)
( +.!....')' ,
I -
v+I)
2 I
_".,
(11.49) ( 11.54)
v
sleduje rozděleni I s v = ", +n, - 2 stupni volnosti, přičemž velíčína s'je dána Vztahem:

"ď 'parametr v, ato počet stupňl. volnosti, který souvisi s počtem

Rozdělení ,I m~Je my, Momenty rozděleni I
.' volnosli veltcmy X '
stupnu
jsou:
( 11.55)
IJ(/) = O, (115 0) DŮkaz platnosti vztahu lze provést dosazenim do definičního vztahu pro I, kdy
v (IL51)
a'(/) =. - - pro v>2,
)1-2 v=:;___
Il,SI2 + 172s:
___
a'

150

151
 Hlavni využití Studentova rozděleni I je v oblasti statistického odhadu a testování
statistických hypotéz.
Jest"~e náhodná v.,.
x, sled . c/rCllla x, sledu'e .
souborů uJe nonnální rozdělení N J. normalní rozdělení N(x ,
11.6 Fisherovo rozdělení F
,potornrli'hodnável.'· (x"p"U,'), s' . 2 . "P"U,) a náhodná v l."
leJna I a '\2 JSou lb" . , e JClna
Toto rozděleni je úzce spojeno s veličinou X'. Jestliže náhodná veličina 11 sleduje n,s,' vy elove rOzptyly z obou
rozděleni X' s v, stupni volnosti a veličina v sleduje také rozdčleni X' s v, stupni volnosti, ~~ .:. 1)' _.\,."
---- ~ F
polom náhodná veličina F sleduje Fisherovo rozděleni. Tato veličina je definována jako: 11
S':?
~. 2
-
S;2
(n, ~/)
II
(11.61)
(11.56)
sleduje Fishe
rovo rozdčlení D'k
V, . u az se proved
e snadno v ". liS:!
DOdatek k II 1< . yUzrtrm vztahu - _ _ 2
Definičnim oborem náhodné veličiny F JSou nezáporné hodnoty s hustotou
. apltole u' -.r .
pravděpodobnosti: OdVOZení mo •
~="""!!l!t!Qjmlli1en!]Jtl1u:Jr:Qogzd[@'l~·l.rm
e em rO?Qtv/u . ,
Jd >~a smerodat .
e o případ kd ' ~-- ne odchY1kx
, y nahodná vel."
Icma x sled'
(11.57) uJe nonnální rozděle '
f(
J s)~ -~
Z (.
ll)
.-,
2"
nI. Víme, že:

J(?) W
fl.rt

s'-'e '''',
Hlavni dva momenty tohoto rozděleni jsou:
(l1.6Z)

fJ(F) = --"L pro v,>Z, (1 1.58)

v, -Z
u' (1') = Zv; (V, +,v, - Z) pro v, > 4. (11.59)
v, (v, - zHv, - 4) (11.63)

Zkrácené označeni Fisherova rozděleni je F(v v,). S ohledem na složitost předpisu pro
Fisherovo rozděleni se tabeluji významné hodnoty "Osou též součásti speciálnich statistických .,
programů), a to buď hodnoty kvantilů rozděleni F nebo kritické hodnoty pro vybrané RSK _ 2a 2- Cf)

hodnoty a. V příloze je stanovena úroveň veličiny a = 0,05. Je nutno zdůraznit, že platí

vztah:
-If'z-~-[e ~'s 'Y'ds,
(11.64)
(11.60)
dz = Zas ds,

Hlavni uplatněni tohoto rozděleni je v testování rovnosti rozptylů ve dvou souborech. r(')-J~
V' - e ·zv-,
-> ~
analýze rozptylu a plánování experimentu. o
dz = ZJe ",' I
\ClS'
')"-r Cl\' cl:s:::::2a Y J~esY'dr
o . ns12

o '

(ll 65)
152

153
 12, STATISTICKÝ ODHAD

(1166)
V předchozim textu jsme ukázali, že na výsledky pozorování musíme hledět jako na
Pro k = 1: Es = c,O" , výběr ze základního souboru. Rozdělení četností, které získáme, považujeme za přiblížení
pravděpodobnoslnímu rozdělení základního soubOlu. Jednoznačné slanovení
pravděpodobnostního rozdělení představuje významnou úlohu matematické statistiky, má
značný praktický význam při analýze, srovnávání i prognóze v podnikovém měřítku. Při
(1167) řešení praktických úloh na základě teoretických úvah i praktické zkušenosti známe tvar
pravděpodobnostního rozdělení, ale neznáme parametry tohoto rozdělení, ty určujeme
statistíckým odhadem. Statistický odhad je odhad parametIů pravděpodobnostniho rozdčlení
na základě informace z výběru, provádíme jej dvojím způsobem:
(1168)
J. jako bodový odhad, kdy na základě výběru určíme jednu hodnotu parametru· bod,
(11-1 ,\ "x)
0"2(S)=~-,,----C2 f' . 2. jako intervalový odhad, kdy stanovime interval, který s určítou pravděpodobností zachytí
neznámou hodnotu parametru pravděpodobnostníhorozdělení.
, 2
," dělením a rozdělem m 'L Obě tyto formy odhadu se nevylučují, ale zjejich rozdílu vyplývá, že pro malé soubory je
Vztah mezi eXllonenclalnlm roz
zpravidla vhodné pracovat s inte,valový odhadem, zatímco pro velké výběry se za určitých
podmínek můžeme spokojit s bodovým odhadem.
X>o
f(X) =).e '" Parametrem rozděleni náhodné veličiny je veličina, na které závisí její distríbučni funkce
(tedy i její rozdělelÚ pravděpodobnosti a rozdělení hustot pravděpodobnosti). Parametr
z=2xA., dz = 2A. dx základního souboru odhadujeme pomocí výběrových charakteristik, někdy přímo, někdy
jejich funkcí. Této funkci se říká odhadová funkce. Odhadové funkce jako náhodné veličiny
mají pravděpodobnostni rozdělení příslušných výběrových charakteristík.

x' se 2 stupni volnosti. 12.1 Bodový odhad

Tato veličina tedy sleduje rozdělení
Obecně mllžeme říci, že odhad parametrů S" S" "', S, převádíme na určení výběrových
, k 5 výrobků ke charakterístik ,,(X" X,,"', x.,), f,(x"x"···,x,,).. ··,',(x,,x,,···,x,,) z výběrových hodnot
Kontrol ni otaz Y d b at každou hodmu
- . d ktu bylo rozhodnuto oer x" x" "', x". Tyto výběrové
charakteristíky pouzíváme při provádění vlastniho odhadu.
II 1 Při kontrole jakos;1 p;o :stu ? ?
. kontrole Jde o spravny P e~ry základniho souboru . t my byl odebrán vzorek Jde Konstnlkce těchto výběrových charakterístik musí být provedena tak, aby při dostatečně
II 2 Můžeme zjistit přímo parta: kyseliny sírové Z každé CIS e velkém rozsahu výběru byly blízké neznámým paramctn,m, tedy aby platilo:
'k bsahuje 8 CIS er n . ' vé?
II 3 Dodav a o 'k ntrol u jakosti kysehny slro " , _ 25 a v = 41 ( 12.1)
o stoprocentm o 'b č ' funkce veličiny X' pro Xo -
\ dnotu distn u Ol 41 '?
11A Určete 10 , o a = 0,05 (0,0 I) a v = o. .,' jeho rozdělenI
II 5 Určete kritickou hodno~~ X~ pr 'běrový prllměr 30. Co muzeme ncl o
. . • . 25 merem Je vy ,,(X, • X2' ... x )",,9t
1 1.6 Zjistili Jsme, ze z '/I

Parametry základního souboru muzeme zpravidla odhadovat pomocí několika

. ~kteristik. Jde o to, aby odhad byl co nejlepší. Pro posouzení vhodnosti odhadu se
f ""lvaJÍ nejčastěji tři kritéria, a to:

kritérium konzistence neboli souhlasnosti,

kritérium nestrannosti čili nevychýlenosti,

J55

154
3. kritérium vydatnosti.

Konzistence odhadu
VYdatnost odhadu
Kritérium konzistence žádá, aby bodový odhad splňoval podminku:

, Vydatno't odhadu' .
ma větší vydatnost le~eo~ravldla cMp,jna relativnč "d
(12.2)
rozptylů nevycl1ýlených Ch"~:~; který má menši ro~~;yr ~dvou odhadů určitého paramet
Smysl tohoto kritéria je v tom, aby s rostoucim rozsahem výběru rostla pravděpodobnost ' enstlk tedy' . ,ruu vydatnosť . rll
, ' . I Je poměr dvou
toho, že se výběrová charakteristika bude libovolně málo odlišovat od parametl1l. Tuto
E(I - Et)' j;-{
-',l - 8) ' 2
vlastnost splňuje výběrový průměr X jako odhad střední hodnoty Ex = 1'. Jde o důsledek
--'7"---

E(I' - Ef') - ~-), = !'. Jl)

platnosti Čebyševovy nerovnosti 2. typu. Obdobně je tato podmínka splněna pro relativní II - 9 (J"2 (I') .

četnost jako odhadovou veličinu parametl1l p binomického rozděleni.

Nabizi 'e otázka st ' (12 6)
Pro dosti široké podm,' Mkovem, kunzistelltniho a nest '
Nestrannost odhadu ncn' "'" n y se da d k ' " ranneho odh d '
I mensl nez určitá dolní hranic: ;zat, ~e rozptyl odhadu, který a u s ,n~Jmenšim rozptylem

Odhad je považován za nestranný, platí-Ii podmínka: ro pnpad Jediného par se opila o rozsah výbě
(T2(t) > I ametru platí nerovnost ru ",
- - , kde
EI=9. (12.3) nAI

Pokud podmínka (12.3) je splněna pro 11--+ 00, mluví se o asymptoticky nestranném
odhadu. Pokud EI> 9, pak jde o odhad kladně vychýlený, pokud EI < 9, jedná se o odhad
záporně vychýlený. Požadavek nestrannosti je důležitý zejména při malém rozsahu výběru.
A, = EfJ[8
II ln 09
j(x, 9)]'}
=-,
1 -
81 I j'(
n x,.9)
8.9' - .
]
(127)

Konzistentni odhad nemusí být ale odhadem nestranným. Výběrový průměr X je odhadem
(12,8)
Existuje_Ií takov'
f(x, -x)' nerovno ' Y nestranný odhad t '
nestranným, výběrový rozptyl S2 = .!=!.---- je odhadem záporně vychýleným, (í když st, ve vztahu (12 8) k ' pro ktery rozptyl 2( )
. , pa takový dh d (J" I dosajI' d '
11 P"'kl o a nazýváme odhad uJe olnl hranice
asymptoticky nestranným), neboť platí: n ad 12.1 Vrčeli i vydatného odh d vydatný.
-.......d!.dLl1arametru A. P ,
DOkažte z"e vy'b" , OISSonova rozdělení
" 11-1 2()
/ ',s:::; --(T x,
, erovy·" .
1/
prumer Je vydatným odhadem
K ře" , parametru A. P ,
sem využijeme vztah,i (127) o'SSonova rozdělení
. a (128) .
a proto je definován výběrový rozptyl nevychýlený, kdy ve jmenovateli je počet stupňů
volnosti, tedy:

f(x, -x)'
\,12 _ .=1 _ (12.4)
, - 1/-1 .

..1.' -I- A.
Pro tuto výběrovou charakteristi"..u platí &'2 = (>2, jde tedy o odhad nevychýlený.
V " =-- ,2 - 2 -I- I =_.j
YuzJtím d'uhé d ' " A. .
V praxi dochází k situaci, kqy máme odhadnout rozptyl v základním souboru na základl envace dostaneme stejný výsledek, tedy
k dílčích výběrových rozptylů. Castá úvaha zní tak, že rozptyl bude nejlépe odhadnut jak'
pal měr z dílčích rozptylů. To neni pravda, nezkresleným odhadem bude:
A, '" -r;C!_J
~l ..1.
2
_J."J
-

Ze Vztahu (
(125) 12.7) vidíme, že (J"'(Xh~.
II

156

157
 '
Dál eur Jme Č
rozptyI prumeru
o ° II P'
Olssonova rozdOl
e eo!' a--'(-)
x =- - - == A. . V'd'
O"(x) 1 trne. ze
o
se
II /I
tato hodnota shoduje s minimálnim rozptylem; tedy výběrový průměr je vydatným odhadem Relativni četnost J' 1 d
parametru A. Poissonova rozdělení. Tento parametr A. bychom mohli též odhadnout z rozptylu, rozděleni. . e e Y maximálně
věrohodní'm odhadem
ale odhad z průměru bude vydatnější. parametlu p
Příklad 12.3 binomickeho
.určeni max' 'I °
'!!!ll nc věrohodnyc
' h odh dO
Určete m ' , o a u parametrů "
ax'ma/ne Včrol10dné odhad -- nOlJJ1!llrllho 'ozcLifumj
Jednou z nejdůležitějšich metod, které slouži k odhadu parametri', na základě výběru, je Ř o , Yobou param I o
metoda největš! věrohodnosti. Opirá se o věrohodnostn; funkci L, definovanou vztahem: _ eseJ][ e ru normálníh
o rozdělení. f

n Nejprve určím o

L =1'(x" 9)1'(x2 ,9)",1'(x",9) = fl 1'(x" 9)

,,,,I
pro diskrétni velič;ny, (12.9) e verohodnoslní ful1k .
CI, ta nabude lva!"
I • (
n " --------.
.1',_,,)2
L = f(x" 9)f(x2 , 9)··· f(x", .9) = fl f(x" 9)
,0-\
pro spojité veličiny. (12.10)
2 ~
.~I ul

Maximálně věrohodný odhad z hlediska odhadu parametru 9 je takový odhad, pro nějž ( 1216)
věrohodnostnífunkce, založená na výběru o rozsahu ll, nabývá maxima. Požadavek ln L=_'!., fl
maximalizace věrohodnostn! funkce vede k podmince: 2 11 21l--ln 0'2 _ 2. ~( 2
2 2a2 L.. x,
10::'
-p) .
a
-I,' = o, cozJe ek'
o'
VI va Ientm' po d'
mmce (12.11)
Nyní bUdeme hl d .
e al maxIma °
(12.17)
a9 verohodnostní /Unk
aln L _ J aln L _O aln L , , , ce pro paramelry tl, a:
-----a9 - L -----a9 - . (12.12)
'a;- =;> L(x, - p) =O ,=:/ '
aln _
_ L II J fJ 2
Převedení na logaritmy je při řešení mnohých úloh snadnější, což uvidíme i z příkladu. aa ,----+
20"
"(x, - p)
2;?' L.. = O.
(12.18)
,=:J
Příklad 12.2 Určeni maximálně věrohodného odhadu parametru p binomického rozdělení
(12.19)
Rozhodněte, zda relativní četnost je maximálně věrohodným odhadem parametru l' Z rovníce (1218)
.
, k'
ZlS ame /1 _
fl',
1"'1 -
r--_·=x
binomického rozděleni,máme-li k dispozici II měření. II .

Ze Vztahu (12. 19) pak: (12.20)

Parametr p je vlastně parametrem alternativního rozděleni, kdy se celý děj II krát opakuje
a sledovaný jev nastal m·krát. Věrohodnostn! funkce nabude tvar:
II

L=1'''(1-1')''''' , (12.13)
Všimněme . o (12.21)
ln I_=mln p+(II-m)ln (1-p). (12.14) Sl, ze ve Vztahu
pro rOzptyl vystup . .
uJe P a mkolí x.
Určime maxímum této funkce: I 2.2 ln
tervalový odhad

aln L = m _ 11- m = O, odkud: (12.15) . DOsud jsme '

ap p 1-1' "Ysledky
. .
Jd e o set zabyvali odhadem k'tcry. "
predstaVUje o, že bodový odhad pn malém rOzsahu 'b °
\!',""ně lišít p~uz~ náhodnou veličínu kl b~z VYmezení Přesnos'J eru nemusí dávat dobré
zavedeme některé p' tO ebra, Se v dalším výběnl ~ ° spolehlivostí odhadu
ni
p=-. . YII1
II o re ne pOJmy. muze od Prvního výběru

158

159
 Výběrová chyba je rozdíl mezi hodnotou výběrové charakteristiky I a hodnotou
parametru 9, tedy (I - 9). Místo o výběrové chybě se často mluvi o chybě výběrového V další části t' .
odhadu. Lze říci, že přesnost odhadu je tím větší, čím je výběrová chyba menší a naopak. Je pravděpodobnostní rozde~~ kapitoly ukážeme odhady
enl. parametni
třeba stanovit miru pro přesnost, tou je střední výběrová chyba. pro nejpoužívanější

12,3
Střední výbčrová chyba je definována jako směrodatná odchylka výběrové Odhad parametni vybran .c h . .
charakteristiky u(l). y pravdepodobnostních rozdčlení

Odhad llara t
Spolehlivost odhadu je pravděpodobnost, že výběrová chyba (1- 9) nepřekročí me ru o alternativniho b' . k'
momlc eho) rozděleni
v absolutní hodnotě k·násobek středni výběrové chyby u(I). Z této definicc spolehlívosti
Vydatným bodovým odh d .
odhadu vyplývá určení mezi spolehlivostí, a tím í intervalu spolehlivostí ve tvaru: a em.Je relativní četnost.
Vn Pozorovánich při výbě
zadaným stupněm s . 111 S vracením se sledovaný jev ob'e '1 '
o binomické rozděl poleh"vostl pravděpodobnost I' 'kyt ~ VI X o krat. Je třeba určit se
enl. vys u sledovanéh .
1- a je pravděpodobnost, která se nazývá stupeň spolehlivostí. Tato hodnota se volí o Jevu. Jde tedy
blízká k jedné, zpravidla 0,95 či 0,99, Na základ· . .
k
o
vyjadřuje koeficient spolehlivostí aje svázán se stupněm spolehlivostí,
je krítická výběrová chyba,
x, (nt
e prrnClpu íntervalového odh d ' .
a u mUSI platIt:
I ± O představuje interval spolehlivostí, jinými slovy konfidenční interval, L
=0 x
~ (1- Pl( r" ~ ~2'
ID,I" dolní, horní mez spolehlívostí.
t(nt~(I_
xl' P
.r---Gl D
r- = ~2 .
x
(1225)

Vztah (12.22) říká, že pravděpodobnost loho, že interval spolehlivosti zachytí neznámou

hodnotu parametru 9 je 1- a. Nutno zdůraznit skutečnost, že interval spolehlivosti je (12.26)
proměnlivý, zatimco parametr je pevná hodnota. Nelze tedy říkat, že parametr leží uvnitř Řešením těchto d vou rovnIc
" ,
.
11-1'1 "d ' ,
intervalu spolehlivosti I Speclalnlch statístických ' elO la u zlskame výsledek V'
dosazením do vztahů _vizpf~ff)~amu, použitím statistických tabu·jekY~~ep~e.k lze získat pomocí
Uvedený interval spolehlivostí je oboustranný. Kromě něj se někdy v praxI využívá literatura (I) nebo
interval jednostranný. Pro něj platí:

P( 9 > I - o) = I - a levostranný odhad, (12.23)

(1227)
P(9 < I + o) = l - a pravostranný odhad. (12.24)

Interval spolehlívosti pokrývá se zvolenou pravděpodobností neznámou hodnotu

parametru. Jestliže stanovíme k = 2, pak z toho vyplývá, že v připadě, že výběrová (12.28)
charakteristíka I sleduje normální rozděleni, interval I ± 2u(l) zachytí v průměru 954 krát
V, =2(n-x +1)
z tisíce neznámou hodnotu parametru 9. Tato skutečnost vyplývá z vlastnosti normálniho o , v, =2xo, v, = 2(x +1) • 2(n- X ).
o v4 :;::
rozdělení, říkáme pak, že stupeň spolehlivosti tohoto odhadu je 0,954. Jestlíže bychom o
Příklad 12.4
stanovíli stupeň spolehlivosti 0,95, pak v tabulce kvantilů normálního rozdělení nalezneme Určeni paramet b'
ru P 1D0mického rozděle '
hodnotu koeficientu spolehlivosti 1,96. Takto lze postupovat v případě, že známe hodnotu
směrodatné odchylky u v základním souboru.

Volba stupně spolehlivosti je významnou otázkou při řešení praktických úloh. Je třeba Sl
uvědomit, že s rostoucím stupněm spolehlívosti klesá přesnost odhadu. Tu lze ZvýŠit
rozsahem výběru, a to mllže být časově i finančně náročné. Je tedy třeba zvolit vhodn)
kompromis. O této otázce pojednáme též v následující kapitole věnované testovart'
statistických hypotéz. Pro vysvětlení problematiky odhadu významných parametrů " PD~~
spokojíme se statistickým hlediskem, a tak budeme volit stupeň spolehlivosti 0,95. 5+ 45 Ú'ó =0,034,

[60

161

I
 Příklad 12.5 O
-Ab!!!l mmmetru AP'
J _ --~~~ olSsonoya rozděltmí
6 2,09
PII = - - ' - - -- = 0,218. I ocel vad na umak ' -
45 + 6.2,09 de~kách bylo zjištěno 3~r~ove desce sleduje Poissonovo roz -
rozdělení, ~~~t~~I~:ňrůmělrnhě de~~~n~d~a~v,aceti
.
Z výsledku je patrné, že bodový odhad by mohl být dosti vzdálen od skutečné
hodnoty
POIssonova a to .1.5 vady na
sJlo e IIVOStl O95
kontrolovaných
a, nete parametr A. t h
parametru p. Interval spolehlivosti je dosti široký, je to důsledek
toho, že informace, zda jev Dosaz . ' . o oto
či
nastane nenastane, je chudá. Uvidíme to i později
v oblasti statístické přejimky
Ke zúžení emm do vztahll (1233) a (12 .34) d ostaneme'
intervalu je potřeba zvýšit počct měřeni.
Je-li rozsah výběru II dostatečně veliký, lze pří odhadu využit centrální limitni věty Av =-10 40,482=1,012 I
Alf = -- .
40 85 ' 654 -- 2,141.
a k odhadu využit normální rozdělení. Pro dobrou aproximaci je třeba, aby ll> -p(l-
9__p) .
Z tabulek v (I) I'ze zjIstit
.. že A _ 20,24 a A _ 42,83
, D -20-=1,012 11- - - =2142
20 ' .
Odhad parametru A poissonova rozdčlení
Odhad oa rametru 1/ normálního rozdělení
Vydatným bodovým odhadem je průměr.
Vydatným bod ovym
. odhadem je
V jednom náhodném pokusu jsme zjistili počet o výskytů sledovaného náhodného jevu,
X
výběrovyprum&x
. • -

který sleduje poissonovo rozdělení. Na základě principu intervalového odhadu platí. P robereme neJprve
. ",. .
prrpad, kdYJ'e Z nam
• parametr a.

(12.29)
Ji
D
= X-ll a(x)
~ -In-' (1235)
(12.30)
(1236)

Řešeni je opět tabelováno, např. v líteratuře (1). Meze můí,eme též stanovit podle vztahů: =k vyjadřuje (1- aJ
"a
2 2' 1000/ ' kvantil normálního rozdělení.
/0-01
Pro stllpeň sJlolehlivosti
(1231)
rovný 0,95 bude tato hodnota 1,96.

(1232) Při intervalovém odh d

stejně vzda'J " norma'l nI" 10 rozďl . .
v, =2(xo + I ). pruměm se, eny a u parametm r-
_ od ho dnoty -x. Rozd'l'
casto naz' , _ I mezI hodnot
e elll VIdíme že ob -
, e meze JSou
.
plalí: yva presnost odhadli a o znacuJe
_ Ollsemeze spolehlivosti
symbolem L\ P a 'b - ,
vy eroveho
vztahů:
. ro tuto hodnotu
Pokud odhad provádíme z II náhodných pOkUSll, postupujeme dlc
(1233) lI a a(x)
L\= -=.'_ _
..[fl (1237)
(123 4)

Na základě toho to vztahu můžeme .-

hOdnotu _
pozadované přesnostI L\ pomocI
~ u,rclt potřebný počet měře' . pnpad
.-

_{'J ~("T
vztahu III plO že znám

Pokud je II > ~ lze

A
opět použít aproximace normálním rozdělením. . 'u.
(1238)

162 163
Příklad 12.6 Stanovení počtu měření Základním Vztahem je:

t S
LI = _~_~.
Stanovte potřebný počet měření pro stanoveni obsahu dusíku v dusíkatém vápně, jestlíže
požadovaná přesnost je 0,15% obsahu dusíku, stupeň spolehlivostí je 0,95. Je známa ."rn--j'
směrodatná odchylka v základním souboru O" = 0,24 .
11 (ta ..lJ'
= --
LI +1 . (J 2.42)
Dosazcním do vztahu (12.38) dostaneme:
Příklad 12.8 S (J 2.43)
tanovení Potřebného J)Qčtu mě" ,
11 = (!,96. 0,24)' = 9 83. " renl.L1ro zada "
0,15 ' Rešte úlohu z p"'kl d nou presnost odhadu
hod notu O" na u 126 '
. S tlm rozdílem" ,
, , ze zname hOdnotu
Pro splnění požadavku na přesnost odhadu je tedy třeba provést 10 měření. .1'=0,24 a nikolív
Odhadneme p č ""
Odhad parametru I-' normálního rozdělení v případě, kdy není známa směrodatná st ". o et merení - "'kl
upnu volnosti, že, (ll) _ napn ad 12 Z tabulek 10' , k'
O,," - 2 59 dos d' ItlC yeh hodn t ..
odchylka v základním souboru, ale je známa výběrová směrodatná odchylka s, se provádí odh "ad ované fl = 16 'e ":' a lme do vztahu (1243) " , o ",JIstíme pro II
podobným postupem. Rozdíl je v tom, že modelem pro řešení tohoto případu bude pozadavek je třeb j kuvypoctene 17 a pro odhad ' , a ZjlShme, že 11 - 18 P
Studentovo rozdělení I. Vyjdeme ze základního vztahu pro odhad: 126 ' a us tečnít 17 ě" ovane fl - 17 je - ro
, je dán chudší ínformací o mb~ení. ROzdíl v počtu~ěř ,VYPOčtené 16,6 Pro zadaný
vana IlJlě, tedy tím, že znám em Oproh výsledku z příklad
p( II I < IJ = 1- a, odkud (12.39) =O=d",ha",dLrl!ouze.ptyU'1.!lu!..Qď:a.m!~":QQi!1!l~>QgW e POUze s a ne O" u
a smerodatné odch lk
Y Y lTnormálního rozdělení
1-'0 =X-I.(V) f s , pro v=fI-l, (1240)
-Vll-I
Vydatným bodo '
vym odhadem j'e vel'"'
1-'11 = x+t.(v) ~. (12.41) leJna
-v11-1
Výchozí ve I'č'
I mou je vel'č'
Kritické hodnoty la (v) jsou uvedeny v příloze 4, a to pro dvoustranný odhad. , I lila % ,ns'
_
IIltervalového odhadu m'"
uzeme psal:
, - s ;> (11-1) stupní volnosti, N
a základě príncipu
Příklad 12.7 Odhad parametru u normálniho rozděleni

Obsah dusíku v dusíkatém vápně sleduje normální rozdělení. Určete průměrný obsah
dusíku v dusíkatém vápně, jestliže byly z dodávky analyzovány 4 vzorky. Ze získaných údajů
i<.
l 2
<%' <%:)=l-a
,
- •

x
jsme zjistílí, že = 18,24 a .1'= 0,23. Spolehlivost odhadu má být 0,95. (12.44)

J'I) = 18,24-3,18 o; =17,82,

-<0-
ns'
{ %'~
2 ns
<---,--
Z
2

CI.
J
=I-a •
2
,
1-_
(12.45)
1-'11 = 18,24+3,18 ~ = 18,66. Plíklad 12,9
Qdllad parametru
lT normálního rozdělení
S pravděpod b '
Hledaný ínterval spolehlivostí je (17,82; 18,66). Pestieidního o" nOstl 0,95 odhadněte ro
dlí ve prostredku. Na základě ' zptyl a směrodatnou odch
bylo Ověřeno, že účí ' I " analyzy 20 vzorků byla ur" Yh 'kU pro účínnou složku
I v tomto případě lze z požadavku na přesnost odhadu určít potřebný počet měření. Určit~ Ma s ozka pestícidního prost" dk cena odnota s = O1264 r
potíž je v tom, že neznáme přesně krítickou hodnotu, protože je závislá na počtu stupňU Dosazením d re u sleduje normální rozdě;,' . IZ
volnosti. Volí se proto íterační postup, který je patrný z příkladu 12.8. o vztahu (12 45) d CIlI.
. ostaneme pro %' (J 9)
0,975 = 8,91 a %;.""
(J 9) = 329'
, .

164
IG5
 a'
D
=~~0,1264
329
=O0768
'
0277
, av =, , Veličina z sled .
, liJe normální .rozd"' '
ceJJJat
• o s parametry
~, = 20 0,126.i = O 2837 0533
v II 8,91 ' alf =, . /-I(z) = .!.'n.!..+
P p '
2 1 + ---
- P 2(11 1)'
Z výsledku vidime, že interval spolehlivosti je dosti široký. Je to di'tsledek relativně (12.51)
malého počtu měřeni. Je 7iejmé, že bodový odhad by v tomto případě nebyl vhodný.

Odhad parametru A exponenciálniho rozděleni

Je výhOdné, že směl d ' (12.52)
Vydatným bodovým odhadcm parametru A exponenciálniho rozdělení je převrácená postup odhadu průměn o atrIa odchylka závisi pou "

hodnota výběrového průměru ~. v transformované vehčin~ ~~~~elJ nOflnálniho rozdě~:n~a :eo~~. ;něř~ní, a tak lze aplikovat
x P POdle předpisu' a ostl a. Po urc"enl' ,
. meZI
e" -1
p=-~
Pro stanovení intervalového odhadu se využívá toho, že u exponenciálního rozděleni e:2z + l .

veličina z = 2x.< sleduje rozdělení X' s v = 2 stupni volnosti a veličina y = 211XA též
sleduje rozděleni X' s v = 211 stupňů volnosti, kde n je počet opakovaných měřeni. (l2.53)

x' a (2)
I--
Xa (2)
AD -- - -
2x' - ' A'H =-'- (odhad z jednoho výběru), (12.46)
2x

x' a (211)
I--
x; (2n)
A --~'~­ A.u =-~ (odhad z II výběrů) (12.47)
O - 2nx 211X

Jestliže je k dispozici dostatečně velký počet měřeni (II > 30), lze využít centrální límitní LEx,' LEx x "Ex x
věty,potom veličina: :::~_''''j L. " I J
~Lx,' LEx,'
I
II ll''"
,,' =-
II
- --'-----. _
II 2
tj)
2
Ex,x,
--;-:-- .::=
Ir
x--
u= -J1- asymptoticky sleduje normální rozděleni, pak (12.48)
-'IJ;
- /-I, - -
n
-11(11-1) Jl
2

-2 == -
II-I (u ' _ 2) II - 1
II II ' Jl = -a'(x)
i---rn Jde tedy o '
II .

zapomě zkreslený odhad

r
;Jn+ll a
/( , .
....l1!l!m!ní--==>.<Jl!!
Otázh,. '1 ohy
AH = ·x.,r;;l..· (1249)
13 I POsud'
te, zda výběro' o " _
I rOzdělení vy prumer X je vydat '
Odhad korelačního koeficientu p 32 Urč . nym odhadem para
n ete odhadovou funkcí kt . metru A exponenciálního
K určení intervalu spolehlivostí se využívá Fisherovy transformace: /33 C eX~onenciálního rozděl~ní era vede k maximálně věroho .
13 4 Ja~ pusobí na šíří intervalu ~ dlSpozíci je II měření dnemu odhadu parametru A
velký POčet I " " , spo ehhvostí?
z = .!.In 1+ r (12 50) nerenl musíme za" .
(7' vel' -- YIStlt, abychom s 95% .
2 l-r
b ICmy, ktelá sleduje normální rozd"1 ' o spolehlIvosti odhadlí rozptyl
ylo V o l ' e enl s chybou kl á
eZlch 0,85, 1,15)? ' er nepřekročí 15% (aby!.'
0-'

166

167
13. TESTOVÁNÍ STATISTICKÝCH HYPOTÉZ
rozhodováni za "
-, nejIStoty t d "
oznacemm stn eň ' ' : y pnpadu výběro' __
symbolem a p (U~oven) významnosti n veho Setrení. VHe tohoto ',' ,
máZ~:~~: ~~likoSli hl~diny VÝz~~/~l/:o~~~dina ~znamnosti ~~~i j:e zná~a pod
13.1 Pojem testování stntistických hypotéz
tato úloha
Statistický odhad je prvním úkolem statistické indukce, Viděli jsme, že jen ve spojitosti onom/ckyaspekt POjedname pozd-" ustalenym
Stanovenim lJlad' ' , ' ej I. PoznalO '
s respektováním existence náhody jsme schopni objektivně posoudit závěry z výhěrových . enejIne, že
šetřeni. V praxi získaná měření maji většinou charakter výběru a s ohledem na tuto skutečnost na. l~esplněni našeho 1% vyznamnosti vlastně určime '
musime provádět hodnoceni výsledků pozorování. k~'llcká hodnota P, d~okJadu o nulOvé h ,meznl hodnotu, jelž' _,
prijatelny' ch h d' KnllCka hOdnota dělí obl, ypoteze, Tato mezní hOdY prekrocenl ukazu;e
hypotézu zamítá o not L "I' ast možn' h h nota se o -,,'
Druhým úkolem statistické indukce je testováni statistických hypotéz, Význam aparátu ',e~- I testOvá charakt ,", yc odnot na kritic znacuje jako
testováni statistických hypotéz ocenime především při různých porovnáních, která v praxi nezamítáme, ale ":,c'l jest!!ze leži v oblasti ř;"ns tIka v kritiCké oblast~OU,oblast_~ oblast
hypotézu přijmout e ze nc/, že tuto h of, ~atel~y,ch hOdnot, pak ov-: pak overovanou
provádime relativně často, Máme např, určit, zda změna nějaké veličiny v technologickém
procesu jako druh dodané suroviny, druh katalyzátoru nebo změna reakčnich podminek vede základního soubo s °vhle~em na skutečn~~t ~zu pn~"l1áme, Při vy'běr er?van?u _hypotézu
, ru, pnp d" . . . , ze nemam ovem setre '
ke změně objemu produkce, životnosti výrobku, výkonu výrobního zařizení atd, zamltneme při ve-t" a e, ze ověřova h e pro rozhodova" _ nI nelze
s/m rozs h ' nou ypot' I1J vsech h
a u vyběrOvého so b ezu nezamitáme •,_ ny OdllOty
N . u onI. ) mUze se stát " -.
Například na základě
dosavadniho průběhu výrobního procesu víme, že průměrný výkon , a stanoveni' ve/oStIk"
l'k . ' ze Jl
zařízeni je 1241 kg/hod, Po úpravě technologického procesu byl z 20 měření získán vyznamnosti vliv i . nt,cké hOdnot '
varianty konku ",zpusob vymezení k ku y, ,?a vedle testové ch ' ,
průměrný výkon 1250 kg/hod, Máme posoudit, zda došlo ke zvýšení výkonu zařízeni. Výkon
IUJic/ch hypotéz při testo~Z ' ru~ICI hypotézy. Nyní lIV adrakten~tlky a hladiny
zařízeni je náhodnou veličinou s určitým pravděpodobnostnim zákonem chováni, proto také nI pruměru' e eme zapls _
závěr z pozorovaných výsledků o růstu výkonu musí mít pravděpodobnostní charakter.
Ho : Ji = , ' pro mozné
II ' Jio vykon je /500 kg/hod
, ,fl> 1'0 v'k ' "
Testovánim statístických hypotéz rozumíme ověřování určitých předpokladů, které maji y On je'yxw než 1500 kg/h jeduostranný test
statístický charakter, Statistickou hypotézou je předpoklad o typu pravděpodobnostniho od"
Ho :1' = 1'0
rozděleni nebo předpoklad o parametrech určítého pravděpodobnostního rozděleni. Tomuto výkon je 1500 kg/hod
základnímu předpokladu se řiká nulová hypotéza a značí se symbolem Ho' Předpoklad se H, :fI<Jio
výkon je DiW. než 150; kg/hod.. jednostranný test
týká základniho souboru, Protí tomuto základnímu předpokladu se staví konkurující
předpoklad, ten nazýváme konkuru.jící hypotézou, označovanou jakoH" Jako příklad Ilo :fI=Ji o
H ':Ji"'fl výkon je 1500 kg/hod
uvedeme některé možnosti: o
, výkon je rozdí/iJX od 1';00 kg/hod"
výběr pochází ze základniho souboru, který sleduje Poissonovo rozdělení (Ho), Zakladni vztah pro d dvoustranný test
VOustranny' t I
výběr pochází ze základního souboru, který nesleduje Poíssonovo rozdělení (H I) ; est IYPOlézy H .9
obsah vody v dodávce je 2,5% (Ho), obsah vody je vyšší než 2,5% (H,); P [/1-.9/ > kafl)}_ o: =.90 se zapisuje ve tvalU'
\' -a, kde
výkony dvou zařízení jsou stejné (Ho), výkon jednoho zařízeni je vyšši (H,); - p
výkony dvou zařizení jsou stejné (Ho), výkony dvou zařízení nejsou stejné (H,), - I je, pravděpodobnost (13 I)
. [) vyběrová (testov') ,
parametr (p-ed a charakteristika
V průběhu testování budeme posuzovat do jaké míry jsou výsledky pozorováni • 0'(1) _ r poklad) ,
smerodatná d" '
konzístentní s nulovou hypotézou, Naše úvahy budou mÍl charakter pravděpodobnostních -k k ' o c"ylka výběrov' h '
soudů o chování určítých statistických charakteristik, jejichž hodnoty získáme na zákl,adě . (1-.9) oeficlent vy'z
'b - namnostl
' e c araktenstiky
'
výběrového šetřeni. Tyto charakterístiky se nazývaji testovými charakteristikami. Po jejIch , kO'(I) Vy erová Odchylka, ,
vymezeni musí me stanovit pravidla, podle kterých můžeme prohlásit, že ověřovaná hypoteza 'Q kntlcká odchylk
není souhlasná se skutečnosti. V takovém případě ověřovanou (nulovou) hypotézu zamitáme hladina významn:sti,
Pří formulaci pravidla stanovíme takovou testovací charakteristíku, jejíž výběrové rozdělem
je při dané hypotéze plně určeno, VýZnam 'k
hyPotézy II za ladnílJo Vztahu (13 I) , '
h._, 0'.9 =.9 'bě ' j e tento' pravd- d
Jako dalši krok (lépe je předchozí krok) musime stanovít vel;kost rizika vadného zav: '~iU<terís ' , o vy rová odcll Ik _ ' " epo obnosl toho - "
v tom smyslu, že ověřovanou hypotézu zamÍlneme, když ve skutečnosti předpoklad ~
:,k
)'znamno y (kritickou OdChYlk)y a prekrocl k-násobek slllěrod~tz~ pn platnosti /lufové
s I a, u, nebolI spadá do kr'" ne odchylky výběrové
(ověřovaná hypotéza je správná), Tomuto riziku se nevyhneme, protože vyplývá z po Itlcke oblasť '
I, je rovna hladině

168

169
 Kritickou hodnotou pak hude.

Základni vztah Ize uP

ravit na tvar: (132)
. XI/O = np ± 1,96f1,pq = 140 ± 1,96.)280 (ÚO,5 = 140 ± 1,96.8,37 ~ 156,4 (123,6).

lS _ kCJ(t) > f > S + kCJ(f)1 = a . , T é t o veličině se Výbčrová hodnota x ~ 151 neleží v kritické oblasti, ověřovanou hypotézu nezamítáme.
Pt , h mí kritiCkoU mC7.· h
, + kCJ(t) představuji doln. a o v' oblasti uvcdené ve vzla u
Vcličiny 9 - kCJ(t) a S J tližc výběrová hodnota leZl ': odlišnou od parametru S Volba hladinv význalJtnQsti
. , ká hodnota. es 'ku t za význanlUe itáme
často řiká k':lt'c vy'běrovou charakteristl, ři adě ověřovanou hypotézu zam . Volba hladiny významnosti je složitý úkol, který často nebývá v praktických úlohách
e
( 13 .2), povazujem
ě vokáme žc ie významna
') a v takovem P p
N 'ákladě dřivějšich správně řešen. Převládá hledisko statistické, kdy se hladina významnosti voli nejčastěji jako
(zkráccn n " . 'v . , rativním připadu. a z Náhodně 0,10; 0,05; 0,025; 0,0 I. Stanovení hladiny významnosti by mělo být provedeno na základě
, ' ukážeme jeste na Ilust "(ho jevu rovnoU Po· . ekonomického rozboru řešeného problému. Při testováni statistických hypotéz existuji dvě
Postup při testovalU d'podobnost výskytu urCI e I xkra't Chceme ověřit rizika, dopouštíme se dvou druhů chyb.
kl'ďme prav e , . v nasta .
informaci předp~. a: k ntrole a zjistime, že hodnoceny ~e hypotézou bude HI: P r- Po·
O
vybereme n vehcm e. ted Ho: P = Po· Alternat,lVOl 'charakteristiky, toU bude Chyba prvniho a druhého druhu
hypotézu vzhledem k Po:, ~okem je výběr vhodne testove rostou shodu výběrov~
Stanovime a = 0,05. Dal~~m, hypotézy nelze požadovat ;:~em. Odchylka výběrove Jestliže je ověřovaná hypotéza správná, pak každá hladina významnosti vede k určité výši
relativní ČetnoS.
't K overenl , ' 'etnostl) s para vadného závěru, kdy ověřovanou hypotézu nesprávně zamítneme. Mírou velíkostí této chyby
m případě relatlvm c , 'mimuti musí mít
je hladina významností a . Čím bude hladina významnosti menší, tím bude í menší velikost
v

charakteristiky (v nase , I. a proto rozhodnutI o za

l )
v'

tohoto vadného závěru. To ovšcm neznamená, že můžeme velikost hladíny významnosti

je rovn ěz na
v 'hodna ve .cma, 'bě '
~. _ P , k u d odchylka vy rove libovolně snižovat. S poklesem tohoto rizika rostc rizíko druhé, kdy ověřovanou hypotézu
hodnoty n o ov h otézu zam.tneme, po
, akter Overovanou yp nezamítneme, i přestože bychom tak měli učinit.
pravděpodobno stm ch~nam~á. , voci
charakteristiky bude vy I daný jev nastal 151 krat. Lze fl , K chybě prvního druhu dochází tehdy, zamítneme-Ii hypotézu, která je správná, mírou
v 280 pokusech s e ov této chyby je hladina významnosti a.
, P -05 azeve OS?
Přepoldádejme, ze. 0,- , zd'l í o parametru P Po = =,.
, 'd o výběr z binomlckeho ro e en ,základě centrálni K chybě druhého druhu dochází naopak v případě, když nezamítneme ověřovanou
zej e tatek měřem lze na ,
hypotézu, jestliže je nesprávná. Mírou této chyby je (J. Její velikost nemůžeme volit, neboť je
v = 0,5 a byl proveden dos , le~ovat nonnálni rozděleOl
Vzhledem k tomu, ze Po . (ka bude prakt.cky s é závislá na rozdílu skutečnosti a testované hypotézy.
,
límitní věty říci, ze vy
d hylkou
{x)
'běrová charakterlS I

- = - -
~q _ ~,5. 0,5 = 0,0299 . Proto P
280 k
ro stanoven

edení testu
K ověření určité hypotézy lze často volit několik testlL Jedním z hlavních kritérií pro
se směrodatnou o c n n v I 96 Přistoupíme prov volbu testu je požadavek minimalizace chyby druhého druhu při stejné chybě prvního druhu.
. k roven hodnote , . ěkdy se místo (J používá veličina 1- (J, ta značí pravděpodobnost, že zamítneme
. t významnostt
a = 0,05. bude koenc.en ověřovanou hypotézu v případě, že je nepravdivá. Tato pravděpodobnost sc nazývá síla testu.
Považujemc za lepší ten test, který pří stejně veliké chybě prvního druhu má větší sílu.
Ho: P = 0,5
(dvoustranný test) Silofunkce a operativní charakteristika
H, :pr-0,5
a = 0,05 Dosud jsme uvažovali pouze o dvojicí hypotéz, nulové hypotéze a jedné alternativě.
t - -x _~=05393
- , V praxi jde o porovnáni celé řady alternativ. Tedy pro hypotézu Ho: P = Po lze postavit
- n 280 5586 alternativy p> PO' jde tedy o funkcí p. Tím se dostáváme k pojmu silofunkce.
t - O 50+,196 .,
O0299 = O, ,
1/ - , 299-04414. tel'
t = 0,50 _1,96.0,0 -, 4 05586; 00) hyp<l Silofuokcí testo nazýváme funkci parametru rozdělení, která vyjadřuje pravděpodobnost
II ' (-<x,-0441 v ,
neleži v kritické oblasti , .' _ O05 , mUnutí hypotézy Ho (pro stanovenou hladinu významnosti a) jako nesprávné hypotézy,
Vy'běrová hodnota I I dině významnostI a - , .
, mítnout na \ a . \ li pravdivá hypotéza HI s parametrem 9, tedy:
. _ O 5 nemáme pravo za , "''''. x = 15
Ho· TJ - , . ·ku zvoll me počet vys~,.-
araktenstl S(B) = 1- (J(9).
když za testovOu ch (133)
Stejný závěr nastane,

171

170
 Určíme teslovou charakteristiku X':

Ve statistické přejimce se místo silofunkce používá funkce: (13.4) X' =flS' =~6. 0,00530'
(J' 0,005' - = 17,98.

L(.9) =' 13(8) .

řiká pravděpodobnost
('~'i"')
Této funkci se operativní charakteristika, která udává V tabulce přiloh 4 stupňů volnosti a a = 0,05 nalézáme krilickou
hodnotu X' lIS) Y pro 16 -I = 15
",mm'm." hy,",'" H. ,.., ",", ""'""" ",mmctm , Z "'" d,,,"'re i' 0,05 \ = 25,0,
(13.5)
Ověřovanou
po~r~:~~::~~dzdá, že,roz~r;~~k:;~~~ut, říci
h .
zřejmé, že plati: nesplnil svoji zárukypotezu nemáme tedy ,

základě
bylo rozhodnuto nocem B 10 notynelze
od panm
tedy ' že do davatel

o,...."."•.""..,'" i' ".>~o', ob"'" ~"."", ","'mky, , - " k o, ",,'m' •

Na 26 ••
mereni byla ' . .
Y provedeno dalšieh d etl"';' Je dosti vysok'
eset analyz y,

v kapitole 15 věnované statistické přejimce.

pet b y l a '
nemáme vypoetena
opět veličina
zJlstena no' ' .
X' _2 va vyberová od směrodatná
chylka s = O00525
třeba' Přístroj
O tedy právo ov" - 8,67, Z tabulek od"
erovanou hy oté . ectena kritick' "

nejpouživanějšiCh statistických hYI'O

téz Je zde p zu zalmtnout byl • a hodnota je 37,7;
13,2 l'a,'ametrieké testy
hypotézu d" upozormt na to • prevzat
po an z '
o podmínkách t
rozhodnout estu, tj především :dPOV~~e~ulacl. Před testován~'
' ze tesl uel-
amltnout, šlo b o ze opakovat tak dlouh •
ne stanovit hladmu vÝz: azJesetreba
.nám rozhodnout ověřovanou
směrodatné odch Ik amnostl, a pak striktně

,Iod'i' ..,..'o, "odě''"' •.,- ,oj",,,",, """, .;,

I. Test velikosti roz t I rl a a
, .."" _d", ",,,,", •

ns'l ,Iod'i"-~' ," .' 0-' ••'0' ""..,". "'" "'".~

2 Test parametru II nonnalního
' rozděleni

"'"'" .."''''
' "''',..
..... -t re ~--
~OO _,,~''''
, Zpravidla není' .
znama smě rl '
,"'"'''' m ,..
(J,
" " . ". . .,"" o,"" " • o, "",,", , ••moW ",,,,,.i' i podmink y pro studentovsk'"
Kt
ro atna odchylka a zakladniho
ou vehclI\u I = x - Jl 1-
. souboru, JSou
' tak spl •
veličiny, které ziskáme z výběru. Dále půjde o jednu z alternativ' výběrový průměr
"b.~. .
estu musíme te d y znát -I ' kt era'b ude testovou eharakterist'k
- - ' \ i l.l•
.:.' neny
H
o: Jl <
..
u smerodatnou odchylk
w. '
(51. ~ O'~
Ho: H' -Ilo O> us,

H,:
aJ. >a'lo x' < X~_a(n- I), X' O> X~(l/-
, I), I . II - Jlo
Jl = Ilo

x' O> X~ (n - I) ,
X' <X' .(n- I).
Kr' . Jl O> Jlo II '" Jlo
Kritický obor:
,- -, Itlcký obor'.001'u(I1-I)
I
,
Jl < Jlo
1 <I'u(I1-1) I1 I> lu (11-1).
Jestliže' . '
charaktenstikoux
' Je jeznama _srn'e~ovcli.'
no rmovana d atná a a v základnl'm souboru, pak testovou
Příklad 13.1 směrodatné odchylky rozděleni
cma odchylk
/I ve tvaru:

D"'..... mm"'i', " ,1<0"" dod'"'"'''' ,,,,mj.,j""'".-.~"'

~ ''''00''~••,,-
Test (J nonnáln\ho

",,,,,,,,", i' "". P,'" N' ",,'ol' " W''''

d""" /I = -.11 = x.,.-II
~ a(~).ji; (13.6)

směrodatnéodchylky s=' 0,00530. Dodr'íel dodavatel svoji záruku?

hy"

H'
o' Jl ?: Ilo II = Ilo
Jl " Ilo
Z formulace úlohy se jedná o jednostranný test a buden1e jej formulovat jako: H'' , Jl O> Ilo II < Jlo II '" Jlo
Kritický obor: u> ua > U<II jllO>lI u I,
u'
,
Ho' a =' 0,005
řl \ : (J O> 0,005
ex =' 0,05

171

172
Příklad 13.2 Test parametru II nonnálního rozdělení

Test '
Posuďte, zda obsah aktivního chlóru v bělicím roztoku vyhovuje předepsané hodnotě ova charakteristika:
35,5 gll. Bylo provedeno 17 analYz. Z jejich vysledků byl vypočten průměr X= 34,9 a F' _ S;2
Kritický ubo r 2 ---
směrodatná odchylka s = 1,3 5 . "\
."

flo : 1'>1'
, 'u (", - I, ", - I).
Pokud obsah chlóru v bělicím roztoku vyhovuje technologickym podmínkám, a my jej 2
vyměníme, dojde ke ztrátě. Ke ztrátě (zejména na kvalitě produktu) dojde i tehdy, jestlíže fl·. , a = U 22
l
2
roztok měl bYt vyměněn, ale my jsme jej nevyměníli. Toto jsou podmínky pro stanovení T
a
t
;t. a 2
2
hladiny vyznamnosti a. Zde se spokojíme se statistickym hlediskem a zvolíme a = 0,05 . Test estová charakteristika: F max(j" ..')
3 =':--_L'\2
proběhne takto:
Kritický obor' mine s,",~
1·'
zrozptyus'l" F>F(' al1-1n"_1)
Ho :1"=35,5 3
. , n rozsah výběru u souboru ' -. ' kde n' je rozsah výbén • "
H, :1">,35,5 Příklad 13.3 s menSlm rozptylem. I u vets'ho
a = 0,05 Testován' h
~----l..bQd.v rozptyl·
1 = 34,9 - 35,5 -56 = -1 778 P" - - U u nQimálních rozděl '
1,35 '
n chloraci kyselny I' ky , em
pro d ukt NCI p , anurove na di hl .
100,(16) = 2,12. .1 ' osud te zda k r' c Onzokyanur
provedeno JO měřeni, P;i pH=3o~:al;i jeho mnOžstvi je záVis~~ ::d~ Vzniká jako nežádoucí
- ' y o provedeno 15 mě' , , P reakce. PIi pH=2 8 b I
Protože vypočtená hodnota 1 je v absolutní hodnotě menší než kritická hodnota, ':',. =194,75mgl/ _ renJ.Z,skanYbylytytOvýsledk'. yo
ověřovanou hypotézu nelze zamítnout. x ~-2~49.n y
=
,,o 225,65 mg 1/ n". 10 =
s"o = 28,11 mg I I
Z logiky úlohy vyplYvá, že na místě by byl jednostranny test. V takovém případě bychom
vzhledem ke způsobu tabelace veličiny 1 muselí hledat kritickou hodnotu pro dvojnásobnou Ho: 0", c: 0"2
hladínu významností, tedy pro a = 0,10. Krítícká hodnota je v tomto případě rovna 1,75. fJ·
I .U <U
l 2
Vidíme, že je vypočtená hodnota v absolutní hodnotě vyšší než kritická hodnota, leží tedy a =0,05
v krítické oblastí, a proto ověřovanou hypotézu musíme zamítnout.

Z této úlohy vídíme, že hladína významnosti hraje při testování statistických hypotéz
významnou rolí a měli bychom jí věnovat patřičnou pozornost. Vídime též, že jednostranný
test lze převést na dvoustranný a naopak, a to stanovením velikostí hladiny významnosti.
F=_ 14----
28,11'15

20,49' 10 = 1,815,
9
0,,0' (14,9) = 3,026.

3. Test hypotézy o rovnosti rozl1tylů normálnich rozděleni Ověřovanou h '

variabilit b Ypotezu nemáme pr'
y o sahu Nel,. avo zamitnout,
Jsou dány dva soubory, které sledují normálni rozdělení. Z prvniho je vzat výběr nelze tedy tvrdit,
že došlo k růstu
o rozsahu "" ze druhého výběr O rozsahu ", a jsou vypočteny výběrové rozptyly. Tím jsou 4. Thst rovnosti prům' •
splněny podmínky pro to, aby každá z velíčin sledovala rozdělení X' a tak za předpokladu eru /Jl$2 u "
T' , - - normA!mho rQ?dělení
rovnosti rozptylů v základním souboru bude testovou charakteristikou veličína F: , ato uloha patří '. ~
Jako JSou ú mezI ne)POužíva ".,
od dvo pravy technOlogického ne)S1 testy, protože dovol .
u dOdavatelů apod procesu, kvalita práce d u)e Porovnávat dvě alt '
. ve VOU srněnác11 h crnatlvy
Jestliže ' . v odnost suroviny
rov mame výběry
~ost mezi roz t l ' ze dvou soubon. kter' .
"Yužít k testu stu:e;'t~v~~~~dv~lc~.
soubon, áo se ~:~~~~ít~~rmální rOzdělení
a ve ktcrý I '
ICmU I ve lvaru: em o rovnosti rozpt I') c J )e
y II , pak lze

174

175
 5. Le-'i!-paramet ru tJ bmomického
. rozděleni

_!!J!!L . Jestliže ve vy'b'emsvrace'· --

odnotll pr d' 111m Je počet vy' skytuo sledovaného'
rozděleni
11 1 + 112 o
h ,. av epodobnosti b"
ktere JSou vymezeny tvaremP momlckého podle testo vych x , pak lze testovat
!eVllcharakteristik " I' F 2'

Varianty tohoto testu jsou:

fl, ~ p, (13.10)
Ho: fl, <; fl, JI, ~ fl, fl, 7' fl,
H, : Jl, > Jl, Jl, < p, \ f \ > 1.(11, + II, - 2). F; = (II-Xo)Po
Kritický oboe I > I," (II, + II, - 2), I < -I,. (II, + ll, - 2), (Xo + 1)(1- Po) . (1311)

Přiklad 13.4 Ověření rovnosti průměrů v normálnim rozdělení Pro ruzne

o •
varianty testů plati:
Na základě dat přikladu 13.3 rozhodněte, zda při změně pH reakce vzniká stejné
rozptylů nebyla zamítnuta.
H'
o· PSPo
množství nežádoucího produktu Nel,. Rovnost P~Po P= Po
H,: p> Po P<Po p7' Po
Kritický obor: F, < I_
fl o : fl, ~ fl, ",>F(v J' v) F, < F -1
I';. (v" v,)' tl 4 >
-
~(VI'V')'
ll, : Jl, 7' fl, ,
a ~ 0,05
I~ > I~ (v" v4 ).
Počty st upnu ,
225,65-194,76 ~~286 'o volnosť, " stanoveni kritického b
pn .
v -2( O oruJSOll:
I~ -~i8,11' 15 + 10 '
+1020,49' ,- ll-xo + 1) ,
~- 15+10-2 v2 2xo'
~ ověřovanou
:::

Protože 1 ,,,(23) 2,074, hypotézu jsme nucení zamitnout, a to pro v, = 2(xo +1) ,
0
jednostranný test. pH reakce má vliv na obsah nežádoucího produktu. v4 =2(/I-x)
o .
V připadě, že neni splněn předpoklad rovnosti rozptylů v základnich souborech, musime Příklad 13.5 Test parametru
přibližným testem. Testovou charakteristikou je veličina: p b'lOomického rozděl '
se spokojit s
(13. 7) akci
,
S k'
:0
oJe~ost s určitým výrobke
20 zakazníků b r '
vyrobkem, když
.
relativ~ ~~t~~s:u~kazníci
,10 V mmulém obd Ob'
Spokojeni
em

~~[II~i:a spo
urokvni 30%. Při dotazovac'
,
t= Xl -x~ ) kde azuJe na 20%? oJenost s hodn
~ 0,30
,I
Sd
Ho: P ocenym
(13. 8)
H, :p<0,30
a = 0,05
Počty stupňů volnosti jsou v, ~ ", -1, v, ~ /1, -1 . Pro uvedenou veličinu t se stana'; F, __ (n-x)p
+
0-"-__ (20 - 4).0 3
1)(1
v _2(0(x -Po) - - -
(4+1)(07)' =1,37,
kritická hodnota podle vztahu: , - xo+I)=IO '
1'~,,,,(l0;32)=2,14: v, =2(II-Xo)=32,

PrOložeF _
Předpoklad rovnosti průměrů zamítáme, platí-li nerovnost I> I•.
došl o ke sn" ' ,- 1,37 < F0.",32)
lZem spok oJenosti
.
(10 = 2)04 o vě"rovanou h ' nezamitáme ' ne Ize ""
s hodnoceny" 10 vyrobkem. ypotezll nel, že

t77
176
 I
Ho : A. 5 ,t = . = O02
" 50 '
p' novarozdě\ení .
Test parametru J,,- OISSO . l' .t ou charakteristikou je
o H, :A.>A.o
6. . o'dk' 'h jevu es ov ,
" oblastI n y c ' ť počet měřem a a = 0,05
. 'znam při posuzovam v ' . dřuje rozsah výběru, j.
Test ma vy . dělení X' kde n VYP 1
'o' A. která sleduje roz ' x- -
velrcma 2n o' , ledovaného jevu. ,10 r 32 - 50 .-
x o
pruměrný počet vyskytu s
2 - •
X = 2nxA =2.40.32.0,02=51,2. 1/ = -_.- vtl = - - ../40 = -2 27.
1 50 '
, A. " J,o },o
A. 5 "'o J, ;é ,,1.0
Ho:
H,:
.1>,,1.0
,
,,1.<,,1.0.
, X' 2(nx + 1) , X' > X:.~,(2n'x) , U O,95 =-1,645.
'(2nx) '
X1 < XI-a X > "
Kritický obor:
X, < X'a 2(nx + 1) . Ověřovanou hypotézu zamítáme, došlo ke zkrácení čekání u pokladny. K témuž závěru
dospějeme i využítím centrální límitní věty, jak je uvedeno na pravé straně výpočtu.

A. poissonova .ug,lělení ,
Příklad 136 I!,st parametru ~ 2 vady. Bylo kontrolov~n~
o o o

" ' že na výrobku jsou prumerne v' robek). Došlo ke zhorsem 8. Test výskytu extrémní hodnoty ve výběru z normálního rozděleni
d 10' obdobl je znamo, d (233 vady na jeden Y
Za e.s' Ikem se objevilo 70 va ,
30 výrobku a ce V praxí se stává, že dochází k chybám, které nejsou důsledkem působení náhody. Tato
kvality výrobkU? skutečnost se muže projevít výskytem extrémní hodnoty jako důsledku poruchy měřicího
zařízení čínáhlé změny podmínek v náhodném procesu. Je třeba najít objektívní postup pro
H o . A. 52 rozhodnutí, zda máme právo takovou hodnotu vyloučit z dalšího zpracování.
JI, :J,>2
a = 0,05 V provedeném náhodném výběru zjístíme pruměr, výběrovou směrodatnou odchylku,
X' = 2nA.o = 2.30.2 = 120, dále pak nejmenší hodnotu X(I) a nejvčtší hodnotu x(o)' Testovou charakteristikou bude:
- '(140)-11366
X;.• (2nx) = XO,95 - , říci, že došlo k poklesu
zamitnout; nelze tedY X(n) - X
ll" = - - - - . (13.!2)
, nemáme právo
Ověřovanou hypotezu o .\'x
. 'běny' ch výrobku.
kvalrty vyra
oonenciálniho rozdělení -, Postup testu bude následujicí:
7 Test parametru A. ex_ t vou charakteristiku 2nx,'1l'
I h a opírá se o tes o 'ho Ho: jdeo výběr z N(x,lJ.a')
žívá v oblasti hromadné obs u Y . . . 0těná pruměrná doba hodnocene
Test se vyu . 0et sledování a x ZjlS H, : 11(1) resp. 11(0) nepocházi z N(x,Jl,a')
, 'kdenjepoC
která sleduje rozdčlem X ' ') a = 0,05
, d ěma poruchamI
jevu (doba mezI v A. = J,o Kritický obor: "(1) > u. (n) nebo "lo) > 1/. (n).
J, " ,,1.0
Ho: A. 5 "o A."o
<
A. ;é ,,1.0
Ověřovanou hypotézu zamítáme pokud velíčina u(I) či "lo) překročí krítickou hodnotu
A. > A.o X' «~(2n),
H,: X' > X~(2n), ". (n). Pro hladínu významnosti a = 0,05 jsou tyto kritické hodnoty uvedeny v přiloze 4.
X' < X~ • (2n) , 2
Kritický obor: X' > X~(2n).
2 Příklad 13.8 Test odlehlého pozorováni

rozdčlení
"1 m'ho . Bylo provedeno 10 zkoušek obsahu vody v koksu z jedné dodávky při výrobě karbidu
A. exponencla · , ravě vapniku. Bylo ověřeno, že uvedený znak sleduje normálni rozdělení. Byly zjištěny tyto
Příklad 13.7 Test param\1!J.1 o okladny byla '50 sekund. ~~k~~i? ~sledkY:15,23; 15,67; 14,99; 15,02; 15,21; 14,98; 16,08; 14,89; 15,02; 15,11. Zdá se,
, b ' kání zákazníku ve fro~te u P d Došlo ke zkráceni doby ze hOdnota 16,08 vybočuje ze souboru hodnot svou velikostí. Ověříme, že patří do získaného
Průmčma do a c~ 'k 'kU klesla na,2 sek un .
pokladny při hodnocem 40 za azOl

J79
\18
 z= ~In l,:1-r = ~In ~0,60 O'(z) = __I _ _ 1
va
vypočten průměr x= 15,22 a výběro směrodatná odchylka .,fi/- i -77
2 I-r 2 1--=06931 -0,60 ' , = 0,3780,
souboru. Ze souboru dat byl

s = 0,3541. Vypočteme testovOu charakteristiku: zo,,, =' 1,96,0,3780 =' 0,7409.

Všechny rr"I vananty

,
za:,:,ít~out. sh
od ně ,konstatují, že hypotézu
nestačí z~oun,l,anymí veličinami
16,08 -15,22
11 _ - = 2,429 > 11 00 ,(10) = 2,294 Závislost mezí .
me"em k tomu ab bud' ,Ho. p='O nemáme právo
0,3541 '
Lze tedy konstatovat, že hodnota 16,08 je odlehlým pozorovánim, a proto ji mtlžeme
lOT , yc om JI mohli prokázat ' neexistuje nebo náš omezeny' počet
rozdělení
z dalšího zpracovaní vyloučit. , est shody

kOlelačniho koeficientu Ve většině aplikací

četnostmísleduje urč't'
velíčína •
I e rozdělení. Tento' předpoklád'
Korelačni koeficient je mírou těsnosti zavislosti při linearním vyrovnání. Testujeme četnost
9. Test významnosti P pravdepodobnostních meto v praxí
'b d predpokladd je ' náhodná

~~ay:ře" "'::::'~O::hoW;'"~'"' roW?;~=;~,,":::;ťči~.o ....,::;"".;::;r.:::'

S naměřených g~:~;~~uvč' t~stempravděpodobnostním
hypotézu, že je roven nule, tedy p = O. Jde o případ, kdy neexistuje lineární závislost mezi
' a vyrovnanýmí nutné o ,,' ame, ze
uSlme objekt' • ml u e exíst vent Mezi
zkoumanými veličinami. Zde je možné použít několík testových charakteristik. Nejjednodušší
M

případ je ten, kdy jsou tabelovány přimo kritické hodnoty korelačnich koeficientů ra(v)Gsou
součástí statistických programů a jsou též uvedeny v příloze 4), pak testoVOu charakteristikou
mrrnov-Kolmo
vyrovnávání
•
Přiléh1~0:~ar~lIlův
ou postupu, Prvním '

ro~děl~~~mJe třetí
dobré
o I.

ShOd~epři
Zadaná úloha
test dobré

je přímo korelační koeficient r, Počel stupňů volnosti je pro vyrovnání přímkou (11- 2), pro
a) Test dob ' h Ul' Itym krok

vyrovnání rovinou (11- 3), (odečítáme tolik stupňů volnosti, kolik regresních koeficíentů -'-"ll..\!Q!l,!:!re~s~o!!Jdy.y .
obsahuje soustava nonnálních rovnic, Je třeba zdůraznit, že jde o lineární vyrovnání).
' veličina:
Testovou charakteristik ou Je
Jínou testovOu charakteristikou je studentovská veličina 1 ve tvaru:
(1313) ~ ~l., - tl,,)' (13.15)
L... X',
1::\ II
"
1=-/ ~.
1- r'
veličinu z podle předpisu: intervalů
Tato velíčina sledu'Je rozdělení X' s v =' k -
ožud ' p počet parametrů
Další možností je Fisherova transfonn ace na
(13,14)
p avkem, aby součet
ověřovanéh
zjišt' 'h o typu
p -I
součet
Další jed' rozdělení.
stupm' volnosti kde k ' "
četností
VYJadruJe
stupeň
počet
počtu základě četností
stejný a byl roven celk ' enyc (tl,) a en volnosti se ztrácí
rozvedením do tvaru ovemu 11, Na tohoto pozadavku
• vyrovnaných (tl,)
lze vztah (13 15)' byl,
upravit
I 1+ r
z =-ln-
2
veličině
I-r

veličiny počtu měřeni veličina rozděleni,

o této bylo pojednáno v kapitole o statistickém odhadu. Protože rozptyl této
závisi pouze na a z sleduje nonnálni lze ji snadno
(13,16)
použít k ověření testu Ho: p = O,

Příklad \3,9 Tesl korelačniho koeficientu 0=0

Na základě měření
10 bylo zjištěno, korelační koeficient ,,= 0,60, Lze považovat
že
zkoumané veličiny za lineárně nezávislé? K řešeni použijeme popsané tří možnosti,
Ho:P=O
H,: p*O
a = 0,05
t=.fi r ,--
-.Jtl- 2 = R'060 fO
'18=2,\2
zadaného
r =0,60, \_,,' ,
,1-060'
,

t0,05 (8) = 2,3060 ,

"0,05 (8) = 0,63 19 ,
181

ISO
 Tabulka 13.2 0věřenllli>rmality rozdl'lem

Ktllnulativní
31 V~l'oč<:lleslu dobré shod'i x'" ll",
četnost
I';,(x) F(x) Ió I
Tabulka I - II'., 22,5 4 4 0,0455 0,0630 0,0175
24,S 11 15 0,1705 0,1446 0,0259
fl ll
!lv. nr, 26,5 10 25 0,2841 0,2776 0,0085
ll"
x, tll'. 28,5 14 39 0,4432 0,4522 0,0090
5,54 2,888
5,54 4 16,852 30,5 22 61 0,6932 0,6368 0,0564
4 11 7,18
21,5 7,18 8,540 32,5 13 74 0,8409 0,7039 0,1370 maximum
11 ~ 10 11,71
-i:i,5 11,71 12,744 34,5 5 79 0,8977 0,9032 0,0055
10 14 15,38
25,5 15,38 29,803 36,5 3 82 0,9318 0,9616 0,0298
14 22 16,24
27,5 16,24 12,229 38,5 3 85 0,9659 0,9875 0,0216
22 13 13,82
29,5 13,82 2,59 9 42,5 3 88 1,0000 1,0000 0,0000
13 5 9,62
31,5 9,62
33,5 5
5,14 8,51 9,518 1,358
35,5 3 9
2,27 Do os (88) = 100 = 0,1448 .
37,5 3 . ,,88
3
1,10 88 95,17 3
39,5 88 88 ••' • 3 proto tři
88
1: I u byly vetSI '.
nez , Protože maximálni hodnota rozdílu je rovna 0,1370, což je menši než kritická hodnota,
,
. .
žaduje, aby cctnOs~l. .
v každém inte rva
ři výpočlU použity čtvrly a p
átý sloupec.
nemáme důvod k zamitnuti hypotézy o modelu normálniho rozděleni.
'Uvedeny postup vy • y a prolO tez JSou P
I jsOU sdruz.en ,
posledni inte~~a \ poklesl na osm.
počel interva u ta
, (8- 2 - 1) d 1,07 .
° 13.3 Neparametrické testy statistických hypotéz

'_95173- 88 =7,173, Xo,os , Statistické testy, které byly uvedeny v předchozí části tohoto učebního tex1u, vyžadovaly
X - , • kl d normalily nelze zamllnoul. splnění některých předpokladů o rozdělení náhodné veličiny, jejíž hodnoty tvoří náhodný
.ho leslU vidime, že predpo a výběr. V mnoha případech o rozděleni náhodné veličiny nemáme dostatek informací, proto
Z provedene
jsme nuceni použít postupů, které tuto informaci nevyžaduji. Jde o neparametrické postupy.
. . 'běro vou
Tesl dobré přiléhavoS1! . J'většihO rozdilu mezI vy
b) . ni velikostI ne Neparametrické postupy zaručují, že chyba prvniho druhu nepřekročí stanovenou úroveň
.,' b' ek1ivním posouz~ . ' funkce bez ohledu na typ pravděpodobnostního rozdělení, na druhé straně tyto testy mají menší silu
Tenlo lest SpOCI:~ voJ. hodnotoU dístnbucOl .
ll ve srovnání s parametrickými. Neparametrické testy využívají k rozhodováni veličin jako jsou
kumulativní relalivOl celnoS a
medián, pořadí hodnot a další veličiny přímo nesvázané s parametry určitého rozděleni.
. ik lze zapsal ve tvaru (13. 11)
TestoVOu charaklensl u
Protože nám jde především o možnost objektivního hodnocení náhodných jevů, ukážeme
l.
Ptmax
\1' (x)-F(X)\> D a (II)1= a,
'll
zde významné postupy z oblasti neparametrických testů bez ohledu na jejich přesné důkazy.

. lativní relativní četnost, . I. Počet sérií a délka série jako testové kritérium
F.(x) vyjadřuje kumu vaného rozdčle11l,
Vv

" " 'funkce overo ní 11.

: 'e závíslá na počtu loere Tohoto testu se používá předevšim při porovnání úrovní ve dvou variantách, které
v ....

F(x) je distribucnl .
la
D (II) je krítická hodno , ktera J .ření větší než 60 platl:
v
označíme jako A a B. Ziskané hodnoty se seřadí podle velikosti, a pak se jim podle pořadí
- " . . říloha 4), pro pocty me přiřadí označení varianty, tedy A nebo H. Délka série je počet stejného označení v pořadí
: . ké hodnoty jsOU tabelovany (VIZ p 1,628 hOdnot seřazených podle velikosti. Maximální délka séríe pak představuje maximální počet
KlltlC 1,3 58 D .oI (II > 60) = ~. stejného označení za sebou pro dané hodnoty. Jíným kritériem je počet sérií, čímž se rozumí
o
1 224 O 05 (II > 60) = $i , POČet změn označeni variant pro danou řadu údajů. Pro uvedená kritéria jsou tabelovány
II > 60) = ' r: ' o. kritické hodnoty Gsou uvedeny v příloze 5). Tyto hodnoty jsou stanoveny na základě
O (
kombinatorického přístupu k řešeni. Pravděpodobnost počtu sél;í pro A se stanovi podle
0.\ .-"jll

Vztahu:
, I Tesl shody rozdělení
Příklad 1.>\ vo d 13 10 v labulce\3.2.
. ázán na datech pnkla u .
Postup testu Je uk

183

\82
 Ukážeme i využití vztahu (13.18), tedy:

(13.18)

1'(r,,)

, ěření u varianty A, Tato pravděpodobnostje vysoká (> 0,05), neni tedy opět důvod k zamitnuti ověřované
_ " A představuJe PO:: :ěřeni u varianty B, hypotézy o rovnosti úrovní.
liB představuJe po _,
'e celkoVÝ počet měreru, 2. Wilcoxonův test průměrného pořadi
II J d' 'počet sérii vananty A,
r II ava , .,
- ,{ . t pomoci ser.!! Tento test je vhodný v případech porovnání úrovní ve dvou variantách. Zjištěná
, i dvou vanan - 'd
Příklad 13, 12 posouzení shody urovn _ u 'ako u pece B pří výrobě karbl u pozorování nejprve sestavíme podle velikosti do vzestupné řady, pak každé hodnotě přiřadíme
d' pece A stejná měrná spO\febú~:j~fso~1
uvedeny v tabulce 13 ,3,
její pořadí, které označíme symbolem R. Jestliže se objeví stejné hodnoty v obou variantách,
tuto dvojici vyloučíme z dalšího hodnocení; stejné hodnoty uvnitř varíant se ponechaji a
posuďte, z a Je.u 10 měření pro každou pec.
přiřadí se jim průměrné pořadí, které připadá na tuto skupinu stejných hodnot. V dalším kroku
vápníku, K dispOZICI Je , kWh/k karbidu vá níku
se sečtou pořadí pro jednotlivé varianty, zjisti se tak součet. Vydělenim počtem případů
Měrná s otřeba el ktrické ener le v v příslušné variantě stanovíme průměrné pořadí např. RA = R"
Tabulka 13.3

pec A pecB Pokud existuje dostatečný počet měření, tj, pro 11A = ", > 20 a liB = ", ~ 10, potom
Měřeni
3,292
t 3,286 veličina R (průměrné pořad i ze všech měření) v důsledku platnosti centrálni limitní věty
3,3tO 3,302
2
3,357 3,341 konverguje k nonnálnímu rozdělení, kde,u(lI)= 11+ I a 0"(71)= (11+ 1~1I" a proto pro tento
3 3,318 2 12,11,
4 3,288
3,315 3,29 9 test lze využít testovou charakteristiku:
5 3,300
6 3,324
3,312 3,295 li, + 0,5 - ,11(71)
7 3,359 (veličina 0,5 představuje korekci na spojitost), (13.19)
8 3,291 11= O'(~
3,328 3,321
9 3,298
3,31 1
10 d ořadi podle pecí Kritický obor pro tento test je stejný jako u vztahu (13,6),
, 'daJ' ů podle velikosti je tento sle l'
Po sestaveru u Pokud není k dispozici dostatečný počet měření, který by dovoloval využit centrální
BAARAB ,"l limitní věty, pak buď existuji tabulky kritíckých hodnot (např, víz lít. (16)) nebo se urči
A AABB BBBBAAAAB " tedy dohromady je zde 8 sen , pravděpodobnosttoho, že součet pořadí hodnot nepřekročí nalezený součet pořadí. K výpočtu
. . má rovněž 4 sene,
, 4 se'rie veltčma B se využije kombinatorický propočet. Tento postup bude ukázán v příkladě 13.14.
VeI 1 lna,
'č' A ma"je6 (u '
varianty
B) , ,
, 'I i délku séfl e
ma1timál ni de\ka sene , ' tu rovnosti úrovní pro ,::aXl~aJ'~ch máme 20, Příklad 13.13 Test průměrného pořadí pro velký počet měření
" - ro zam1tnutl tes, ~ v našem pnpa
V příloze S na\ezame, ~ p 'vy'š 14 měřem, protoze Jako ukázku postupu pří testu průměrného pořadí využijeme data z příkladu 13. ]2, i když
ol museli mlt naneJ
rovnoU 6 bycho , 1 nezamítáme. ," 'tické hodnotY P<>čet měření není dostatečný,
ověřovanou hypoteZl , ' použitím kritéría celk~vého P200čtumě~~~:t:lován~tit~j Vypočteme testovou charakteristiku podle vztahu (13. ]9):
, - dOJdeme I S Zde Je pro é" nenl
Ke stejnému zaveru druhé tabulce přílohy _' -'kladě se vyskytuje 8 s fll,
y v
tohoto testu JSOU u,veden 6 na hortÚ mezi 1S, ~ nasem pn
104 +OS-~
počet sérii na dol~1 ~e:1 kladu rovnosti úrovnI 10 ' 2
důvod k zamítnuti pre po ", = - - - - - - = O302
~21.I0 "
12.10

185
184
Tabulka \3.4 Tabulka pořadi měrnýs;lupQ1řebel. proudu"p\"i výrobě karbidu vápniku 3. Znaménkoyj: tesl

Jiným jednoduch .

Měření
Pec A PecB rozdělení. Ověřo'
znaménkový test P ym neparametrickým testem
nnclpem
vanou tohotoJ'etestu
hypotézou . je p'revest
. pro porovnání
náhodne' rozdělení
úrovníveve
I'"d voun souborech
lemy I J'e
1 4 fl' P(A) a a ternativní
1 9
2 10
18 A .
pravděpodobný jako jeho d • Je ~a .daných steině
19 o. = 0,5 výskyt náhodn e'h o Jevu
.
3 14 podmínek
4 2
13 7 Jednostranný test, oplnkoveho Jevu fl. '
5 8
H, : P(A) > 0,5
6 16
5 H,: P(A) '" 0,5 dvoustranný test.
7 12
3 20
8 15
znaménkem ll_tl. JestližeJ~VU A
r~;~~:nf~~~U!
označíme znaménkem
' . na sobě ne~á~~s~~do pn:~astane
17 Výskyt náhodného .
9 6
"+11

10 11 bude sledovat
.. binomické on;krát t:ntoznalO'
ovat, pocel jev, pak
'k

měrné spotřeby
104 106
1:

případě
Z výsledku je patrné, že hypotézu o rovnosti proudu u hodnocených pecí Knt.ek' b ene

vypočítat n"
distribn~lcke
,~,fu.'~bioo_''''éh~.;;;~,~v~d~ přilíš
ove o testu tvoří ....
nelze zamítnout pro a = 0,05, a to jak v jednostranného, tak i dvoustranného testu. , y o or znaménk 'h y
znamenek "+" K .. ,
z hodnoty se tabelu'í JJflPad , je mnoho ( ., '
K témuž výsledku vede i použiti speciálnich tabulek kritických hodnot - viz literatura (16). o p"'bd, . . ."použítí
e em Postup .."",. tohpro ,"bo, ""I"
Lze -.,,)
otogramu)
testu bude je též
•.
zreJmý

Příklad 13.14 Wilcoxonův test průměrnéhopořadí

posuďte, zda došlo ke snižení měrné spotřeby suroviny po úpravě technologického Příklad 13 I 5 Z namenkory
' test

v t1b ~teJnou
příčném a
procesu. Údaje jsOU uvedeny v tabulce 13 .5. , Posuďte,
podelném směru. zda
' pa'plrove, tapety maí .
Udaje JSou uvedeny pevnost v tahu (MP )
Wílcoxonův test průměrnéhopořadi
Tabulka 13 15 Z ' u ce 13.15. a, a to v
Tabulka 13.5
. namenkovv test
pořadí
Měrná spotřeba B
B A Pevnost ve smě Pevnost ve směru
Měření A
1,334 1,123 6 1
5
Vzorek příčném podéln~m Znaménko Vzorek příčném podélném Znaménko
1 9
1,145 1,133 2 1 44,69 44,82 - 11 49,36 49,82 -
2
3 1,150 1,128 11
10
2 44,92 4520 - 12 47,73 48,25 -
4 1,148 3
3 46,67 4Ú7 - 13 48,22 47,81 +
1,129
4 46,16 46,62 - 14 44,71 45,28 -
5
1,132
4 5 46,52 46,55 - 15 46,73 4691 -
6
1,140
8 6 46,93 47,58 -v 16 46,80 46:44 +
7
1,138
7
6
7 44,04 44,12 17 47,29 47,32 -
8 58
-
případě počet měření, nemůžeme
X 8 49,10 48,69 + 18 48,02 4812
X
1: l- 9 - -
věty. odečteme
46,47 4650 19 46,31 4Ú2
V tomto máme malý a tak využít platnosti centrální
- -
_""'00 ....ooW • _ _o, "",po""'" N~""' ",,,,,,,,"" .. ",,,,,,'.', ,~
L... 10 44,92 45:18 20 49,67 50,21
limitní Pokud budeme mít specíálni tabulky kritických hodnot (viz lít. (16)),

,,,.,""" '''',,~, ,."bM' ~

,,,,,,", ~""'Y .,.;b"
_._ ". oj,""" ~'" V .""",
"",<podob"'''' .. _ ,,,",,'• , SOOW
...
Vidíme, že máme 3
méně rovn~ h~dn=;:~~:t~~:~t;:;~:ocže
nalezneme3 3 klad ne' znaky neboklad na seznalO' nk 20 případech
,.",_"•• ~'" ,,_, m'" n.'''''''''' " """" ..
ve

p =~(2~Jo,s30,sl7 =0,5 [(20J+(20J +(20J (20J]

_ .,,,,. j. -

W'''', ,,+,,',.,,,,",,,, ~Ik"" \~')

rl.""b i"'"' W"" W,,·) ce ve tvaru:
. -"",b _""",. troj" o (" 'l _ , j. e "S, T O l 2 + 3 =0,001293. 20

W"" FO""""""'' " j. _ .'- e

165
','" . p<>kod " "",•• .;w_,ri ,""o ',.' ato pravď
i'Odélném smě epodobnost je příliš m ľ a proto hypotézu rovn osn. pevností v
ru zamítáme a a,
příčném a

pak ověřovanou hypotézu zamítáme.

187
186
 • test pro dvč
Tabulka 13.16 Wí! coxonuv řady pozorování

,~Zdíl porad I Rozdíl Poladí

Vzorek Vzorek
v vnosti rozdllů v""'vnosli rozdílů
Wilcoxonův..1est d~ řady
4. pro
Wilcoxonův dvě řady
pozorování 1 -0,13 -7 11 -0.46 -15,5

<cl '_""~; T~~oo """""",,,"00 ý' ~'"ho"~ "".d<. Uo< ý' '''''
Obdobou znaménkového testu je test pro pozorování. Tento test má 2 -0,28 -10 12 -0.52 -17

údajů Výpočet
""" "" 3 -0,10 -5,5 13 0.41 13,5
4 -0,46 -15,5 14 -0.57 -19
rozdílem hodnot stejného znaménka. provádime podle tohoto postupu:
5 -0,03 -2 15 -0.18 -8

a) určíme
rozdíly párových hodnot pro posuzované varíanty, dvě 6
7
-0,65
-0,08
-20
-4
16
17
0.36
-0.03
12
-2

pořadovýmpořadí přiřadíme rozdílů

b) sestavíme absolutnich hodnot hodnot, ovém 8 0,41 13,5 18 -0.10 -5,5
c) hodnotám znaménko jako ve 7.naménk testu, 9 -0,03 -2 19 -0.31 -11
d) zjistíme součet pořadí hodnot stejného znaménka, 10 -0,26 -9 20 -0.54 -18
určíme testovOu charakteristiku.
větu a je dána vztahem:
e) ..
Z této tabulk y pak urc. me potřeb' ... pro stan
ne vehcmy '
Testová charakteristika se opírá o centrální limitni S+ =' 13,5 + 13,5 + 12 = 39 ovem testové charakteristiky:
(13.20)
, T, =(1.2.3)3 + 2.34 =42,

(13. 21 ) )1(S+) = 2021

---- = 105 0-'(8+)= 20.2141 42
24 - 48 = 716,6,
4
n(1I + 1)
je průměr součtu kladných hodnot a
+ ='~
)1 (S)
4 (13.22) u= 39-105
..}716,6 = -2,47.
+
O-'(S) _ 1I.(rI + 1).(211 + 1) Je č
. rozpty I sou tu kl ad'
nych ho dnot.

čtvercŮ. ~""určíme
24 , P"n volbě a = O 05 hypotézu rovnosti pevnosti v pod e'I nem
' a příčném směru

součetv,,,,."","".'
čtverců pořadí. h"'''''''třeba"""
Je proto
.hodoi
provést korekcí
00"""",",'"
"".d<.součtu .•1' ,""", •
Rozptyl jako:
u pap.rových tapet zam't:
I ame.

Dodatek ke 13 . ka pltole
'
(13.23)
I,T
o-'(S+)=':::~~~-~
Určeni mo mentu• průměme'ho poradí
'
24 48 ' kde (13.24)
Nechť
Součet všech pOřa~;vmho
", Je počet měření u
. o vy'bě r bez vraceni ' ,zakladním
poče~em~~:~rgeOmetrickérozdělení.
Jedná se '
I modelem bu
Je součtem arilmetíck'e.ayodldo
" + ", = II. soubom a ll,
1: =' (I, -1) t, (I, + 1), _d u druhého souborua Ol

vyjadřuje počet stejných pořadí v í-té skupině.

"".,til~ ,,,,,,,,~l PO""
I, 8= fl, + ", )(Il + II I) ll, tedy:
( __ 2' ,+ = 1I(1l + I) ( 1325)
Krii ',ký 0>0< Ý' dO' OOM"''"O -"'" ý' ,kW' 2

v příkladu 13.16.
očividně )1(R) = n + I
Příklad 13.16 'b!ílcoxOnův test pro dvě řady pozorgyID:!Í
pruměmé
• pora
• ď'
1]e ( 13.26)
2 '

,.,,,'''. •,"""" .... Ho'' ' ' pro "Ý,oó' ~~,i oh'-·"'''''' ý- - " '
N. ,Al"" dM ,"U." " " =,""''''" o plod.,k"" ro'''"' - - .p'
lip; (R) = 11(11 + 1)(2f1
,
6 + 1) (součet řady čtverci.)
'
(1327)

v tabulce 13.16. (j 61l + I)-- (11+1)'

(R)=p;-p' = 1l(1l+ 1)(2n -2- = (11+1)[2(211+1) 3(11+1)]
12

189

188
 14. STATISTICKÁ REGULACE VÝROBNÍHO PROCESU
(13.28)
(II + 1)(11-1) = 11'-=2 .
=-~ 12 14,1 Princip statistické regulace výrobniho procesu
12 " 'h (druhého) soubonl.
• 'rného poradl prvnt o 'd .
Nyní je třeba stanovít průměr ~ rOdzpty~~;:~h~pergeometriCkého rozdělent, te y Jednou ze statistických metod, které se stále více uplatňují v podnikové praxI Je
. . 'běr bez vracem, j e o statistická regulace výrobního procesu. Statistická regulace výrobniho procesu představuje
Protože se Jedna o vy (13.29) řizeni výrobního procesu pomoci statístických metod z hlediska přesnosti a ustálenosti.
Přesností výrobniho procesu se rozumi schopnost výrobního procesu dodržet technický či
~ n+\
,u(R) = -i ~, (1330) technologický předpis. Tento předpis se týká znaků výrobku, jako je počet vad na výrobku,
tl- n, _ 0 ~.!:'L = (II + \t'.~. obsah specifických nečistot v chemíckém výrobku, pevnost vlákna nebo technologických
cr'(R)=<:r',~R)-;~-
, 1211, . 11-\ 1211,
parametrů jako teplota či tlak v probíhajíci reakci, výkon výrobniho zařizeni, měrná spotřeba
surovin čí energii, délka bezporuchového provozu výrobního zařizení apod.

Pro n, = ", platí vztah: Ustáleností výrobního procesn (stabilitou) se rozumí schopnosl dodržet výrobni
(1331) přesnost po určitou dobu. Je důležité díagnostífikovat existenci poruchy, a pak poznat příčiny
poruch ve stabilitě výrobniho procesu. Na tento proces lze hledět jako na náhodný proces,
_) tl+\ který probihá za určitých podmínek. Na výsledek výrobního procesu působí dvě skupiny
cr'(R =-.
12 vlivů:

Kontrolní otázky a úlohy .,' systematické vlivy,

. .t kroky při testováni statistl,~kých hypotez. náhodné vlivy.
13 .I Stručně charaktenzu) e
. h ba pIVm o '
'h druhu J.ak J.i lze sntZlt? - fJ?
., davek a - .
\3.2 Co představuJe:. y "hypotéz byl stanoven poza I d ji exponenciální Systematické příčíny (soustavné přičiny) působi na změnu výrobního procesu zpravidla
13.3 Je možné, a~y pn te~~::' 10.7 určete, zda zjíštěné hodnoty s e U .. již samostatně s dostatečně velkou íntenzitou, působ i znatelnou výchylku znaků, pomoci
13 A Na zaklade dat p , K d y J.ej použIJete? kterých sledujeme výrobní proces. Do této kategorie vlivů patří rozdílná úroveň vedení
'l ní 'nkovym testem. , . výrobního procesu v jednotlivých směnách, rozdílnost kvality surovin od různých dodavatelů,
rozde e . , H· ,u = Po zname . t . lé Linka c.l Je
13.5 Jak nahradite te,st hypotezy ';o~nich linek při výr?bě ni~rilu ST JS:a~i~~1 r~zdělení není porucha měřici ho zařízeni apod.
13.6 posud'te, zda vyko~y ~~?~e:; linka č.2 odporovym dratem. No
vytápěna odporovyll\l e , Náhodné příčiny samy o sobě působí prakticky neznatelnou výchylku, jejich působení se
ověřena.
projevuje v jejich velkém počtu. Na vzniklou výchylku hodnocených znaků nelze reagovat,
"seřízení" výrobního procesu v takovém případě nemůže odstranít příčinu výchylky, a tak
Výkonv výrobních linek zpravidla dochází ke zhoršování stabílity výrobního procesu.
Tabulka 13.\7 - _.
VýKon
VýKon Měření linKa 1 linKa 2 Principem statistické regulace je odlišit působení náhodných vlivů od systematických,
Měření 327 charakterizovat stabilitu výrobního procesu pomocí parametrů pravděpodobnostních
LinKa 1 linKa 2 11 348
363 350 321 rozdělení. Ze statístického hlediska chápeme ustálenost výrobního procesu jako schopnost
1 326 12
353 342 342 dodržet parametry pravděpodobnostního rozdělení na konstantní úrovni. Výrobní proces
2 332 13
319 329 348 považujeme za ustálený, jestliže v daném časovém úseku na něj působí pouze náhodné vlívy.
3 358 14
328 333 356 V tomto případě říkáme, že proces je pod statistickou kontrolou. Do výrobního procesu se
4 322 15
341 351 320 snažíme provádět zásahy pouze na základě signálu o poruše ve stabilitě výrobniho procesu.
5 347 16
321 344 341
6 356 17
337 321 321 Půjde-Ii o normální rozdělení, pak parametr fl vyjadřuje středni hodnotu sledovaného
7 321 18
318 352 315
8 360 19 znaku a představuje tak hodnotu, na kterou je výrobní zařízení nastaveno, parametr cr je
354 325
9 330 20 367 charakteristikou variability hodnot a je miron pro výrobní přesnost.
329 342
10
&gulační meze

Základní m nástrojem statístické regulace výrobního procesu je regulační diagram, který

ZpraVIdla obsahuje dvě meze (někdy dvě dvojice mezí, případně jednu mez), ve kterých by

191
190
 ko"~' o,,~. :.~ '''''''j=~ ,d,běhjol~
vehčm " aděbniho
~ ko_k~,"'"";~;::~~';'b""ml
procesu za uspo k.OJI..vý ~zialespon
' bní proces Je . pod statistickou
, ze
. . v pllP.
ledovaných že vyro V praxi

k"~'",:
.'"
W
Z.
h,"':,,"%,
Z ",,'''"'ho "~,"~o':
se ukázalo Jako uce .. . varovnými regulacmm
' druhou. kdVOJICI
I
statis!lckeho c, I, Iné mit dvě dVOJIce meZI, , i mezemi PředpIS na vo ,b" "",'''','oh
'O"",", "'ojl" Vedle těchto veličin hraje významnou roli ukazMel přesnosti:
mezemI,
mezí lze zapsat Ja o.

vyjadřuje zařízení
t = jJ.(t) + ku(t) , (141) (149)

hod~" 'om. jol", ",'ob,,' ~,,~" jo ~"" .'o,~ 'o,,,,, '"~"" '~""o jojolo
/'D = p(t) - ku(l), kde (14.2) Tento ukazatel schopnost výrobního dOdržet toleranci. Pokud je jeho

I" předstaVUje " .. mez,

. horní regulacU! ..~,. jo'''',říkáme, ~, "ho""zařízení
"",I "'" ",k 'od"" <O,,,,"',,, "'''''< '" jo '''~''
",k
V ]<h"

- ID
dolní regulačl1l mez; 'ho rozdělení.
d' a' kvantil pravděpodobnos
U!
menši než jedna, pak
řady
rovnosti musime brát
9000 se mluví o koeficíentu
Poněkud způsobilosti,
že výrobní
s nadhledem, tedy ne přesně
je schopno dOdržet tolerancí lehce. význam
matematicky. V normách [$0
který je definován jako:
k u av 'I ' - -
- Jestliže regulova:IY' zn ak sled' uJe normální rozde eU!, pak uvnitř regulačnich
7;, -x x-~)
--=~-
mezí,
, ,ch podle vztahu.
urceny p ]0' 30"
c =.- kde (14.10)

I = #(1)+30(1), (14.3) x vyjadřuje Průměr zjištěnýchzpůsobilý.

ze průměrů.HOdnota koeficientu způsobílosti 1,33 je sVÝm
Pokud hodnota tohoto ukazatele je menší než

"~ (,) ~ 'u(" ",m••". '''~ hod.", IV ~ " " "" """''',,"' j",~";"". ~"~"' ~ 'Ad, ""
(144) 1,33, proces Se nepovažuje za

koeficient způsobilosti byl včtší než 1,67, tato hodnota odpovídá veličině W = 0,60. Podle
,", 'o I,,,"dO,,,",,",,!,
I/) _. p

ž~ tat~
t holeží 9973% •
případu, n:lm~
.
náhodě
tedy leZl 27 10. " ,.
na díky
výchylkajezPduso echolové
a pnclUu
pak uVU! r
t~,
I dnot z deseti tl SIce. To J d
"

rozdělení, alespoň
hledat mame.
hoto stavu bu eme • ,.
mezi leží 95 Yo pnpa ,
dů ukazatele přesnosti W rozlišujeme tři druhy statistické regulace, a to při:
t. W=l

veliči?a e~m říkáme akční předpisu: regulaci s technickými regulačními mezemi,

o , I d e Je novr , , meze
m 2. W>l
regulaci s přirozenými regulačními mezemi,
Pokud I se regnlacm. . odle
3. W <I
imo 5%. Temto m , tvo'r',t i meze varovne p regulaci s modifikovanýmí mezemi.
. , 'elne vy
, hto mezi se ukazuje jako velmi uc (14.5)
V'" 'o ""
ť = jJ.(I) + 2u(t) ,
(H,6)
,. 14.2 Technické regulační meze

~
,;" p('Hol () '
V případě, .že hod~OC~~YJ'
••, """'''",
no:elll' 90% případů. I tyto
h ,ml.'~ ~
ezl"jl
leZl Těchto regulačních
v případě, kdy
mezí Použiváme v připadě, kdy výrobní zařízeni právě
najíždění výrobniho zařízení a my Se chceme co je schopno

" adu V pnpa

. znak bude sledovatroz
ednovrcholového
, , by , t
nejdřive
dOdržet toleranci
dostat do aplánovaných dochází kparametrů.
technických

n;třebnou ulačnich mezi běrové růmě

95,45% pnp .' revencí nejakostU! vyro . .. , . hody bude leze
Konstrukce technick .ch re ro v '
významnou roh v P O d o b n o s t toho, že v pnpade hodnotu
Jestliže bychom ch,teT ~edem pravděpprocento hodnot , pak určlme p
opřeme
stanovit
stanovené p
uvnitř regulačních mezI pr
kvantílu k.
připadech
Pro stanoveni mezí se o uvedený princip a vztahy (14.1) a (14.2). V mnohých

proměřenim n výrobků (vzorků).,výběrový průměr X výběrové

střední
nejsme schopni zajistit normalitu hodnoceného znaku, a proto Se uchylujeme

Druhy regulačních mezI' • , v mezit některé důlezlte

p
" , ojmy J'ako
úrOveň
k informaci, kterou ziskáme

rOZpětí R směrodatnou
tVar:
nebo
VYPOčteme
s. Regulační
VÝroby j její variabilitu, proto k regulaci
odcllylku meze pro
snahou je postihnout

výběrový Průměr
a
budou mit
lačních
diagramu, muslme y
Než ukážeme druhy regu k umaného znaku,
XII = ,u(X)+3u(x),
toleranční přípustný rozměl
h . " stnou mez z o aku
orní mez 1" ff ' ta udává
, "C'IhOflll
dolní pnpu . z koumaného zn ,
• , T
dolní toleranelll mez D' udavaJI
7' + T:
XD '" ,u(X)-3u(x) (14.11)
'R D (147)
střed • 'h o pole 1:• = - '2--
tolerancm
(148) (1412)

"~'-"N' "'- =."', •'''''''

zařízeni ...~ ,'" _Ol ,_ ";;,,, ~ """
tolerance T = 1;/ -1;,. Uvedené parametry p(r) a u(x) musíme odhadnout. Naší snahou bude minimaliZovat

tOlerančního pole a budeme chtít, aby dodrŽOvalo tolerance, proto:

192

193
 (14.13) Podle uvedeneho principu můžeme psát:

r-) a(x) - ~~, . 111/ ~ 1'(11)+ 3a(R), (14.18)

!,(-x) = 'J~ a a,! = j;, - 6-Jn k' 'egulační meze
ll" = /1(11)- 3a(R) (14.19)
h pro techUlc e I
lze stanovit vzta y
. žadavku tedY .
Na základě uvedeneho po Abychom mohli odhadnout potřebné parametry z technického předpisu, pomáháme si
pro průměry ve tvaru· (14 14) znalostí rozdělení náhodné veličiny w". Jestliže náhodná veličina x sleduje nonnálni

l' 1'+~
l'
rozdělení pak náhodná veličina w" = !(I). sleduje pro výběr o rozsahu II pravděpodobnostní
xH=1~+3~6'-n= o 2.[," ax
ol (\4.15)
rozdělení, kdy:

lJ(wJ= d" ( 14.20)

a(wJ = d, a odtud: (14.21)

•. h mezIi~.1gl~ IJra!!n!!;č<!!u",ic"h,-,m=ezí ,,(R) = d,a(x), (14.22)

miekých regulacmC -
Vrtah tecI - a(lI) = d,a(x) (14.23)
Obrázek 14.1

Hodnoty konstant pro daný rozsah výběru jsou uvedeny v přiloze 6. Nyni již ml,žeme
stanovit vztahy pro výpočet regulačnich mezí pro výběrová rozpětí:
T T
2-lTn
RH =IJ(R)+ 30'(R) =d,a(x) + 3d,a(x) =a(xXd, + 3<1,] =~[d, + 3d,] =T . AR1/ (14.24)

T
I T R" =,,(R)-3a(R) =d,a(x)- 3d,a(x) =a(xXd, - 3d,] =-[d, -3d,] =T. ARD (14.25)
6
2.Jfi .._0- _.0-- ._0-
NT..fn .-"_"- . • _0- _ 0 ' - Obdobně postupujeme pří určení techníckých regulačnich mezí pro výběrovou

1o ~ ----- T
směrodatnou
rozdělení
odchylku, kdy náhodná veličina x sleduje normálni rozdělení, platí (viz
výběrových směrodatných odchylek):
lTn
(14.26)
~ T T
XIl
2-lTn (14.27)

Tll
-
_0_- - Hodnoty konstant c" <I" d" ARD , A lIH jsou uvedeny v příloze 6.
• a přlpad.
• ' eze azn h Jako důsledek nesymetrie rozdelení výběrového rozpětí a směrodatných odchylek je dolní
• . .sou užši než tolerancm ~nočet technickYc
. atrné že regulacm ~eze J též zřejmé, že pro vyp mez u rozpětí do rozsahu šestí rovna nule, u směrodatných odchylek o rozsahu výběru do pěti
Z obrázku 14 I ~~: .edn~tlivých měř~nl Je neboť plati Je dolní mez též rovna nule.
kdy reguluJeme, po.. J oužit tolerančl\l meze,
. 'Ich mezI muzeme p (14 \61 Pokud jde o zahájení výroby a v případě, že ukazatel přesnosti W > I, mluví se
reguIacn
_~(1- ~J,
o statistické analýze. Pro ní je vhodné uplatnit lento postup:
T T j=1'
2~
- T --r:
x II = II - ( 2. 201 /I
II
T( 1
n)
oI
j Na základě předběžné znalosti výrobního procesu a možnostech měření rozhodneme
o délce kontrolního intervalu a rozsahu výběru.
1' T j=T +- 1- r: .
- -1' + ---
( r:: D 2 01/1
x" - " 2 201/1
195

194
 Tabulka 14.1 -I:Jodnoty pro regulaci s t
eel10lckými
' regul acmml
' ' . mezemi

2. Na základě znalosti tolerančních mezí sestrojíme technické regulační meze pro průměr a - -
miru variability (postup u přirozených mezí - viz další text).
Výběr 1. VZOI'ek 2. vzorek 3. vzorek 4. vzorek x, R, s,
3. Během kontrolního intervalu odebereme vzorků(výrobků), které proměříme.
Vypoč,teme průměr a míru variability (variačnírozpětí nebo směrodatnou odchylku).
1 49,10 49,10 49,72 48,54 49,115 1,18 0,417
II
2 49,58 49,58 49,56 49,56 49,570 0,02 0,010
4.

6. Pokud všechny hodnoty leží uvnitř mezí a nevykazují málo pravděpodobné uskupení (víz
5. Vypočtené hodnoty zakreslíme do regulačníchdiagramů.
3 50,00 50,92 49,52 49,79 50,058 1,40 0,526

další text o signálech poruch ve stabilitě výrobního procesu) lze považovat výrobní proces
4 49,62 49,64 50,68 49,52 49,865 1,16 0,473
5 49,76 49,94 49,50 49,78 49,745 0,44 0,158

nějaká hodnota padne za regulační meze, budeme ihned hledat příčinu tohoto
6 49,94 48,86 49,36 49,23 49,348 1,08 0,388
7 49,36 49,11 50,14 49,81 49,605 1,03 0,398

vypadnutí. Pokud ji nalezneme, tylo hodnoty vyloučíme z dalšího zkoumání.

7. za
Pokud
ustálený. 8 50,24 48,98 48,94 49,54 49,425 1,30 0,527

8. Máme-li k dispozici 20 až 30 výběrů, zhodnotíme dosavadní průběh výrobního procesu,

vypočteme ukazatel přesnosti. Jestliže je roven jedné, pokračujeme v regulací
9 49,52 48,94 48,93 49,83 49,305 0,90 0,386
10 51,30

s techníckými regulačními mezemi, pokud je větší než jedna, přejdeme na pří rozené
50,38 51,18 50,00 50,715 1,30 0,544
11 51,20 50,08 50,54 50,30 50,530 1,12 0,420

regulační meze. Je-li ukazatel přesnosti menší než jedna (0,75), můžeme pokračovat 12
13
50,93
48,60
50,40
49,58
50,44
51,38
49,56
50,04
50,333
49,900
1,37
2,78
0,492
1,000
s modifikovanýmí regulačními mezemi (viz další text). 14
15
50,84 50,42 50,06 50,01 50,333 0,83 0,333
51,24 49,82 51,34 50,26 50,665 1,52 0,645

J'říklad 14.1 Uplatnění techníckýeh regulačních mezí 16 49,66 50,38 49,58 50,16 49,945 0,80 0,335

pří výrobě tabulek čokolády pro 50 g baleni je stanovena dolní toleranční mez 48,5 g a 17 50,64 49,82 49,70 50,24 50,100 0,94 0,371

horní toleranční mez 51,5 g. Stanovte technické regulační meze a posud'te přesnost výrobního
18
19
50,02
51,25
50,22
51,26
50,33
51,20
50,45
51,25
50,255
51,240
0,43
0,06
0,158
0,023

zařízení na základě dvacetí výběrů o rozsahu čtyři. 20 49,65 49,88 49,54 49,60 49,668 0,34 0,129
l: X X X X 999,718 20,00 7,733
1'11 = 51,5, To = 48,5 , l' = 3,0 , /I = 4 . Průměr X X X X 49,986 1,000 0,387
Dle zadání: ARII = 0,7831, c, = 0,7979, d, = 2,059 , d, = 0,8798.
Z tabulek odečteme:
-
Z'avery z dIagramu:
Určíme regulační meze'.

~~~hvýběr
leži nad horm' regulační me zlprop"ě
špatně zhomogenizovaná
I. směs
19. výběr
. '
_x II = 50 + -r;
3 = 51 5 - 3l
2,,4 ' 2 ,,4
j
- 1- 1r; '" 50 75
"
2. le!í nad horní mezí r
ylku. Duvodem bylo
. _, rum ry. Byla
ucpántp~i~~~a~~ls~~ZPětí i nad horní mezí pro sm - d
_xo = 50 _ 3r; = 48 5 + 3l lj
- 1- -r; = 49 25
Proto _ . ero atnou

yběry vyloučeny
v' azeme varíantu s odhad:~ ma, která byla
výběrovéhoodstraněna
rozpětí i' s:;,?o~em~ ukazatel přesnosti
2,,4 ' 2 ,,4 " Uk" ze byla nalezena ·'č·
-
JSou z odhadu .CY z ero atne odchylky. Vypadlé

RII = ~(2,059 + 3.0,87981= 3.0,7831 = 2,349,

6 ll. 20,00-0,06-2,78
Rl) = O, CY"'--- 18 w= 6.0,4328
3-- = 0,926 < j
d, - - - 2,059' _. = 0,4630

0,4672
Sll =~(0,7979+30,33671=0,904,
6

197

196
 h .cké__
Obrázek 14.2 I.e"--!!L..- regulační meze

N _
x -, , 1
~ I' - 3. -r ~ I' - A, N ~
d~vrl .

--~.~.~
• S ( 14.32)
::.~ X 3 (',,f;í
-- == .r AI~'.
" .• :
x" ~').' i
: _
1
. . . • HOdnoty konstant c" cl" /1" A, jsoll uvedeny pro rozsah vI'běrulI v pi i/oze 6 (14.33)
určime vztahů
,,I
s hOdnotou tři
Varovné meze podle
vezmeme jeho hOdnotu rovnou dVěma
(1428) aL (14.33) s tim rozdílem, Le misto kvantilu

P(N)odhadneme jako R, . /I
a (N) Jako d, _ ,
dl

R",~ Ul
u
• _
R '.'.
"
,.u ii
1,1 . • (14.34)

u.
'.4 -1

" •
• . .. • • •
•
..
~ , -!
•
• •
• Hodnoty konstant d" d" D" D, jsou uvedeny v příloze 6.
(/435)

Přirozené regulač~zg pro výběrovou směrodatnou odchyl Iru

-, -,

11(1') odhadnemc jako s, a(~)

PřÍrozene eg ulačnÍ meze předpis
14 3 jako c, s,

třiceti
"I I . ky' . ne bo J' eJ"
. neznáme,
. 'be'm c,
' Nem- . I'I v~'robni . zařízení
lační schopnko d.Os:~~írají o zhodnocení dvaceti az
meze, terc d • t tec lnIC . • vy
. J'eme
sestrOJu přlrozcne regu

]
>řilozené regulacnl
• . mez~p-_ --
ro pmmilli' . ~ něry podle mQzne
• " to formace o
(/4 ..16)
--- • . počtu
' vy • , I
legulacmc 1 mezI pro plUl
Ukilžeme třl mo~nostl

variabilitě (14.37)
příloze 6.
hodnoccneho znaku (1428)
Konstanty c" B" 8 4 jsou uvedeny v
a(x) _
výběru rozděleni výběrových rozpětí
XII = p(x) I 3a(x) = p(x)+3 .7i- - (14.2 )

li ~+A,R= 9 rozděleni
rOZpěti
i výběrových
je
Jestliže
směrodatných
rozsah malý, v dllsledku neSYmetrie
obdobně směrodatných výběrových
odchylek, bude dolní mez pro 11<7 u
(I~JO)
=
d ,';;;' rovna nulc, u odchylek pro II < 6.
=x+3 -
~
=x+3
,.
·_·--=x+
r
- A1'\'.
~...mi.J!.m.y.1Í.děnl přiroz~jmí reguill~nimí
statistické regulace s mezemj

výběru.
. C., "1/ /I

-a(x) _
Xv =1'(X)-3a(x)=I'(X)-3,j~ - (1-131) I Rozhodnemc o délce kontrolniho intervalu a rozsahu
výbčrů.
SPOčteme regulační
2 Shromáždimc výsledky aJespol1 ze 20
3 a zakreslíme meze.

198

199
4. Jestliže všechny hodnoty leží uvnítř regulačních meZI, Jsme přípraveni na regulaci
v dalším období. Vypočítáme i přesnost výrobniho procesu a zvážíme možnost regulace 13 2,13 1,98 1
14 ,68 - - 1,93
r
s technickými regulačnimi mezemi. Pokud nějaké hodnoty padly vně mezí, hledáme jejích 2,32 1,90
15 0,45
příčinu. Při nalezení příčiny korigujeme regulační meze a jsme přípraveni na další 2,06 2,38 2,20
16 2,06 0,48
regulaci. Tento postup neustále opakujeme. 2,38 2,38 2,17
17 2,60 0,32
3,36 2,15 2,38
18 2,52 0,45
2,70 2,40 2,76
19 2,90 0,96
14.3 Kritéria posouzení poruchy stability výrobního procesu 2,45 2,25 2,62
20 2,26 0,65
2,10 2,21 2,31
2,45
21
22
2,00 2,24
2,40 2,32 ~~
0,35
I. Základním kritériem je vypadnutí bodu za regulační meze. 2,50 2,90 2,38
23 1,88 0,90
1,78 2,15 2,18
2. Leží-Ii dva body za sebou mezi varovnou a akční mezí, je to seskupení málo 24 2,10 0,62
2,30 1,79 1,89
pravděpodobné, pravděpodobnost tohoto případu je 0,00052, a proto toto seskupení 25 2,12 0,32
2,38 1,73 2,05
bereme jako signál poruchy stability. 26 1,76 0,57
1,90 1,79 1,98
3. Řada bodů leží na stejné straně od střední přímky. Bereme seskupeni málo 27 1,79
1,84 1,84
0,62
1,98 2,15
pravděpodobná, těmi jsou: 28 0,11
2,26 2,15 2,09
7 bodů ze 7 leží na stejné straně, pravděpodobnost tohoto seskupeni je 0,016, 1,98 0,17
r X 2,44 2,23
10" 1 1 " 0,012, Pniměr
X 0,46
X X 59,03
12 " 14 0,013, X 13,95
X 2,108
14 " 17 0,013, 0,498
16 " 20 0,012. Akční meze
4. Podobné kritérium jako třetí plati i pro trend výběrových hodnot.

První dvě kritéria nás upozorní na působení významné, ale sporadické poruchy, třetí a XIl 2 108+102
0:
- ' , 3 0,498 " 2 617
čtvrté poukazuje na nepřetržité působení méně silné poruchy. Podle toho hledáme příčí nu Xo o: 2,108-1023 0498 ' ,
poruchy ve stabílitě výrobniho procesu. Podobný rozdíl je ve vypadnutí bodů v díagramu pro R '" o: 1599
II o: 2,574. 0.498 o: 1 282' ,
průměry od diagramu pro míru variability. Ro 0:0. "

Přiklad 14.2 Uplatnění přirozených regulačních mezi Varovné meze

Při redukci oxidu wolframového na práškový wolfram je jedním z hlavních kvalitativních

ukazatelů střední zrnitost výsledného produktu. Tento ukazatel není často plněn. Norma ? II o: 2,108 + (1,023.2
zrnítostí je 2,2 mm, menši zrnítost je lepší. Bylo navrženo, aby analýza trvala 28 dní. Údaje 0,498)_ o: 2 448
~ 3 ' •
jsou v tabulce 14.2
x'o o: 2,108 - (1023 0498) 2
, " - o: J 768
3 ' .
Tabulkal4.2 Tabulka zrnitosti wolframu v J. etapě analýzy
Dí/či závěr ' d'
~-Y z 'agramu na str. 2QZ
Výběr 1. směna 2. směna 3. směna Xi R,
Do výběn, 28 ., d '
1 1,68 2,26 2,11 2,02 0,58 regulač, ' , Za ny bod neleží d '
2 1,90 2,26 1,98 2,05 0,36 bylo II ~ez,' pro Průměry. B I p.o _ dol~l regulační mezí ,_
3
4
2,38
1,90
1,98
1,98
2,52
2,26
2,29
2,05
0,54
0,36 bYlo :~~t~:;~~~~~~~:eá:c~ý mezI:
po~u~ 7~~t~:~ ~:i~:~ ~~I~ramu.
byl' n~~~~:;;':I::ulš~~e~~~~d ~~í
Po 'b- vylollče'
ae o •
5 1,68 1,69 1,98 1,78 0,30 - 59 n, vy eru 17 a J 8
6 1,49 1,90 2,06 1,82 0,57 x o: __,03 -= 2,76 - 2,62
7 2,21 2,26 1,64 2,04 0,62 28-2 2,063,
8 1,80 1,98 1,49 1,76 0,49 R o: ~5 -0,96-0 65
9 1,90 2,06 2,15 2,04 0,25
28-2 ' '" 0,475
10 2,15 2,92 1,96 2,34 0,96
11 2,15 1,79 1,59 1,84 0,56
12 1,37 1,68 2,06 1,70 0,69

200

201
 37 1,46 1,82TI86 1,713 0,40
38 1,40 1,73 1,64 1,590 0,33
e 39 1,35 1,68 1,30 1,443 0,38
' k 14 3 Přirozené regulační Inez 40 1,33 1,37 1,13 1,277 0,24
Ob raze .
41 1,34 1,64 1.60 1,527 0,30

X
•
x
-.
ll
1.62

'," ---- ---- •

-. - ... . .
.--r-
--- ---
••;- --- ---- Od výběm 30 jakost výrazně vzrostla Je to dllsledek toho, že byla zavedena statistická
Xli
• ----
.~
. regulace na vlhkost vodíku a byla svědomítě sledována rychlost posuvu lodiček. Po ziskáni

-,
2.11
..
---.--.-.-

_O- •
..
r---"-
-----------,--.• • 1._, - - - - ... - - - -

• •
. dalších asi desetí měřeni bude provedena korekce mezí. Ty se posunou k lepšlln hodnotám a
budou užší.
Xli I,n

Xo 1,60 •
14.5 Modilikované regulační meze

R Jestliže je ukazatel přesnosti W podstatně menši než jedna, pak statistická regulace

I·"t .. ..
o
••
• •• • •_•
•••• ••
-.,...-- 15
••
•• ••

20
•. ••
• •• • •• • • • • • • •
--r-
3S
pomocí přirozených i techníckých regulačnich mezí by byla zbytečně přisná. Stanovují se
proto takové regulační meze, aby jejich překročeni znamenalo í nedodrženi technického
předpisu, tedy toleranční meze. Hodnota rozdílu mezi regulační a tolerančni mezi závisí na
velikosti výbělU n. Hodnota tohoto rozdílu je i základem pro výpočet modífikovaných mezí.
, 10
o
Obrázek 14.4 Modífikované regulačni meze

Akční meze
1023 0475 = 2,549, -
'XII =2,063+, ., 7 RAm
_ 1023 0475 = 1,57 ,
Xv =2,063- , .,
= 2 574 .0,475 = 1,223.
R
" ' - -
-3R ~=A,R
Varovné meze d, dl. ..r;;
X'" =2,387,
x' v =1,739
'"ku ~ 2 . obdo í
ras
Tabulka 14.3 Zrnitost wolframového

3. směna x, R,
2. směna
1. směna 0,28
Výběr 2,133
1,98 2,16 0,42
2,26 2,15 2,010
29 2,15 0,38
1,73 2,06 1,993
30 2,15 0,33
31 1,77 1,98 1,963
2,12 1,523 0,36
32 1,79 1,73
1,47 1,610 0,61
33 1,37 1,35
1,96 1,683 0,47
34 1,52 1,37
1,84 1,740 0,26
35 1,84 1,90
1,68 1,64
36 203

202
 3. .Regulační díagram pro procento zmetků (P díaWm.l
Velikost rozdílu je dána výrazem'.
(\4.38)

=~R_AlR=i1--Al'LRA"
Tento diagram je analogícký diagramu pro podíl zmetků, hodnoty jsou stokrát větši:
3R 3R
-----,=' d ~d,)
d d,-.J n 1 o.
I' = P I· 3 I!!S}.<!o.-:- P2 '
' o v " , pak určime ze vztahu. f( ~~. II ( 14.45)
v' eze pro prume, , (14.39)
Modifikované regulacm Ol
(14.40) Po = P-3 InlO~=-p) . (14.46)
--. -1' -A III R, V n
XII-II

x o --'1'D +A m TI
--. 4. Regulační diagram pro počet vad ve výběru (c diagram)
. uvedeny v příloze 6.
Konstanty Am JSou Základem tohoto diagramu je Poissonovo rozdělení, z něho odhadneme parametry:

Cf( = c+3..k, (14.47)

'lím 1 . pomocí
e zabývali statistickou re~u, a~1 regulace
r

14.6 Regulace srovnavat . c o =c-3.fC. (14.48)

, k pitoly Jsme s I má uplatnem " .
V vedchozím textu teto a.. 'Ol Vedle této regu ace. v oblasti řízem Jakosti
vv' I p,r znaku - regulací .merem 'které se uplatňují zeJmena
ho Jde o regulačni diagramy,
Veličina c
představuje průměrný počet vad na 1/ kontrolovaných výrobcích (výběru).
ment~ n~, Pokud dolní mez vykazuje zápornou hodnotu, stanovime ji rovnou nule.
srovnavamm ., ' obách . ouživanější
v mechanickych vyl' . v ' .' se omezíme na neJp
b regulacmch mezI 5. Regulační diagram pro počet vad na výrobku (u diagr<!!!Ú
'h principu tvor Y
Na základě obe~ne o
I tento diagram se opirá o Poissonovo rozdělení, uplatňuje se v mechanických výrobách,
typy těchto diagramu.
o 'bvru dia ramII ve výrobě vláken apod.
. 1'0 očet zmetku ve
Re ulační dia ram v '

~"
I. " b' mické rozdelenl.
, mezI Je mo (14.41) Ull -
=u+3 -, (14.49)
Základem pro stanovenI 1/

.~
(14.42)
(np)1/ =IIP+3~P), lI D =u-3 -.
/I
(l4.50)
( ) - n-p - 3f,lp(1 - p),
,lip 0 -
, časovém intervalu, Hodnotu 11 určime jako průměrný počet vad na výrobku při kontrole II výrobků.
. 'běru ve stanovenem . o
II Je rozsah vy o v ' dil vadných vyrobku,
p vyjadřuje prumerny po Vedle uvedených typů regulačních mezi se v praxi vyskytují i regulační diagramy pro
extrémní hodnoty, diagramy s trendem a další.
n~-~>9 .. k rovnou nuI e.
, orná klademe JI pa
Pokud by dolní mez byla zap , . Na účinnost statistické regulace má významný vliv i délka kontrolního intervalu a rozsah
o 'bvru (p diagram) výběru. Existuje řada vzorců, podle kterých se určuji tyto veličiny. Kritériem pro stanovení by
, 1'0 podíl zmetku ve VY e ze k'terych mělo být kritérium ekonomické, kdy musime zvážit:
2 R~'l1lační diagram P- 'h odhadujeme parametry, ředešlel11
- . opět binomické rozdělení, ~e ~~c:~a~ symbolů je stejný jako vp výši ztrát souvisejících s nekvalitni produkcí,
Základem Je ,Vet regulačních mezI výši nákladů na kontrolu,
vyplývají vztahy pro vypOC
časové a pracovni možnosti laboratoří,
případě. časovou náročnost analýz spolu se vzorkovánínl.

- ?(l- Pl
={')+3
PI/ll
.~, (\44~1 Zkušenosti s uplatněním statistické regulace výrobního procesu v podnicích chemického
a Plltravinářského průmyslu jsou takové, že prakticky vždy docházi ke zlepšeni ve výrobnim
- ?(l-Pí.
Po=p-3 n
205

204
 v
. hl dá se včas
ě nezasahuJe, e . 15. STATISTICKÁ PŘEJÍMKA
•e se do výrobního procesu :~bytecn ímu stavU, zlepší se k vaht~
procesu, a to předevšín~pr~l~~istí), využijí se I "~oruc\~yr:á:~~~ ale ;e to silný nástroj pn 15.1 Pojem statistické přejimky
zdroj poruch (a ty ~e o ~. ké regulace nelze p,oJ~mat o
obsluhy Uplatně11l ~tatls lC '"1' na řídicím mlSte Statistická přejimka představuje významnou metodu využití statistických metod v oblasti
" e'm uplatňovánI na praCOV15 1, řizenijakosti. Na rozdil od statistické regulace je metodou pasivní, protože pouze konstatuje
vcasn
dosažený stav bez aktivniho působeni na zvyšováni jakosti produkce. Jeji efekt spočivá v tom,
Kontrolní otázky a ÍJ.\Qh)' že dovoluje objektivně posoudit kvalitu výrobni dávky či dodávky, a to nesrovnatelně
~ kO hospodárněji než při stoprocentní kontrole. Její úěinnost stoupá v návaznosti na statistickou
, k rO práci beze zme1'u. " k' m testem. , I h '
14 I Stanovte podm m YP ,"' diagramem a stattSUC Y . olyetylenovych a ,Vl. regulaci výrobního procesu.
14.2 Jaký je vztah :ez~~e~~~~~i mcze pro regu\~cI l~:~t:~~~roiovat v půlhodmovych
143 Stanovte tec mC 'c 41+1 gram. Bylo roz lO ( " o Rozvoj metod statistické přejímky je spojen se snahou po zvýšení hospodárnosti kontroly
. Stanovená hmotnost J - ". ' . b" pryžovy'ch vyhsku. v hromadných výrobách. Její výrazný rozvoj byl ve válečných letech v oblasti zbrojního
• h ' , bko pn vylO e .
intervalech 6 la Vl. díl vadných vyro ", "' je známa mformace průmyslu a potom v dalších prllmyslových oblastech, zejména tam, kde je posouzení jakosti
4 Určete reglllačni meze pro po 40 kusů. Z předchozlho meslce produkce provázeno destrukčni zkouškou.
14 . 'b" .e stanoven na
Rozsah vy erll J . . - _ 0124.
° ěrné zmetkOvItostI TJ - O, Při statistické kontrole hledíme na jednotlivé znaky výrobku jako na náhodné veličiny.
o pfllm
V mechanických výrobách se při kontrole často výrobky třídí na dobré a zmetky. Zde je
náhodnou veličinou veličina, která nabývá buď hodnoty nula nebo jedna. Jedná se tak
o kontrolu porovnáním. Statístíckou přejimku v této oblasti řadíme do přejímky
porovnáním. Jinou možností je hodnotit znaky výrobku měřitelnými veličinami jako
hmotnost výrobku, obsah specifické škodliviny apod. Toto hodnocení vede k přejímce
měřením. Tyto spojité znaky obvykle sledují normální rozdělení.

Statistická přejímka je přejímkou výběrovou a ze statistického hlediska jde o test

statistícké hypotézy, že přejimaná dávka je dobré kvality. Alternatívou je, že to není pravda.
Správné uplatnění statistické přejimky je vázáno na splnění dvou základních předpokladll,
kterými jsou:

statistícká homogenita hodnoceného znaku jakosti v kontrolované dávce,

statistická stabílita procesu, kterým se vy tváři hodnocený výrobek.

Požadavek statistické homogeníty vyjadřuje potřebu, aby kontrolovaná dávka vznikala

za relativně stálých výrobních podmínek a aby tak výrobky pocházely z jednoho
homogenního základního souboru charakterizovaného pravděpodobnostním rozdělením,
nejčastěji normálním. Výběr určitého typu pravděpodobnostniho rozdělení je nutným krokem
k výběru vhodného testu, ke stanovení vhodné výběrové charakteristiky.

Druhý požadavek není nutný, ale podstatně zvyšuje účinnost statistické přejímky.

Nástrojem statistické přejímky je přejímací plán, který je dán způsobem přejímání

(volbou typu statistické přejímky) a dvojicí čísel, a to rozsahem výběru n a rozhodným číslem
c. Rozhodné číslo je vlastně kritickou hodnou, podle které rozhodujeme o zamítnutí čí
nezamítnutí dávky. Toto rozhodné číslo lze chápat jako přijímací číslo, které je poslední
hodnotou, kdy je dávka ještě přijata, nebo zamítací číslo, kterým rozumíme první hodnotu,
kdy je dávka zamítnuta. U přejímky porovnáním se přijímací číslo a zamítací číslo liší
o Jedníčku.

207
206
 Pro každý přejímaci plán je jeho významnou částí operativní charakteristika Ta udává
pravděpodobnost příjetí dávky pro různé hodnoty znaku, podle kterého dávku přejímáme.
Tato funkce se často ve statistícké přejlmce značí jako L(II,C, 1').

15.2 Sestavení Ilřejímacího plánu při přejímce porovnánim (156)

" Pro rychlé použití v ...,
speclalní programy P k dPraxl eXIstuJI tabulky pro sta '
Dávky nebo dodávky mají podíl vadných výrobků p. Pokud hodnota tohoto podílu bude P . o u tyto t b Ik novem přejí ,,' h '"
o/ssonova rozděl ' b ' a u y nemáme I " , ' maclc planu exist .. '"
nizká, dodavatel (výrobce) chce, aby taková dávka byla prakticky vždy přijata. Pokud ukážeme postu e~, ne o SI sestrojit svůj pro ram' z: vyuzJ[ tabulek distrib~čni Ujl tez
hodnota podílu zmetků bude vysoká, odběratel požaduje, aby tuto dávku nepřijal. Dodavatel :, tobo, že hled:m~:hv~Užití tabulek distribuč~í fun~~~ ,;:,ní příliš obtížné V přiklad~u/;~c~
I odběratel chtějí ochránit své zájmy, které jsou vlastně protichůdné. Každé rozhodnutí bude clsla O I o nou hOdnotu ' OISsonova rozd"1 '
, , . , pro Požadavek n pardmetn/ ,{ pro předpoklád ' ,e em Vycházíme
přijímáno vždy s určitým rizikem jako důsledek výběrového šetření. Pro uplatněni statistické
budeme hledat pro zadané h d a a a jJ S ohledem na tabelaci I a~e hodnoty rozhodného
přejímky je třeba vymezit přípustuý podíl vadných výrobků 1'" který bude zamítnut o noty (1_ a) a jJ P 10 not dlstnbuční funk
ostup bude ", , ce
s pravděpodobností a (riziko výrobce), dále nepřípustný podíl vadných výrobků 1'" který Příklad 15 J V' _ "', zrejmy z příkladu J5. J
. I'
vpocet prellmacl'ho panu .
bude převzat s pravděpodobností jJ (riziko odběratele). Tato čtveříce čisel spolu s postupem
přejímání jednoznačně určuje statistický přejímací plán. . Na základě dohod
statIstIckou přejimku: y mezi dodavatelem
a odběratelem byly sta
V problematice statistické přejímky se setkáváme s pojmem přípustná úroveň jakosti Jloveny podmínky pro
(AQL - Acceptance Quality Level), která je delinována jako úroveň jakosti pro spojítou sérii p, =0,01; a=0,05;
dodávek. Ta je pro účely statístické přejímky mezní přijatelnou hodnotou průměrného 1', = 0,06;
procenta neshodných jednotek Nepřípustná úroveň jakosti je u ízolované dávky taková jJ=OlO
, .
úroveň jakosti, která je pro účely statistické přejímky spojena s malou pravděpodobností.
Určete statisticky' ,., ,
p/ejIJnacl plán.
Jak jsme již uvedli, určeni přejímacího plánu (I/,c) je vlastně řešením statístíckého testu:
Protože máme k d' '.
hledat pro zadané d ,'SPOZ'C' tabulku distribuční funkce P .
J-J o : I' :; 1', J 5.1 po mlOky parametr A P " OISsonova rozd"1 '
. . ostupne ziskané h o d ' e em bUdeme
fl, : I' > 1',. noty JSou uvedeny v tabulce
Tabulka 15.1
Určeni rozsahu "" ,
Rozsah výběru 1/ a rozhodné číslo c (zamítací číslo) stanovíme na základě požadavků pro merem a rozhodného čisJa při '"
přejímánípodle dále uvedených vztahů:
X-c }.,
A, J.,
P(~ >cl I' = 1',)= a, (15.1) pro nJ :=.-
p, pro "2 ==-
A,
J -a '" 0,95 p,
P(~>cl p=p,)=jJ. (15.2) o P - 0,10
0,05 5
1 0,35 2,3 38
35
V dalším kroku je třeba stanovít vhodný model - pravděpodobnostní rozdělení. Pro výběr 2 0,82 3,9 65
3 82 5,3
s vracením bude modelem bínomické rozdělení, takže ze vztahů (15.1) a (15.2) dostaneme: 1,37 88
137 6,7 112

'\~("}"(I
L..J
xx X
I· - Pl )" r <
- a. (153) Z tabulek dIstribuční funk
funkce rOvna 095 h
, a pro Odnol
.
ce POISsonova rozdělen' I
I na ezneme '
A = 2,3. Protože A _ /I ", u parametnl A'" 0,05 a je rovna Ó~~ pro x = O je distribuční

'"
L.. ("}.,, (I - 1', )N ? 1- jJ . (154) liší, tak budeme hl d- 'P, urCllne hodnoty rozsahů výběrů /I ' . pro b~dnotu parametru
x...c X
neboť dostaneme ~ a~ 1)2ro x = c = I, dále pak pro x = c = 2" An""· Vldlme, ze se obě hodnoty
Nej'b líže k sobě' " - 8 a II, -- 88 . P rox = C = 3 s ". ' .I,zde nedo ch'aZI, k rovnosti,
V případě Poíssonova rozdělení určíme přejímací vztahů: JSOu
hodnoty 82 a 88. Jako řešeni vezm: jlZ .'~zdll mezí n" ", zvělšuje.
plán pomocí
hOdnotulI=85
me JejIch antmetický průměr, t edy
(15. 5) Přejímací pl' ,
naJeznelO J' an ma podobu /I ~ 85 2
e- / maxlmáln' d • c = . Ke kontrole náhod "
vadné Výrobky ď ku e" va výrobky vadné dávku _ ne vybereme 85 vy'robkl"1
. av vratlme. . prevezmeme· d ' ,
, naj eme-h alespoň tři

208

209
 , charakteristiky, která
Z prtlběhu operativní charakteristiky vidíme, že pro: p, =0,0 I je a c' 1- fl =0,055
dle operativOl a pro. 1', = 0,06 je fl = 0,1 16
'h plánu posoudíme po
Účinnost tohoto přejímac1 o
• "mací plán doplňuje.
prej' Vzniklá drobná odchylka od zadaných požadavku je dána skutečností, že rozhodne číslo
u tohoto druhu statistické přejimky je diskrétní veličinou.
Přiklad 15.2 ]Jrčení operativní charakteristiky
" 'ľ o 11 - 85 c = 2.
tivní charakteristiku pro přej,mac\ P a - , 15.3 Sestavení přejímacího plánu pN pi'ejímce měřeuím
Stanovte opera .' neiprve hodnotu
I 'hodnoty P urctme, . Princip tvorby přejimacího plánu u přejímky měřením je analogický přejímacímu plánu
I< určeni ope;ativni.,chara;~~ri~~:: ~;~či~:o ~~~notu distribu~ní .~':cen;;IS;::::i při přejímce srovnáváním. I zde každá dodávka obsahuje určitý podil vadné produkce p ~ O.
A. = lip = 85p. Dale utc,me ,. me si í interpolaci) nebo vypoc e Ten však nelze definovat jako počet vadných výrobku k počtu výrobki. v dodávce.
rozdělení,a to bud' z ~~~~t ~~~~~~y jsou soustředěny v tabulce 15.2. U přejímky měřením považujeme za vadné ty výrobky, u kterých hodnocený znak výrobku
tabulkového procesoru . překroči určitou horní specifikačni mez nebo nedosáhne dolní specífikační mez. Tak je tomu

' počet operativni charakteristiky u jednostranně stanovené toleranční meze. Někdy hrají roli obě meze, a pak hovoříme
Tabulka 15.2 Vy-- o přejímce s dvoustralmými tolerančnimi mezemi.

U dále probraného případu

budeme předpokládat, že hodnocený znak sleduje normální
P A. = "I' fJ rozděleníN(x,I',O"), přičemž je známa hodnota směrodatné odchylky 0'. Pokud ji neznáme,
0,425 0,990
0,005 jde o jiný typ přejímacího plánu.
0,85 0,945
0,01
1,7 0,757
0,02 Přejímací plán (n,d) určíme na základě požadavkU, aby pravděpodobnost zamítnutí
2,5 0,531
0,03 dodávky při přijatelné úrovni zmetkovitosti byla a a pravděpodobnost příjetí při nepřijatelné
3,4 0,340
0,04
4,25 0,204 zmetkovitosti byla fl. Jestliže známe horní specifikační mez 1;{, platí:
0,05
5,1 0,116
0,06
0,08 6,8 0,034
0,009
Tff
---~
-x d . (15.7)
0,10 8,5 O'
10,2 0,002
0,12
Veličina x je výběrový průměr z n měření, tak odhadujeme parametr 1'. Dodávku
." 'ho plánu
. 'charakteristika prell mae \ přijmeme, pokud platí:
Obrázek 15. 1
(15.8)

podíl vadných výrobku I' v dodávce pak určíme ze vztahu:

fJ (p)
1,0
p=. J~77> Tff;1' ) ,kde (15.9)
0,9
0,8
0,7 '7 je normovaná veličina hodnoceného znaku, která sleduje normální rozdělení. Pak platí, že:
0,6
I
0,5 1 (15.10)
0,4 \
0,3 i I
je krítická hodnota normovaného normálního rozdělení pro stanovený podíl zmetku p.
0,2
0,1
'LL:---------------- '---:--:::===----'
---:--
, . , ~.~
-'- :~_L-_..J--
0,00 0,10 0,11 0,12 P
0,0
0,00 0,01
~ o
0,02,
03 004
'
0,05 0,06 0,07 0,08

211
210
 Z tabulek Laplaceovy funkce odečteme tylo hodnoty'
.. 'ho odílu zmetků dále platí:
efmíci přípustného a nepnpustne P
S ohled em na d UA =U O.01 =2,33, II Pl = Ua :;:: 11 P :::. 1/ 0 (Ij :::: 1,64 .
(\5.1 1)

p T -x > d\T-=--- -
fl _
If - j l - l l Pi )~a, Přejímací plán určime dosazením do vztahů (15.13) a (15.14):
( - a
-a (15,12)
= 1,64. 1,64 + 1,64.2,33 =1 985
P
( a
-x '2: d\I'n-J.L_
1.'..!!-- -::-- - lI Pl
a
)?I-fJ. d
1,64 + 1,64 "

7)) dostaneme:
, (víz např, literatura ( n = 2(1,64 + 1,64)' + (1,64.1,64 + 1,64.2,3]2'. = 67 12 -4 68
Řešením těchto rovm c - 2(2,33 -1,64)' '
(zaokrouhlíme nahoru).
(15.13)

Z dodávky tedy náhodně odebereme 68 vzorkl" Dodávku příjmeme jako vyhovujicí,

(15.14)
jestlíže hodnota pnlměru x,
splni podmínku pro pevnost v podélném směru:

X, -10
- - " 1,985, tedy
0,641

Po úpravách dostaneme: x, "10+ 1,985.0,641 = 11,272.

(15.15)
Obdobně pro směru.
ď 2+2l5:-+
pevnost v podélném
>- -
J2 . lIP
Jl - fl-tl
" " " .. 'h plánu se často
stanovuje x, " 4 + 1,985.0,588 = 5,167
. 'k'ho preJlmacl o .
tanoveni statlstlc e I dné číslo d ve tvaru, Z uvedeného příkladu vidíme, že musíme odebrat poměrně vysoký počet vzorků, tak se
V podmínkách pro, s, . dnoduchý vztah pro roZ 10
_ fJ pak zlskame Je může stát, že přejímka bude velíce nákladná. Celou sítuací bude třeba ekonomícky zhodnotít,
požadavek a - ,
(15.16) tj ztráty z odmítnutí dobré dodávky, ztráty z převzetí špatné dodávky a náklady na kontrolu.
To může ve svém důsledku vésl k upřesnění podmínek pro statístíckou přejímku.
"Pl +llPJ
d =., 2
nebo obráceným postupem Přejímací plán je účelné doplnít o určení operatívní charakteristiky. K jejimu výpočtu
v tabulkách kvantilů se využívá těchto vztahů:
11 nalezneme
Hodnoty Ua' Up, U"" P2 )
funkce (příloha 1 . b 'ol d-lI
tabulky Laplaceovy "' _ T se získá obdo ny li =- _P, (15.17)
z , dl' speciflkačni (tolerancnl) mel. D' P. h
,I l' kdy je dana o m
Přejímac pan, , příkladu 15.3 lip =d-hu pa , (15.18)
postupem. Tento postup bude patmy z
1 ď
, " .. mky měřenim h= - + - - - . (15.19)
Přiklad 15.3 Určeni statisticke meJI tí jeho pevnost n 2(n-l)
. . dnou z nejdůležitějšich" vla~t~a Přejímaci plán
1'"' vy' robě papírových tap~t Je !e 10 MPa, v příčném smeru . to ~ obou směrech, Příklad 15,4 Určení 0l1erativni charakteristiky l1řejímacího I1lánu měřením
11 'pode\nem smeru " 'nak pevnosti, a d 'I ' směr
P o žadovaná pevnost Je v I'"ť Bylo ověřeno, ze z , d h Ika pro po e ny
rc oba znaky zV as . "rodatna o c y
má být stanov,en 'p zd" lenl. Dále byla stanove~a, sme d h dnuty tyto podmínky: Na základě výsledku příkladu 15.3 stanovte operatívni charakterístiku tohoto plánu.
sleduje nOflnalm ro" ~ ". = 0588. Pro prejlmku O o
a, = 0,641 a pro přícny smel a 2 ' Nejprve určíme velíčínu h podle vztahu (15.19):

a = 0,05;
1', = 0,01;
fJ = 0,05 h= (l~:985~02100
1'2 = 0,05; V6il 2(68 -1) ,

213
212
 Výpočet operativni charakteristiky bude proveden v tabulce 15.3
Při přejímání vi'robků, kdy je předepsána horní i dolní toleranční mez, je vÝPočet
' "očet ogerativní charakteristiky
Tabulka 15.3 Vy_~ přejímacího plánu sloŽítější. Jednou z m07.flOstí řešem je sjednocení dvou přejímacích plánů
s jednostrannýmí tolerančními mezemi, kdy podil zmetků l' je symetricky rozdělen na část
j>
u /.(1') lip,. h.II P• d h .lt r.. p viz např.
pod toleranční(7).mezi a část nad horní toleranční mezí. Jinou možností je grafické řešení,
dol niJiteratura
0,98 -2,054 -0,431 2,42 0,0078
0,95 -1,645 -0,345 2,33 0,0099
0,90
0,80
-1,282
-0,842
-0,269
-0,177
2,25
2,16
0,0122
0,0154
15.4 Sekvenční přejímka při přejímce srovnáváním
0,70 -0,524 -0,110 2,10 0,0179

Pří běžné statistické přejímce je obvykle pevně určen rozsah měření. Tento způsob lze
0,60 -0,253 -0,053 2,04 0,0207

zaměnit za hospodárnější způsob, a to využitím sekvenční analýzy. Rozsah Výbčrll Je závislý

0,50 0,000 0,000 1,99 0,0233

na předchozích výsledcích, je tedy sám o sobě náhodnou veličinou.

0,40 0,253 0,053 1,93 0,0268
0,30 0,524 0,110 1,87 0,0304
0,20 0,842 0,177 1,61 0,0352
0,10 1,282 0,269 1,72 0,0427
Pří
aplikaci sekvenčního postupu na Ověřeni hypotézy Ho proti alternativni hypotéze H,
0,05
0,02
I 1,645
2,054
0,345
0,431
1,64
1,55
0,0505
0,0606
Se postupuje tak, že se určí dvě kladné veličiny A a B. Po každém uskutečněném měření se
0,01 2,326 0,488 1,50 0,0668 porovná vztah uvedených veličín k veličině ~ .. , kde:
0,005 2,576 0,541 1,44 0,0749 fo..
~ .. ~j(x".9,)j(x2,8,) ... j(x,., 8,),
Obrázek \5.2 l: ~ O-h:n~elJral1tiliva:n!Í.iJ'chha!!!I[]·a!lskllte;rril·ls:!iti!!skJ!a-IQ!!'ř!'jeiWim!!!..aaf'cíi!!h!QoclQJ.!j!;anmu!Ll'-UJ""'=~_
I' z Qřikladu 15.4 fo.. ~ j(x, , 80 )j(x" 80 ) " , j(xm ..90). (15.20)
(15.21)
Velíčiny pravděpodobnosti (u diskrétních veličin
pravděpodobnost) i-tého měření pii platností hypotézy H"
j(x" .9,) a j(x" 80 ) udávají hustotu
pak resp. Ho. Jestliže platí:
L(P)

0,9 ,
~'" < A ' pak se ve výběru pokračuje,
B < fo",

,,,
A " ~ .. ,
o., ( /5.22)
,,,
hypotéza Ho se zamítá,
0.7 j hnl
, B>~m (15.23)
0.6
0,:5
.II
,,, - ,
f om pak se hypotéza Ho nezamitá a dodávka se přijimá.
0,4
,, (15.24)
,,
0.3

0,2
,,
,
Veličiny
druhého druhuA (P).
a B Se stanovují tak, aby byla respek10vána chyba prvního druhu (a) a chyba
,
0.1 I

o
0.00
-----~----
0,01 0,02 0,03 0,04 OM 0.06 0,07 P tvar, Zplatí tedy:
praktíckých důvodů je účelné přejít ve vztazich (J 5.20) a (15.2 J) na zlogaritmovaný

(15.25)
z ~ ln j(x".9,)
, j(x, ,8 ) .
0
(15.26)

214
2/5
 Jestliže vyhodnocovaná veličina sleduje binomické rozděleni, pak

z = bl !(X"p,)
, f(x" Po)
ln P'-
Po
pokud sledovaný jev (výskyt zmetku) nastal, (15.27) fl
1n -'·-+mln---.!!
1- a
J -p { P,
1 - · < In-- -ln
P, Po
1- 1
1- n
_ú) < ln 1- fl.
-
aJ
-t mIn
J_ P
'0.0

= ln ~.=1i pokud sledovaný jev nenastal.

'-0
-PI' (15.35)
1- Po fl
In-+mln_-!' I-p
l-fJ I-
I-a I-p Jn---+l1Iln~
P, 1_ , <x< cr I -P,
Jestliže během m měřeni se sledovaný jev vyskytl x- krát, pak plati:
ln _.- -In ---f!.!. P, 1_-'-
Po I-p Jn--ln P ,. (15.36)
o PII 1- Po
z=xln ll+(m-x)ln I-p, . (15.28)
Po l- Po Q", <x<rm • kde

Dále je nutné určit

kriteriálni hodnoty A a B. Při jejich stanoveni se vycházi z požadavku, 0m seo •. (15.37)
aby pravděpodobnost zamitnuti hypotézy Ho byla právě po m-tém měřeni, kdy: ,. ' . zn~cuje přijímací číslo, nepřekročení této hodno . •
m je zam'tacím číslem. Jeho • k č . ty Je duvodem k přijetí dodávk
pre ro em vede k . . y,
v kontrole pokračuje zamltnut! dodávky v ostatních p.' d h
J. 'npa~se
B < f" < A pro i = I, 2, "', (m -I) a
10' ) Ze vztahu (1536)'
. •.
Je zreJmé· •...
provedených měření T .' ze pnjlmací i zamítací číslo " . . . .
A < f,.
uplatnění tohoto typ~ Př~t:~kutecnost vede ke grafickému zobrll7;~ l~ea:1lJ fu~cí počtu
y v praxI. ' ere Je vyhodné při
- fom )
anI :::::a+bm.
A krát větší při platnosti hypotézy H, než při platnosti hypotézy Ho, takže plati: r", ==r+hm.
(1538)
(15.39)
l-fJ?:Aa, (15.29) In-L 1- fl
1- fJ 0= I-a ln-_
A,;---. (15.30) r :::: _--"a,,-:-__
a ln fl_ln J-p, '
Po I-po In -P, - ln ------!.
I-p' (1540)
Tato hodnota je horní hranicí pro A. Zcela analogicky se stanoví dolni hranice pro B, a Po 1- Po
to z požadavku, aby nezamítnutí ("příjetí") hypotézy Ho při platnosti hypotézy H, bylo
In .!.= Po
alespoň B krát větší než při platnosti hypotézy Ho, takže platí: b= I-p,
ln P, -In 1- p~' .
fJ';(I-a)B, (15.31) (1541)
Po 1- Po
R?:L (1532)
I-a Příklad 155 Uč
r ení sekvenčního přejímacího plánu
Využití princípu sekvenčni přejimky bude ukázáno na případu přejímky kvalitativniho Určete sekvenční přejímací lán ro '.
znaku na základě modelu binomického rozdělení (výběr s vracením). jestliže veličina x P P steJne podmínky jako v příkladě 15 I
vyjadřuje počet vadných výrohkil mezi m kontrolovanými, dosazením do vztahu (15.22) pro Dosazením do vztahů (1540) a (154J)d ..
oblast pokračování ve vYbíráni plati podminka: . ostaneme:
ln g,~~
ln L < ln z <In I - fJ , (15.33) 0= 0,95 _ -2,25129
I-a a ln 0,06_ 0,94 - 1,84358 =-1,22115,
1n
0,01 099
,
fJ P l-p l-fJ (1534)
ln - - < xln --'-+(m-x)ln - - ' < ln --o
I-a Po t-po a

216
2t7
 ln 0,90
r ~ _Jl,05 ~ 2,890:!2 ~ 1 56780 1_ P)"
1,84358 1,84358' , l(p)~ (
_~_-=l

b ~ .~,94
ln 0,9~
=0,05182 = ° 02810.
C:PJ-C!J'" (1542)

1,84358 1,84358 ' když veličina h se VYUžiJ'e dál'

e ve vztahu.
Odtud určíme.

l-U-':l''-J
P=(.!!,-)'h'~-(-:~ PI)" .
Q. ~ -1,22115 + 0,028lO/I/,
tm = 1,56780 + 0,02810/1/. (15.43)
Po 1- Po
Dosazením do získaných vztahů nebo z grafického zobrazení získáme potřebné veličiny
pro rozhodováni o přijetí, zamítnutí nebo pokračovaní v přejímce. v v ~ praxi se postupuje tak, že se zvolí .
resem hnlltnim přechode S " . h a pak urč'me pa L(p). Pro h = O J'e trVeba naJ','t
Tabulka 15.4 Potřebný počet měření pro rozhodování při sekvenční přejímce m. nadno ZJlstlme, že platí:
P=b,
Qm o 2 3 4 5 6 7 8 9
r
L-(p)=-. (1544)
/II 44 80 115 151 186 222 257 293 329 364 r-a
(1545)
o 2 3 4 5 6 7 8 9 Rovněž lze stanovit o v. v
Z grafického b . prumerny pocet měřeni li pro 'ak .
podle vztahu: ze razem stanovíme i maximální průměrný ~oč~~:~h =:7tko~itovst v dodávce.
//I 16 51 87 123 158 194 229 265
ouse . Vypocet se provádi
• zde nelze dodávku zamítnout,
počet měření uvedený v tabulce je celočíselná veličina, vzniklá zaokrouhlením nahoru. lep) ln -I!...- +(1 - L(p»
I-a
1 1- P
n_
Obrázek 15.3 Sekvenční přejímka
11=
-
pln.!i+(J_p)ln I-p,
--~
.
(1546)
x
Po J- Po
ObJ;lst
V případě že h -
,
t .°
- , ento vyraz lze upravit na tvar'
zamítnuti 3m
Oblast
pokračovaní
-(In -?aA
11=-. I
Yin 1-
a
P)
12 ln ~.::p;-
zkoušek
Oblast ln
přijetí
Po J - P,
(1547)

L- C-_

O m

Ze stanoveného přejímacího plánu vidíme, že pro přijetí dodávky je potřeba alespoň 44

měření Při použití klasické jednostupňové přejímky je zapotřebí provést minimálně. 83
měření. Účinnost tohoto sekvenčního přejímacího plánu můžemě zhodnotit z operal,vllI
charak1eristiky tohoto plánu. Lze využít vztahů (viz literatura (17»:

218

219
Tabulka 15.5 .. ruměmého počtu měření
Yýpočet operativní charaktenSll~Il.Il.Mill<!.m;=-",,===_
Obrázek 15.5 Průměmý počet měření při sekvenční přejímce
h P L(p) II
+00 0,000 1,000 43,4 n
2,5 0,001 0,999 45,6
1,5 0,005 0,987 52,3 ;~ L _
1,0 0,010 0,950 59,7
0,8 0,013 0,916 63,4 60
0,5 0,017 0,828 68,7 50
0,3 0,021 0,738 70,9
40
0,2 0,023 0,683 71,3
0,1 0,026 0,624 71,0 30
0,0 0,028 0,562 70,1 20
-0.1 0.031 0,499 68,5 10 _
-0,2 0,033 0,436 66,2
O ..
-0,3 0,036 0,375 63,5
-0,5 0,042 0,269 57,0 0.00 0,0
-0,8 0,053 0,151 46,7 0,10 0,12 P
-1,0 0,060 0,100 40,4
-1.25 0,070 0,058 33,8 15,5 Další typy přejímacích plánů
-1.5 0,080 0,034 28,5

řada přejimacích plánů. počtu stup.'ů při přejimaní

-2,5 0,123 0,004 16,5
-3,5 0,166 0,000 11,4 rozdělujeme
Existuje přejímky
celá na:dalších typí. Podle
00 1,000 0,000 1,6

jednostupňové, přejímky s jedním výběrem,

Porovnánim tohoto přejimac~ho.p!~nu s klaslckym
. . (s pevnym
. rozsahem výběru) vidíme, dvoustupňové, Se dvěma výběry,
že je tento přejímací plán hospodameJsl. . mnohastupňové, s řadou stupňů.

sekvenčniho přejimacího
přejímky či některé
Obrázek 15.4 Operativní
_ charakteristika planu
Pro tylo exístují speciální tabulky statistický software. Tabulky pro
typy těchto přejímacích plánů jsou uvedeny i v ČSN např.:
ČSN 010254
ČSN OJ 0257 Statistícká přejímka srovnáváním,
L(p)
1,0 ČSN ISO 2859-1 Statistická přejímka srovnáváním pro plynulou výrobu,
,, Statistické přejímky srovnáváním, Přejímaci plány AQL pro kontrolu
každé dávky v sérii,
ČSN ISO 2859-2
Statistické přejímky srovnáváním, Přejímací
0,8 :
,,, izolovaných dávek,
plány LQ pro kontrolu
ČSN ISO 2859-3
0,6 I
Statistické přejímky srovnáváním, Občasná přejímka.
0,4 j i při přejímání výrobků
přejimaného výrobku. Podle jeho charakteru existuji přejimky pro:
Zejména chemického charakteru je nutné respektovat druh

0,2 j __ ~ ; ~:::::::::~~_~ výrobky kusového charakteru,

sypké hmoty,
ooC, , . ,
, 0,00 0,02 0,04 0,06 008
, 0,10 0,12 P kapaliny,
plyny,
pastovité látky.

Pří přejímání výrobků zjištěné při přejimce,

přetřídit. přejimky
kusového charakten. lze vadné výrobky,
nahradít dobrými. U zamítnuté dávky pak všechny výrobky Tomuto typu
Seříká Opravná přejímka.
Jiné typy přejímek patří
mezi bezopravllé přejímky.
220
221
 16. ANALÝZA ROZPTYLU
soustředěna řada přejímacích plánů
d st né literatury lze doporučit (12), kde je
p
Zlk o .u obrazením operativních charaktenst'k. Ve 13. kapitole jsme se zabývali testovánim statistíckých hypotéz rovnosti prll1něrů ve
s tabu aml a z
dvou variantách. V praxi velmi často potřebujeme porovnat celou řadu variant z hlediska
jejich průměru. Lze tak posuzovat působeni vybraných faktoru na hodnoccné veličiny.
Celkový rozptyl hodnocené veličiny se rozděluje podle jednoho či několika hledisek. Protože
Kontrolní otázkVLillQ\]y
jde o zkoumáni, kdy hodnotime zdroje rozptylu sledované veličiny, tato statistická mctoda je
--~- . .tu ňové a nčkolikastupňové přejímky.
1S I porovnejte výhodnost Jednos p . ' ,.. cího plánu? . známa pod názvem analýza rozptylu, ve zkratce ANOV A (Analysis of variance). Analýza
S2 K čemu slouží operativní charaktenstlk~ P'~JI_~\rouŽkl\. Dodávka obsahUje 8 000 ks rozptylu může posuzovat působeni jednoho taktoru, pak mluvime o jednofaktorové analýze
1. . . ľ pro dodavku tesmc'" d . ky' rozptylu; dvou faktorů, pak jde o dvoufaktorovou analýzu rozptylu nebo celé řady faktorl',
\ 5.3 Určete přejímacl pan . . hl d "Byly dohodnuty tyto po mm .
kroužků, kvalita se posuzuJe vz e ove. zde se hovoři o mnohofaktorové analýze. Analýza rozptylu mtlže být prováděna
s opakovánim nebo bez opakování měřeni na daných úrovnich sledovaných faktoru.
PI 'o 0,01; a = 0,05

15.4
1', = 0,04;
- OOS
fJ·· ' . .
.•
;";0 dohodě
p " depsanou
né balcní z hledíska hmotnostI vyrobku. ro
Určcte přejímací pian P'? drob. '\' h otnost 985 g. Jc známo (5 = 1S g.
Řešeni analýzy rozptylu je součásti řady speciálních statistických programů, výpočet lze
též relativně snadno provést v EXCEL. Postup ukážeme na přikladech.
0 g JC udana mim ma m m
hmotnost 100
partnerů bylo stanoveno: . 16.1 Jednofaktorová analýza rozptylu
a) PI =0,01; a =0,05,
1', =0,03; fJ =0,05 . Nejjednodušším připadcm analýzy rozptylu je hodnoceni působeni jednoho faktoru na
b) PI = 0,0\; a = 0,01; sledovanou veličinu. Zajimá nás, zda surovina od ,ůzných dodavatelů má vliv na kvalitu
I' = OOl' fJ = 0,05. . 1'" se sníží směrodatná odchylka produktu, či zda ruzné typy katalyzátoru maji vliv na výkon zařizeni nebo měrnou spotřebu
, " ' 'd . ku pro průměrnou hmotnost, Jest lze suroviny. Hodnotíme tak jeden faktor (dodavatele, katalyzátor), který se vyskytujc na
c) Urcete po mm několika úrovních. Počet úrovni označime symbolem k, počet opakováni měřeni jako /I.
nal,5g.
Předpokládáme, že je provedeno n mčření pro každý z k úrovní hodnoceného faktoru X"
N = n. k pozorováni. Jednotlivá pozorováni jsou na sobě nezávislá, sledují normálni
rozděleni se stejným rozptylem (5'. Předpokládejme dále, že provedeme stejný počet měřeni
pro každou úroveň hodnoceného faktoru (tento předpoklad není obecně nutný). Za těchto
přcdpokladů budemc ověřovat hypotézu:

(16.1)

Toto je hypotéza homogenity průměrů jako celku. Jestliže k = 2, pak se jedná

o Studenti"v test, jak jsme jej poznali ve 13. kapitole.

Výsledek každého měření lze též zapsat ve tvaru:

(16.2)

Xij vyjadřuje j-té měření na i-té úrovni,

fl je ef~kt celého zkoumáni (experimentu),
J; představuje efekt i-té úrovně,
/;;"1 značí náhodnou chybu v j-tém pozorování na i-té úrovni.

Zpravidla je splněn předpoklad, že chyby sleduji normálni rozděleni, jsou na sobě

nezávislé a náhodné, tedy plati, že sleduji rozdělcni N(c; O; (5;) .Vcličina fl je pevný

223
222
 . I Uk'·
vh Nyn'
odne transformace původ mc i pro ; U~ozomeme
• .Ještě lla vhodnost
azeme ustálené schéma ' •
veličiny úrovnč zkoumáni jsou
' h veltclO,
.;Ypoctu analýzy
což se vyplatirozptylu
parametr, 7;, 1; ,...,1; jsou pevné parametry, pokud
konstantní, lze tedy předpokládat, že všechny veličiny r, sledují N (r; O; o- ~), tedy platí:
Tabulka 16 1 S h'
. c ema analýz)' roz(1lvlu
vypocet v EXCEL
.
(16.3)
Zdroj měnlivosti Počet stupM volnosti Součet čtverců Průměrný čtverec F
, ,,-
".,. (164) O, s,
'-', =0 ' Mezi skupinami k 1 Q, ,
.~,t2 -
k I ,
S,2

Uvnit! skupin N k Q, S'l

2 - Q, X
Již v kapitole 4 jsme dokázali, že plati: N k
(16.5)
Q
Celkem N-I Q s" X
Q=Q,+Q"kde N 1

(166) Postup řešení uk'azeme

• lla pnkladu.
..
Příklad 16. I Analýza roz(1t)'lu

(16.7) Rozhodněte zda

výrobě o·"
chemíckého produktu.
p uZltyVýsledky měřeni jsoumáuv~~~n~a
druh katalyzátoru I' ~~nlou spotřebu suroviny při
(16.8) Tabulka 16.2 Výsledk ..' v a u ce 16.2.
)' merem měrných s(1otřeb (1fo 4 katal)'zátorl'

Typ 1 V ý sledek
2
měřeni měrné spotřeby suroviny
Tečka ve vzorcích znamená, že jde o sOllčet pro přislušný index. katalyzátoru
0,56 0,55
3
062
4
5
průměrů u všech úrovní faktoru správná, pak každá
I.
0,64 O61 ' 0,59 O60
Jestliže je hypotéza o rovnosti II. ' 050 '
0,45 O46 ' 0,55 O56
veličína X, sleduje stejné normální rozdělení, a pak nutně veličína
III. ,045 '
O~ O~ , O,~ O~
.-2.-
Il.k-l je nezkresleným IV. , 0,45 0,43 0,41

odhadem 0-'. Veličina x,. sleduje normální rozdělení s rozptylem

II
0-' a veličina Y-
Il(k- l )
h
.
sc ematem výpočtu J'e uved eno v tabulce. 16.3.
' Vypocet SI usnadnime t rans,ormacl'
< ' II - (
Y - Xy - rcem.
50,00).100. U· potřebných veličin se

bude nezkresleným odhadem veličiny5!~. Protože veličiny Q, a Q, jsoll na sobě nezávislé,

II -'-"Oilll!!oi)]rJJmrua~c<!;eiJdta!1tjjaL'v'lýíco,co,čč et
Tabulka 16.3 Transft v'''e· ll;í;č"i n- (1ro analýzu roz(1t)'lu
pa' ve .. '
ICllla _ Q,.. _ = Q,. •• nezk resIenym
. _ Je rovnez ' o dhadem 'T"lm
0-. JSou spI neny
.
Měření
, , , ,
k I k(Il-1) N-k Typ 1 2 3 4 5 L 1I 1) -
ll, (Lu,) Lu 2
Y

podmínky pro Fisherovu veličinu F :

J-' J I J-'
url ll' 11 u' U,l ll' u" u' ",j u'
I. 6
"
36 5
" "
25 12 144
"
9
"
81 10 100
"
42 8,4 1'164 386
(169)
II. 14 196 11 121 O O 5 25 6 36 36 7,2 1296 378
III. -5 25 -4 16 -5 25 -11 121 -7 49 -32 -6,4 1024 236
IV. -8 64 -ll 121 -5 25 -7 49 -9 81 -40 -8,0 1600 340
.,
veličina sleduje FisherovO rozděleni s (k - 1; N - k) stupni volnosti. Ze vztahu L 7 321 1 283 2 194 -4 276 O 266 6 1.2 5684 1340

(16.5) vyplývá, že veličiny Q, a Q, jsou korelovány, a proto je volen vztah (16.9). pol.'lld
Tato ,-I

hypotéza o rovnosti pn,měrů nehude pravdivá, pak tuto skutečnost zachytí pouze čitatel ve

vztahu (16.9), jmenovatele se tato změna netkne.

225
224
 ,
Z tabulky 16.3 vypocteme poťre bné veličiny pro vlastní analýzu rozptylu:
16,2 Dvoufaktorová analýza rozptylu bez opakování
4 , 4 ,
4' ,
2::2::", = 6, N =20, 2::2::",; = 1340, 2::(2::11,)- = 5684,
1,--1 }'-I rl J",j I_I J-I
působení
faktorů na sledovanou veličinu, přičemž prvni faktor je sledován na
Pomocí dvou faktorové analýzy rozptylu bez opakováni vyhodnocujeme dvou
6' k úrovni ch, druhý faktor
Q = 1340 - 20 = 1338,2,
na fl úrovních. Důležilým předpokJadem
je vzájemná nezávislost obou že jde faktorů, řikáme,
~'_ = 1135,0, o model bez interakce Jestliže existuje interakce, je zvolit model s opakováním. třeba Řešeni
O _ 5684 _
-, - 5 20 se opirá ro7plylu
analýzou o rozkJadzavedeme
celkového označeni:a
totorozplylu F Ve s jednot;1ktorovou výpočet veličin shodě
-, = 1338,2 -- 1135,0 = 203,2 .
O
"
T a bulka 164 Vlastní tabulka analýzy rozptylu
L;x,
x, ::: J-_'__
fl
Počet stupňů j'
Zdroj měnlivosti Součet čtverců Průměrný čtverec (16.11)
Mezi katalyzátory
volnosti
3 1135,0 378,3
F
29,79 X :::
"x
L..,
1..-_'_ 'I

Uvnitř skupin 16 203,2 12,7 X I k'

Celkem 19 1338,2 70,4 X (16.12)

V tabulkách je nalezena kritická hodnota Fo,o~ (:~měrů' zamítáme. Dnlh použítého

6) - 3 239 . Vypočtená hodnota leží
X :::: X == "'1 l ' I

P, ou spotřebu suroviny.
. a roto hypotézu o rovnosti fI.k
v krítícké oblasti,
katalyzátonJ má vlív na mem , I" , F (1613)
It: II J: "
Konstatova I,I Jsme,
. že změnu ,
ve s kupmovy
'ch průmerec
' h zac hytí čitatel ve ve Icme . Q= L;L;(x" -i')' = L;L;(x, -x, -XI +x+x, -x+x) -x)' =
1=:1 ,- t ,,.,-1 J'-'/

Platí vztah (16.10) k " k II

.. '2 :::; (J2u + n.U;, • kde = "L;(x, - x)' + kL; Ci- I .. x)' + L;L;(x, - x, _X -1 x)' =
I
"1 '''I 1'-1 .=1 J"'!
= Q, + Q, +
, znači rozptyl uvnitř skupin (odhad chyby, s," ) ' Q" kde
(1614)
SOučet čtverců, který vede k celkovému rozptylu,
(Ju . ,

a;' vyjadřuje rozptyl mezi skupmamJ. Q je celkový

Q, je součet člverců, který vede k rozptylu mezi průměry x, ,
"klad 16 . I lze dále
P ro pn určit: Q, je součet čtverců, který vede k rozptylu mezi průměry x I,

," -- a' + 5a'm = 378,3,

Q, vyjadřuje reziduálni součet čtverců a vede k reziduálnímu rozptylu.
jil II

S;2 =: 0"; : : 12,7 , tedy Pokud všechny veličiny sleduji N(x; jl; a'), pak lze ověřovat hypotézu o rovnosti
X'I

u'" -
2 _ 378,3-12,7 -7312
5
• ,
průměrů obdobně jako
dále uvedené vztahy' u jednofaktorové analýzy rozptylu. Pro slanovcní veličin F využiváme

'- '_Lr a' = 12 7 + 73,1 = 85,5 (celkový rozptyl).

ac-u" III ,

, "
l' rooz
85,5
° , 850/.o z celkového rozptylu pr'i padá na rozdl'I v pni'měrech
73 ' I - ,85 , lze "ne"' ze
t 'e ~--
h b s' 2 = _ Q=
LLx: -
II l' I
1'-'1 }'=k'-
n.
' kata Iyza't Oni') a 15% na náhodnou c y u.
(vhv /I.k -I l1.k .. I
, " (16.15)
L;(L;x,)'
,-,1 1'.1

tL- __l1.k
k -1
(16.16)

226

227
 n

L(L
t

X,)' (LLx,y
k n
-,---r - - - _. _.
I-!-___
J'=1 ,=1 j~l Lu
.., ,
2
321 221 430
T -
S"
,
= Q, _= _--'k'-__---,_-'n""'k.
n-I n-I
_ (16.17) , 972 X X
(LU,)' 49
''''1
81 324 454 X X

(16.18) Nyni v '

YPOcteme potřebné veličin _ '.
y soucty ctverců:

Pro vyhodnocení vlivu hodnocených faktorů využijeme veličin F: Q, = 2578 _ I~' _

3 12 - 838,00,
Q,= 454 - 16'
-=9217
S,2 4 12 "
F.2 = -'- (16.19)
S,2·
, Q, = 972 _ 257!! __45~ + '-ť _ 16'
3 4 12 - 20,50, Q =972-_ =950,67.
12
Ještě jednou zdůrazněme, že tento postup je možný pouze tehdy, jestliže efekty
Tabulka 16.7 VI
hodnocených faktorů jsou aditivní, což znamená, že rozdíl mezi efekty dvou úrovni prvniho astní tabulka analýzy rozotylu
faktoru je stejný na libovolných úrovních druhého faktoru. Jestliže toto neplatí, je nutné Zdroj Součet
-
uplatnít postup s opakováním. Postup této analýzy rozptylu ukážeme na příkladu 16.2. měnlivostí Počet stupňů
Průměrný
čtverců
Katalyzátor volnosti čtverec F
838,00
Příklad 16.2 Dvout:,ktorová analýza bez opakováni Zmitost 3
92,17 279,33 81,75
Reziduální 2
20,50 46,08 13,49
Na základě dat tabulky 16.5 zhodnoťte vliv katalyzátoru a jeho zrnitosti na měrnou Celkem 6 3,42
950,67 11 X
spotřebu suroviny. X X
..
Tabulka 16.5 Měrné spotřebv suroviny Kntlcke hodnoty jsou: F. (3 6) - 4 76
••05 , -, ;;;,., (2; 6) = 5,14
Zmilost Lze tedy říci, že je prokáz' r
Katalyzátor an v Iv typu katalyzátoru i zmitosti.
Z, Z, Z,
K, 0,56 0,50 0,60 16.3 Dvoufakt -
orova analýza s opakováním
K, 0,64 0,58 0,67
K, 0,45 0,44 0,46 . V řadě praktických aplikaci ' ,
mohli odhadnout rozpt I ch nem, splnen předpoklad aditivnosti fo o
K, 0,42 0,39 0,45 vyhodnocovaných fakt ~ yb,?' Je ,treba měření opakovat ,aktoru. Abychom
N = n.k.o měření kd oni na vsech urovních. To znamená ,pr~ vsechny kombinace
Tabulka 16.6 Příprava dat pro analýzu rozptylu popsat modelem :e tv::mbolem o Je vyjádren počet opakov,u;í ~ 'du?e":e muset provést
. . az y vysledek měření lze
, , 3
Xum==lJ+l;+V+!+e k
Z, Z, Z, LU,) Lil: (LU,j)' ) I) I)m) de
)"" i<:'l )=)
(1620)
K, 6 10 16 136 256 ; vyjadřuje efekt celého experimentu
K, 14
°
8 17 39 549 1521 , značí efekt i-té úrovně 1. faktoru '
K, -5 -6 -4 -15 77 225 ~ značí efekt .j-té úrovne' 2 .13
'ktOni'
K, -8 -11 -5 -24 210 576 ly představuje efekt interakce t:1ktOr~ na
, eym Je náhodná chyba.
daných úrovních,
LU, 7 -9 18 16 972 2578
,,,)

228

229
 QVímltn
-
Při tvorbě modelu sc vychází z předpokladu, že výsledky pozorování sledují normální
rozdělení se stejným rozptylem a pro všechny faktory, že jednotlivá pozorování jsou na sobě Zdroj
měnlivosti
Součet
čtverců
Počet stupňů
volnosti
Průměrný čtverec F
\,1?
nezávislá a že dále plati: Mezi
QI k-I \.'2 _ QI FI
. I
(1621) řádky '1 k S,2
1 r.
1 " Ir" kilO

1): = I.VJ = I.I.J'J

1-\ J Ii~l
= I.I.I.s,,,, = O.
,~I r-l rl tll-I
Mezi
sloupci Q, II .- I .\"2 , _
Q, F- ,
S,l
~--
\,,2
II . 1 'R
.,
Dá se dokázat (viz literatura (S)), že plati: Interakce (k 1).(11- I) .d Q" /';2
Sl2
( 16.22) Q" '\12 ::=:
(k I) (II I) s''!

Reziduální k.II.(o I) Qn "

Qn N k.1I
s'R X
N k.1I
(1623) Celkem Q N I X X

Příklad 16.3 Dvoufaktor' , rozptylu s opako ' ,

ova analyza

(J6.24) Údaje

( 1625) emJa ovpříkladu 16.2

Zm~ost
Katalyzátor

Q" = o
. "
I. I.(X'i -x, -x, +X)2 =
,,,,1 J"'\
K,
K,
6
14
Zl
7
15 13
8 O
8
Z,

7
1 3
8
10
17
Z,
9
18
11
18
.I: "o Ir n o
(J626) K, -3 -5
I.I.(I.X'Jm/ I.(I.I.X;,j -5 -7 -8 -6 -4 -3 -4

: : ; - - - - - ---
,_ I )"'1 171,,"1 ,,-1 )':1", I
11.0
K. -8 -7 -6 -11 -9 -9 -5 -6 -4
o

L L (~:>'Jm)'
Na
4 zákl
, ade
3 Y . pnstoupime v výpočtu d t d
" dat tabulk 16 JO"'

(16.27) = 21' + 42 + 30' + 42' a o tabulky analýzy rozptylu.

, I rl ml +",+(_29)' +(- 15)' = 8679

0- 63 2
počet stupňů volnosti u ínterakce je (k _1).(11-1) a u reziduálniho rozptylu k.I1.(O -I).
•
_ - 2923 - - = 281275

případě tři veličiny výpočtu

36 "

uspořádání výsledků můžeme vytvořit

Pro hodnocení budou v tomto hodnoty Fisherovy ji. K slouží I_ 23199 63'
Q - . - - - - - = 2467 42
speciálni programy. Obvyklé je v tabulce, kterou též 9 36 •
2
_ 3845 63
pomocí tabolkového procesoru EXCEL. Q, - -----=21017
12 36 "
QJI = 2923 _ 8679
- = 30
3 '
Q" = 2812,75- 2467 ,42- 210,17 -30,00= 105 16 . .

231

230
Tabulka 16.11 Tabulka pr!L'di1.očet hodnot pro analýzu roz-J!!)1u s opakovánim
n

,, , ,, L8.
Z, I Z, Z, LL ",m LL
3
ll'
'lm (LL "lJfN )2 Xy -x, ~t::'I- J"J
n
J"'I ni'"! }-'I ",,,I )'::1 m=! (16.31)
K, 21 4 30 55 461 3025
K,
K,
42 23 53 118 1704 13924
k
Q'=LL(x,,-X')'~L~
II k - LI:.' n l'
K,
-20
-21
-13
-29
-12
-15
-45
-65
249
509
2025
4225
I-I Jl L-
I-I 1"',1
8, -!.C'
~ II
•
J' (16.32)
, , I 1
LLm-'
,~I
1I,)m 22 -15 56 63
I 2923 23199

, , --

LL ": m 1026 531 1366 2923

, ,
,I m I

(LL
,=1 /71""'1
tl
,m
)' 484 225 3136 3845

Tabulka J 6.12 Vlastní tabulka analýzy rozptylu s opakováním

Počet stupňů Průměmý

Zdroj měnlivosti Součet čtverců F
volnosti čtverec
Mezi řádky
2467,42 3 882,47 657,98
IKatalvzátórl
M~~i SIOn~ci 210,17 2 105,08 84,06
Zrněni (1633)
Interakce 105,16 6 17,53 14,02
Reziduálni 30,00 24 1,25 X
Celkem 2812,75 35 X X Dále platí: E8 =0
• (důsledek náhodností chyb),
E8.~:::: (j2
l'~05(3;
. 24) = 3,01, F••,(2;
. 24) = 3,40, F••,(6;
. 24) = 2,51. I) t •

E(l· 8 ) = O .
" 'h pro J, < /, (důsledek nezávislosti měření).
Z výsledku vidíme, že všechny vypočtené hodnoty F překračují krítické hodnoty (leží

n~~ +0 -2 a: -0]= ~~ a:(n- I)

v kritické oblasti), a proto můžeme tvrdit, že hodnocené faktory mají vliv na měrnou spotřebu
suroviny. Vliv interakce nelze opomenout. E Q, = ti[a:
,-, r l
-1
n n L. L. -- - - = k.(lI-I).a'. (16.34)
"] i""l II e

Dodatek k 16. kapitole Odtud vidíme, že E - ~ = Es" = a' _ ,

k.(n-l) , , -a".
(J 6.35)
Ok
DU •
az, ze pIatl"SI2 = a ,(W,iI1
2 2
+ na meti =
2
Cf II -I- n.a 2
lll •

Nyni určíme E /) .
, n
"" .
Q'=LL(X,-XI)', (16.28)
- l·
1"'1 1'=1 x, =Jl+T, +_.!!.....
n
(16.29) Je k II

n
_ "1'
L. I " "
~L.E'J
= II + ~ + _'~~~
Le, (16.30)
X
k n.k (16.36)
XI :::: J.l + 1; + ..!.=!..._-,
n

232
2JJ
 "
Q, = LL(x, ·
._1 }-I
.
-rl' = Ln.(r, -rl' =
,,,,I
16.2 Zhodnoťte vliv karbidových
zadány v tabulce 16.14.
'
peCl a směny na kvalitu karbidu vápníku. Udaje jsou

e
=Il
i
"='1'
)[r _t.r,]+[t,eij
k
_tt. ,])'
II nk
=
Tabulka 16.14 K

Pec
r k b
va Ita ar idu vál1níku (Jitry acetylenuLj!l.\lno!l<Lkg karbiillLvápníkul

Směna
1 2 3
1 4
274,5 275,4 274,6
2 276,1
276,5
, Ll; ." LLe,
'][ L~"J
." I' [ LT, " LLe,
277,1 275,8

[ ']' [ ."] 3 277,3

280,1 281,3
_ "1', - -,,,,I- -
-n·LJ +-2 L...J ~
II "
L.J&;}
,::"-1 jo,]
---- + 2 7',--,,=1-- __
r·1
o -
, I J-I
- - - • (16.37) 4 279,6
280,0 280,0
,,,,I k n 1:1 ]=-1 k k II Il.k 278,8 278,9 279,8
16.3
Zhodnoťte vliv dodavatele surovin a d h ti ".
Protože plati
k
Ll; = O, lze dále psát: v produktu (kvalita produk1~). y ru u dtraclll placlletky na obsah účinné latky
p::]

Tabulka 16.15 Obsah účinné látky v produktu v %

(16.38) Dodavatel Druh filtrační plachetky

P1 P2 P3 P4
97,2 97,5 97,4
D1 97,3
96,9 96,9 97,0 97,1
97,3 96,8 97,0 97,0
(16.39) 97,4 97,5 97,0
D2 97,4
96,9 97,1 97,3 97,5
97,6 97,4 97,5 97,2
97,4 97,3
E i?L
k-I = Es"I = IlU'T + u'e = IlU' + u'II . D3 97,2 97,4
97,3 97,2
ni 97,6 97,4
97,5 97,6 97,3 97,4

Kontrolní otázky a úlohy

16.1 Na základě dat tabulky 16.13 posuďte, zda existují rozdíly ve výkonech (kg/hod) šesti
karbídových pecí. U každé pece je zaznamenám průměrný hodinový výkon z denní
produkce v průběhu jednoho týdne.

Tabulka 16.13 fIodínový výkon karbído..vých pecí

Den v týdnu
Pec
1 2 3 4 5 6 7
1 1274 1278 1283 1280 1279 1276 1280
2 1282 1277 1285 1276 1280 1285 1279
3 1278 1279 1281 1280 1280 1278 1276
4 1285 1288 1276 1283 1283 1270 1284
5 1277 1279 1276 1280 1280 1278 1281
6 1282 1280 1284 1281 1281 1282 1278

234
235
17. METODY PLÁNOVÁNÍ EXPERIMENTU
Ve třetí etapě jde o podrobnou anal' :. " o

sledovan~m výsledkem v oblasti kd yzu vZ~Jem,ny~h vzt~hu mezi významní'mi fakto .

o staclonami oblastí) tam take' I' ,. e se kmenaln. vehcma jen málo mění (ml ,ry a
Zejména v oblasli chemického výzkumu je využitelná metoda plánovaného experimentu.
Jde o metodu, která dovoluje vyhodnocovat řadu faktoru, které působi na výkon výrobního
I " "
~ na ,:zem predp.su pro plochu čí nadplochu (ob
rotoze se v této etapě jíž 'edn' '"
tt
eZI optunalní v' I d k M uv, se
e e · atematícky formulováno jde
vy e po lynomu druhého či třctího '
zařízení, kvalitu výrobku, nákladovost ve výrobě apod., a to s relatívně malým množstvím
experimentů. Je to takový statistický postup řešení, kdy ke stanovenému cíli dojdeme :,ětšině případll polynom dr~hél.~ s~u~~et~~~:el~t~vn~
ena
malé ,výsledkové plochy, po::~ft~e
nejrychleji a kdy na základě modelového přístupu lze řešit optímalizaci výrobniho procesu za mter~~čni efekty vyhodnocovaných fakt~ru K t ~:,z~ muslm~ určitlíneámí, kvadratické a
měnících se kriteriálních i omezujicích podmínek. Tohoto požadavku nelze dosáhnout spinem tohoto úkolu se používají slo' , komu J'Z taktorove pokusy typu 2" nestačí Ke
' zene po nsy nebo rotační poknsy. .
tradičními postupy experimentování. Mnohde je stále zaběhnutý postup, kdy při studiu
působení řady faktorů na hodnocenou velíčinu se mění pouze jeden faktor a ostatní se , Naznačený postup není vymezen ouze . ,
ponechávají na konstantní úrovni, pak se mění druhý faktor pří konstantní úrovní ostatních VY~J:umIL Pnnc.p lze uplatnit i v prum!slové v~~~b~blast laboratorlllho čí poloprovozního
faktoru atd. Při moderním způsobu experimentování se měni úroveň všech faktoru. ma e: a, to proto, aby nedošlo k ohroženi ' b'~ S tou vanantou, že zrněny faktorů jsou
oznacelllm metoda EVOP (evolučni plánová:J;o n. o procesu. Tento postup je znám pod
Při řešení daného úkolu pomoci experimentu je nutné před jeho prováděním vyřešit řadu
otázek jako: ~í1em této drobné kapitoly je, vzhledem
poukazat na možnosti využití metod I' k pr?filu absolventa studovaného oboru pouze
tech I 'ký Y P anovaneho ex . ,
jaké faktory mají být zahrnuty do zkoumání,
v jakém rozmezí mají být tyto faktory měněny,
no og.c ch podmínek. Výsledkem zko "
model podle kterého bychom měli vyr'b't t malll
h penmentu pro stanoveni vhodných
tec nologíckých podmínek by tedy měl být
vs~upní parametry (např. čistota surov~n;) ~~~tobma~zovat výrobní proces). Jestliže se změní
jaké jsou vztahy mezi samotnými vyhodnocovanými faktory,
kolik experimentů lze provést, te '! ideálním stavem stanovení parametrů' kt I, yc ?m ul~ět na tyto změny reagovat Není
jaká je přesnost jednotlivých veličin. s ~r~depsanýmí parametry pak neumíme b~z n~re mus~,,:~ vzdy splnít Pří nedostatku surovin
Jeste s~hopni splnit požadavky odběrater? Z ode~u reslt otazku, zda vyrábět čí nikoli. Jsme
Pří moderním přístupu k řešení konkrétních praktických úkolů je prvním cílem výzkumu usnadm dobrý model daného výrobníhu pr~~cs: Ja ou cenu? Odpověd' na tuto otázku nám
studovaného procesu stanovení matematického modelu. Je zřejmé, že tento model v
praktických podmínkách nemůže obsáhnout všechny faktory, které v daném procesu existují.
Takový model by byl značně rozsáhlý a kladl by často nesplnitelné požadavky na přesnost
měření. Reálný postup je takový, že po zjištění významných faktoru se sestaví zjednodušený
počáteční model, který se v dalšim postupu zpřesňuje až se získá model, který dobře vystíhuje
chování hodnocených faktoru. Tento model je pak základem pro vymezení optímálních
technologíckých podmínek konkrétního výrobního procesu.

Postup tvorby modelu lze v podstatě rozdělít do tří etap. V první etapě jde o to nalézt
takové faktory, které se významně podílejí na pruběhu studovaného procesu. Této etapě se
říká "proséváníll a postupu experimentování s jeho vyhodnocováním se říká prosévací pokus.

Po stanovení významných faktoru, které působí na zkoumaný proces se pak dostáváme

do druhé etapy, během které jde o nalezení oblasti, ve které leží hledaný optímální výsledek
vzhledem ke stanovené kriteriální funkci. Tato oblast je charakterízována určitou kombinací
vyhodnocovaných veličin (faktoru). Z matematického hlediska jde o to prozkoumat
vícefaktorový prostor a v něm nalézt takový směr, ve kterém stanovené kritérium dosahuje
lepšich hodnot (např. roste kvalíta produkce, roste výkon výrobního zařízení, klesá obsah
nečístot apod.). Pro tuto etapu se hodí taková schémata pokusů, která se daji snadno
doplňovat a zaručí maxímální spolehlívost pro odhad lineárních efektů faktoru. Tento
požadavek dobře splňují úplné faktorové pokusy typu 2" a jejich krácené varianty. Název
tohoto typu experimentů je odvozen od toho, že sledované faktory se obměňují na dvou
úrovních, a to horní a dolní. Tyto úrovně lze transformovat na hodnoty -I resp. + I. Tato
transformace pak značně zjednoduší výpočet a hodnocení modelu (II je počet
vyhodnocovaných faktoru).

236
237
 x )OI.J1

1/ fl; II, 5.7 Y 5(\091-;- 14T! x

O,S500
i-l jl ! I

2.2 N o'l--bQ i
6. Ji
Ci
fl lbi c(J.
Q
y
ternpo rľí~~tu O,g~{\
3.1 N"hradime-li každý prúrn{rovaný čkn p,ilmčrern, sooón hodnot se nesmi zmčnit. Podk Gomrícrtzow~ kh v1<.a:
PacrlReedova khvka:
tohoto pr{Íll1čru se stanoví prlln'lčrné tempo rústu. ,(;'1 5)644>~, a\ 1,66433 (' ('J" (Jc" "
"1 1)/1),), (ll . 0,0)083,
::'.2 Ivlodus a medián lcž,Í napravo od prúmčru, pjati vztah x < me <: n!o. 6,82875, tl;, .--. 0,41'773,
:~.3 a) x 154:1, tnc 1541, n!o 1537, levostranné rozdt~JeJli c:etností., 0,0162.2, .(\00469,
'\'3 "e 7,24648, c 0,63079,
b) ,f 1600, me 1588, lIlO nemá vS1znan1; jek () dvouvrcholové rozdělení četností, 0,01153, 0,4.5187,
b 0,080296'1,
c) x 1566, me 1558, mu :;'.- 1546., levostranné rozděleni četností. 0,0338233,
28908:J9,
a 0,0036337 .
U všech hodnot by musel b~'l ča:) při zjišťování v~'konú stcjn~l.

II

(y (x, xl'
ns/o " 1)) -~ )'
II
A x A
4.1 ..
l~(v, '~l Ir
'.'
'
" " .. ) J ..... ) h (J,

;2,260, s, 0,0856, Je nutné spodtat 1: pak J" 1,025 1,035.0,990.

y 5,588, !;',I' 0,188i. V hodnotov6rn vyjádj'ení I", -1,020 1,143, 0,892.
4.4 .\'252,07, ,"'.\' 1,564, :> .s'x 4,692.
Váhu-je nutné sdidit na 254,7 g.
9,1
,v)(~) 12, V;(4) 16, C(4) 6, (4) 10.
9.2
~Jlona vede,; na gconwtrickou pravdc:podobnosi vše '1 . . .. _' '"
5.1 fl y ;? lh "~o r o stranó 60 rnimlj: -P'ř:znivé 1)':-:jo'l j. ' __ . '
1
.~' .'
'- G my moznc pnpady vyplní Uvcrc_c
>. ! -'. 1. , ,"cy
llJU$l splnovaí. po~~ada\'clc h,: rOI,diI v prichodech
Lineúrní i/zlnh neexistuje., nízká úroveú dat, lna,l~i počet rr1l~rcní pro zkournnnou závislost,
l1cpřckro6í 20 minuL, tedy mw;í nlatit '';-e i ,e ,I"" .<. ')() 1-;;"ldVll(,'I)'
..' ". (j( I." ,,-
neodstranéi1)! (\a~)ov~! posun údajtJ, prckryti vIi Vel, nunlerická chybn. • . , . , f •• ", ,-' _" .' ('I·.:r)(',s'('
'" .. 'Ií'
~;C',qru,.Je ,)
5.3 i,·t)! rádek v lnatici iná tvar: 1; )( Pravděpodobnost pnchodu ve skin\/ okarn-řii, je nnlo\I:\ 9
9.3 p-(u) 0, 1, " .I .,1\." /("

\.4 Xl 80,68 0,:133 X 123 ,+ 1,33 Xl,)'

0,212, 0"i 19, 9.3 e
II I),
,j'
.í
A1)
19 "\
;1
0,408, OJVl6.
r 12 , 1\ (y..

97,42 lJ2,"l961.Y, r . O,9i3,

x 0,0]/152, s'.\' (\003048,
II
J
"
lineární rnodcl není vhocl.n)!.
.1 J li e xi)
.9 __ L;
5.6 r ·_·O)lÚ8, 17;, 0.58:33 ,9
JO.2 II 40
y ---3\\0779 -l 0,385825 x 0,0009325 O:,; 0,0408, a.:
Toto HďJ-?,déicni bude
] O. '3 Vzhlcdern k j.)()drn{nkúrn zadáni úlohu lze {cX~jt pomod t)oissomw{l nixdélcní:
1.3,i)
J) 0,,9084, (P 0.,80(9). n;\,hndn.<r, .,
~;)i]nO\ij~nc

/
10. 1 0.. 05; 0)1\ 0,018'7. téchr.o
pob:u s
10.5 Využitím lnornentové vytvořující dostanunc V)fslcdek: 1 .'., é
( ..J.U
+ o.~).
ll!: Výkony obou linek
106 cr 0.7')2.
(/ 0,05.
10.7 \"yrovnané cetnosti jsou:
59,9; 48,.4; 39,1, 3 '1,6; , 20,6; JOJ; 19."/: 4,4; ), 0,\06. sérii

I l. 1 Postup j)(-.::ní spnívn)l, nejde o prost)1 náhodll)1 v~!bór.

'11.2 Ano, ale. jen p6 bezchybnérn prorněřcní všech jcejnotd<. I.ákladn.ího souboru.
II Mohlo by :)c jednat o)oO(:'"\~ kontrolu, ale jen v případě, že. nc.cxjsíu.i(~ variabilita
hodnoceného z.naku uvnitř kaž.dé cisterny, COl není v praxi reálné,
11.4 Phbližn)! výpoči.crn dom'ancmc. X;;(41) 0,0268,
IU Přibli;,nýrn V)'počtem dostaneme Zl:,O;, (41) 56;94" X~;,(J: (41) 64,97 ;
] Okladných znarné1wk 8 '1 ., ' 1 '
. " Z'PO!IlYC 1/,namenck.
správné hodnoty j80U (A 1) ~~6,94; (4i) 64,95
t 1.6 Rozdčlcmi v;!\)črových prúrl1črú nehude vzdálc.n6 nonnálnírnu rozdčlení, více říci nelze.

S(!) 101.), 0(8+) ••.. 22,951, II 0,697.

12. j Není. \l:vdatn)/lYl odhadenl je jeho převnkc.ná hodnota.

,
mnL /I
ln L /I. In í! í!j'-:: x, 1I"~
LI x, ' 14.1 Pi'i W,>
je to n(~j110žl1é, i\A" l'
ic] F.l ,nnJfJ1f\ lZace poUu 7"11("'1.-'" .,' ""
.[1'.11 .lG pn Benzeni na j!
W . , ' .'" ,. '. ',1
J,') ,
Je tO lllozne pn seúz.c-ni na Ji'!"

x: lY
1 je (o Jlložné, je vúle v scnzeni od 'I'
<:
12.3 Spolehlivost odhadu, PO(:c1 Elči'ení, variabilita v základniJn souboru, ':) . Tato v\1Je je chína hOl!íl0t()ll
6(j" 'f'
12.11 iZcšení je ze v:r.tahu (12.45) l\
2
X 14.2 Statistická rcO'uhce :" j' ,_
6 T ~ ( /' Je v ~~srllc síaust1C;kym tCst(~n1 v graHcké pod()h(~
v . " • ,

Jí'
, odtud: , "-, ,jim tl 0,8463. .. "
II (r tJ f}
Xl; "

I[ Lil] g,
nerač·n1m postupem zjistirne, že je potřeba asi :}'/O mčřeni. Xi! 40,582, RIi !.,óS9, Rl) "
u.
14,4 Pll )) 0,012'1 :1
J2·1. 0,98"76
0,0124t 0,0175,
40
.13.1 Ff,)nnulováni nulové hypotézy, stanovení konkurující hypotézy, ur(,Sení hladiny Pl! (0)99
Pl' O.
vi'zflarnnosti a, zvoleni vhodné testové dl(l,raktcrístiky (typ pravdčpodobnostniho
rozdčkní), lj,tštčni kritické hodnoty, závčr z testu
13.2 Pravděpodobnost zamítnutí nulo\/ó hypotézy v pn pf-ldó.. l.e je pravdivá. Jednou 1: . J
l. Hl0JJj,osti je zV)f.š"it pučet mě.ření.
i 3.3 Ano, .ií.~ to mo/.né. J5.2
13,4 X.J c-: 2,20; (JO 2) 15,2, Pi'"cdpoklad o existenci exponenciálniho rozdt~lcni nelze
zamitnout. Ztrácíme dva stupu6 volnosti vl.hledem k' tomu, že ~,('. j j.3

o jcdnoparametrick6 rozdělení. ]S.4

b) /I ti 1,9250, x- 1(' 1
.') J
c) .Y:>
x>' 987,89.

IAO
)·ll
[Cl. JednoEddorová analýza rozptylu. Pro i e v tomlO niíkladu vhodne všcc[ll1V iJ
hodnoty zrnenšit 01280. Pro tyto hodnoty.Je tó> uvolen v)is"lcdck
(l.(J"i OA(W,C.I 1.% ()AhD:~ (j"jWH'i
() ,o;> O.r!Yl\JS 1:.l2 (UtOG~'~\ (),4i:\UJ i)/;9L;(iO
o.ľn O.O'i'IM '1,33 G.,l!)i;?" O.·HG'I;; IH~";G!3

O.lH C,ť)'IG0G I .• l-'J OAmJ<:,'\ O.l:7G"íO O.,ir):'1l:;

0.0(; (l.OlS9,j (UO 0.2l·;80'-\ 1.31; OA1'i49 Oo47{;:;
o.()[) o.onw ;UI ()Aj1'i~i DAnw O.'\T!"(i; OA9i3GS
(Uf! O.02"iSO O.'fJ 0.26;\;'·1 OA1"G(i OA/fl31 fIA9G;W
O.Oh O.O:JiN~ Ol:) 0';'16/1 O,l"j():,;!
Q.O\! () Jr.)~j[IO (),l:; O:XifUi OA'ITI/: OA((J::;;:
O.OJ!·.:n:j (U:; 0.;((33l 't!() OA'iWA /.OS ().,~7i!K: (j,;'»,i:,;;)
o.o-t:.'·)JO Ol(i O.?i'(:3í' IA'i (H7.0?:,! ;!.O(i úAgO:'; O,.1;;;;i)/!
O.O·i7f6 OJ( O.?'hl:l:~ '1,42 0.'1n20 :UJ! (lAB07"f O.ti!clGí',"
0,13 0,05177 IU8 O,CiH;!:>!) OAZl(-;·1 2.0g ,.,'.> O.'íiJ,-jl1:'i
(5,36) 2.. 48. 0:14 O.O~i~iSi' fUS O,2Hli?-1 1.1;·1 OA::S(j! ;um (J.'1g·i69 (i,t,!~G92

Z výsledku vypl)'vá, >e neni prokúzán významný rozdíl ve výl((\l1cch kHd);dových pecí. e O.1{i {i.(b~i62 rUIn O.28i1i'i 1.'15 0..,2647 2.10 0.'11121.-\ 0'1ino::'

i 6 2 DVOl1faktoroYá analý;,a rozptylu. Pro výpočet le provedena trausf()rntae O.H' li.OG',5[\ 0.10/1 (),-;9103 OAl/SC 2. j i 0."'825i C~ '-l~;'/ 'j 'I
O:ll 0.05"/40 D.g? O,?U389 lJl7 OA~~g;;? 2.12 O.'W:WO (),'!:ú':!iJ
u 'I (v" 2'/9).10. Výsledky isou uvedeny pro tuto trans(t)!'!),aci. O. Hl O.O"li4? ().8~j 0.2%"13 108 O.,130~m 2.13 OJl8J41 /...78 (lJ19"!2i3
0.19 0,OTG35 0.84 O.?\I!J5!j '1,49 OA3189 2.14 0.'18382 2."19 (',,4\r;:-;(-l
0.20 O.07D26 O()~i 0,302:)4 1,50 OA331U 0..18·122 <,,[IQ 0.4974'\
0.21 0.08317 0.86 0,30:)'11 15': OA3448 2.16 0.'18461 2.3': OA97(i2
o.n O,OSlOfl O.GY 0.::;078('; 1m O.<Í::;~;'(·',l 2.n OA8S00 ?3;: O/I!'l;'(}O
0:23 O.OG(}9(j 0.88 lU105} j,S:l 0.43689 2:W 0..18;>37 :~8J O..-í97GI'
0,7.-1 o.Gfwn 0.39 0,31327 i,!H 0,'l3Sn :I..'í9 0.'18574 0,49"17.-;
0.25 0.09871 O.f!O 0.:'I'I::i94 1.!iG 0.43\:'4:1 2,7.0 0.-13G1 0.4[H8i
{Uli 0,'10257 051'1 O.:JH,59 :.% OA'1Otl2 2.2'. O,4iJ6A0 OAH7Bll
0,2"1 o,-;aG~? 0.92 (U21:~1 157 0.4'11/9 2.22 O,4;)(i"/3 O.'1!'rf9S
0.7.8 o:li026 0.93 0.32:3B·1 158 OA.-Wl;j 2.n 0.487i<l 0.49BO'1
0.29 fI.n-m9 0.84 0.3263(-) 1.59 0.'1'11,03 2.7.,j 0.'11H45 OA98i)"1
O},O O:iH9i 0,96 0.32894 1,GO 0,44520 '.>.2!:; 0.48778 OA9813
0.3'1 O:12H2 0,!)6 O,33i1'( 1.61 0,1;4630 2.26 0.'16800 (l.-j(J(\HJ

0.32 O:12S(j2 O.D·j 0.3:3398 1,6? OA'l}:JS :<,;(1 OA8(l'W (l.49n;~5

0.33 O:i2930 O,ml O.3::l(W':i 1,(i3 0""'18,t5 2'?-$ OA8870 0/1933'1

;';"" (3,9) 0.34 0.1:l30r O,i)(-l 0,336:11 ·i.Citl 0..149:;0 OA8899 O/,9inG

významuě. pl\sobi
(),:-l5 0.13683 i,OO O.:-;tl1:l-1 i.(lf) O,4(i{)Sa 2.30 (l.489211 2,[J!; OA9Mi
Výsledek analýzy ukazuje, >0 druh pece na kvalitu karbidu vápnlku, O.::~6 O.'i40fi(l 1.0'j O.:J4;37~i 1.6l1 0.'15íS4 /.,:').] O.'1B9GG ()N!o'lG
O,:rt O.'I4>i3' ·I.O? O,3.-!614 '.Irl 0,45254 2.3? OA89i13 OA98iil
vliv druhu smčny nebyl prokázán. 0.38 0.1>1[\03 1.03 O.J4llS0 1.68 0.4r)35;~ 2,:n OJi\i010 0.'19D%
0.:39 O.151T~ 1.04 0.:"60(>:1 ·1.G0 OAli'149 2.34 O,4i)03G 0,491\6"1

16. Dvou1?Jdorová analýza rozptylu s opakovánim Pro výpočet ie pou>ito tran:;!ormacc: 0.110
0.'1'1
0:I!i(i42
O.1SHiO
1,0(;
I,OG
0.::;5:314
(J,3S54:J
1.7(J
"í"!1
0.45543
0.'1563/
2.3;~ OJl)()G'1
OA~;Ofj6
:\ O'J 0.·tS(~G';j

OA9BS6
0.16276 'UlY O,35'16B U2 O./i:'i/:W OA9'I')1 (l.499il:1
(x,;! 97,0).10.
0.166'1 103 O.3(i9~)3 Li3 0.'1!:iG'í8 ()."ť)'1 :~,! O,·1991~i

O.1"ro03 (),:;fi2'lti 'iď!4 O,'b~;Ol OA9'iSB ()..-W83'i

1l.17:)()'1 O.:j0'i3:~ OA5UN OA01[;()
fabull", 18. O,iin!; o.':GG~;O O.,WOf)() (jA92f.)',~ OAfl~;:)?

(J,"íJ308? O.:l(;!lt34 OAGIH 1).19'1.24 (jA~Xl(\O

O:i8-'139 O,3'íOi'G 1,/8 O.'!92t,(i

OAS 0,1$1(,::; 'i:I,·1 tL'ir?liG iJ9 O,·"D;;;Gn
O.í!n'~(\ 1.N: Otí!);!13i3
O:íiW·n (J,:f/ii9i) 1.11'1 0,'16'1{'\:; ?I:G
O,i91l-j'( 037~)(i8 GAG:,!)?
O,?O'194 í.H'· O.:!:;'íO!) i ,;)3 (I,·WG:·m Ok!9ir!
().;!U~'<10 ,19 O?('?\jS 0Af\h'i OA'nť.-\ o. ,~;9ú9

O:,:(mi.\<i (),~G71H I.Hr;:f/~)

0;;'1:22(; D,~:;g6i,~; (J.,m:'i'G

O.:,~'i!_;IiG OJe~ln O-'iGW('; 0.49·1'i:i
O.?H'(H o.:)(!OU~i O,f,15miS ;)i;i:!'i:,O (j,,'j()~),n

(2,24) \40. O ")f\Xi, 0.'r!Ci(i:~ (JAr>i,; .-;,Ii)

(I,.e/us GA(:W,j

Ze zkmlilH\ných 1?,ldOfl) .ie potyrz,cn vliv dodavatele, ostatní (1)\dmy nemají vliv na O.~~?S:r( ';;ii n.?,' (l', I (jA/'jll:, il."--(·J(';)'D
n.?~rDi O.:j97f';'i CiA!?';; i ':ji O.'1"Y,),,()

().:(:)ť;G~; 017:;:'(1
produktu. GX'i:)9'1 ':.:h; OAO'I-t7 OJii:::,í:O n.;;
 x/A
II
xUc O,O'II~j
;> O.OSA) O.OOOS (JODO? \.},oooo
'j 0,9:S53 0.982!; 0.9631 0.9385 C.H"j'81 OXNI'l 0.1344.2 O.nOf.l8 O.CH :38 0.0000
3 O.·j ;5'1;2 0,0028 0.0012
Q,97G9 0.9659 Q,95!,)3 0.0424 O.aOO2 0.0(0)
2 O.999a O.99as 0,9064 0.9921 0.fl769 ,1 O.OHLi
0.2[~5 'i 0.0049
3 i .0000 0.9999 0.9991 0,0090 O.$3~366 O.ODCl) 0.994·2- 0.9:109 ,
,)
0.445/
0, 'i7':~o 0.0996 0,0293 O.O·íS·l
OJ.l(ll'!
0,0037
().ooo~)
0.:\00/ O.H}·í2 t),OO2e
4- '1.0000 '1.0000 '1.0000 1.0000 0,0906 O.9flOG O.9f392 0.9966 p
" O ()O6~\ 0.449/
o.onI1 0.0375 O.OH)? 0.0016
r.l 1.0000 i .0000 '1.0000 1.0000 ·i.OOOO '1.0000 0,9999 O.99;Ji3 0.3'134 O.:;~()68 0,'130·1
"l O.llf4D 0.598} O.OIí5S O.O)[)f\
OA5~~O 0.3230 O.U'ian
:'S 0.84/2 O..?2G2 0.1 <')2 0.0540
0./20'1 0.592:; O.4b0,l (Ui3/A,
t? fUJ'iC'1 O<;\Y?tl 0.2320 0.0991:3
U.1~30[) 0.7·100 O.DSUD
'10 0.58/li- 0.45"19 O,:hOb
0.9574- (1,DO'íS O.B159 U.'fGS8 O.'; ·WS
xl iL 11 O.lOGO 0,5030 OA599
O.O/SB CUHG7 O.i38WI 0..25'17 O,-1134D
'f2 0,80dO O.696B
0.9:·)12 O.orlG O.bl03 0,:3532 O.267C
1 0.T125 0J353 U.688 0.6027 O.626f) 0.5818 O.6!j}B 0.5249 O.D362 O.ff75B O.7!316
I'" O.99G4 O.9B12 0.68B7 0,463'1 O.36:t'?
2 0.9371 0.0197 0.9004 0.8795 0.8571 0.83:3:3 0.8081l 0.1834 'j/.)
0.[;;658 O.D2Bi 0.86·15
O.99t")() 0.0043 0.7813 0,51'30 OAG5l
3 0,9865 0.9310 0.9743 U.9G62 0.9:369 0.9·463 U.9:144 0.9212 o.Gon O.95í3!i 0.9165
j r
. ,) 0.9095 0.9976 (),Bb40 0.b7h1 0.568·j
4 O,gnTI O.9S'63 0.9846 0.G823 0,9893 0.985/ 0.9814 0.8163 i,0
r'
O.B9'W 0.9780 O.SS·iCJ
0,9998 0,999 0.90"74- 0.7036 0.064'1
5 0.89G/ 0.8884 0.9999 O.B985 0.98/Il 0.9968 0.9955 0.9940 O.9903 0.9889 0.8730
1/ 0.9999 0.999[) 0.9441 0,8355 0.1489
6 i .0000 0.9999 0.8899 0.9997 0.9996 0.9994 09881 O.8GIl7 0.9984 0.9947 0.985/
Hl '1.0000 0.9909 0.9678 0.8905 0.6196
7 1.0000 1.0000 UlOOO 1.0000 0.9999 0.9999 0.9898 0.99n7 'j()
0.9993 0.09/(j O.9n2.8
'10000 i .0000 0.91l23 0.9302 0.a752
8 1.0000 1.0000 i 1.0000 1.0000 i .OUOO 1.0000 1.0000 0(109/ 0.9989 0.9965
20 1.0000 i .0000 0.9907 0.957:3 0.9170
0.9999 0,9990 0.09[34
21 'i. 0000 1.UOOO 0.9953 0,97:,)0 0.9469
1.0000 0.0998 O.99f;3
22 1.0000 1.0000 0.08n 0.9859 O.9G73
1.0000 O.S999 O.90:!1

r r
···r·-· . "'--,. -·'''1 23 (J.0890 0.9024
"'''-
1.0000
I xll i i .8 ·.··.·1 2.0 2.5 T
3.0
I

! 3.5
I
!
40 T 4.5 I 5.0 I
24
10000 ·1.0000 100UO O.99~19 0.9995
0.9805
0.1353 0.082i 0.013:1 O.Oi·j 1 i 6.003/ I 1.0000 1.0000 1.0000 0.9996 0.8805
O
1
0.1653
I 0.4628 0.4060 0.2313
0.0408
0.18rJ'i
0.0302
0.B59
•
0.0816 I 0.06i 1 1 0.(1Lf(14 !
i 25 1.0000 1.0000 U1000
·i.OOOO
1.0000
·I.UOOO
i .0000
0.0998
O.f)99fi
O (l998 0.988li
2 0.7306 0.670'1 I
0.5438 0.4232 0.3208 0.238i I O.rn8 0.i247 I 9.9089 0.993li

I 3 I O.H9·1:5 0.35/i 0.7516 0.6412

I
0.5:166 0.4,3315 0,3423I
I 0.532i I,, 0.4405 I
0.2650
4 0.8036 I 0.8473 I
0.88i 2 0.li153 0./254 0.62g8
r,)

li I 0.9974
O.08()6 0.9834
I
0.9580
0,9055 , 0.9858 , 0.9665
I
0.9101 0.85/0
0.9347
! 0,7851
0.8893 I
0.7029
0.8311
0.6100
0./622 II
.,, II 0.9994
I
O,99g9 I 0.9958 I
0.9881 0.9733 i, 0.9489 O.9i34 I 0.8660
0.8888 I 0.9902
I
II O.~)H9O 0.9998
I I
0,9981
0.9901
0.9967 I
0.8786
0.99H3
0.9597
0.0828 I 0.9310
0.9682
I
9
iO Ii ii .cono
.0000 1.0000
i .0000
1.0000
I
0.988B i
0.9991 0.9080
I
I 0.99'/2 0.8833 0.9863

I
I
II 1.0000 1.0000 1.0000
I I
0.9999 0.8997 0.B~;91 0.0976 0.9945
12
I 1.0000 1.0000 1.0000 1.0000
I
O.mlOO I 0.9997 0.80B2 U.891l0
I
'13 _,.1." 1.0000 i .0000 J
i.OOOO '1.0000 1.0000 L 0.9999 0.8991 L 0.9993
jJ i"iloha :1 hodnoty

19,33 '19/fl (ll)

1n,'Ít) 19,25 '\9,3
~\8,5'1 '19,00 3,9,~,
<3,85
9, '\.?, 0,0'1 'í
'10,'1 (\ 9,:2B 6,,09 6.04
C,3n 6,26 6.1C "
h
"7,71 G,9A, G,5D 1i-,gB
b,'19 f),O~~ 4,95 i ,I.~L:':
6,6i !}J9 b,«"i 4,?:'\ 4,1b
4,53 4,:1H J1",2B
r;,9~,} 5,'!4 4,'/6
4., c( 2: 3,97
3.-n
4,71:1. '1,,35 :.:',4.\(
b,32 3.60 3,58 3,!SO
4,46 4,07 3,134 3.23
5,'\2
3,'1·8 3,36 3,30
f.~,2.6 ~,SG 3,63
9 4,n6 3,33 3,22
3,71 0./j'!:)'1 ),'i'/2
íO 4,54 4,10
2,79 2,71 2,04-
3,29 3,00 2,90 O.43C .:2,2?,l
'15 4,3b 2>,08 2,()() 2,5'\ 2,4:>
3,10 2,87 2,7'1 OAOf!
20 4,24 3,49 2,42 2,:,3 2))
2,92 2,09 2.,00 n.3j)']
30 4,17 3,32 2,25 2,19
2,()1 2/;3 2,34
4,Oe 3,23 2.,8·4 2,'13 12 4 ..« 0.53.24 0.3"75 ?3a7
40 2,4·~i 2,29 2,20
3,18 2,79 2,56 2,'\0 13 5.01 0.5139 0,3()'1 ;~.426
[JO 4,03
2,40 2,2b 2,17
::',15 2,76 2,53 2,07 '14 5.63 0.4973 0.349 2,4n'i
00 4,00 2,23 2,14
2,74 2,50 2,37 ·i5
70 ~i,9S 3,13 2,'í3 2,00
2,'«9 2,33 2,2'1
go 3,96 3,11 2.73 2,1 'I 2,04
2,3~~ 2,2()
2,72 2,47 O.3Hj 2.!)Ei'i
no 3,'35 3,10
2,70 2\46 2.31 2,'19 ?:i O 2,03
O.3DQ 2,!ST!
100 3,D4 3,09 2.,06 1,98
4A2 2,26 2,14
3,04 2,m) 2,04, 1,97 2.600
200 3,89 2.,24 2,13
3,03 2,63 2,40 'I ,2,G23
300 3,87
400 ;2,644
0.2131 2.064
C.275 2.GB::;
2.701
2./'l'(

19,48 19,48 '19,49

19,44 '19,46 '19,1,7
2 '19,3b 19,4 ~o 8,sa í),57 2.02:1 0.3044 0.210
9,66 3,62 8 ,oJ,;'

3 9,B1 8.'111 5,70 5,68 S,G6 60 40.5 432 79. 'I B3,3 íG/1 2.000 0,2500 0.'1'1)
!),BO !),7 fJ !5,72-
6,00 6,86
4,4() 4,44 4,42 ,1,4-'\ '100 17,n '124.3 '129.6 l,nco 1.084 O,18bO 0,'\;:;4
4}4 4,50 4,50 3,7'1
4,T7 3,TI 3,75 3,73
4,00 ~),a7 3,8'1 3,27
4·,"\0 ::j,3? 3,20
3,!j~) 3,3(j 3,34
3,6e 3,63 3,02 2,00 2,07
3,1b 3,08 3,0 1; Kritické hodiiOLv rve
J l' v/La.hu
3,39 3,36 2Je 2,1G J
J

2,eG 2,33 2,80

3,'15 3,14 2/i!:- 2,O'j 2,50
2,n{) /:,(-)1(.
;?,,9B 2,'11 2,/0 2,'12
3,02 2,18 2, 'i ~~
2,25 ~~,20
2,::i9 ?S4 '1,93 '\ ,91
2,(H i ,89 '\,97
2,30 2,36 2,'1.2 'I )~?, 'I )0
í ,{H 1,'ln ci ,"76
2,2'\ 2,-16 '1,93 'j,b? í
'j ,Og 1,6(3
2,L~ I,oa 'j J)/f 1J4 '1,66 í ,52
'~'O 1,63 'j ,60
1IB '1 ,GS) 'lA8
~jO 2,07 2,03 '\ ,5G i ,52
1,r.:ó ~: . ~)~.j
"1,99 'i ,75 'i ,AS 'I
hO :2,04
Ul! i J2 '\,G2 '1,43
10 2,02 ·j,t.j·6
'\,"/0 1,00 '1,5A '1,4,1
BO 2,00 1,9!)
'l,69 'j ,53 'í ,49
'i ,99 '1,69 I 1,39
00 '1.57 1,52 ': Ag
'j ,D7 'i,93 'i /JB 'I ,:Oh
.; "J')
! !.),-
'\00 'j ,A,:,~
'1 ,GS '1,62 1,!.i2 "I )0
200 i ,93 'j ,40 L34
'1 fY! 'l,!.)(!
·j.Bc) I
300
4·00

),1 '?
 P(i)()ha (',

D" AI .A Ri)
O 0.6'142
O 0.7264
2.;28:< O
2,,'1 'jl;.

1.9?A
6 11\ í .í,i(,)4
'n
3 ~:'!.Í,

6 :')4
'í.
'10 86
12 325<3 0.7"/85 0.284 1.717 0.3557 0.'1540 0.9320
11 1!.Í/)
'13 ~s,33G O.n04 0.306 "1.692 0.361 :) D.1708 CL9412
12 230
'14 3.40/ 0.1630 0.329 'l.6i'i () .360 i i O. i BG3 0,9493
15 3.4T2 0.7:.'>62. tl348 1,652 0.5109 0.200li O.950S
2. I<ritick) počet sérií pro dan\/ poc:ct rnčření

[
1 ""2"'j'T1i301
······fi-···r·~;;;·~L-'~'·····'T"'A:,-I··;~·r·ř;·'T'

·1~88T'r·ÍJ.IÚ"j·ir";e:4'2. ·""·(/"i"':'i7i5B'·i
I 5 I i 2,~194 1.112:1 0.75 0.7236 O 2.092
6 4 ,1.880 0.720 I o:n 0.'1979 O 2.33
6.6'75 I 5 11.590 OS!I I 0.71 I 0.8401 O ..... J 2.128

~. ~;;~~-~~~g~~r~~~~~ ~.~~~'~~~~.
9 '1.11S 0.3"73 0.68 i 0.9027 O.ing '1.831
9 1094 0.531 I 0.01 II 6.9139 0.2211 .174

~~ ~~;~ "'1' ~;~~ ....j... ~.~~ "", ~~~t .I~~T~ .: .~~~

1
I.
1
12 0.925 0.200 0.65 0.9359 '11 0.346 "1 1.654
'i:) 0.884 I 0.249 0.65 0.94Hl 0.375 i .625

~;;,i~~~L'll ~~;~~~;.I~~~;~~ ~ ~~ ~;;; ,···1 "1' .•

:i; ~;~~ I ~;;~; ~:~;~;~~

: ~ ~:;~:~ 1 ~~;~~ ~:~~ ;;~~
I I, I

"1' I I,i 1[1 I

20 0.697 I 0.96'19 0.507 ..---1,.--- '1.493 .,[1
21 0,619 I (jS63i; O:S2014Ši'
22 O.GG2 Iii ,O.qG5f.~ 0.:);\-1 'j .469 II

23 ! 0,6'f7 i
.I 0,96/0 OS«~ 'j .157
;~4 0.632 0.9684 .. O_~152 1.4'-17 I
O,ťdf; ... ~ .!
1'"

26 __ "_W' 1--- O.96DG , O_!5G2 _L -1,43(3

j-
30 ! O.!:iG2 I i O.91!~e
00483 (),HS'! 1
,,I
,~O

!:;O O.tni : OJj9Sti-O

I !~)

'iOO ". _L. 0.302

0.350 ..I i O.D{KiO
C),\)92S
I.. I

248