Frekvenční rozdělení ve statistice: definice, příklady a použití

Rozdělení četností je ve statistice seznam hodnot, které proměnná nabývá ve vzorku. Obvykle se jedná o seznam uspořádaný podle množství. Ukáže, kolikrát se každá hodnota vyskytuje. Pokud například 100 lidí hodnotí na pětibodové Likertově škále svůj souhlas s výrokem na stupnici, na níž 1 znamená silný souhlas a 5 silný nesouhlas, může rozdělení četností jejich odpovědí vypadat takto:

Tato jednoduchá tabulka má dvě nevýhody. Pokud proměnná může nabývat spojitých hodnot místo diskrétních nebo pokud je počet možných hodnot příliš velký, je konstrukce tabulky obtížná, ne-li nemožná. V takových případech se používá poněkud jiné schéma založené na rozsahu hodnot. Uvažujeme-li například výšku studentů ve třídě, může tabulka četností vypadat následovně.

Co rozdělení četností obsahuje

• Absolutní četnost (ni) – počet pozorování pro danou hodnotu nebo interval.
• Relativní četnost (fi) – absolutní četnost dělená celkovým počtem pozorování: fi = ni / n. Vyjadřuje podíl celé skupiny.
• Procentuální četnost – relativní četnost v procentech: pi = 100 · fi.
• Kumulativní četnost (Fi) – součet absolutních četností až do dané hodnoty nebo intervalu; užitečná pro určení kvantilů.
• Hustota četnosti – u skupinovaných dat se používá ni / šířka intervalu (důležité, když intervaly mají různé šířky).

Příklad

Pro ilustraci diskrétního rozdělení četností (Likertova škála, n = 100):

• 1 (silný souhlas): 10
• 2: 20
• 3: 30
• 4: 25
• 5 (silný nesouhlas): 15

Z toho relativní četnosti jsou 0,10; 0,20; 0,30; 0,25; 0,15 a kumulativní četnosti 10; 30; 60; 85; 100.

Skupinování spojitých dat (třídění do intervalů)

U spojitých proměnných (např. výška, hmotnost, čas) nebo u velkého počtu různých hodnot se data rozdělí do tříd (intervalů). Základní kroky:

• Rozhodnout počet tříd (k). Obecná doporučení: Sturgesovo pravidlo k ≈ 1 + log2 n nebo prakticky 5–20 tříd v závislosti na n a rozptylu.
• Zjistit rozsah dat (max − min) a určit šířku třídy: šířka ≈ rozsah / k.
• Určit hraniční body tříd (dávat pozor na zaokrouhlování a na inkluze hranic: např. [150, 159.9], [160, 169.9] nebo 150–159, 160–169 apod.).
• Spočítat absolutní a relativní četnosti v každé třídě a případně hustotu četnosti (pro nerovnoměrné šířky tříd).

Grafické znázornění

• Histogram – pro spojitá nebo seskupená data; sousední sloupce se dotýkají; výška sloupce odpovídá hustotě nebo absolutní četnosti.
• Sloupcový graf (bar chart) – pro diskrétní nebo kategoriální data; sloupce jsou oddělené.
• Ogiva – křivka kumulativních četností, užitečná pro odhad kvantilů (medián, kvartily).
• Frekvenční polygon – lomená čára spojující střední body sloupců histogramu; vhodné pro porovnání rozdělení.

Význam a použití

Rozdělení četností je základní popisnou informací o datech a slouží k:

• rychlé orientaci v tvaru dat (symetrie, šikmost, vícečetnost režimů),
• identifikaci odlehlých hodnot a chyb v datech,
• výpočtu dalších statistických charakteristik (průměr, medián, rozptyl, kvartily),
• vizualizaci a prezentaci výsledků (ve vědeckých zprávách, prezentacích, při rozhodování),
• další analýze, např. odhadu hustoty rozdělení nebo testování normality.

Praktické tipy a úskalí

• Při volbě počtu tříd se vyhněte příliš mnoha (dat bude málo v každé třídě) i příliš málo třídám (ztratí se informace).
• U nerovnoměrných intervalů používejte místo absolutní četnosti hustotu (četnost/šířka), aby histogram správně odrážel rozložení.
• Jasně specifikujte, které hraniční hodnoty jsou zahrnuty (např. levostranně nebo pravostranně uzavřené intervaly), aby nedocházelo k dvojnásobnému započítání nebo opomenutí.
• Pro malé vzorky jsou výpočty relativních četností citlivé na jednotlivé pozorování; v interpretaci buďte opatrní.
• Pro automatizované výpočty a grafy lze použít nástroje jako Excel, R (funkce hist(), table(), cut()), Python (pandas, matplotlib, seaborn) apod.

Krátké shrnutí

Rozdělení četností shrnuje, jak jsou hodnoty proměnné rozloženy v datech. Může být diskrétní (jednotlivé hodnoty) nebo skupinové (intervaly). Zahrnuje absolutní, relativní a kumulativní četnosti a slouží k vizuálnímu i numerickému zhodnocení dat před další analýzou.