ZÁKLADY STATISTIKY

ZÁKLADY STATISTIKY 

You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com)

ZÁKLADY STATISTIKY 1 

strana 

Obsah .............................................................................................................................. 1 

I. teoretická část 

Práce s daty v softwarovém prostředí Microsoft Office Excel a Statistika 6.0 ............. 

1 Abecední slovníček vybraných termínů používaných ve statistice ……................. 2 

2 Koeficienty „efekt size“ jako vodítko pro posuzování věcné významnosti 

statisticky testovaných rozdílů ................................................................................... 14 

2.1 Korelační koeficient rP a rS ...................................................................................... 14 

2.2 Koeficient determinace d ........................................................................................ 16 

2.3 Další koeficienty efekt size - kritéria pro jejich výběr a hodnocení efektu ............ 17 

3 Microsoft Office Excel ................................................................................................ 22 

3.1 Představení ............................................................................................................ 22 

3.2 Příklad – Efekt dvouměsíčního intervenčního programu aerobiku na 

habituální pohybovou aktivitu děvčat ve věku 15-19 let ................................... 24 

3.2.1 Příprava dat do tabulky ................................................................................. 24 

3.2.2 Výpočet základních charakteristik (aritmetický průměr, směrodatná 

odchylka a korelační koeficient) …............................................................... 25 

4 Statistika 6.0 ................................................................................................................ 31 

4.1 Představení .............................................................................................................. 31 

4.2 Příprava dat to tabulky ............................................................................................ 31 

4.3 Uložení tabulky dat v Excelu a import do Statistiky ............................................. 34 

4.4 Výpočet základních popisných statistických proměnných ve Statistice ................. 36 

4.5 Použití ANOVY ve Statistice ................................................................................. 38 

4.5.1 Vytvoření identifikační (grupovací, faktorové) proměnné ........................... 38 

4.5.2 Výpočet ANOVY .......................................................................................... 40 

II. praktická část 

Ukázka použití statistického zpracování dat v konkrétním článku ……….….............. 

5 Příklad – Efekt dvouměsíčního intervenčního programu aerobiku na habituální 

pohybovou aktivitu děvčat ve věku 15-19 let ............................................................ 

5.1 Abstrakt ................................................................................................................... 44 

5.2 Abstract ................................................................................................................... 45 

5.3 Úvod ........................................................................................................................ 45 

5.4 Metodika ................................................................................................................. 47 

5.4.1 Účastníci ......................................................................................................... 47 

5.4.2 Přístroje a dotazníky ....................................................................................... 47 

5.4.3 Postup ....................................................…..................................................... 48 

5.4.4 Softwarové a statistické zpracování dat ......................................................... 49 

5.5 Výsledky ................................................................................................................. 49 

5.6 Diskuse .................................................................................................................... 53 

5.7 Limity a doporučení práce ...................................................................................... 55 

5.8 Závěry ..................................................................................................................... 55 

5.9 Referenční seznam .................................................................................................. 55 

You created this PDF from an application that is not licensed to print to novaPDF printer (http://www.novapdf.com) 

2 

44 

44


I teoretická část 

Práce s daty v softwarovém prostředí Microsoft Office Excel a Statistika 6.0 

1 Abecední slovníček vybraných termínů používaných ve statistice 

Analýza variance=rozptylu (jednofaktorová – ANOVA; vícefaktorová – MANOVA) 

Progresivní statistická metoda umožňující zjistit zda mezi dvěma nebo více metrickými 

proměnnými jsou významné rozdíly. Progresivita této metody spočívá ve skutečnosti, že 

nesrovnáváme přímo aritmetické průměry, ale rozptyly, které přesněji než aritmetický průměr 

charakterizují „rozptýlenost“ nebo „blízkost“ dat okolo aritmetického průměru. Základní 

myšlenkou analýzy variance je práce se dvěma rozpyly. Máme-li soubor metrických dat, který 

je rozdělěn do dvou či více skupin, pak můžeme vypočítat dva na sobě nezávislé odhady 

rozptylů: (a) mezi průměry skupin, (b) uvnitř skupin. Rozptyl uvnitř skupin lze vypočítat tak, 

že nejdříve vypočítáme rozptyly pro všechny skupiny a z nich pak určíme průměr. Tento 

rozptyl „uvnitř“ skupin je lepším a spolehlivějším odhadem, protože není ovlivněn možnými 

rozdíly mezi skupinami a je dán pouze náhodným kolísáním dat. Naproti tomu je rozptyl 

„mezi“ průměry skupin závislý na rozdílech mezi skupinami. Jestliže je rozptyl „mezi“ 

skupinami významně vyšší než rozptyl „uvnitř“ skupin, znamená to, že skupiny nejsou 

náhodnými výběry z téhož základního souboru (tzn. výsledky ve skupinách se statisticky 

významně liší). K objektivnímu posouzení poměru obou rozptylů se používá F-testu: 

rozptyl „mezi“ skupinami 

F přibližně platí, že při F 4 je p 0,05 

rozptyl „uvnitř“ skupin 

Podmínky užití analýzy variance jsou následující: 

o metrická data 

o náhodné rozdělení dat 

o homogenita (rovnost) rozptylu uvnitř skupin (ANOVA nevyžaduje stejné počty prvků n 

ve srovnávaných souborech. Avšak výrazná odlišnost v počtu prvků mezi srovnávanými 

soubory (n=30 n=500; n=80 n=1000) může narušit podmínku homogenity rozptylu 

uvnitř skupin. Proto se při plánování výzkumu snažme užívat alespoň přibližně stejně 

velké soubory (Lepš, 1996). 

Při nesplnění podmínek ANOVY lze použít neparametrickou obdobu – Kruskal-Wallisův test. 

Při testování vlivu jednoho faktoru, např. pohlaví, tělesné zdatnosti či věku, samostatně 

používáme jednofaktorovou analýzu variance (ANOVA). Při testování současného vlivu 

faktorů (např. pohlaví tělesná zdatnost, pohlaví věk, pohlaví tělesná zdatnost věk) 

využijeme vícefaktorovou analýzu variance (MANOVA). 

EXCEL: Vložit funkci Statistické FTEST 

STATISTICA: Statistika ANOVA jednofaktorová (vícefaktorová) ANOVA 

Aritmetický průměr 

„…je definován jako součet všech naměřených údajů vydělený jejich počtem“ (Hendl, 

2004, 93). Základní charakteristika míry polohy metrických dat (měření). 

M 

n 

 

i 

1 

n 

x 

i 

M - aritmetický průměr 

xi - naměřené hodnoty proměnné x 

n - počet prvků v souboru 



EXCEL: Vložit funkci Statistické PRŮMĚR 

STATISTICA: Statistika Základní statistiky/tabulky Popisné statistiky 

Hladina spolehlivosti 

je pravděpodobnost, s jakou zjistíme tytéž výsledky pro danou proměnnou při opakovaném 

provádění výběru z téhož základního souboru. Nejpoužívanější hladiny jsou 90 %, 95 % nebo 

99 %. Pracujeme-li s 95 % hladinou spolehlivosti, znamená to, že ze 100 opakovaných výběrů 

v 95 případech zjistíme tytéž výsledky pro danou proměnnou (Hendl, 2004; Chráska, 2000). 

Hladina významnosti 

„Rozhodování o platnosti nulové, resp. alternativní hypotézy má vždy pravděpodobnostní 

charakter…. Pravděpodobnost (riziko), že neoprávněně odmítneme nulovou hypotézu (a tudíž 

nesprávně přijmeme alternativní hypotézu) se nazývá hladina významnosti“ (Chráska, 2000, 

160). „Jestliže provedeme test významnosti na hladině významnosti 0,05, znamená to, že 

pravděpodobnost, že nesprávně přijmeme alternativní hypotézu je 5 % (jinak řečeno: nulovou 

hypotézu odmítáme s jistotou 95 %)“ (Chráska, 2000, 160). 

„…je pravděpodobnost, že se zamítne nulová hypotéza, ačkoliv ona platí. Tato hladina… 

se volí velmi malá, např. 0,05 nebo 0,01“ (Hendl, 2004, 177). 

Uvedeme-li, že testovaná proměnná je významná‚ na hladině pěti procent, myslíme tím, že 

pozorovaná odchylka od nuly bude překročena v méně než v pěti procentech podobných 

výběrů, je-li nulová hypotéza správná, popř. že si můžeme být jisti na 95 procent, že je 

nulová hypotéza nesprávná (Lindquist, 1967, 30). 

Dále podle Lindquista (1967, 30) platí, že při normálním rozložení dat musí být testovaná 

proměnná „…2,576krát větší než její standardní chyba, má-li být významná na 

jednoprocentní hladině, nebo 1,960krát větší než její standardní chyba, má-li být významná na 

pětiprocentní hladině“. 

Hypotéza 

Hypotéza vzniká na základě prostudované literatury, kdy je již čtenář zorientován ve 

sledované problematice a může si vytvořit „…předběžné názory na vazby mezi jednotlivými 

proměnnými, na kauzalitu studovaných jevů, na možná řešení zkoumaného problému“ 

(Pelikán, 2004, 42). Nikdy nemůžeme změřit, otestovat celou populaci (základní soubor), ale 

pouze její náhodně, záměrně, stratifikovaně či kontrolovaně vybranou část (Lindquist, 1967). 

Přesto nás zajímá jak by dopadlo měření kdybychom místo vybrané části testovali celou 

populaci. Také proto formulujeme hypotézy, abychom se pokoušeli zjištěné skutečnosti 

zobecňovat na celou populaci. Ukázkovými příklady jsou předvolební průzkumy, kde na 

základě dotazování u náhodné části populace se usuzuje na volební výsledky populace 

celorepublikové. Hypotéza je podle Pelikána (2004, 44) „…podmíněným výrokem o vztazích 

mezi dvěma nebo více proměnnými… hypotéza je vždy tvrzením, byť i podmíněně 

formulovaným“. Podle Chrásky (2000, 11) hypotézami rozumíme „…pokusné, předběžné, 

prozatímní odpovědi na položené otázky…. Hypotézy jsou predikcemi (předpověďmi o 

vztazích mezi proměnnými. Hypotéza tedy říká, že nastane-li jev A, nastane také jev B“. 

Hypotézy dělíme na hypotézy nulové a alternativní. „Nulová hypotéza je domněnka, která 

prostřednictvím statistických termínů tvrdí, že mezi proměnnými, které zkoumáme, není 

žádný vztah“ (Chráska, 2000, 159). Obsahuje termíny: neovlivňuje, neexistuje vztah, není 

rozdíl apod. Další podobou hypotézy je hypotéza alternativní. V její formulaci již badatel 

předpokládá významnou vazbu mezi proměnnými a může stanovovat i „směr“ ovlivnění 

prostřednictvím termínů: zvýší, sníží, nezvýší, nesníží, apod. 



Alternativní hypotéza H1 znamená situaci, kdy nulová hypotéza H0 neplatí. Obvykle se 

vyjadřuje jako ‚existence diference‘ mezi skupinami nebo ‚existence závislosti‘ mezi 

proměnnými. Nemusí jít o přesný logický opak nulové hypotézy, protože někdy máme 

důvod pracovat s tzv. jednostrannou alternativní hypotézou (jestliže nulová hypotéza říká, 

že neexistuje rozdíl mezi středními hodnotami pro dvě populace, pak jednostranná 

alternativní hypotéza může např. tvrdit, že druhá populace má střední hodnotu vyšší) 

(Hendl, 2004, 176-177). 

Gavora (2000, 53) stanovuje tzv. „zlatá pravidla hypotézy“. 

1. Hypotéza je tvrzení. Vyjadřuje se oznamovací větou. Na konci výzkumu musíme toto 

tvrzení přijmout (je to pravda) nebo vyvrátit (není to pravda). 

2. Hypotéza vyjadřuje vztah mezi dvěma proměnnými. 

3. Hypotéza se musí dát testovat (empiricky zkoumat). Její proměnné se musí dát měřit nebo 

kategorizovat. 

Frömel (2002) klade tyto hlavní požadavky na správnou formulaci hypotéz: 

vědeckost – cílem ověření hypotézy jsou nová fakta, která utvářejí základ nové vědecké 

teorie. V případě diplomových prací se však jedná většinou o potvrzení platné hypotézy 

v jiných podmínkách, ověření dílčích hypotéz. „Plodnost“ hypotézy je právě v přínosu 

nových poznatků, neměli by se proto objevovat hypotézy nelogické a tautologické. Výrok 

typu „zařazení posilovacích cvičení do tréninkového procesu basketbalistů zvýší silový 

základ a celkovou zdatnost hráčů“ je špatnou hypotézou a navíc hypotézou tautologického 

typu. Posilovací cvičení je určeno k tomu, aby zlepšilo silové schopnosti. Navíc jsou 

v hypotéze uvedené dvě závislé proměnné (silový základ a celková zdatnost). 

jednoznačnost – správná hypotéza je vždy založena na vztahu nezávisle a závisle 

proměnné. „Nezávisle proměnná je vlastnost (jev), která je příčinou nebo podmínkou 

vzniku jiné vlastnosti (jevu). Závisle proměnná je vlastnost, která je výsledkem 

(následkem, důsledkem) působení nezávisle proměnné“ (Chráska, 2000, 11). Proměnné 

jsou jednoznačně a jednosměrně vymezeny bez dalších doplňujících vazeb či podmínek. 

„Nestačí proměnnou pouze pojmenovat, ale je třeba ji jednoznačně vymezit (je třeba 

jednoznačně říci, co jí myslíme)“ (Chráska, 2000, 233). Nejstručněji vyjádřeno, když 

nastane A, změní se B nebo když nastane A, tak B bude lepší než.... Kerlinger (1972, 35) 

uvádí, že „...hypotézy jsou v podstatě predikcemi tvaru 'jestliže A, pak B které zavádíme, 

abychom ověřovali vztahy mezi A a B“. Zpravidla se jedná o jasně vymezený vztah 

(závislost, souvislost), rozdíl nebo shodu, případně důsledek nebo příčinu. Hypotéza nesmí 

formulačně umožňovat alternativní výklad. 

ověřitelnost – každou hypotézu musí být možno ověřit (nebo vyvrátit). Nejsou přípustné 

tzv. metafyzické hypotézy např. hypotéza o existenci Boha je metafyzickou hypotézou. 

Současnými „měřitelnými“ nástroji vědy nelze tuto hypotézu ověřit či vyvrátit. 

Neověřitelné hypotézy jsou např. pro dosud nevypracované potřebné výzkumné techniky, 

pro množství zcela nekontrolovatelných proměnných, pro nereálnost ověřování 

v přirozených podmínkách, z etických důvodů apod. 

Při uvedení hypotéz je pro jejich vyšší názornost a úplnost často vhodné doplnění o 

vysvětlující komentář obsahující např. stanovení hladiny statistické významnosti, na které 

budu tvrzení hypotézy vyvracet nebo přijímat, bližší charakteristiku proměnných, stanovení 

věcné (logické, empirické) významnosti rozdílů, apod. Pokud hypotéza obsahuje proměnnou 

např. „bolestivost“, „zkrácení“ (kterou určuje více charakteristik - například 3) je v komentáři 

nutné zdůraznit za jakých podmínek hypotézu potvrdím či nepotvrdím (např. u všech 3 

charakteristik najdu signifikantní rozdíl či stačí aby 2 ze 3 byly signifikantně rozdílné). 

„Diplomové práci prospěje, když jsou hypotézy doplněny zdůvodněním, popřípadě 

i doplňujícím výkladem. Jsou-li hypotézy vytčeny, musí být v práci uvedeno, zda byly 



potvrzeny nebo vyvráceny. Hypotézy nelze potvrzovat částečně, téměř, s výjimkami apod.“ 

Frömel, 2002, 33). 

Kruskal-Wallisův test 

Jedná se o neparametrickou verzi jednofaktorové analýzy variance ANOVA. Používá se 

při nesplnění podmínek pro použití ANOVY (nejen pro metrická data, která mají náhodné 

rozdělení a jejichž rozptyly „uvnitř“ skupin jsou přibližně stejné). Při použití Kruskal- 

Walisova testu „nulová hypotéza předpokládá, že měření ve skupinách mají stejné mediány“ 

(Hendl, 2004, 347). Protože pracujeme na úrovni ordinálního měření, nejdříve uspořádáme 

všechna data podle velikosti. Pak nahradíme jejich hodnoty pořadími a vypočítáme 

koeficienty SRi jako součty pořadí dat ve skupině i. Podle následujícího vzorce spočítáme 

tetsovací kritérium H, která udává rozdílnost aritmetických průměrů pořadí ve skupinách: 

H 

 

12 

 

1 

n n 

 

n 

 

 

 

 

SR 

n 

i 1 i 

i 

2 

 

 

 

3 

 

n 1 

přibližně platí, že při H 4 je p 0,05 

STATISTICA: Statistika Neparametrická statistika Porovnávání více nezávislých 

vzorků (skupiny) Kruskal-Wallisova ANOVA & mediánový test 

Mann-Whitneyův test 

Jedná se o neparametrickou obdobu T-testu pro nemetrická data. Slouží ke srovnání 

mediánů dvou nezávislých proměnných. Předpokladem je pouze skutečnost, že obě proměnné 

pocházejí ze dvou různých souborů (nemusí mít normální rozdělení dat). Nulovou hypotézu 

testujeme pomocí testového kritéria U, které vypočítáme z rovnice: 

n 1 

1 1 

U n1 

n2 

 

n 

2 

R 

1 

STATISTICA: Statistika Neparametrická statistika Porovnání dvou nezávislých 

vzorků (proměnné) Mann-Whitneyův U test 

Medián 

„…znamená hodnotu, jež dělí řadu podle velikosti seřazených výsledků na dvě stejně 

početné poloviny“ (Hendl, 2004, 94). Charakteristika míry, která se používá u ordinálních dat 

(měření). Na rozdíl od aritmetického průměru je medián málo citlivý k odlehlým hodnotám. 

EXCEL: Vložit funkci Statistické MEDIAN 


Měření (data) 

U - testové kritérium 

n1,2 - součet počtu pozorování 

první a druhé proměnné 

„…je přiřazování čísel předmětům nebo jevům podle pravidel“ (Kerlinger, 1972, 404). Při 

měření se v podstatě snažíme pozorovanou vlastnost jevu nebo předmětu vyjádřit pomocí 

číselné hodnoty. „Stanovení pravidla pro přiřazování je nejdůležitější a zároveň nejobtížnější 

částí měření“ (Chráska, 2000, 38). Při zkoumání reality se často setkáváme se situacemi, kdy 

Ri 

- součet pořadí první 

proměnné 



proměnnou, kterou chceme zachytit, nelze přímo měřit (tvořivost, nálada, subjektivní pocit 

bolesti pacienta, sebevědomí, apod.). V těchto případech měříme ukazatele (indikátory), které 

s velkou pravděpodobností s danou proměnnou souvisejí. 

Podle přiřazování čísel objektům a jevům rozlišujeme následující úrovně měření: 

nominální (klasifikace) – čísel se zde používá pouze pro označení proměnné např. 

označení pohlaví (1 – muž, 2 – žena), plavecké dovednosti (1 – plavec, 2 – neplavec), 

výskytu (1 – má, 2 – nemá). Nominální měření (data) umožňují „pouze“ třídění, čísla 

nemají kvantitativní význam, můžeme je nahradit písmeny nebo jinými symboly. POZOR 

nelze s nimi jako s čísly počítat. 

• použitelná statistika: modus, četnost jednotlivých číselných symbolů, sčítání četností 

v každé kategorii, frekvenční statistika chí-kvadrát 2 , výpočet procent % apod. 

ordinální (pořadí) – čísla se objektům přiřazují tak, že vyjadřují pořadí podle daného 

kritéria např. seřazení žáků podle tělesné výšky (1 – nejvyšší žák …28 – nejnižší žák ve 

třídě), pořadí zapojování svalů (1 – první, 2 – druhý… 9 – poslední). POZOR tato čísla 

však „…poskytují informaci pouze o pořadí měřených objektů, nikoli o velikostech rozdílů 

mezi nimi“ (Chráska, 2000, 40). 

• použitelná statistika: medián, kvartilová odchylka, Spearmanův koeficient pořadové 

korelace rS, Wilcoxonův párový test, Mann-Whitneyův U-test, Kruskal–Wallisův test. 

V některých případech se však používají i postupy, které předpokládají intervalové měření 

(aritmetický průměr, směrodatná odchylka apod.). 

intervalové – přiřazujeme čísla tak, že vyjadřují kvantitativní míru vlastnosti (jevu) i 

velikost rozdílů mezi nimi. Je zde definovaná jednotka měření, která však nemá přirozený 

nulový bod. Čísla získaná intervalovým měřením LZE sčítat +, odečítat - , NELZE je ale 

násobit a dělit: 

• použitelná statistika: aritmetický průměr, směrodatná odchylka, Pearsonův součinový 

korelační koeficient rP, Studentův t-test, F-test, analýza rozptylu atd. 

poměrové – přiřazené hodnoty čísel vyjadřují kvantitativní míru vlastnosti i velikosti 

násobků mezi nimi. Kromě přesně definované jednotky měření, zde existuje i přirozená 

nula. Lze využívat všech vlastností reálných čísel (+, -, · , :, 2 , √). „Jednotlivé výsledky 

poměrového měření lze srovnávat na základě otázek ‚o kolik‘, ale i ‚kolikrát‘“ (Chráska, 

2000, 41). Měření intervalová a poměrová se souborně označují jako měření metrická. 

• použitelná statistika: lze využít všech výše uvedených procedur. Použijeme-li však pro 

poměrová data postupy určené pro data ordinální nebo nominální, dochází vždy k určité 

ztrátě informace. 

Millova pravidla 

Ačkoli současná statistika umožňuje přesnější analýzu příčin a účinků jevů Millova 

pravidla (především pravidla jediné shody a jediného rozdílu) lze využít již při předběžných 

úvahách o možných příčinách určitých jevů a při plánování upořádání výzkumného projektu. 

pravidlo jediné shody – „Mají-li dva nebo více případů společnou jedinou okolnost, je 

právě tato okolnost příčinou nebo účinkem jevu…. Uplatňuje-li se u zkoumaných objektů 

jediný shodný zásah (ostatní podmínky přitom zůstávají nezměněny), potom můžeme 

předpokládat, že právě tento zásah je příčinou nebo účinkem změn, které u objektů 

pozorujeme“ (Chráska, 2004, 36). 

pravidlo jediného rozdílu – „Mají-li dva případy (jeden, v němž se zkoumaný jev 

vyskytuje, a druhý, v němž se nevyskytuje) všechny okolnosti společné až na jednu, která 

se objevuje jen v prvním případě, pak tato jediná okolnost, jíž se oba případy liší, je 

účinkem nebo příčinou… jevu“ (Chráska, 2004, 36). 

pravidlo kombinace shody a rozdílu – „Mají-li dva nebo více zkoumaných případů, 

v nichž se vyskytuje určitý jev, pouze jednu společnou okolnost, kdežto dva nebo více 



případů, v nichž se jev nevyskytuje, mají společné jenom to, že se u nich tato okolnost 

neobjevuje, pak právě tato okolnost, jíž se obě skupiny případů liší, je účinkem nebo 

příčinou… zkoumaného jevu“ (Chráska, 2004, 36). 

pravidlo sdružených změn – „Jestliže se určitý jev jakýmkoli způsobem mění a vždy se 

také mění jiný jev nějakým způsobem, pak je první jev příčinou nebo účinkem tohoto jevu, 

anebo je sním spojen nějakým příčinným vztahem“ (Chráska, 2004, 36-37). 

Model 

Zjednodušená grafická nebo slovní charakteristika použitých proměnných a jejich 

vzájemných vztahů. 

Modus 

Hodnota proměnné, která se v daném souboru vyskytuje nejčastěji. Charakteristika míry, 

která se používá u nominálních dat (měření). 

EXCEL: Vložit funkci Statistické MODE 


Post-hoc testy 

Při statistickém srovnávání aritmetických průměrů dvou proměnných nám výsledné testové 

kritérium (t – t-testu, F – ANOVY, T – Wilcoxonova testu, H – Kruskal-Wallisova, U – 

Mann-Whitneyho testu apod.) přímo vypovídá o statistické významnosti (či nevýznamnosti) 

rozdílů těchto proměnných. Avšak při statistickém srovnávání aritmetických průměrů více než 

dvou proměnných nás kromě výsledného testového kritéria především zajímá konkrétně mezi 

kterými aritmetickými průměry je či není statisticky významný rozdíl. K tomuto určení nám 

slouží post-hoc testy, které pomocí kombinační tabulky zobrazí hladiny statistické výzmanosti 

p mezi všemi aritmetickými průměry srovnávaných proměnných. Podle síly testu (od 

nejsilnějšího, nejkonzervativnějšího po nejměkčí, nejliberálnější) rozeznáváme: Scheffeho 

test, Tukeyův test, Bonferroniho test a Fischerův LSD test. Zvláštními případy jsou Duncanův 

test a HSD test při nestejných n. Neexistuje přesné, obecně platné pravidlo pro výběr 

konkrétního post-hoc testu k použití. Hendl (2004, 345) doporučuje „… použít test více 

konzervativní, jinak vzroste nekontrolovatelně pravděpodobnost chyby I. druhu“. 

STATISTICA: Statistika ANOVA jednofaktorová (vícefaktorová) ANOVA 

výběr proměnných a faktorů OK Více výsledků Post-hoc 

Pravděpodobnostní rozdělení dat (binomické, poissonovo a normální) 

Nám modelují, popisují, předpovídají náhodné chování proměnných. Lze je popsat pomocí 

pravděpodobnostní, distribuční či frekvenční funkce (frekvenčního histogramu) (Hendl, 

2004). Normální rozdělení se týká spojité proměnné, zatímco binomické a poissonovo 

rozdělení popisuje náhodné chování diskrétní proměnné. Použití některých statistických testů 

je podmíněno konkrétním typem rodělení dat. 

binomické rozdělení – modeluje chování četností prvků s pevně danou vlastností, které 

skončily… jež skončily specifikovaným výsledkem. Předpoklady pro vznik náhodné 

proměnné s binomickým rozdělením jsou podle Hendla (2004, 135) tyto: 

o provádíme n pozorování (nebo pokusů); 

o pozorování jsou nezávislá – znalost výsledku v jednom pozorování nám nic nevypovídá 

o výsledku v pozorování jiném; 



o výsledky pozorování mohou být pouze dva, např. „úspěch“ a „neúspěch“; 

o pravděpodobnost každého „úspěchu“ je stejná pro všechna pozorování nebo pokusy. 

poissonovo rozdělení – mají náhodné proměnné (např. počet telefonních hovorů, nehod, či 

přijímaných pacientů za danou časovou jednotku, počet překlepů na jedné stránce, apod.), 

které popisují četnosti jevů s těmito vlastnostmi: 

o výskyt (nebo nevýskyt) jevu v daném čase závisí na tom, co se stalo jindy nebo jinde; 

o pravděpodobnost výskytu jevu je pro každý malý časový okamžik stejná; 

o neexistuje případ, že by dva jevy nastaly současně přesně v jednom časovém okamžiku. 

normální rozdělení – nejčastěji používané rozdělení pro modelování náhodného chování 

proměnných v empirických vědách. 

Ve výzkumech se velmi často setkáváme se situací, kdy měřenou proměnnou ovlivňuje 

současně větší počet poměrně slabých náhodných vlivů. Toto současné působení více vlivů 

se projevuje tím, že značná část výsledků se soustřeďuje kolem střední hodnoty a na obě 

strany od ní jsou výsledky stále méně časté, přičemž extrémní hodnoty se vyskytují jen 

ojediněle (Chráska, 2003, 73). 

Toto rozdělení lze graficky vyjádřit pomocí křivky (Gaussova křivka – Obrázek 1), kterou 

lze sestrojit pomocí aritmetického průměru M a směrodatné odchylky SD. Jedná se o 

jednovrcholovou, zvonovitou křivku, symetrickou podle svislé osy procházející 

aritmetickým průměrem M. Pro normální rozdělení dat platí, že v intervalu (M-SD, 

M+SD) se vyskytuje přibližně 2/3 (68,27 %) všech hodnot. V intervalu (M-2SD, M+2SD) 

se již vyskytuje 95,4 % hodnot a v intervalu (M-3SD, M+3SD) již 99,73 % hodnot 

(Chráska, 2003). Řada statistických procedur byla odvozena od normálního rozdělení, 

proto je jejich použití podmíněno normálním rozdělením dat testované proměnné. Existuje 

řada postupů jak ohodnotit normální rozdělení dat (např. test špičatosti, resp. šikmosti, 

který vyjadřuje koncentraci, resp. symetrii dat kolem střední hodnoty; pro normální 

rozdělení vychází špičatost=0 a šikmost=0). Jedním z nich je posouzení podle 

frekvenčního histogramu (Obrázek 2). Hodnotíme „jednovrcholovost“ a symetrii podle 

svislé osy aritmetického průměru M (Obrázek 1). 

pravděpodobnost 

99,73 % 

95,4 % 

68,27 % 

-3SD -2SD -SD M +SD +2SD +3SD 

tělesná výška (cm) 

Obrázek 1. Gaussova křivka Obrázek 2. Frekvenční histogram 

normálního rozdělení dat 

t-rozdělení – V případě, že neznáme teoretickou směrodatnou odchylku měřené náhodné 

proměnné, lze místo ní dosadit vypočítanou směrodatnou odchylku. Pak hovoříme o trozdělení, 

jehož tvar závisí na stupních volnosti. Je podobné normálnímu rozdělení v tom, 

že je symetrické kolem nuly, má jediný vrchol a zvonovitý tvar. Na rozdíl od něj má 

výraznější oba okraje. 


četnost výskytu (%)


Proměnná 

Vlastnost nabývající kvantitativních nebo kvalitativních hodnot. Z hlediska formulování 

hypotéz rozeznáváme především závisle a nezávisle proměnné. „Nezávisle proměnná je 

vlastnost (jev), která je příčinou nebo podmínkou vzniku jiné vlastnosti (jevu). Závisle 

proměnná je vlastnost, která je výsledkem (následkem, důsledkem) působení nezávisle 

proměnné“ (Chráska, 2000, 11). „Nezávisle proměnná je proměnná, která z hlediska našeho 

výzkumu (nikoliv absolutně) nezávisí na proměnné jiné. Intervenující proměnná je pak ta 

nezávisle proměnná, která ovlivňuje změny proměnných dalších, které nazýváme 

proměnnými závislými“ (Pelikán, 2004, 39). Podle možnosti nabývání hodnot dělíme 

proměnné na spojité a diskrétní. „Spojitá proměnná může teoreticky nabývat libovolných 

hodnot z určitého intervalu reálných čísel. Diskrétní proměnné „…nabývají naopak pouze 

konečného počtu hodnot“ (Hendl, 2004, 44-45). Příkladem spojité proměnné je čas, tlak, 

teplota, apod. a diskrétní pak pořadí v závodě, počet bodů v desetiboji apod. 

Reliabilita (spolehlivost a přesnost) 

Stálost dosahování stejných (velmi podobných) výsledků při opakování měření za stejných 

podmínek - spolehlivost. Nezatíženost chybami měření - přesnost. 

„Za přesné považujeme takové měření, při kterém se dopouštíme jen malého počtu chyb a 

tyto chyby nejsou příliš velké“ (Chráska, 2000, 42). 

Vysoká reliabilita je nutnou podmínkou dobré validity měření, ale samotná vysoká 

reliabilita ještě nezaručuje dobrou validitu. Jinými slovy: „Pokud měření není spolehlivé, 

nemůže být ani validní“ (Hendl, 2004, 48). Stupeň reliability měření vyjadřujeme 

koeficientem reliability rtt. Nabývá hodnot od 0 (nulový stupeň reliability) do 1 (maximální 

stupeň reliability). Definujeme jej jako poměr rozptylu chyb k celkové variabilitě dat 

odečtený od 1. 

r 

tt 

1 

s 

s 

e 

t 

s 

 

t 

s 

s 

t 

e 

Koeficient reliability rtt lze určit těmito čtyřmi základními metodami: 

opakovaného měření (test-retest) – stejné měření se za stejných podmínek provádí 

opakovaně v čase a koeficient reliability je vypočítán jako korelační koeficient pro 

opakovaně změřená data. Vypovídá o shodě opakovaných měření v čase. 

paralelního měření – stejné měření se opakovaně, ale za použití ekvivalentních technik 

(např. existují dvě verze A a B téhož testu). Koeficient reliability se vypočítá jako 

korelační koeficient mezi oběma měřeními. 

půlení – provedené měření se rozdělí na dvě části, které se samostatně vyhodnotí a 

výsledky se pak navzájem korelují. Ze stupně korelace se usuzuje na stupeň reliability. 

vnitřní konzistence – při této metodě je výpočet koeficientu reliability založen na použití 

dvojnásobné analýzy variance (tzn. Cronbachův korelační koeficient alfa ά). Cronbachův 

korelační koeficient alfa ά odhaduje očekávanou korelaci jednoho testu s alternativní 

formou jiného, obsahujícího stejný počet měřených proměnných. Pro konzistentní test by ά 

měl nabývat hodnoty alespoň 0,8 (Meloun & Militký, 2002). 

Rozptyl a směrodatná odchylka 

rtt - koeficient reliability 

se - rozptyl chyb 

st - celková variabilita dat 

„…obě se vztahují k aritmetickému průměru – měří rozptýlenost dat kolem aritmetického 

průměru….“ (Hendl, 2004, 96). 

„Rozptyl je definován jako průměrná kvadratická odchylka měření od aritmetického 

průměru…“ (Hendl, 2004, 96). Obě jsou základními charakteristikami variability dat. 



s 

2 

 

n 

 

i1 

( M 

i 

M ) 

n 1 

Směrodatná odchylka SD je pak druhou odmocninou z rozptylu: 

SD 

s 

2 

 

 

n 

 

i1 

( M 

i 

n 1 

2 

M ) 

EXCEL: Vložit funkci Statistické SMODCH.VÝBĚR 


Rozsah souboru 

2 

Označuje počet prvků v souboru, jeho četnost. Zpravidla jej označujeme písmenem n. 

Rozsah souboru výrazně ovlivňuje statistickou významnost testovaných rozdílů mezi 

proměnnými. Naopak koeficienty efekt size tuto závislost na rozsahu souboru při zjišťování 

rozdílů mezi proměnnými částečně eliminují. 

Statistické testy významnosti 

Jsou to postupy (procedury), pomocí nichž ověřujeme, zda mezi proměnnými existuje 

vztah (závislost, rozdíl). Jestliže na základě provedeného testu významnosti rozhodneme, 

že určitý výsledek šetření je statisticky významný (signifikantní), znamená to, že je velmi 

nepravděpodobné, že by tento výsledek byl způsoben pouhou náhodou (Chráska, 2003, 

78). 

Rozlišujeme testy parametrické a neparametrické. 

o Parametrické testy vyžadují splnění řady podmínek (např. metrická data – aritmetický 

průměr, směrodatná odchylka apod., normální rozdělení proměnné), aby bylo jejich 

použití oprávněné. U těchto testů se nulová hypotéza týká některého parametru 

rozdělení náhodné proměnné (např. aritmetického průměru, směrodatné odchylky 

apod.). 

o U neparametrických testů se nulová hypotéza netýká parametrů rozdělení proměnné, 

nýbrž jiné obecné vlastnosti (nominální a ordinální data). Použití neparametrických 

testů není tak přísně podmíněno jako aplikace testů parametrických (všechny typy dat a 

případy, kdy není znám typ rozdělení proměnné). Avšak větší univerzálnost 

neparametrických testů je vykoupena jejich menší statistickou účinností. Přičemž 

účinnost statistického testu významnosti definujeme jako „…schopnost testu rozpoznat i 

malé odchylky od nulové hypotézy“ (Chráska, 2003, 79). Parametrické testy mají vyšší 

statistickou účinnost, ale nejsou tak univerzálně použitelné jako neparametrické testy, 

které ve srovnání s parametrickými testy vyžadují větší rozsah testovaného souboru n. 

Stupeň volnosti 

Je číslo o jednu menší než rozsah souboru n. Platí tedy, že stupeň volnosti = n–1. 

T-test 

s 2 - rozptyl 



SD - směrodatná odchylka 

s 2 

- rozptyl 



Jeden z nejnámějších statistických testů významnosti pro metrická data. Slouží ke srovnání 

aritmetických průměrů dvou nezávislých proměnných. Předpokladem je, že obě proměnné 



pocházejí ze dvou různých souborů a mají normální rozdělení dat. Nulovou hypotézu 

testujeme pomocí testového kritéria t, které vypočítáme z rovnice: 

kde 

SD 

 

 

 

M 1 M 

t 

SD 

2 

 

n1 

n2 

n n 

n1 

n2 

2 

M 1i 

M 1 

M 2 j M 2 

i1 

n 

1 

n 

j1 

2 

1 

2 

EXCEL: Vložit funkci Statistické TTEST 

STATISTICA: Statistika Základní statistiky/tabulky t-test 

Validita (platnost a pravdivost) 

2 

Kerlinger (1972, 435) konstatuje, že „…nejobecnější definice validity je ve stručnosti 

obsažená v otázce: Měříme to, o čem se domníváme, že měříme“. V současnosti se však 

vychází z požadavku, že „…uživatel má z výsledků měření odvodit správná rozhodnutí“ 

(Hendl, 2004, 48). Podle Hendla (2004, 48) „validita odkazuje na přiměřenost, smysluplnost a 

užitečnost specifických závěrů, jež se provádějí na základě výsledku měření“. Podle toho, 

k čemu se validita vztahuje, ji lze děli na: 

obsahová – „…zjišťuje, do jaké míry měření skutečně reprezentuje dané vlastnosti nebo 

kvality“ (Hendl, 2004, 49). Obsahová validita zjišťuje nakolik jsou reprezentativní položky 

testu, vzhledem k obsahu, který má měřit (Pelikán, 2004). Podle Kerlingera (1972) je 

obsahová validita v podstatě úsudková. 

souběžná – se posuzuje při zavádění nové metody (testu) srovnáním s již ověřenou 

metodou (testem). „Ověřenou proceduru někdy nazýváme ‚zlatý standard‘. S měřením 

‚zlatého standardu‘ srovnáváme výsledky nové měřící procedury“ (Hendl, 2004, 49). Ke 

srovnání vztahu mezi výsledky nového testu a ověřeného testu používáme korelačních 

koeficientů. 

predikční – posuzuje, „…do jaké míry provedené měření vypovídá o budoucím chování 

objektů“ (Chráska, 2000, 42). Podle Pelikána (2004, 59) „Nejde jen o předpověď toho, jak 

se daný jedinec uplatní, jak bude probíhat určitý jev atd., jde spíše o předpověď určitého 

vztahu. Validitu výzkumného zjištění určitého vztahu… ověřujeme v podstatě konfrontací 

s realitou“ (Pelikán, 2004, 59). K jejímu výpočtu používáme korelačních koeficientů. 

Souběžná a predikční validita je souhrnně nazývána jako validita kriteriální. 

konstruktová – posuzuje „…do jaké míry ovlivňuje výsledky provedeného měření nějaký 

faktor – konstrukt“ (Chráska, 2000, 42). „Důkazy o konstruktové validitě mohou mít 

konvergentní charakter (test prokazuje vztahy k těm proměnným, jež podle teorie 

očekáváme) nebo diskriminační charakter (naopak nemá vztah k proměnným, když tento 

vztah neočekáváme)“ (Hendl, 2004, 49). 

Z dalších typů validit se ještě zmíním o validitě ekologické, která se týká vlivu prostředí, 

v němž je výzkum realizován. Zahrnuje vliv počasí, denní a roční doby i vliv barevnosti a 

osvětlení prostoru apod. 

Variační rozpětí 

Charakteristika variability R, která je dána rozdílem maximální a minimální hodnoty 

v souboru. Nevýhodou variačního rozpětí je velká citlivost vůči odlehlým hodnotám. 

 

 

 

2 

t - testové kritérium 

M1,2 - aritmetické průměry první a 

druhé proměnné 

n1,2 - počty prvků v souborech 

SD - směrodatná odchylka 

M1i - jednotlivé hodnoty první 

proměnné 

M2j - jednotlivé hodnoty druhé 

proměnné 



Wilcoxonův neparametrický test 

Je obdobou parametrického párového t-testu. Podmínkou jeho použití je alespoň ordinální 

typ dat. Používá se při opakovaných měřeních stejných souborů. 

STATISTICA: Statistika Neparametrická statistika Porovnávání dvou závislých 

vzorků (skupiny) Wilcoxonův párový test 

Základní a výběrový soubor 

„Základní soubor je množina všech prvků, patřících do okruhu osob nebo jevů, které mají 

být zkoumány v daném výzkumu“ (Pelikán, 2004, 47). Základní soubor ale může být velice 

rozsáhlý až nedostupný a neproveditelný. Proto se ze základního souboru pořizuje výběrový 

soubor (vzorek), který by měl být co nejpřesnější zmenšenou kopií onoho původního 

základního souboru. „Co možná největší přiblížení výběru (vzorku) základnímu souboru je 

důležité zejména proto, abychom i na základě výzkumu uskutečněného na výrazně menším 

souboru, vybraném ze souboru původního, mohli dělat obecnější závěry, platné i pro celý 

základní soubor“ (Pelikán, 2004, 47). Proto se dále budu zabývat jednotlivými typy výběru: 

náhodný výběr – je definován tak, že „…každý prvek populace má stejnou 

pravděpodobnost, že se do výběru dostane“ (Hendl, 2004, 53). Podle Lindquista (1967, 19) 

je „…náhodný výběr pořízen tak, že všechny jiné možné kombinace stejného počtu členů 

základního souboru mají stejnou možnost dostat se do výběru“. Pro realizaci náhodného 

výběru musíme mít k dispozici očíslovaný seznam všech prvků základního souboru a 

funkci generující náhodná čísla, pomocí níž vybereme očíslovaný prvek ze základního 

souboru. Takovýto seznam lze vytvořit v softwarovém prostředí Microsoft Office Excel, 

v němž zároveň lze náhodná čísla generovat pomocí funkce „CELÁ.ČÁST((horní-mez – 

dolní-mez + 1)*NAHČÍSLO()) + dolní-mez“ (Brož, 2003, 537). Výsledky měření na tomto 

typu výběru mají obecnou platnost, lze je jen s minimální chybou zobecňovat na celý 

základní soubor. V praxi je náhodný výběr často neproveditelný nebo nákladný, především 

z důvodů značné rozsáhlosti základního souboru. Následující 4 typy výběru jsou 

přijatelnými náhradními metodami, jež ve výběru využívají náhodný mechanismus. 

stratifikovaný výběr – „…vychází z rozdělení základního souboru na skupiny podle 

předem stanovených kritérií, z nichž se pak dělá náhodný výběr“ (Pelikán, 2004, 53). 

„Tato technika je vhodná, jestliže populaci lze stratifikovat podle pohlaví, věku nebo 

demografických parametrů a výzkumník chce zajistit reprezentaci každé podskupiny“ 

(Hendl, 2004, 54). „Tím nenarušíme princip náhodnosti a přitom zajistíme, že nedojde 

k nerovnoměrnosti zastoupení základních prvků nebo znaků, které nás při výzkumu 

zajímají“ (Pelikán, 2004, 53). 

kontrolovaný výběr – je zvláštním případem stratifikovaného výběru, v němž není 

selekce ponechána náhodě. „…rozdělení určitého vybraného znaku je provedeno tak, aby 

bylo shodné s předem stanovenou proporcí“ (Lindquist, 1967, 21). Počet vybraných prvků 

z podskupiny je proporcionální počtu prvků v základním souboru. Dejme tomu, že chceme 

u daného souboru školních dětí zkoumat např. tělesnou hmotnost. Víme, že tělesná 

hmotnost nějak souvisí s pohlavím, a chceme se ujistit, že náš výběr nemá nevhodnou 

proporci obou pohlaví. Víme-li, že v celkovém základním souboru je stejný počet chlapců 

a děvčat, můžeme pak ze všech chlapců (resp. děvčat) náhodně vybrat stejný počet chlapců 

a stejný počet děvčat. Tento výběr jsme učinili reprezentativním vzhledem k pohlaví. 

vícestupňový shlukový výběr – opakovaně prováděný náhodný výběr v jednotlivých 

skupinách, které jsou podmnožinou té předcházející. Pro statistické zpracování takto 

získaných dat se používají speciální techniky, někdy lze však použít postupy zpracování 

dat z náhodných výběrů. 



Často se používá pro získání informací o veřejném mínění. Například chceme-li zjistit 

názory lidí z panelových sídlišť měst určité velikosti. Postupuje se např. takto: 1. vybere se 

náhodně vzorek okresů; 2. z takto vybraných okresů se v každém okresu vybere náhodně 

určitý počet měst o dané velikosti; 3. pro takto vybraná města se vybere náhodně vzorek 

jejich sídlišť; 4. z vybraných sídlišť se náhodně vyberou domácnosti, ve kterých se provede 

dotazování. V každé vrstvě shluků se provádí náhodný výběr. Tato vícestupňová procedura 

vypadá velmi komplikovaně, ale ve skutečnosti je velmi efektivní a méně nákladná než 

prostý náhodný výběr (Hendl, 2004, 54). 

systematický výběr – je prováděn podle předem stanovaného kritéria. Stejně jako u 

náhodného výběru se nejprve vytvoří očíslovaný seznam všech prvků základního souboru. 

Avšak na rozdíl od náhodného výběru se výběr z tohoto seznamu nepořizuje náhodně, ale 

systematicky podle předem pevně stanoveného kritéria. 

Například se bude vybírat vždy jeden prvek z padesáti. Nejdříve se zvolí náhodně prvek 

z první padesátky…. V dalším kroku se k tomuto číslu postupně přičítává číslo 50 a prvky 

s takto získaným pořadovým číslem se zařazují do výběru. Aby byl systematický výběr 

validní, musí výzkumník zajistit, že číslování prvků není závislé na charakteristikách 

jedinců, jež se mají zkoumat (Hendl, 2004, 54-55). 

záměrný výběr – „…se liší od předcházejících druhů výběrů v tom, že zde o výběru 

jistého prvku nerozhoduje náhoda, ale buď záměr výzkumníka, anebo úsudek zkoumané 

osoby“ (Chráska, 2000, 22). Záměrný výběr lze pořídít trojím způsobem: 1) prvky se 

dostávají do výběru samy (např. dobrovolně přihlášení lidé do anket); 2) záměrný výběr 

„průměrných jednotek“, při kterém se vybírá určitý objekt (škola, třída, žák), jenž 

výzkumník považuje za typický (průměrný) příklad; 3) výběr pomocí kvót (kvótní 

výběr), který je jako jediný ze záměrných výběrů přijatelný pro zobecňování zjištěných 

výsledků na základní soubor, ze kterého byl kvótní výběr pořízen. 

Zákon (zákonitost) 

„Určuje všeobecnou platnost závislostí, procesů, jevů a jejich vlastností za určitých, přesně 

popsaných podmínek“ (Pelikán, 2004, 33). Na rozdíl od exaktních přírodních věd však 

v pedagogickém výzkumu hledáme spíše zákonitosti, protože vysoká variabilita proměnných 

působících v pedagogickém procesu znemožňuje jednoznačně definovat jeho absolutní, 

bezvýjimečnou platnost. Zákonitost je „...zjištěná vazba mezi různými proměnnými, platná 

pro statisticky významnou část případů v pevně definovaných podmínkách. Hovoříme-li o 

statisticky významné vazbě, neznamená tento vztah absolutní platnost“ (Pelikán, 2004, 33). 

Brož, M. (2003). Mistrovství v Microsoft Excel 2000. Brno: Computer Press. 

Frömel, K. (2002). Kompendium psaní a publikování v kinantropologii. Olomouc: Univerzita 

Palackého. 

Gavora, P. (2000). Úvod do pedagogického výzkumu. Brno: Paido. 

Hendl, J. (2004). Přehled statistických metod zpracování dat. Praha: Portál. 

Chráska, M. (2000). Základy výzkumu v pedagogice. Olomouc: Univerzita Palackého. 

Chráska, M. (2003). Úvod do výzkumu v pedagogice (základy kvantitativně orientovaného 

výzkumu). Olomouc: Univerzita Palackého. 

Kerlinger, F. N. (1972). Základy výzkumu chování. Praha: Academia. 

Lepš, J. (1996). Biostatistika. České Budějovice: Jihočeská Univerzita. 

Lindquist, E. F. (1967). Statistická analýza v pedagogickém výzkumu. Praha: Státní 

pedagogické nakladatelství. 

Meloun, M., & Militký, J. (2002). Kompendium statistického zpracování dat. Praha: 

Academia. 

Pelikán, J. (2004). Základy empirického výzkumu pedagogických jevů. Praha: Karolinum. 



2 Koeficienty „efekt size“ jako vodítko pro posuzování věcné významnosti statisticky 

testovaných rozdílů 

2.1 Korelační koeficient rP a rS 

Rozšířenými, srozumitelnými a často používanými koeficienty efekt size jsou korelační 

koeficienty (rP - Pearsonův součinový korelační koeficient a rS - Spearmanův koeficient 

pořadové korelace). „Přes některé své nedostatky zůstává Pearsonův korelační koeficient r 

nejdůležitější mírou síly vztahu dvou náhodných spojitých proměnných X a Y“ (Hendl, 2004, 

243). 

Korelační koeficienty (rP, rS) určují míru těsnosti (síly) vztahu mezi dvěma proměnnými. 

nabývají hodnot -1 ≤ r ≤ +1. 

při r=0 jsou proměnné X a Y naprosto nezávislé (nesouvislé, beze vztahu). Čím vyšší je 

hodnota korelačního koeficientu tím vyšší je závislost (při příčinném vztahu) či souvislost 

(při asociačním vztahu) mezi proměnnými X a Y (viz tabulka 1). Jestliže je r kladné tak se 

zvyšující se hodnotou X roste i hodnota Y. Při záporném r s rostoucí hodnotou X klesá 

hodnota Y. Příčinný vztah mezi proměnnými X a Y existuje, pokud X jednoznačně 

způsobuje, ovlivňuje Y (změna X způsobuje změnu Y). Při asociačním vztahu „jen“ víme, 

že při ovlivňování, změně X (resp. Y) se mění i Y (resp. X), nevíme však zda tuto změnu 

způsobuje X nebo Y či jiná další proměnná. 

vysoká hodnota korelačního koeficientu sama o sobě ještě nepotvrzuje existenci příčinného 

vztahu. Ze schématu, typu výzkumu musíme jednoznačně vědět která z proměnných je 

potencionální příčinou a která důsledkem (musíme znát zda hledáme příčinný nebo 

asociační vztah). 

nerozlišují mezi závisle a nezávisle proměnnou. „Nezávisle proměnná je vlastnost (jev), 

která je příčinou nebo podmínkou vzniku jiné vlastnosti (jevu). Závisle proměnná je 

vlastnost, která je výsledkem (následkem, důsledkem) působení nezávisle proměnné“ 

(Chráska, 2000, 11). 

nezmění se, když změníme jednotky měření proměnných X a Y. 

Pearsonův korelační koeficient rP se vypočítává přímo z naměřených párových hodnot 

proměnných X a Y a je, podobně jako aritmetický průměr a směrodatná odchylka, velmi 

ovlivněn odlehlými hodnotami. Používá se u metrických dat (např. tělesná hmotnost v [kg]; 

čas v [s]; síla v [N]... tyto veličiny mají pevně stanovenou nulovou hodnotu, po celé měřitelné 

stupnici je stejný dílek měření (rozdíl 10-9 kg je stejný jako 199-198 kg) a lze dělit (lze např. 

vypočítat procentuální snížení tělesné hmotnosti, zlepšení času při běhu na 100 metrů či 

zvýšení síly o 10 %), které mají normální rozdělení a očekáváme lineární vztah. 

r 

P 

 

 

n 

 

 

n 

 

i1 

X 

n 

2 

i 

n 

 

i1 

 

 

 

n 

X 

 

i1 

i 

X 

Y 

 

 

 

i 

i 

 

2 

n 

 

i1 

X 

i 

 

n 

 

 

 

 

n 

 

i1 

n 

 

i1 

Y 

Y 

2 

i 

i 

 

 

 

Pearsonův korelační koeficient není vhodné použít, pokud: 

jedna z proměnných X, Y nemá náhodný charakter (její hodnoty jsou pevně dány). 

nelze předpokládat linearitu očekávaného vztahu. 

nelze předpokládat normální rozdělení proměnných X a Y. 

n 

 

i1 

Y 

2 

 

 

 

i 

 

 

 

rP - Pearsonův korelační koeficient 

n - počet srovnávaných dvojic hodnot 

X - závisle proměnná 

Y - nezávisle proměnná 



Spearmanův korelační koeficient rS se nevypočítává přímo z naměřených párových hodnot 

proměnných X a Y, ale z jejich pořadí (skutečné naměřené hodnoty proměnných X a Y se 

převedou na pořadí např. výsledky atletického desetiboje (proměnná X) 5235 bodů = 1; 5200 

bodů = 2; 4876 bodů = 3; 4446 bodů = 4 apod., a např. tělesná výška desetibojaře (proměnná 

Y) 188 cm = 1; 182 cm = 2; 179 cm = 3; 173 cm = 4 apod. a teprve pak se vypočítá korelační 

koeficient rS z pořadí (1, 2, 3, 4) jednotlivých proměnných X a Y). 

r 

S 

 

n 

6 

1 2 

n 

D 

i 

i 1 

n 1 

rS - Spearmanův korelační koeficient 

Di - rozdíly z pořadí hodnot proměnných X a Y 

vzhledem k ostaním hodnotám seřazeného výběru 

podle velikosti 

n - počet srovnávaných dvojic hodnot 

Spearmanův korelační koeficient je, na rozdíl od Pearsonova korelačního koeficientu, odolný 

vůči odlehlým hodnotám. Lze jej použít ve všech případech, kdy již nelze použít Pearsonův 

korelační koeficient. Používá se u všech ordinálních dat a dat metrických, které nesplňují 

podmínky normálního rozdělení a očekávání lineárního vztahu. 

Interpretace konkrétní hodnoty korelačního koeficientu se v různých situacích posuzuje 

různě (v závislosti na prostředí výzkumu: laboratorní terénní, počtu sledovaných osob, 

přesnosti použitých meřících technik, apod.). Hendl (2004) udává sílu asociace, vztahu jako: 

malou při |rp|=0,1-0,3. 

střední při |rp|=0,3-0,7. 

velkou při |rp|=0,7-1. 

Podle Chrásky (2000, 201) „..prakticky použitelná závislost je minimálně r = 0,40. Uvedená 

tabulka 1 slouží jen k orientačnímu posouzení vypočítaného koeficientu korelace. Určitá 

hodnota korelačního koeficientu může být hodnocena v různých výzkumných situacích 

různě“. 

Tabulka 1. Přibližná interpretace hodnot korelačního koeficientu. (převzato z Chráska, M. 

(2000). Základy výzkumu v pedagogice. Olomouc: Univerzita Palackého, str. 201) 

Koeficient korelace Interpretace 

|r| = 1 naprostá závislost (funkční závislost) 

1,00 |r| 0,90 velmi vysoká závislost 

0,90 |r| 0,70 vysoká závislost 

0,70 |r| 0,40 střední závislost 

0,40 |r| 0,20 nízká závislost 

0,20 |r| 0,00 slabá (nepoužitelná) závislost 

|r| = 0 naprostá nezávislost 



Podobnou interpretaci korelačního koeficientu udává Pett (1997): r 0,90 extrémně silná 

závislost (souvislost, vztah); 0,70 – 0,89 silná závislost; 0,50 – 0,69 střední závislost; 

0,30 – 0,49 nízká závislost a r 0,30 slabá závislost mezi sledovanými proměnnými. 

Při zjišťování statistické významnosti velikosti korelačního koeficientu (program Statistika 

ji zobrazuje současně s hodnotou koeficientu, program Excel ji nevypočítává) musíme mít na 

paměti, že každý „statistický“ výpočet je ovlivněn počtem analyzovaných dat (resp. počtem 

sledovaných osob). Tabulka 2 nám znázorňuje vliv počtu korelovaných hodnot na velikost 

korelačního koeficientu statisticky významného na hladině p=0,05). Zatímco při srovnávání 

dat u 30 osob může být střední závislost statisticky nevýznamná, tak při korelování dat 300 

osob může být prakticky nevýznamný, nepoužitelný vztah vysoce statisticky významný. 

Tabulka 2. Velikosti Pearsonova a Spearmanova korelačního koeficientu statisticky 

významné na hladině p=0,05 v závislosti na počtu srovnávaných dat (upraveno podle Chrásky 

(2000, 2003) a Hendla (2004)) 

Počet 

korelovaných 

hodnot 

Z tabulky 2 je zřejmé, že hladina statistické významnosti korelačního koeficientu je výrazně 

ovlivněna rozsahem souboru, navíc intervaly pro „přibližnou“ interpretaci jeho hodnot jsou 

dosti široké (tabulka 1). Proto se nabízí otázka, zda lze vyjádřit vztah mezi proměnnými 

přesněji, přitom co možná nejjednoduššeji? Odpovědí může být koeficient determinace, který 

se vypočíává z korelačního koeficientu. 

EXCEL: Vložit funkci Statistické CORREL/PEARSON 

STATISTICA: Statistika Základní statistiky/tabulky Korelační matice 

2.2 Koeficient determinace d 

r0,05…minimální hodnota korelačního koeficientu významná na hladině 

p=0,05 

rP - Pearsonův korelační koeficient rS - Spearmanův korelační koeficient 

5 0,805 0,900 

20 0,378 0,564 

30 0,306 0,377 

50 0,235 0,305 

100 0,165 

200 0,117 

300 0,095 

400 0,082 

500 0,074 

Umožňuje velice srozumitelně vysvětlit souvislost (závislost) mezi dvěma proměnnými, 

neboť jeho hodnotu lze převézt na procenta. Vypočítá se jako druhá mocnina korelačního 

koeficientu a jeho hodnota vynásobená 100 nám říká kolika procenty se podílí sledovaný 

faktor na výsledném efektu (Kerlinger, 1972). 

d r 

2 

variabilita vysvětlená nezávislou proměnnou 

celková variabilita 



Neboť dělíme variabilitu variabilitou je koeficient determinace bezrozměrný (nemá jednotku), 

je poměrem. Vynásobíme-li jej 100 převedeme jeho hodnotu na procenta %. Podle Hendla 

(2004, 270) „...číslo 100r 2 udává v procentech tu část celkové variability proměnné Y, resp. 

X, která je vysvětlena znalostí hodnoty X, resp. Y. Tuto hodnotu nazýváme koeficient 

determinace. Koeficient determinace je poměr vysvětlené variability k celkové variabilitě 

proměnné Y“. 

2.3 Další koeficienty efekt size - kritéria pro jejich výběr a hodnocení efektu 

Pro posouzení významnosti rozdílů máme k dispozici minimálně tři dostupné nástroje: 

Prvním je klasická statistická významnost na zvolené hladině významnosti, nejčastěji 

p=0,05 nebo p=0,01. Testy statistické významnosti umožňují rozhodnout však pouze o tom 

zda sledovaný (měřený) efekt je či není nulový. Bližší informace o velikosti a významnosti 

efektu schází (Borenstein, 1997). Testy statistické významnosti jsou navíc značně závislé 

na rozsahu souboru n (Levine & Hullett, 2002; Tolson, 1980). 

Druhým je logický úsudek (věcná – logická významnost), kdy předem stanovíme rozdíly, 

které považujeme za významné na základě zkušenosti z předchozích výzkumů nebo rešerše 

z literatury. Při volbě věcně významnosti výcházejte také z chyby měření. Předem 

stanovený věčně významný rozdíl nemůže samozřejmě být menší než chyba měření. 

Třetím nástrojem pro posouzení věcné významnosti rozdílů jsou koeficienty efekt size 

(např. d, r 2 , 2 , 2 , ...), jejichž popis a použití bude objasněno v následujícím textu. 

Pro úplnější porozumění zjištěným výsledkům doporučuje řada zahraničních časopisů 

uvádět mimo statistické výzmanosti také některý z koeficientů efekt size (American 

Psychological Association, 2002; McCartney & Rosenthal, 2000). Koeficienty efekt size 

„eliminují“ statistickou závislost na rozsahu souboru n. Často se při statistickém testování 

výsledků stává, že věcně významný rozdíl mezi dvěma (nebo více) proměnnými je vlivem 

nízkého rozsahu souboru statisticky nevýznamný, a obráceně při testování rozdílů proměných 

u souboru s n≥1000 jsou i zjevně věcně nevýznamné rozdíly statisticky velmi významné. 

Tabulka 3. Kritéria výběru koeficientů efekt size a hodnocení jejich efektu 

DATA/ POUŽITÁ STATISTIKA KOEFICIENT HODNOCENÍ 

PROMĚNNÉ 

efekt size 

efektu 

r=0,10 malý efekt 

Nominální Chí kvadrát 2x2 r r=0,30 střední efekt 

r=0,50 velký efekt 

Ordinální, 

intervalová, 

poměrová 

Korelační koeficient 

Koeficient 

determinace r 2 

% vyjádření podílu 

faktoru na výsledném 

efektu 

Nezávislé proměnné/ 

metrická data 

Neparametrická data, 

M + SD, t-test, ANOVA, 

Z-test, Opakovaná měření 

(pouze pro 2 opakování) 

Cohenovo d 

d=0,2 malý efekt 

d=0,5 střední efekt 

d=0,8 velký efekt 

více než dva 

nezávislé vzorky 

Kruskal-Wallisův test 2 

2 = malý efekt 

2 = 0,06 střední efekt 

2 Neparametrická data, 

více než dva závislé 

vzorky 

Friedmanova Two-way 

ANOVA 

 

= 0,14 velký efekt 

2 

Nezávislé proměnné/ 

metrická data 

F-test, t-test 2 2 ≥0,1 vypovídá o 

významnosti vztahu 



Pokud to charakter dat dovoluje (ordinální a metrická data) můžeme jako koeficienty efekt 

size vždy použít korelační koeficienty rP, rS a koeficient determinace d (=r 2 ) (Tabulka 3). 

Přičemž hodnoty rP=0,10 (resp. rP=0,30 a rP=0,50) jsou běžně interpretovány jako nízký (resp. 

střední a výrazný) efekt (Cohen, 1988; Dishman & Buckworth, 1996). Tabulka 3 podává 

přehled podmínek použití a hodnocení základních koeficientů efekt size. 

Bližší vysvětlení výpočtu a hodnocení základních koeficientů efekt size následuje níže: 

r - lze jednoduše vypočítat z t, F nebo 2 statistiky podle rovnic 1-3 (McCartney & 

Rosenthal, 2000) a jejich nejčastější způsob hodnocení je r = 0,10 malý efekt, r = 0,30 

střední efekt, r = 0,50 velký efekt. 

r 

2 

t 

2 

 

2 

t 

df 

(1) 

r (2) 

n 

F 

r (3) 

F df 

error 

Koeficient r lze použít při testování míry závislosti mezi dvěma dichotomickými 

proměnnými, např. pohlaví (muž, žena), nebo úkol (splnil, nesplnil) pro kontingenční 

tabulku 2 x 2. Měří důležitost vztahu mezi dvěma skupinami znaků nominálních dat, kde 

každý z nich může nabývat pouze dvou hodnot (Pett, 1997; Siegel & Castellan, 1988). Je 

obvykle používán po signifikantním výsledku 2 testu pro dva nezávislé soubory či pro 

měření reliability na nominálních datech. Podmínky pro použití jsou dichotomické 

proměnné, nezávislá pozorování a jejich hodnocení se skládají z četností, ne ze skóre. 

Jedno z možných hodnocení koeficientu r > 0,90 extrémně silná závislost (souvislost, 

vztah); 0,70 - 0,89 silná závislost; 0,50 - 0,69 střední závislost; 0,30 - 0,49 nízká 

závislost a < 0,30 slabá závislost mezi sledovanými proměnnými (Pett, 1997). 

Koeficient determinace r 2 - vyjadřuje procentuální podíl z celkové variance, který 

vysvětluje vliv faktoru na sledovaný efekt, doplněk do 100 % vysvětlují ostatní faktory 

(Blahuš, 2000; Thomas & Nelson, 2001). Tolson (1980) považuje sledovaný vztah za 

významný při r 2 0,1. 

Cohenovo d - lze použít pro hodnocení efektu mezi dvěma nezávislými skupinami 

(proměnnými). Nejjednodušší vyjádření je dáno rovnicí 4, kde rozdíl aritmetických 

průměrů mezi skupinami, M1 a M2 nebo Me, resp. Mcontrol (aritmetický průměr 

experimentální, resp. kontrolní skupiny) vydělíme směrodatnou odchylkou kontrolní 

skupiny – pokud existuje. V případě, že žádná ze skupin není kontrolní, ve jmenovateli je 

SDpooled (rovnice 5) (Cortina & Nouri, 2000; Thomas, Lochbaum, Landers, & He, 1997; 

Thomas & Nelson, 2001). Čitatel M1-M2 je číslo nezáporné, v případě, že M1-M2


Nejčastější hodnocení efekt size d je 0,2 - malý efekt; 0,5 - střední a 0,8 - velký efekt 

(McCartney & Rosenthal, 2000; Thomas, Lochbaum, Landers, & He, 1997; Thomas 

& Nelson, 2001; Thomas, Salazar, & Landers, 1991). 

Koeficient 2 - k některým typům statistických testů existují konkrétní koeficienty efekt 

size a vzorce pro hodnocení velikosti jejich účinku. Koeficient 2 lze použít u testu 

Kruskal - Wallis ANOVA by Ranks (rovnice 6) a Friedman’s Two - Way ANOVA 

(rovnice 7) s hodnocením 2 = 0,01 malý efekt, 2 = 0,06 střední efekt a 2 = 0,14 velký 

efekt (Morse, 1999). Efekt size pro nezávislé soubory je určen rovnicí 8 (Cortina & Nouri, 

2000). 

2 H 

(6) 

n 1 

2 

2 krit 

(7) 

n df 

SS SS 

2 total error 

 

(8) 

SS 

total 

Koeficient 2 - je jedním z prvních koeficientů efekt size (rovnice 9), který umožňuje 

kvantifikaci síly statistické asociace u sledovaných zdrojů odchylek (Tolson, 1980). Pro 

jeho výpočet lze použít také F a t statistiky (rovnice 10 a 11) (Tolson, 1980). 2 vyjadřuje 

procentuální podíl z celkové variance, který vysvětluje vliv faktoru na sledovaný efekt, 

doplněk do 100 % vysvětlují ostatní faktory (Blahuš, 2000; Thomas & Nelson, 2001). 

Tolson (1980) považuje sledovaný vztah za významný při 2 0,1. Pro vícefaktorovou 

ANOVU je výpočet 2 dán rovnicemi 12-14. Kde p je počet úrovní faktoru A a q je počet 

úrovní faktoru B a n je celkový rozsah souboru. Při ANOVĚ 3x2 je p=3 a q=2. 

SS 

total 

k 1 

2 between 

within 

 

(9) 

SS 

 

MS 

MS 

within 

F k 1 

k 1 

F k 1 

n k 1 

2 

 

(10) 

2 

2 t 1 

 

(11) 

2 

t n n 1 

1 

2 

A 

2 

p 1 

FA 

p 1 

p 1 

F q 1 

F p 1 

q 1 

F n p q 

1 

 

(12) 

2 

B 

A 

B 

q 1 

FB 

p 1 

p 1 

F q 1 

F p 1 

q 1 

F n p q 

1 

 

(13) 

2 

AB 

A 

B 

p 1 

q 1 

FAB 

p 1 

q 1 

p 1 

F q 1 

F p 1 

q 1 

F n p q 

1 

 

(14) 

A 

H - vypočítaná hodnota Kruskal-Wallisova testu 

2 - vypočítaná hodnota chí-kvadrát testu 

n - celkový rozsah souboru 

SStotal - celkový součet čtverců celkový rozptyl 

SSerror - součet čtverců uvnitř skupiny „within group 

(error term)“ „chybový“ rozptyl 

F - vypočítaná hodnota analýzy variance 

ANOVA 

t - vypočítaná hodnota t-testu 

k - počet sledovaných skupin 

n - celkový rozsah souboru 

SStotal - celkový součet čtverců (celkový rozptyl) 

SSbetween - součet čtverců mezi skupinami 

(„mezi-skupinový“ rozptyl) 

MSwithin - průměr čtverců uvnitř skupiny 

(„vnitřně-skupinový“ rozptyl) 


B 

AB 

AB 

AB


Při znalosti statistické významnosti a koeficientu efekt size, lze pro celkové posouzení 

výsledků využít praktického návodu z tabulky 4 (Fan, 2001). 

Tabulka 4. Interpretace výsledků při znalosti statistické významnosti a koeficientu efekt size 

S 

i 

g 

n 

i 

f 

i 

k 

a 

n 

c 

e 

N 

E 

A 

N 

O 

EFFEKT SIZE 

Malý efekt „small“ Střední efekt „moderate“ Velký efekt „large“ 

Není statistický ani praktický 

efekt, ledaže by budoucí 

výzkum ukázal něco jiného. 

H0 přijímáme jak statisticky tak 

věcně 

Statistická významnost není 

doprovázena věcnou 

významností. Mělo by se 

přihlédnout k síle testu a 

rozsahu souboru. 

Při interpretaci statistické 

významnosti bychom měli být 

obezřetní, nelze z toho vyvodit 

přímý praktický význam. 

Efekt je střední, ale jistá 

obezřetnost v interpretaci 

výsledků je na místě. Zdá se že 

efekt má jistý praktický 

význam, pozor- interpretace 

má mnoho možností. 

Znepokojivá je chyba II. 

druhu. Sledujte sílu testu při 

malém rozsahu souboru 

nemusí být odhalen významný 

efekt. 

Je nepravděpodobné že 

sledovaný efekt je významný 

jen díky možnostem statistiky. 

Velikost efektu má praktický 

význam v mnoha oblastech 

sociálních a behaviorálních 

věd. Usuzujeme že výsledek je 

významný jak statisticky tak 

věcně. 

Smysluplný efekt existuje, ale 

zůstaňme rozvážní. Velká 

hodnota effect size se může 

vyskytovat u malých souborů. 

Pokud jsme znepokojeni 

chybou II. druhu, podívejme se 

kriticky na sílu testu. 

Předběžně můžeme podpořit 

signifikanci efektu-zůstaneme 

otevření budoucím výsledkům. 

Téměř s jistotou není výsledek 

ovlivněn možnostmi statistiky. 

Efekt hodnotíme významný jak 

statisticky tak i věcně. 

Pro přesné zjištění efektu testovaného faktoru je důležitý výběr správných koeficientů. 

Použití klasických vzorců na neparametrické modely není vhodné, protože již při malých 

odchylkách v rozdělení dat dochází k velkým rozdílům při výpočtu efekt size. Koeficienty 

efekt size jsou velmi citlivé na změny v distribuční funkci hlavně při malé varianci - pak při 

nesprávné volbě koeficientu vychází efekt size téměř vždy vysoké (Wilcox & Muska, 1999). 

Pro hodnocení významnosti u neparametrických testů existují koeficienty jako jsou: 

Cramerův koeficient C, r, , Kendalovo , Kendalův koeficient concordance W, Goodman - 

Kruskalův koeficient a a další (American Psychological Association, 2002). 

Neexituje přesný návod jak nejlépe vyhodnotit výsledky po stránce statistické, logického 

úsudku a pomocí koeficientů efekt size. Celkové posouzení výsledků by mělo být založeno na 

logicky správné dedukci všech oblastí hodnocení. 

American Psychological Association. (2002). Publication Manual of the American 

Psychological Association (5 th ed.). Washington, DC: Author. 

Blahuš, P. (2000). Statistická významnost proti vědecké průkaznosti výsledků výzkumu. 

Česká kinantropologie, 4(2), 53-71. 

Borenstein, M. (1997). Hypothesis testing and effect size estimation in clinical trials. Annals 

of Allergy, Asthma, and Immunology, 78(1), 5-11. 

Cohen, J. (1988). Statistical power analysis for the behavioral sciences. (4 th ed.). New York: 

Academic Press. 

Cortina, J. M., & Nouri, H. (2000). Effect size for ANOVA design. Thousand Oaks, CA: Sage. 

Dishman, R. K., & Buckworth, J. (1996). Increasing physical activity: A quantitative 

synthesis. Medicine and Science in Sports and Exercise, 28, 706-719. 



Fan, X. (2001). Statistical significance and effect size in education research: Two sides of a 

coin. The Journal of Educational Research, 94(5), 275-282. 



Chráska, M. (2003). Úvod do výzkumu v pedagogice (základy kvantitativně orientovaného 

výzkumu. Olomouc: Univerzita Palackého. 

Levine, T. R., & Hullett, C. R. (2002). Eta squared, partial eta squared, and misreporting of 

effect size in communication research. Human Communication Research, 28(4), 612-625. 

Kerlinger, F. N. (1972). Základy výzkumu chování. Praha: Academia. 

McCartney, K., & Rosenthal, R. (2000). Effect size, practical importance, and social policy 

for children. Child Development, 71(1), 173-180. 

Morse, D. T. (1999). Minisize2: A computer program for determining effect size and 

minimum sample for statistical significance for univariate, multivariate, and nonparametric 

tests. Educational and Psychological Measurement, 59(3), 518-531. 

Pett, M. A. (1997). Nonparametric statistics for health care research: Statistics for small 

samples and unusual distributions. Thousand Oaks, CA: Sage. 

Siegel, S., & Castellan, N. J. (1988). Nonparametric statistics for the behavioral sciences (2 nd 

ed.). Boston, MA: McGraw-Hill. 

Thomas, J. R., Lochbaum, M. R., Landers, D. M., & He, C. (1997). Planning significant and 

meaningful research in exercise science: Estimating sample size. Research Quarterly for 

Exercise and Sport, 68(1), 33-43. 

Thomas, J. R., & Nelson, J. K. (2001). Research methods in physical activity (4 th ed.). 

Champaign, IL: Human Kinetics. 

Thomas, J. R., Salazar, W., & Landers, D. M. (1991). What is missing in p< .05? Effect size. 

Research Quarterly for Exercise and Sport, 62(3), 344-348. 

Tolson, H. (1980). An adjunct to statistical significance: ω 2 . Research Quarterly for Exercise 

and Sport, 51(3), 580-584. 

Wilcox, R. R., & Muska. J. (1999). Measuring effect size: A non-parametric analogue of 2 . 

British Journal of Mathematical and Statistical Psychology, 52, 93-110. 



3 Microsoft Office Excel 

3.1 Představení 

Program určený k zadávání a statistické analýze dat a jejich grafickému zpracování je 

součástí softwarového balíčku firmy Microsoft a je nainstalován téměř v každém počítači. 

V počítači jej najdeme následovně (Obrázek 3): 

START (dolní lišta vlevo) Programy (uprostřed v rolující nabídce) Microsoft Office 

Microsoft Office Excel 

Obrázek 3. Cesta spuštění progamu Microsoft Office Excel 

Excelový list je v podstatě „čtverečkovaným sešitem“ z jednotlivých buněk tvořící „síť“ 

řádků a sloupců, který nám v první řadě umožní přepis naměřených dat z papíru do počítače. 

Abychom si nekomplikovali následné zpracování dat (i v software Statistika), je výhodné při 

jejich přepisu do tabulky v Excelu dodržet následující pravidla: 

o Jediný list – než vytvářet několik tabulek na několika excelovských listech je 

výhodnější sestavit jedinou tabulku se společným označením všech proměnných pro 

všechny analyzované skupiny jedinců. V případě, že některá ze sledovaných skupin 

neobsahuje některé proměnné, ponecháme tyto buňky prázdné. Při výpočtech, převodu 

do Statistiky ušetříme čas a máme zaručenou jednotnost ve zkratkách proměnných a 

dostatečnou variabilitu všech dat pro následné složitější statistické postupy (ANOVA, 

post-hoc testy, apod). 

o První řádek – vymezit na zkratkovitý popis proměnných. Nejlépe využívat velkých a 

malých písmen a číslic. Ve zkratkách nepoužívejte diakritiku a mezery. Dbejte na 

logické a smysluplné sestavení zkratek proměnných tak, aby jste se vnich vyznali i po 

delším časovém odstupu (mezi naměřením dat a jejich statistickém zpracovávání do 

diplomové práce). Jako první proměnnou je vhodné uvést kód účastníka (pokud máte 

souhlas tak jméno a příjmení), pokračovat základními skupinovými (např. školní třída, 

tělesná zdatnost, typ onemocnění, apod.) a somatickými proměnnými (pohlaví, tělesná 

hmotnost a výška, věk, apod.) a pak konkrétními proměnnými podle projektu práce 

(Obrázek 4). Při opakovaném zjišťování téže proměnné ji uvádějte do dalšího sloupce 

s odlišením např. v posledním znaku zkratky číslicí 1, 2 atd. 

o První sloupec – je nejlépe vyhradit na kód (v případě souhlasu na jméno a příjmení) 

účastníka (Obrázek 4). 



o Formát buněk – u každého sloupce vyberte (kliknutí na sloupec kliknutí na pravé 

tlačítko na myši Formát buněk Číslo/Obecný – Obrázek 4) jaký typ (zpravidla 

číselné nebo textové) proměnné v něm budete zadávat. 

Obrázek 4. Specifikace formátu buněk v Excelu 

Vytváření jediné tabulky pro všechny sledované skupiny (např. pacienti zdraví; kontrolní 

experimentální; děvčata chlapci) je vhodné z důvodu zjednodušení výpočtů a úspory času. 

Ve Statistice pak lze z jediné tabulky testované faktory (např. pacienti zdraví; kontrolní 

experimentální; děvčata chlapci) opět jednoduše vybrat. 

Detailně rozmyšlený projekt (jasně formulovaný hlavní cíl a cíle dílčí; přesně formulované 

výzkumné otázky a hypotézy spolu s rozdělením operacionalizovaných proměnných na 

závislé a nezávislé, atd.) vybízí k logicky správnému a přehlednému sestavení tabulky tak, 

aby bylo možno jednotlivé proměnné testovat. Operacionalizovatelnost proměnných 

znamená, že lze dané proměnné přiřadit číslo (nebo kategorii) vyjadřující její hodnotu. 

Podmínka operacionalizovatelnosti proměnných je obsažena v Gavorově (2000) třetím 

„zlatém pravidle hypotézy“ (viz termín hypotéza v kapitole 1 Abecední slovníček termínů 

používaných ve statistice). 

Jednou z nesporných výhod Excelu je skutečnost, že vybranou popisnou funci (např. 

aritmetický průměr nebo směrodatnou odchylku) pro jednu proměnnou (jeden sloupec) lze 

jednoduše pomocí funkce kopírovat (Ctrl C ) vložit (Ctrl V) použít i pro další proměnné 

(sloupce) (viz Obrázek 16 v kapitole 3.3.2 Výpočet základních charakteristik (aritmetický 

průměr, směrodatná odchylka a korelační koeficient). 

Naopak jednou z nevýhod Excelu je nezobrazování hladin statistické významnosti u 

statistických testů významnosti (ty je pak nutno dohledávat v tabulkách) a nemožnost 

najednou vypočítávat a přehledně zobrazovat více korelačních vztahů mezi více proměnnými 

(matici korelačních vztahů). 

Konkrétní postup vytvoření datové tabulky v Excelu spolu se základními statistickými 

výpočty budu pro ještě větší názornost ilustrovat na třech příkladech. 



3.2 Příklad – Efekt dvouměsíčního intervenčního programu aerobiku na habituální 

pohybovou aktivitu děvčat ve věku 15-19 let 

Hlavním cílem této studie je zjistit vliv intervenčního pohybového programu aerobiku na 

na habituální pohybovou aktivitu (dále PA) a pohybovou inaktivitu (dále PI) děvčat 

v pracovních a víkendových dnech. Dalším cílem je podle počtů kroků z pedometru Omron 

HJ–102, aktivního energetického výdeje z akcelerometru Caltrac, a doby trvání PA 

z individuálního záznamu posoudit efekt realizované PA ve vztahu ke zdravotním 

doporučením. 

Ke hlavnímu a dalšímu cíli této studie je nutné objasnit operacionalizaci (tzn. vyjádření 

pomocí čísel) kvantitativních proměnných: počet kroků, aktivní energetický výdej, doba trvání 

PA a jejich přípravu do tabulky (Obrázek 6). Pojmem efekt je myšlen vliv, dopad, působení 

intervenčního pohybového programu na běžnou, každodenní pohybovou aktivitu a je 

posuzován pomocí rP – Pearsonova korelačního koeficientu. 

3.2.1 Příprava dat do tabulky 

Tabulka (Obrázek 6) pro další statistické zpracování dat ctí pravidla pro vytváření tabulek 

v Excelu. Je vytvořena na jediném listě, první řádek zkratkovitý popis proměnných bez 

mezer a bez použití diakritiky, první sloupec příjmení a jméno. 

Obrázek 6. Tabulka se základními proměnnými 

Intervenční program aerobiku byl realizován ve čtyřech městech (proměnná MESTO) u 

gymnaziálních studentek prvního a třetího ročníku (proměnná ROCNIK). Následují základní 

somatické charakteristiky (proměnné – tělesná hmotnost HM, tělesná výška VYSKA, 

kalendářní věk VEK a body mass index BMI). Výpočet aritmetického průměru, směrodatné 

odchylky a Pearsonova korelačního koeficientu rP budu demonstrovat na těchto proměnných: 

INTsteps5 – denní počet kroků v pracovních dnech prvního intervenčního týdne, 

INTsteps2 – denní počet kroků v pracovních dnech druhého habitálního týdne, 

HABsteps5 – denní počet kroků ve víkendových dnech prvního intervenčního týdne, 

HABsteps2 – denní počet kroků ve víkendových dnech druhého habitálního týdne. 



3.2.2 Výpočet základních charakteristik (aritmetický průměr, směrodatná odchylka a 

korelační koeficient) 

a) aritmetický průměr 

Funkci výpočtu aritmetického průměru najdeme v Excelu následovně: Vložit funkci 

Vybrat kategorii Statistické na svislém posouvátku nalistovat PRŮMĚR (Obrázek 7). 

Obrázek 7. Cesta funkce výpočtu aritmetického průměru v Excelu 

Obrázek 8. Výpočet aritmetického průměru konkrétní proměnné INTsteps5 v Excelu 



Konkrétní hodnotu aritmetického průměru proměnné INTsteps5 (denního počtu kroků 

v pracovních dnech intervenčního týdne) v Excelu vypočteme takto: Vložit funkci Vybrat 

kategorii Statistické nalistovat PRŮMĚR OK zobrazí se okno s názvem 

Argumenty funkce Číslo 1, do kterého napíšu počáteční a koncovou pozici vektoru čísel, 

z nichž požaduji aritmetický průměr vypočítat. V našem případě chci vypočítat aritmetický 

průměr proměnné INTsteps5, která v excelovské tabulce začíná na pozici I2 a končí na pozici 

I91 (Obrázek 8). Výsledek se zobrazí bezprostředně po zapsání pozice koncového čísla. Před 

samotným výpočtem aritmetického průměru je vhodné v datové tabulce kurzorem vybrat 

první prázdnou buňku pod koncovou pozicí proměnné; do této buňky se pak zapíše výsledná 

hodnota aritmetického průměru (Obrázek 9). 

Pokud je tabulka dat v Excelu připravená tak, že v každém sloupci je jediná proměnná 

(jako v našem příkladě) a u některé z nich je již aritmetický průměr vypočítán, lze jednoduše 

pomocí funkce kopírovat (Ctrl C) vložit (Ctrl V) vypočítat aritmetické průměry i pro další 

proměnné (Obrázek 9). Buňku s vypočtenou hodnotou konkrétního aritmetického průměru 

vyberu a pomocí funkce kopírovat (Ctrl C) vložit (Ctrl V) ji „překopíruji“ do prázdné 

buňky pod další proměnnou. Nepřekopíruji totožný obsah buňky, nýbrž funkci aritmetického 

průměru, která automaticky vypočte aritmetický průměr další proměnné (Obrázek 9). 

Obrázek 9. Výpočet aritmetického průměru další proměnné pomocí funkce kopírovat (Ctrl C) 

vložit (Ctrl V) 

b) směrodatná odchylka 

Funkci výpočtu směrodatné odchylky v Excelu najdeme následovně: Vložit funkci 

Vybrat kategorii Statistické na svislém abecedně seřazeném posouvátku nalistovat 

SMODCH.VÝBĚR (Obrázek 10). 

Výpočet hodnoty směrodatné odchylky vybrané proměnné obvykle předchází výpočet 

aritmetického průměru této proměnné, jehož výsledek je v excelovské tabulce vhodné zapsat 

do prázdné buňky pod sloupec s vybranou proměnnou (Obrázky 9 a 10). Pro přehledné 

umístění hodnoty směrodatné odchylky v excelovské tabulce nastavím kurzor na další 

prázdnou buňku pod hodnotou aritmetického průměru (Obrázek 10). Výpočet hodnoty 

směrodatné odchylky konkrétní proměnné INTsteps5 pak provedu takto: Vložit funkci 

Vybrat kategorii Statistické na svislém abecedně seřazeném posouvátku nalistovat 

SMODCH.VÝBĚR OK Argumenty funkce, kde do obdélníku Číslo 1 vypíšu 

počáteční:koncovou (I2:I91) pozici vektoru proměnné INTsteps5 (Obrázek 11). Potvrzením 

tlačitkem OK zapíšu vypočtenou hodnotu na vybranou pozici (I93) v excelovské tabulce 

(Obrázek 12). 



Obrázek 10. Cesta funkce výpočtu směrodatné odchylky proměnné v Excelu 

Obrázek 11. Výpočet směrodatné odchylky konkrétní proměnné INTsteps5 v Excelu 

Máme-li datovou tabulku v Excelu sestavenou tak, že v každém sloupci je jediná proměnná 

(jako v našem příkladu) a u některé z nich je již směrodatná odchylka vypočítána, lze rychle 

pomocí funkce kopírovat (Ctrl C) vložit (Ctrl V) vypočítat směrodatné odchylky i u 



dalších proměnných (Obrázek 13). Buňku již s vypočtenou hodnotou konkrétní směrodatné 

odchylky kurzorem označím a pomocí funkce kopírovat (Ctrl C) vložit (Ctrl V) ji 

„překopíruji“ do prázdné buňky pod další proměnnou. Nepřekopíruji totožný obsah označené 

buňky, nýbrž funkci směrodatné odchylky, která automaticky vypočte hodnoty směrodatných 

odchylek dalších proměnných (Obrázek 13). 

Obrázek 12. Zobrazení výpočítané hodnoty směrodatné odchylky v excelovské tabulce 

Obrázek 13. Výpočet směrodatné odchylky dalších proměnných pomocí funkce kopírovat 

(Ctrl C) vložit (Ctrl V) 

c) korelační koeficient 

Již v názvu Příkladu (Efekt dvouměsíčního intervenčního programu aerobiku na habituální 

pohybovou aktivitu děvčat ve věku 15-19 let) se vyskytuje slovo efekt, kterým myslím vliv, 

dopad, působení intervenčního pohybového programu na běžnou, každodenní pohybovou 

aktivitu v pracovních a víkendových dnech a posuzuji jej pomocí rP – Pearsonova korelačního 

koeficientu. Cestu výpočtu korelačního koeficientu rP v Excelu zachycuje Obrázek 14 (Vložit 

funkci Vybrat kategorii Statistické na svislém abecedně řazeném posouvátku najít 

PEARSON). 

Konkrétní hodnotu korelačního koeficientu rP mezi počtem kroků v pracovních dnech 

intervenčního a habituálního týdne (proměnné INTsteps5 a HABsteps5) vypočteme 

následovně: Vložit funkci Vybrat kategorii Statistické na svislém abecedně řazeném 

posouvátku najít PEARSON (Obrázek 21) OK Argumenty funkce, kde do obdélníku 

Pole 1 vypíšu počáteční a koncovou (I2:I92) pozici proměnné INTsteps5 a do Pole 2 

počáteční a koncovou (K2:K92) pozici proměnné HABsteps5 (Obrázek 15). Výsledek rP=0,54 

je zobrazen ihned po zápisu koncové pozice proměnné HABsteps5 (Obrázek 16). Hladinu 

statistické významnosti p vypočteného korelačního koeficientu rP=0,54 Excel nezobrazuje. 

Mohu ji konfrontovat s tabulkou 2. 



Obrázek 14. Cesta funkce výpočtu Pearsonova korelačního koeficientu v Excelu 

Obrázek 15. Výpočet Pearsonova korelačního koeficientu mezi proměnnými INTsteps5 a 

HABsteps5 

Hodnotu dalšího korelačního koeficientu rP mezi proměnnými INTsteps2 a HABsteps2 lze 

vypočítat odbobným způsobem jako hodnotu korelačního koeficientu mezi proměnnými 

INTsteps5 a HABsteps5 (Obrázky 14 a 15) s jediným rozdílem, že do Pole 1 vypíšu počáteční 

a koncovou pozici proměnné INTsteps2 (J2:J92) a do Pole 2 počáteční a koncovou pozici 

proměnné HABsteps2 (L2:L92). Anebo mohu využít funkce kopírovat (Ctrl C) vložit (Ctrl 

V) jako u předchozích výpočtů hodnot aritmetických průměrů (Obrázek 9) a směrodatných 



odchylek (Obrázek 13). Kurzor v excelovské tabulce nastavím na buňku s vypočtenou 

hodnotou korelačního koeficientu rP mezi proměnnými INTsteps5 a HABsteps5 pomocí 

funkce kopírovat (Ctrl C) vložit (Ctrl V) ji překopíruji do sousední prázdné buňky 

(Obrázek 16). Nepřekopíruji však obsah buňky, nýbrž její funci (výpočet Pearsonova 

korelačního koeficientu), která automaticky pozná, že chci vypočítat hodnotu Pearsonova 

korelačního koeficientu rP mezi INTsteps2 a HABsteps2 rP=0,48 (Obrázek 16). 

Obrázek 16. Výpočet korelačního koeficientu rP mezi proměnnými INTsteps2 a HABsteps2 

pomocí funkce kopírovat (Ctrl C) vložit (Ctrl V) 



4 Statistika 6.0 

4.1 Představení 

Jedná se o vyspělý statistický software umožňující zadávaní a statistické zpracování dat 

spolu s jejich a tabulkovým a grafickým výstupem (Obrázek 17). Univerzita Palackého má 

zakoupená licenční práva na jeho používání a v součásné době jsou studentům a 

zaměstnancům Fakulty tělesné kultury přístupné jeho plovoucí verze. 

Obrázek 17. Úvodní okno software Statistica 6.0 

Protože je software Statistika plovoucí verze (umístěná na společném síťovém serveru) 

s omezeným počtem současných uživatelů, DOPORUČUJI časté ukládání tabulek 

s mezivýpočty do vlastního adresáře. Nejvhodnější však je připravit si tabulku s daty 

v software Excel a tu pak importovat do software Statistika. 

4.2 Příprava dat do tabulky 

Základní formát listu je velice podobný formátu listu v Excelu – „čtverečkovaná síť“ 

vytvořená z prázdných buněk v řádcích a sloupcích. Tato „podobnost“ zaručuje převeditelnost 

datové tabulky z Excelu do Statistiky. Pro přípravu tabulky dat ve Statistice doporučuji 

dodržovat stejná pravidla jako pro vytváření tabulky v Excelu: 

o Jediný list – vhodnější než vytvářet několik tabulek na několika excelovských listech je 

vytvořit jedinou tabulku se společným označením všech proměnných pro všechny 

analyzované skupiny jedinců. V případě, že některá ze sledovaných skupin neobsahuje 

některé proměnné, ponecháme tyto buňky prázdné. Při výpočtech, převodu do Statistiky 



ušetříme čas a máme zaručenou jednotnost ve zkratkách proměnných a dostatečnou 

variabilitu všech dat pro následné složitější statistické postupy (ANOVA, post-hoc 

testy, apod). 

o První řádek – vymezit na zkratkovitý popis proměnných. Ve statistice lze přímo 

pojmenovat proměnnou, blíže specifikovat formát zobrazení dat, typ písma apod., 

kliknutím na záhlaví sloupce (Obrázek 18). Pro zkratky proměnných využívejte velkých 

a malých písmen a číslic; nepoužívejte diakritiku a mezery. Dbejte na logické a 

smysluplné sestavení zkratek proměnných tak, aby jste se vnich vyznali i po delším 

časovém odstupu (mezi naměřením dat a jejich statistickém zpracovávání do diplomové 

práce). Jako první proměnnou je vhodné uvést kód účastníka (pokud máte souhlas tak 

jméno a příjmení), pokračovat základními skupinovými (např. školní třída, tělesná 

zdatnost, typ onemocnění, apod.) a somatickými proměnnými (pohlaví, tělesná 

hmotnost a výška, věk, apod.) a pak konkrétními proměnnými podle projektu práce 

(Obrázek 19). Při opakovaném zjišťování téže proměnné ji uvádějte do dalšího sloupce 

s odlišením např. v posledním znaku zkratky číslicí 1, 2 atd. 

o První sloupec – je nejlépe vyhradit na kód (v případě souhlasu na jméno a příjmení) 

účastníka (Obrázek 19). 

o Formát buněk – Nabídku formátu buněk ve Statistice zobrazíte kliknutím na záhlaví 

konkrétního sloupce (Obrázek 18). 

Obrázek 18. Pojmenování a specifikace proměnné ve Statistice 



Obrázek 19. Příprava tabulky dat ve Statistice pro výpočet základních popisných statistických 

proměnných 

Obrázek 20. Příprava tabulky dat ve Statistice s identifikační proměnnou OPAK pro použití 

ANOVY 

Pro výpočet základních popisných statistických proměnných (aritmetický průměr, medián, 

modus, směrodatná odchylka, variační rozpětí apod.), matic korelačních závislostí a některých 

testů neparametrické statistiky (Znaménkový a Wilcoxonův test) je nejvhodnější připravit si 

tabulku dat podle výše uvedených pravidel (Obrázek 19). Pro použití ANOVY a MANOVY a 

dalších neparametrických testů (Mann–Whitneyova, Kruskal–Wallisova a Mediánového 

testu) je nutné tabulku dat z obrázku 19 upravit tak, že proměnné INTsteps5 a HABsteps5 

„sjednotíme“ do jediné proměnné steps5 a k ni vytvoříme novou „identifikační“ proměnnou 

OPAK (Obrázek 20). Pomocí hodnot 1 a 2 této nové „identifikační“ proměnné rozlišíme 



počet kroků v intervenčním (OPAK=1) a habituálním (OPAK=2) týdnu. Pak hodnoty 

proměnné steps5 s příslušnou hodnotou proměnné OPAK=1 odpovídají hodnotám proměnné 

INTsteps5 a hodnoty proměnné steps5 s příslušnou hodnotou proměnné OPAK=2 odpovídají 

hodnotám proměnné HABsteps5 (Obrázek 20). 

4.3 Uložení tabulky dat v Excelu a import do Statistiky 

Po dokončení datové tabulky v Excelu (bez vypočítaných základních statistických 

proměnných) ji uložíme v automaticky nabízeném formátu s koncovkou .xls a zavřeme tak, 

abychom ji mohli najít a importovat do software Statistika. Cesta otevření excelovského 

souboru s tabulkou dat ve formátu .xls ve Statistice je následující: 

Spustit software Statistika na horní liště rozbalit nabídku Soubor zvolit Otevřít 

v oblasti hledání najít adresář s uloženým souborem dat ve spodní rozbalovací liště 

Soubory typu najít Soubory typu Excel Files (*.xls) (Obrázek 21) myší je vybrat 

zobrazí se všechny soubory ve zvoleném adresáři s koncovkou .xls (Obrázek 22). Po výběru 

konkrétního souboru se zobrazí nabídka Import souboru zvolíme: Importovat vybraný list 

do tabulky (Obrázek 23 A ) vybereme: List1 (Obrázek 24 B ) v zobrazeném okně 

Otevřít soubor MS Excel (Obrázek 23 C ) zatrhneme možnosti: 1.řádek jako názvy 

proměnných a Importovat formáty buněk (Obrázek 23 D ) OK zobrazí se 

připravená tabulka dat ve Statistice pro výpočet základních popisných statistických 

proměnných (Obrázek 19). 

Obrázek 21. Cesta otevření excelovského souboru s tabulkou dat ve formátu .xls ve Statistice 



Obrázek 22. Výběr excelovského souboru ve formátu .xls pro otevření ve Statistice 

Obrázek 23. Výběr excelovského souboru ve formátu .xls pro otevření ve Statistice 



4.4 Výpočet základních popisných statistických proměnných ve Statistice 

Obrázek 24. Cesta výpočtu základních popisných statistických proměnných ve Statistice 

Výpočet základních popisných statistických proměnných ve Statistice je velice jednoduchý 

a elegantní, pokud máme tabulku dat správně vytvořenou (1 sloupec = 1 proměnná). Na horní 

liště rozbalíme nabídku Statistika (Obrázek 24) a vybereme funkci: Základní 

statistiky/tabulky (Obrázek 24) v nich pak Popisné statistiky (Obrázek 25). Po potvrzení 

funkce Popisné charakteristiky OK se zobrazí nabídka výběru konkrétních popisných 

charakteristik a proměnných (Obrázek 26). 

Obrázek 25. Cesta výpočtu základních popisných statistických proměnných ve Statistice 



Obrázek 26. Výběr konkrétních popisných charakteristik 

Obrázek 27. Výběr konkrétních proměnných 

Jako příklad konkrétních popisných charakteristik jsem zatrhnutím zvolil následující: 

Míry polohy – počet platných proměnných, aritmetický průměr, medián a modus; Variace, 



momenty – směrodatná odchylka, rozptyl, šikmost, špičatost; Kvantity – minimum a 

maximum (Obrázek 26). Z konkrétních proměnných (kliknutím na políčko Proměnné ) jsem 

buď zmáčknutím klávesy Ctrl a současně levým tlačítkem na myši nebo současným 

zmáčknutím klávesy Shift a pomocí kláves vybral proměnné HM, VYSKA, VEK, 

BMI, INTsteps5, INTsteps2, HABsteps5, HABsteps2 (Obrázek 27). Po potvrzení výběru 

proměnných OK a následného kliknutí na Souhrn dostávám finální tabulku 

s vypočítanými základními popisnými charakteristikami (Obrázek 28). 

Obrázek 28. Zobrazení výsledků základních popisných statistických proměnných ve Statistice 

V prvním sloupci na obrázku 28 jsou pod sebou seřazeny vybrané proměnné a v 

následujících pak jim odpovídající výsledky zvolených popisných charakteristik. Z nich lze 

přímo vytvářet grafy a tabulky, podle směrodatných odchylek posuzovat „rozptýlenost“ dat 

okolo aritmetických průměrů anebo podle testu šikmosti (=0) a špičatosti (=0) hodnotit 

normalitu rozdělení dat pro výběr vhodného parametrického či neparametrického testu, apod. 

4.5 Použití ANOVY ve Statistice 

Pro použití ANOVY ve Statistice, stejně jako dalších neparametrických testů (Mann– 

Whitneyova, Kruskal–Wallisova a Mediánového testu), je nutné základní tabulku dat 

z obrázku 29 upravit (viz kapitola 4.2 Příprava dat do tabulky). 

4.5.1 Vytvoření identifikační (grupovací, faktorové) proměnné 

Úprava spočívá v tom, že k testované proměnné musíme vytvořit novou „identifikační“ 

proměnnou, kterou vyžaduje formát software Statistika pro použití ANOVY a Mann– 

Whitneyova, Kruskal–Wallisova a Mediánového neparametrického testu (Obrázek 30). 

Obrázek 29. Základní tabulka dat k Příkladu ve Statistice 



Obrázek 30. Upravená tabulka dat k Příkladu 2 pro použití ANOVY ve Statistice 

V případě použití ANOVY se tato proměnná nazýva faktorem, u neparametrických testů pak 

grupovací proměnnou. 

Vytvoření faktorové proměnné budu demonstrovat na konkrétním příkladu statistického 

testování rozdílu mezi počtem kroků v pracovních dnech intervenčního (proměnná 

INTsteps5) a habituálního (proměnná HABsteps5) týdne použitím ANOVY. 

Tyto dvě proměnné INTsteps5 a HABsteps5 (Obrázek 29) „sjednotíme“ do jediné 

proměnné pojmenované steps5 a k ni vytvoříme faktorovou proměnnou s názvem OPAK 

(Obrázek 30). „Sjednocení“ nejlépe provedeme překopírováním hodnot proměnné HABsteps5 

(K2:K91) pod poslední hodnotu proměnné INTsteps5 na pozici (I92) v Excelu. Proměnnou 

INTsteps5 přepsáním přejmenuji na steps5. Pak přidám nový sloupec pro faktorovou 

proměnnou OPAK rozbalením nabídky Vložit Sloupec na horní liště v Excelu (Obrázek 

31). Vepsáním hodnot 1 a 2 v nově přidaném faktoru pojmenovaném OPAK rozlišíme počet 

kroků v intervenčním (OPAK=1) a habituálním (OPAK=2) týdnu (Obrázek 32). Pak hodnoty 

proměnné steps5 s příslušnou hodnotou faktoru OPAK=1 odpovídají hodnotám proměnné 

INTsteps5 a hodnoty proměnné steps5 s příslušnou hodnotou faktoru OPAK=2 odpovídají 

hodnotám proměnné HABsteps5 (Obrázek 32). 

Obrázek 31. Vytvoření nového sloupce pro grupovací proměnnou OPAK v Excelu 

Obdobně postupuji při přípravě proměnné steps2 pro použití ANOVY. Překopíruji hodnoty 

proměnné HABsteps2 (M2:M91) pod poslední hodnotu proměnné INTsteps2 na pozici (K92). 

Proměnnou INTsteps2 přejmenuji na steps2. Již vytvořený faktor OPAK rozlišuje také 



proměnnou steps2 na část odpovídající počtu kroků ve víkendových dnech intervenčního 

(proměnná INTsteps2) a habitulního (proměnná HABsteps2) týdne (Obrázek 33). 

Obrázek 32. Rozlišení proměnné steps5 pomocí faktoru OPAK v Excelu 

Obrázek 33. Rozlišení proměnné steps2 pomocí faktoru OPAK v Excelu 

Po odstranění proměnných HABsteps5 a HABsteps2, uložení a zavření souboru v Excelu 

máme připravenou tabulku dat pro použití ANOVY ve Statistice. Zobrazení připravené 

tabulky dat po importu do Statistiky znázorňuje již zmiňovaný obrázek 30. 

4.5.2 Výpočet ANOVY 

Pro použití testování rozdílu mezi dvěma či více proměnnými prostřednictvím ANOVY ve 

Statistice je nezbytné připravit tabulku dat jako na obrázku 30 (1 sloupec = 1 testovaná 

proměnná + faktorová proměnná (proměnné) rozdělující testovanou proměnnou (proměnné) 

do faktorem určených skupin). Cesta výběru ANOVY v software Statistika je následující: 

rozbalením nabídky Statistika ANOVA se dostáváme k nabídce jednotlivých druhů 

ANOVY (jednofaktorová, vícefaktorová, při opakovaných měřeních) (Obrázek 34). 

V našem konkrétním příkladě – statistického testování rozdílu mezi počtem kroků 

v pracovních (proměnná steps5) a víkendových (proměnná steps2) dnech intervenčního a 

habituálního týdne (faktor OPAK) pomocí ANOVY zvolím jednofaktorovou analýzu 

variance. 

V nabídce Proměnné jednofaktorové ANOVY vyberu ze seznamu Závisle proměnných 

10. proměnnou steps5 a faktor 5. proměnnou OPAK (Obrázek 35). Po potvrzení OK výběru 

se zobrazí vybraná závisle proměnná steps5 a faktor OPAK, u nějž je ještě navíc potřeba 

zvolit kódy faktoru vybírám všechny (1 označuje intervenční režim, 2 režim habituální) 

(Obrázek 36). Po dvojím potvrzení OK (výběru kódů faktoru a druhu ANOVY) se zobrazí 

nabídka výsledků jednofaktorové ANOVY, ve které volím Všechny efekty (Obrázek 37). 



Obrázek 34. Cesta výběru z jednotlivých druhů ANOVY ve Statistice 

Obrázek 35. Výběr závisle proměnné a faktoru u jednofaktorové ANOVY ve Statistice 



Obrázek 36. Výběr kódů faktoru u jednofaktorové ANOVY ve Statistice 

Při statistickém testování rozdílu mezi počtem kroků v pracovních dnech (proměnná 

steps5) intervenčního a habituálního týdne prostřednictvím jednofaktorové ANOVY vychází 

F=1,20 a p=0,2757 (Obrázek 37). Tudíž testovaný rozdíl není statisticky významný na 

dostatečně nízké hladině statistické významnosti. 

Pro statistické testování rozdílu mezi počtem kroků ve víkendových dnech (proměnná 

steps2) intervenčního a habituálního týdne použiji již vypočtenou ANOVU pro pracovní dny 

(proměnná steps5), v níž pomocí funkce Změnit vyměním proměnnou steps5 za steps2 

při zachování stejného faktoru OPAK i jeho kodů. Testovaný rozdíl mezi počtem kroků ve 

víkendových dnech intervenčního a habituálního týdne je statisticky významný F=5,15 na 

dostatečně nízké hladině statistické významnosti p=0,0245 (Obrázek 38). 

Obrázek 37. Výsledky testu signifikance jednofaktorové ANOVY pro proměnnou steps5 



Obrázek 38. Výsledky testu signifikance jednofaktorové ANOVY pro proměnnou steps2 



II praktická část 

Ukázka použití statistického zpracování dat v konkrétním článku 

5 Příklad – Efekt dvouměsíčního intervenčního programu aerobiku na habituální 

pohybovou aktivitu děvčat ve věku 15-19 let ☻ 

5.1 Abstrakt 

Optimální pohybová aktivita výrazně přispívá k dobrému zdraví, normální tělesné hmotnosti 

a aktivnímu životnímu stylu. Cílem této studie je posoudit efekt intervenčního pohybového 

programu aerobiku na habituální pohybovou aktivitu a pohybovou inaktivitu v pracovních 

a víkendových dnech. Intervenční pohybový program byl sestaven ze dvou extrakurikulárních 

vyučovacích jednotek tělesné výchovy aerobiku týdně. Dvouměsíční intervenční pohybový 

program byl u děvčat (n=90; M±SD; kalendářní věk 16,76±1,76 let; tělesná výška 

164,54±5,18 cm; tělesná hmotnost 53,60±7,34 kg) srovnáván s jejich habituální týdenní 

pohybovou aktivitou. Intervenční pohybový program byl realizován v měsících únor a březen 

(resp. březen a duben) roku 2003. Habituální týdenní pohybová aktivita byla monitorována 

jeden měsíc po ukončení intervenčního programu. Pohybová aktivita byla hodnocena podle 

počtu kroků z pedometru Omron HJ–102, aktivního energetického výdeje z akcelerometru 

Caltrac a její skladby z individuálního sedmidenního záznamu. Extrakurikulární vyučovací 

jednotky aerobiku vysvětlují ze 40 % (resp. 30 %) aktivní energetický výdej ve volném 

čase v intervenční (resp. habituální) týdenní pohybové aktivitě. V pracovních dnech 

nenacházíme rozdíly mezi intervenční a habituální pohybovou aktivitou. Avšak 

o víkendu je habituální pohybová aktivita výrazně (F=5,15; p=0,02; d=0,22) vyšší než 

intervenční pohybová aktivita. Intervenční pohybový program aerobiku výrazně přispívá ke 

zmírňování rozdílů mezi pohybovou aktivitou ve víkendových a pracovních dnech 

zúčastněných děvčat. Dvě extrakurikulární vyučovací jednotky tělesné výchovy s přitažlivým 

obsahem mohou zvýšit habituální pohybovou aktivitu na zdravotně doporučovanou úroveň. 

Klíčová slova: Vyučovací jednotka tělesné výchovy, pracovní dny, víkendové dny, kroky, 

pohybová inaktivita, Omron. 

Zpravidla základní část rozhodující o následné četbě celé odborné práce je abstrakt. 

Vhodně sestavený abstrakt obsahuje maximálně jednu větu o řešené problematice, formulace 

cíle práce, přesný popis metodiky včetně účastníků, hlavní dosažené cíle a nejvýraznější 

závěry či zobecnění. Nedílnou součástí jsou nejfrekventovaněji používaná a práci 

charakterizující klíčová slova. 

Slovem efekt je myšlen vliv, dopad, působení intervenčního pohybového programu na 

běžnou, každodenní pohybovou aktivitu a je posuzován pomocí rP – Pearsonova korelačního 

koeficientu (viz 5.4.4 Softwarové a statistické zpracování dat). 

Základní somatické charakteristiky lze nejen v abstraktu ale i v metodice (viz 5.4.1 

Účastníci) vyjádřit prostřednictvím aritmetického průměru (M) a směrodatné odchylky (SD) 

pomocí znaku ±. Čtenáři tak sděluji, že při normálním rozdělení dat se v intervalu (M-SD, 

M+SD) vyskytuje přibližně 68,3 % účastníků. V intervalu (M-2SD, M+2SD) se již vyskytuje 

95,5 % účastníků a v intervalu (M-3SD, M+3SD) již 99,7 % účastníků (Hendl, 2004). Takže, 

např. pro tělesnou výšku se 68 % tzn. 61 z monitorovaných děvčat nachází v intervalu 

(159,36-169,72) cm a 86 děvčat (95 % z celkového počtu n=90) má tělesnou výšku v rozmezí 

154,18 až 174,9 cm. 

☻ publikováno: Sigmund, E., Frömel, K., Sigmundová, D., Pelclová, J., & Skalik, S. (2004). 

Efekt dvouměsíčního intervenčního programu aerobiku na habituální pohybovou aktivitu 

děvčat ve věku 15-19 let. Česká kinantropologie, 8(2), 17-30. 



Koeficient determinace d=rP 2 názorně vyjadřuje procentuální vliv vyučovacích jednotek 

aerobiku na pohybovou aktivitu v intervenčním a běžném školním režimu. 


Slovní formulace: výrazně, významně, signifikantně vyšší nebo nižší... při srovnávání 

výsledků by měly doplňovat nebo předcházet statisticky vypočtené informace např. (F=5,15; 

p=0,02; d=0,22) tzn. zjištěný rozdíl je, srovnáním pomocí analýzy variance, statisticky 

významný na hladině p=0,02 při středním efektu koeficientu „efekt size“ d (viz 6.4.4 

Softwarové a statistické zpracování dat). 


5.2 Abstract 

(Effect of two-months aerobics intervene program on habitual physical activity of girls aged 

15-19) Optimal physical activity markedly contributes to good health, normal body weight 

and active lifestyle. Purpose of this study is to assess effects of aerobic intervene physical 

activity program on weekdays and weekends habitual PA and physical inactivity. Intervene 

physical activity program was designed as 2 extra-curriculum physical education lessons of 

aerobic per week. Two-months intervene physical activity of girls (n=90, M±SD, 16.76±1.76 

years, height 164.54±5.18 cm, weight 53.60±7.34 kg) was compared with their habitual 

weekly physical activity. Intervene physical activity program was realized in February and 

March (March and April, respectively) 2003. Habitual physical activity was monitored one 

month after the end of intervene program. Physical activity was assessed according to number 

of steps from Omron HJ–102 pedometer, active energy expenditure from Caltrac 

accelerometer and their structure from individual 7-day logs. Extra-curriculum aerobic 

lessons explained 40% (30%, respectively) of active energy expenditure of leisure in 

intervene (habitual, respectively) weekly physical activity. There are no differences 

between intervene and habitual physical activity on weekdays. However, weekendhabitual 

physical activity is significantly higher (F=5.15, p=0.02, d=0.22) than weekendintervene 

physical activity. Aerobic intervene physical activity program markedly 

contributed to reduce discrepancies between higher-level weekdays and lower-level weekends 

physical activity of participant girls. Two extra-curriculum physical education lessons with 

favorite content can increase weekly habitual physical activity on health-recommended level. 

Key words: Physical education lesson, weekday, weekend, steps, physical inactivity, Omron. 

5.3 Úvod 

Ačkoliv je prokázán inverzní vztah mezi pohybovou aktivitou (dále PA) a rizikovými 

faktory způsobujícími některá chronická onemocnění (obezita, cukrovka, ischemická choroba 

srdeční) (Sirard & Pate, 2001) nedaří se výskyt těchto onemocnění v širokém populačním 

spektru uspokojivě snižovat. Pohybová inaktivita (dále PI) a s ní úzce související nemoci 

(ischemická choroba srdeční, vysoký krevní tlak, cukrovka, obezita, osteoporóza, deprese 

a stavy úzkosti) představují nejdražší léčené zdravotní komplikace u států s výrazným 

podílem sedavého zaměstnání a motorizované dopravy (Colditz, 1999). Aplikace 

intervenčních stravovacích a pohybových programů (Sahota et al., 2001; Sallis et al., 2003) je 

vedle klinických a medikačních zásahů snahou o zmírnění výrazného nárůstu obezity, 

cukrovky a srdečních onemocnění patrných dokonce již u dětí (Ball & McCargar, 2003; Fox, 

2004). Nejpalčivějším a také nejčastěji intervenčně řešeným problémem u dětí, mládeže 

i dospělých je obezita (Goran et al., 1999; Sahota et al., 2001; Sallis et al., 2003). 

Nejefektivnější intervenční PA programy u dětí a mládeže mají zahrnovat školní 

a komunální intervence za výrazné podpory rodiny (Goran et al., 1999; Pate et al., 2000). 



Efektivita intervenčního PA programu je podle Sallise et al. (1992) podmíněna komplexností 

při jeho tvorbě a realizaci v oblasti kognitivní, sociální a environmentální. Pro efektivní 

redukci obezity u dětí a mládeže je vedle kognitivní složky nezbytná kombinace optimální PA 

a diety – zvýšení energetického výdeje a snížení energetického příjmu (Crespo et al., 2001; 

Sahota et al., 2001; Sallis et al., 2003). Multidisciplinární přístup při tvorbě intervenčních PA 

programů má vyústit v pohybově a zdravotně zaměřených kurikulech, změnách ve školním 

i mimoškolním prostředí, které podporuje bezpečnost a prožitek při PA před začátkem, 

v průběhu a po skončení školního vyučování (Goran et al., 1999). Komplexně pojímané 

intervenční PA programy jsou však v praxi často obtížně realizovatelné. Příkladem 

komplexního intervenčního PA programu ověřeného na základních školách je CATCH 

(McKenzie et al., 1996; Stone et al., 1998) a intervenčního PA programu v tělesné výchově 

(dále TV) pak SPARK (Sallis, 1994). 

Intervenční projekt CATCH byl zaměřen na redukci rizikových kardiovaskulárních faktorů 

u 8-10 letých dětí z 96 základních škol prostřednictvím úprav ve školním stravování 

a v kurikulech TV, zavedením zdravotní výchovy ve třídách a účasti rodičů. Prokázalo se 

zvýšení střední a intenzivní PA nejen v TV, ale i ve volném čase zúčastněných dětí 

(McKenzie, 1996). 

Intervenční PA program v TV SPARK je založen na sociálně–kognitivní teorii. 

Kvaziexperimentální design projektu byl ověřen na sedmi základních školách. Monitorování 

PA pomocí akcelerometru Caltrac a individuálního záznamu, měření zdatnosti, tloušťky 

kožních řasa BMI bylo realizováno po dobu dvou let. Výsledky ukazují zvýšenou PA děvčat 

i chlapců v TV, neprokázal se však efekt zvýšení volnočasové PA. Přestože se po dvou letech 

prokázal výrazný efekt v běhu na 1 míli a počtu leh-sedů za 1 minutu u děvčat a ne u chlapců, 

je právě u děvčat obtížnější sestavit a ověřit efektivní intervenční PA program (McKenzie et 

al., 2000; Powers et al., 2002; Sallis et al., 2003; Stone et al., 1996). 

Pro děti a mládež je škola a školní prostředí nejvhodnější pro realizaci intervenčních PA 

programů také proto, že více než 97 % dětí absolvuje vyučovací jednotky TV (Sallis et al., 

1992). Ve kvalitně připravených a vedených vyučovacích jednotkách TV může docházet ke 

zmírňování rozdílů mezi PA děvčat a chlapců (Katzmarzyk & Malina, 1998; McKenzie et al., 

2000), více a méně dovedných chlapců (Hastie & Trost, 2002) či mezi sportovně 

organizovanou a neorganizovanou mládeží (Katzmarzyk & Malina, 1998). Ačkoliv se 

vyučovací jednotky TV podílejí pouze ze 3 % na celkovém týdenním času věnovanému 

PA, z hlediska aktivního energetického výdeje z akcelerometru Caltrac tvoří u děvčat ve 

věku 18-19 let nezastupitelných 22 % (Sigmund et al., 2003). Přibližně 12 % z denního 

množství kroků je u děvčat (n=300) ve věku 6-12 let realizováno v jednotce TV (Morgan 

et al., 2003). Katzmarzyk a Malina (1998) při třídenním monitoringu PA 12-14letých dětí 

dokonce zjišťují, že 65 % (resp. 55 %) denního aktivního energetického výdeje děvčat 

(resp. chlapců) připadá na organizovanou PA. 

Před 20 lety byly děti pohybově aktivnější ve volném čase mimo školu, v organizované 

PA a o víkendových dnech (Goran et al., 1999). V současnosti jsou z hlediska PA dětí 

a mládeže naopak kritičtější právě víkendové a prázdninové dny ve srovnání s pracovními, 

školními dny (Gavarry et al., 2003; Hovell et al., 1999; Sigmund et al., 2002). O víkendových 

dnech dochází vlivem výrazného nárůstu pohybové inaktivity také ke snižování rozdílů 

v objemu a skladbě PA mezi děvčaty a chlapci, kteří jsou ve školních dnech pohybově 

aktivnější než děvčata (Gavarry et al., 2003). Powersová et al. (2002) a Stoneová et al. (1996) 

doporučují ověřovat intervenční PA projekty na zvýšení právě mimoškolní, volnočasové PA. 

Hlavním cílem této studie je zjistit vliv intervenčního pohybového programu aerobiku na 

na habituální PA a PI děvčat v pracovních a víkendových dnech. Dalším cílem je podle počtů 

kroků z pedometru Omron HJ–102, aktivního energetického výdeje z akcelerometru Caltrac, 



a doby trvání PA z individuálního záznamu posoudit efekt realizované PA ve vztahu ke 

zdravotním doporučením. 

5.4 Metodika 

5.4.1 Účastníci 

Dvouměsíční intervenční pohybový program dokončilo 90 (M±SD; 16,76±1,76 let, 

tělesná výška 164,54±5,18 cm; tělesná hmotnost 53,60±7,34 kg) z celkového počtu 122 

děvčat. Zúčastněna děvčata byla z náhodně vybraných tříd prvního a třetího ročníku ze 

čtyřech stratifikovaně vybraných gymnázií z katowického regionu. Stratifikačním faktorem 

bylo umístění škol v centru města s hustou bytovou zástavbou, se zhoršenými podmínkami 

pro mimoškolní venkovní PA. Účast děvčat na intervenčním pohybovém programu byla 

dobrovolná. 

Způsob výběru souboru zkoumaných jedinců je nutno uvést také z důvodu výběru vhodné 

statistické metody pro zpracování dat, popř. hladiny statistické významnosti pro zamítnutí či 

přijetí testovaných hypotéz. Způsob výběru zkoumaného souboru nám také určuje míru 

zobecnění zjištěných výsledků. Pokud náhodně, např. losováním, vybírám 40 studentů ze 150 

studentů prvních ročníků, mohu si dovolit zjištěná fakta u 40 studentů zobecnit na všech 150 

studentů tak, jako kdybych je zkoumal všechny. Pokud se však jedná o záměrný výběr nemohu 

zjištěna fakta prakticky zobecňovat vůbec, platí pouze pro záměrně vybranou a sledovanou 

skupinu jedinců. 

5.4.2 Přístroje a dotazníky 

Monitoring PA je založen na sedmidenním kontinuálním sledování PA pomocí 

akcelerometru Caltrac, pedometru Omron HJ–102 a individuálního záznamu (Frömel et al., 

1999). Sledování a hodnocení PA akcelerometrem Caltrac bylo převzato z amerického 

projektu SPARK (Sallis, 1994) a v našich podmínkách standardizováno na Fakultě tělesné 

kultury Univerzity Palackého (Novosad et al., 1995/96). Při monitoringu PA je účastníky 

zaznamenáván celkový a aktivní energetický výdej z akcelerometru Caltrac (kcal·den -1 ), počet 

kroků z pedometru Omron (počet·den -1 ) a jednotlivé druhy PA (min·den -1 ). Individuálním 

záznamem byla navíc sledována také PI (Sigmund et al., 2002). Aplikací dotazníku 

sportovních zájmů (Frömel et al., 2002) byly zjišťovány preference zúčastněných děvčat 

v oblasti PA. 

Pro určování aktivního energetického výdeje byl Caltrac v terénních podmínkách 

validován srovnáním se snímačem srdeční frekvence (Montoye et al., 1996) také při 

sedmidenním monitoringu českých adolescentů (Frömel et al., 1999). Aktivní energetický 

výdej z Caltracu signifikantně koreluje s počtem kroků z pedometru Omron (rP=0,62; 

p=0,0000) a dobou trvání PA z individuálního záznamu (rP=0,48; p=0,0000) při 

celodenním terénním monitoringu PA u 190 děvčat a chlapců ve věku 11–12 let (Sigmund, 

2000). Ačkoliv pedometry umožňují stanovit také aktivní energetický výdej přesnější jsou při 

určování kroků a poskoků při PA (Tudor-Locke et al., 2002). 

Každá studie by měla v kapitole metodika obsahovat informace o přesnosti a spolehlivosti 

požívaných přístrojů, dotazníků apod., a údaje o jejich standardizaci. V případě, že se jedná 

o nestandardizovanou techniku, je vhodné toto viditelně uvést. Ve výše uvedeném případě je 

míra shody mezi proměnnou aktivní energetický výdej z jednoho přístroje a proměnnou počet 

kroků z druhého přístroje (resp. proměnnou doba trvání pohybové aktivity z individuálního 

zápisu) na střední úrovni - vyjádřená pomocí rP – Pearsonova korelačního koeficientu. 



5.4.3 Postup 

Pomocí dotazníku sportovních zájmů byly před sestavením intervenčního pohybového 

programu zjištěny u zúčastněných děvčat jejich oblíbené druhy PA. Z hledika podmínek 

v tělesné výchově na vybraných školách (velikost a vybavení tělocvičen, nekoedukovaná 

výuka) jsme jako nejvhodnější obsah intervenčního pohybového programu zvolili aerobik. 

Intervenční pohybový program byl sestaven ze dvou 45minutových extrakurikulárních 

vyučovacích jednotek TV týdně. Kurikulární i extrakurikulární vyučovací jednotky TV 

vyučovaly čtyři studentky Akademie Wychowania Fizycznego v Katowicích, držitelky 

cvičitelské licence aerobiku. Všechny vyučovací jednotky TV byly nekoedukované. 

Akcelerometr Caltrac (resp. pedometr Omron) byl podle indiviuálních hodnot (hmotnost, 

výška, kalendářní věk a pohlaví; resp. délka kroku a hmotnost) naprogramován pro měření 

aktivního energetického výdeje v kilokaloriích (resp. počtu kroků a poskoků při PA). Všechna 

zúčastněná děvčata byla bezprostředně před začátkem první vyučovací jednotky TV aerobiku 

detailně seznámena s Caltracem a Omronem a instruována jak je správně „nosit“. Elastický 

monitorovací pás s kapsami pro Caltrac a Omron zajišťoval jejich pevné a přesné umístění na 

pravém boku děvčat v průběhu intervenčního pohybového programu i celodenního 

monitoringu. Po skončení první vyučovací jednotky TV jsme spolu s děvčaty provedli první 

záznam naměřených dat z Caltracu (aktivní a celkový energetický výdej v kcal) a Omronu 

(počet kroků, překonanou vzdálenost v milích a aktivní energetický výdej v kcal) do jejich 

individuálních záznamů. Každé ráno po probuzení a večer před spaním zaznamenávala 

monitorovaná děvčata do svých individuálních záznamů denní čas a příslušné údaje 

z Caltracu a Omronu. Večer pak také typ, dobu trvání a intenzitu (střední nebo vysoká) PA 

prováděné v průběhu celého dne a skladbu PI. Vzhledem k možnosti určování podílu 

organizované PA na celodenní PA zapisovali účastníci monitoringu denní čas a data 

z Caltracu a Omronu také na začátku a konci školního vyučování (resp. vyučovacích jednotek 

TV, tréninkových a cvičebních jednotek). Poslední zápis do individuálních záznamů jsme 

provedli společně s účastníky za sedm dní, před začátkem vyučovací jednotky TV. 

Intervenční PA program byl realizován v měsících únor a březen (resp. březen a duben) 

roku 2003. Habituální týdenní PA byla monitorována stejným způsobem jako intervenční PA 

jeden měsíc po ukončení intervenčního pohybového programu. Na konci monitoringu 

habituální týdenní PA byly opět pomocí dotazníku sportovních zájmů zjišťovány preference 

v oblasti PA. Pro hodnocení efektu intervenčního programu aerobiku na habituální PA byla 

vybrána pouze děvčata, která absolvovala monitoring obou týdenních režimů. 

Každá z monitorovaných děvčat obdržela bezprostředně po vyhodnocení dat individuální 

grafický výstup o úrovni a skladbě realizované PA a PI s možností anonymního srovnání se 

spolužáky. Učitelé a ředitelé škol obdrželi průměrné, souhrnné a komparativní výsledky. 

Vysvětlení individuálních a skupinových výsledků žákům a učitelům TV proběhlo v každé ze 

zúčastněných ve speciální vyučovací jednotce TV. Vysvětlování výsledků doprovázela 

doporučení pro další provádění PA ve vztahu ke zdraví, k úpravě tělesné hmotnosti, k rozvoji 

tělesné zdatnosti apod. 

„Technologický“ popis postupu měření, vyšetřování, pozorování, apod. je nedílnou 

součástí každé práce. Lze ji uvést v několika odstavcích, lépe však v samostatné podkapitole 

tak, aby si čtenář vytvořil jednoznačnou představu o přípravě (organizační, technické, 

lidské,…) a samotné realizaci měření, zaznamenávání a následné zpracování zjištěných dat a 

informací. Popis tvořte tak, aby poučený čtenář moh podobné měření realizovat také. 



5.4.4 Softwarové a statistické zpracování dat 

Pro zpracování a analýzu dat z monitoringu byl použit software umožňující také 

zpětnovazební servis pro účastníky monitoringu a jejich rodiče, učitelé TV a ředitele škol 

(Chytil, 2000). Statistická analýza dat byla provedena v softwarovém prostředí 

STATISTICA 6. 

Ke statistickému srovnání proměnných aktivní energetický výdej z akcelerometru 

Caltrac (kcal·den -1 ) a denní počet kroků z pedometru Omron při intervenční 

a habituální PA byla použita jednorozměrná analýza variance při opakovaném měření 

(Friedmanův test). Pro srovnání počtu kroků v pracovních a víkendových dnech 

v jednotlivých režimech jsme využili jednorozměrnou analýzu variance (F–test). 

Procentuální podíl organizované PA v týdenní PA v intervenčním a habituálním režimu 

byl srovnáván Kruskal–Wallisovým testem. Vodítkem při posuzování věcné 

významnosti statisticky srovnávaných proměnných byly koeficienty „efekt size“ – d pro 

Friedmanův test a η 2 pro Kruskal–Wallisův test. Velikost koeficientu d=0,2 (resp. d=0,5 

a d=0,8) lze interpretovat jako malý (resp. střední a velký) efekt (McCartney & 

Rosenthal, 2000). Při η 2 =0,01 (resp. η 2 =0,06 a η 2 =0,14) shledáváme podle Morseho (1999) 

efekt jako malý (resp. střední a velký). Efekt intervenčního pohybového programu na 

habituální týdenní PA byl také posuzován pomocí rP – Pearsonova korelačního 

koeficientu. Běžně používané statistické ukazatele pro hodnocení velikosti efektu rP jsou 

následující: nízký – rP=0,10, sřední – rP=0,30 a velký, výrazný efekt – rP=0,50 (Cohen, 

1988; Dishman & Buckworth, 1996). Koeficientem determinace (rP 2 ) názorně 

vyjadřujeme procentuální vliv intervenční PA na habituální PA zúčastněných děvčat. 

V každé práci je povinností uvést software využívaný pro statistickou analýzu a způsob 

kvantifikace dat (pokud s takovými daty pracujeme). V našem případě je úroveň pohybové 

aktivity charakterizována pomocí aktivního energetického výdeje a počtu kroků. 

V kvalitních pracích je dbáno na rozepsání použitých statistických metod (v našem případě 

analýza variance a neparametrický Kruskal–Wallisův test), které je nezbytně doplněné 

„věcnou“, „praktickou“, „lékařskou“, „experimentální“ a jinak nazývanou (nestatistickou) 

významností. Když se např. zkrácení doby úplné rekonvalescence o pět dní ukáže statisticky 

nevýznamné, může ještě v celorepublikovém měřítku státu ušetřit značné finanční prostředky. 

Podobně se například každodenním cvičením, charakterizovaným např. dobou trvání, 

řekněme 15 minut, nedosáhne u skupiny seniorů významného (myšleno statisticky) zvýšení 

objemu sledovaného svalu, ale prokáže se např. významně (myšleno terapeuticky) lepší 

koordinace při chůzi do schodů. Tato „věcná“, „praktická“, „experimentální“ významnost je 

často považována za přínosnější než významnost statistická. V našem případě se opírám 

o „vodítka“, kterými jsou koeficienty „efekt size“ - d, η 2 , rP a rP 2 . 

5.5 Výsledky 

V pracovních dnech nenacházíme rozdíly v denním počtu kroků mezi intervenční 

a habituální PA děvčat. Avšak víkendová habituální PA je i s přihlédnutím ke velikosti 

směrodatných odchylek věcně i statisticky významně vyšší než víkendová PA 

v intervenčním režimu (Tabulky 5 a 6). O víkendových dnech zjišťujeme podle rp nižší 

efekt intervenční PA na habituální PA než ve dnech pracovních. Avšak i tento vliv 

intervenční PA o víkendových dnech na habituální PA je téměř stejně výrazný jako ve 

dnech pracovních (Tabulky 5 a 6). 

Ačkoliv jsou směrodatné odchylky proměnné počet kroků při pohybové aktivitě ve 

víkendových dnech intervenčního i habituálního režimu vysoké (4930 a 6040) shledávám 



rozdíl v průměrných hodnotách 1865 kroků za věcně významný. Tento rozdíl přibližně 

odpovídá průměrné vyučovací jednotce tělesné výchovy, která mi slouží jako hranice pro 

posuzování věcné významnosti výsledků. 

Tabulky je vhodné sestavovat tak, abyste čtenáře co nejméně zatěžovali „luštěním“ 

zkratek, popisu proměnných, „přilišností“ informací, grafickými ekvilibristikami apod. 

Statistickou významnost lze vyznačit pomocí symbolů uvedených jako horní index bezprostředně 

za číselnou hodnotou anebo tučně. Ve vysvětlivkách je pak nutné použité označení objasnit. 

Tabulka 5. Srovnání počtu kroků v pracovních dnech intervenčního a habituálního týdenního 

režimu 

Děvčata 

(n=90) 

Intervenční 

týdenní 

režim 

Habituální 

týdenní 

režim 

Kroky při PA (počet·den -1 ) v pracovních 

dnech – pedometr Omron HJ–102 

M SD F rp d 

16486 4402 

15702 5186 

1,20 0,54** 0,00 

Tabulka 6. Srovnání počtu kroků ve víkendových dnech intervenčního a habituálního 

týdenního režimu 

Děvčata 

(n=90) 

Intervenční 

týdenní 

režim 

Habituální 

týdenní 

režim 

Kroky při PA (počet·den -1 ) ve víkendových 

dnech – pedometr Omron HJ–102 

M SD F rp d 

10345 4930 

12210 6040 

5,15* 0,48** 0,22 

Vysvětlivky k tabulkám 5 a 6: PA – pohybová aktivita; M – aritmetický průměr; SD – 

směrodatná odchylka; F – ANOVA (Friedmanův test); *p=0,01; **p


Při vyjádření srovnávaných rozdílů v textu nepoužívejte pouze údaj testovacího kritéria 

(v našem případě F) samostatně, ale doplňte jej hladinou statistické významnosti (v našem 

případě p


chůze 

aerobik 

domácí práce 

gymnastika 

sportovní hry 

jízda na kole 

jiná PA 

tanec 

běh + jogging 

16 

10 

25 

42 

21 

31 

23 

18 

25 

17 

23 

48 

91 

92 

135 

153 

448 

intervenční týdenní PA 

habituální týdenní PA 

0 100 200 300 400 500 

526 

(min) 

Obrázek 39. Skladba PA (min·týden -1 ) děvčat (n=90) v intervenčním a habituálním týdenním 

režimu 

sezení ve škole 

sezení nebo ležení při 

učení, čtení a hře 

sezení nebo ležení při 

sledování televize 

sezení u počítače 

sezení v restauraci, 

kině, parku 

67 

82 

88 

85 

429 

516 

516 

546 

0 100 200 300 400 500 600 700 800 

810 

812 

intervenční týdenní PA 

habituální týdenní PA 

(min) 

Obrázek 40. Skladba PI (min·týden -1 ) děvčat (n=90) v intervenčním a habituálním týdenním 

režimu 



V průběhu dvouměsíčního intervenčního PA programu byly náhodně monitorovány 4 

extrakurikulární vyučovací jednotky TV pomocí snímačů srdeční frekvence S610. Zatížení 

děvčat (n=360) charakterizované srdeční frekvencí představovalo ve zmiňovaných 

vyučovacích jednotkách průměrně 151±14 (M±SD) tepů·min -1 . Doba strávená v těchto 

vyučovacích jednotkách při PA střední a vysoké intenzity v průměru činila více než 58 % 

z celkové doby trvání vyučovacích jednotek TV. 

Vyučovací jednotky aerobiku motivovaly více než 68 % děvčat k spontánnímu opakování 

a osvojování nových aerobických a tanečních prvků ve volném čase. Děvčata také častěji 

navštěvovala diskotéky a taneční zábavy konané především o víkendových dnech. V žádné 

z monitorovaných tříd nebylo zaznamenáno zhoršení kázně či prospěchu v průběhu ani po 

skončení intervenčního pohybového programu. 

Při hledání vztahu mezi aktivním energetickým výdejem z akcelerometru Caltrac 

(resp. počtem kroků z pedometru Omron) a dobou trvání PA nacházíme nízké korelace 

v intervenčním (rS=0,17; p=0,11; resp. rS=0,21; p=0.04) i habituálním (rS=0,16; p=0,12; 

resp. rS=0,14; p=0,20) týdenním režimu. Přes tyto nízké korelační vztahy je z obrázku 39 

patrné, že vyšší realizace aerobiku v intervenčním režimu byla v habituálním režimu 

vystřídána především zvýšenou jízdou na kole a vyšší realizací sportovních her. 

Tyto korelační vztahy považuji za nízké také proto, že doba trvání PA z individuálního 

záznamu je ve srovnání z údaji z přístrojů Caltrac a Omron nejvíce ovlivněna pečlivostí 

a věrohodností zapisovatele. U časových údajů z individuálního záznamu nacházíme 

nejvýraznější směrodatné odchylky svědčící o vysokém rozptylu daných proměnných. 

U vysoce přesně změřených veličin nám i nízký korelační koeficient může poukazovat na 

významný vztah, ale u méně přesně zachycené veličiny musíme být skeptičtější. Proto je 

i následující tučně vyznačený statisticky významný vztah ...(rS= -0,30; p=0,006; resp. rS= - 

0,21; p=0.06) zcela správně věcně interpretován výrazně opatrněji. 

Dominantní zastoupení chůze ve skladbě týdenní PA (intervenční i habituální) je určeno 

skutečností, že více než 50 % ze zúčastněných děvčat chodí do a ze školy pěšky anebo 

kombinují (90 % z děvčat) městskou dopravu s chůzí. Poměr chůze k ostatním PA je podle 

doby trvání z individuálních záznamů 1:0,80 v intervenčním a 1:0,77 v habituálním režimu. 

Analýza skladby PI neodhaluje zjevné rozdíly mezi intervenčním a habituálním režimem 

(Obrázek 40). Vzhledem k nevysokým korelacím mezi týdenní dobou PI a počtem kroků 

z Omronu nebo aktivním energetickým výdejem z Caltracu (rS= -0,30; p=0,006; resp. 

rS= -0,21; p=0.06) nemůžeme považovat mírné snížení doby sledování televize a sezení či 

ležení při učení, čtení nebo hře v habituálním režimu za samotný efekt intervenčního PA 

programu aerobiku. 

Denní doba sledování televize v intervenčním (resp. habituálním) režimu v průměru činí 

méně než 75 (resp. 62) minut. Vedle sezení ve škole je druhou nejvýraznější PI 

v intervenčním i habituálním režimu sezení nebo ležení při učení, čtení a hře (více než 70 

minut denně – Obrázek 40). Poměr doby trvání PA včetně chůze k PI bez spánku je 

příznivější v intervenčním 1:2,15 než habituálním 1:2,41 týdenním režimu. I přesto však 

podle individuálního záznamu připadá v habituálním režimu na jednu minutu PA pouze 2,41 

minuty PI. 

5.6 Diskuse 

Při analýze 32 studií vztahujících se k monitorování počtu kroků u různých populačních 

skupin Tudor-Locke a Myers (2001) uvádějí, že u zdravých mladších dospělých můžeme 

očekávat denní počet kroků 7000–13000 (méně u žen než u mužů). Pro snížení tělesné 

hmotnosti je nezbytné dosáhnout nejméně 15000 kroků za den (Leermakers et al., 2000). 



U námi sledovaných adolescentek nacházíme v pracovních dnech v intervenčním 

i habituálním týdnu dokonce vyšší denní počet kroků než 15000. Denní počet kroků 

z pedometru Omron HJ–102 (resp. aktivní energetický výdej z akcelerometru Caltrac) 

v pracovních dnech intervenčního i habituálního režimu převyšuje zdravotně 

doporučovaný objem PA (Corbin & Pangrazi, 1996; Leermakers et al., 2000; Pate et al., 

1995; Tudor-Locke et al., 2002; Tudor-Locke & Myers, 2001). 

Ačkoli v této studii nesledujeme přímo zdravotní efekt PA („pouze“ přímo zjišťujeme efekt 

intervenční PA na habituální PA), můžeme v diskusi, na základě zjištěných dat, polemizovat i 

o tomto zdravotním vlivu, srovnáním s výsledky s obdobně zaměřených studií. 

Značný pokles denního počtu kroků ve víkendových dnech lze především v intervenčním 

režimu spatřovat v „kompenzaci“ nové intervenční PA dvou extrakurikulárních vyučovacích 

jednotek TV realizovaných v pracovních dnech. Spolu s intervenčními vyučovacími 

jednotkami TV se na vyšší PA v pracovních dnech výrazně podílela především chůze, kterou 

samostaně (resp. v kombinaci s městskou dopravou) využívalo více než 50 % (resp. 90 %) ze 

zúčastněných děvčat k cestě do školy. 

Z hlediska doby trvání PA by již každodenní chůze v intervenčním (více než 75 

minut·denně) i habituálním (více než 64 minut denně) režimu splňovala zdravotně 

doporučovaný objem PA (Biddle et al., 1998; Corbin & Pangrazi, 1996). Chůze či případná 

kombinace s městskou dopravou nebo jízdou na kole je nejrozšířenějším způsobem 

přemisťování do a ze školy, mimoškolních zájmových aktivit, návštěv a při nakupování 

u námi sledovaných adolescentek. I přes zvyšující se životní úroveň doprovázenou nárůstem 

pohybové inaktivity a „automobilizací“ (Colditz, 1999), je nanejvýš žádoucí toto chodecké 

pohybové chování zachovávat a dále podporovat (Eyler et al., 2003). Právě podpora chůze 

a jiných druhů středně intenzivní PA může u mladých žen zmírnit pokles PA se vzrůstajícím 

věkem (Leslie et al., 2001). 

Aerobik, tanec a další PA s hudbou jsou vhodnými druhy PA pro adolecentky a ženy 

vedoucí ke zmírnění poklesu PA s věkem nebo k redukci tělesné hmotnosti (Andersen et al., 

1999). Intervenční vyučovací jednotky aerobiku splňovaly doporučení strávit 50 % a více 

času z vyučovací jednotky TV při PA střední a vysoké intenzity. Navíc každá z intervenčních 

vyučovacích jednotek TV obsahovala více než 5 minutovou pasáž věnovanou strečinku a část 

zaměřenou na rozvoj svalové síly. Kondiční 20 minutové části vedoucí k rozvoji aerobní 

vytrvalosti byly vedle „tradičních“ krokových prvků doplněny krokovými variacemi z rock 

and rollu, mamby, čači a hip hopu, makareny a jiných „diskotékových“ tanců. Na atraktivním 

a přitažlivém obsahu a kvalitním vedení intervenčních vyučovacích jednotek aerobiku se 

výrazně pozitivně projevila vysoká aprobovanost, zkušenost a entuziasmus studentek 

Akademie Wychowania Fizycznego. Aerobik a tanec mohou vedle pozitivních psychických 

pocitů - sociální sounáležitosti, zvýšení významu tělesného dojmu a vzhledu, motiv účasti 

(Daley & Buchanan, 1999) navíc silně rozvíjet estetické a rytmické vnímání účastnic 

a kreativitu. Tyto PA s hudbou realizované v nesoutěživém a nekonkurenčním prostředí 

vyzvihují „ženskost“ a směřují proti nežádoucímu smazávání rozdílů mezi „typicky“ mužskou 

a „typicky“ ženskou PA. 

K monitoringu PA se častěji používají přesnější akcelerometry než Caltrac (např. 

třídimenzionální Tritrac-R3D nebo jednodimenzionální Actigraph). Tyto však, na rozdíl od 

akcelerometru Caltrac a pedometru Omron HJ–102 nemají zabudovaný displej, který 

umožňuje okamžitě po skončení vyučovací jednotky TV nebo celého dne vizualizovat 

množství spálených kalorií nebo vykonaných kroků při PA. Tato zpětná vazba je zvláště 

u dětí silným motivačním faktorem k další realizaci PA. Na základě nutričních hodnot 

z konzumované potravy a bezprostředních hodnot o PA z akcelerometru Caltrac nebo 



pedometru Omron lze určit denní energetickou bilanci. Efektivitu intervenčního PA programu 

pak lze samotným účastníkem pomocí Caltracu a Omronu jednoduše kontrolovat. Vzhledem 

k nízké ceně a jednoduché obsluze doporučují Beighle, Pangrazi a Vincent (2001) širší 

zavedení pedometrů do školního prostředí. Učitel má možnost kvantifikovat PA ve vztahu ke 

zdravotním doporučením a pomocí pedometrů motivovat žáky k vyšší PA ve vyučovacích 

jednotkách TV. 

Při hledání závislostí mezi denním počtem kroků z Omronu a denní dobou trvání PA 

a PI z individuálního záznamu nacházíme překvapivě vyšší korelace mezi počtem kroků 

a dobou trvání PI než dobou trvání PA. Ke stejným výsledkům docházíme při hledání 

závislostí mezi aktivním energetickým výdejem z Caltracu a dobou trvání PA a PI. 

Příčinou může být večerní sumace celodenní skladby realizované PA a PI, která se zdá 

být jednodušší u PI ve srovnání s PA. PI představuje pouze sezení (popř. ležení) při 

několika málo možnostech (ve škole, u televize, počítače, v restauraci, kině, parku). 

Kdežto skladba PA je několikanásobně pestřejší než PI. 

Na základě srovnání „číselných“ zjištění (korelačních závislostí) lze usuzovat na např. 

složitost použité metodiky, kriticky hodnotit její přesnost apod. 

5.7 Limity a doporučení práce 

Limitem studie je sledovaní efektu intervenčního pohybového programu pouze jedenkrát, 

a to po čtyřech týdnech po jeho skončení. Následující pohybově intervenční projekty zaměřit 

také na analyzování trvání vlivu intervence v čase po jejím ukončení. Vliv intervenčního 

pohybového programu aerobiku na habituální týdenní PA byl potvrzen u adolescentek, které 

mají pozitivní vztah k PA a které se projektu účastnily dobrovolně. Celosvětově řešenou 

otázkou zůstává jak motivovat k vyšší PA adolecentky, které neinklinují k PA. Sezonní vliv – 

intervenční pohybový program začal v únoru a březnu, v měsících se sníženou PA a zvýšenou 

pohybovou inaktivitou (Pivarnik et al., 2003) a končil v dubnu a květnu, v období 

s vhodnějšími klimatickými podmínkami pro venkovní PA. Zařazení intervenčního 

pohybového programu do měsíců s celosvětově nižší PA z hlediska celoročního režimu bylo 

záměrné, avšak v následujících projektech doporučujeme sledovat také faktor počasí 

a ročního období. 

5.8 Závěry 

Intervenční pohybový program aerobiku nezanedbatelně spolupůsobil na žádoucím zvýšení 

pohybové aktivity ve víkendových dnech a současně na snížení rozdílu mezi pohybovou 

aktivitou realizovanou ve víkendových a pracovních dnech. 

Dvě extrakurikulární vyučovací jednotky tělesné výchovy s přitažlivým obsahem mohou 

zvýšit týdenní habituální pohybovou aktivitu na zdravotně doporučovanou úroveň. 

Intervenční pohybový program aerobiku nesnížil školní ani mimoškolní pohybovou 

inaktivitu v habitualním režimu. 

Z hlediska celoroční pohybové aktivity je pro školní mládež žádoucí zařazovat 

extrakurikulární vyučovací jednotky tělesné výchovy do období listopadu až března, 

t.j.v měsících se zhoršenými podmínkami pro každodenní venkovní PA. 

Metodika terénního monitoringu pohybové aktivity založená na triangulačním přístupu 

jejího hodnocení (aktivní energetický výdej – akcelerometr Caltrac, kroky – pedometr 

Omron a doba trvání, typ a frekvence pohybové aktivity a inaktivity – individuální 

záznam) je vyhovující pro posuzování efektivity intervenčních pohybových programů. 

6.9 Referenční seznam 



Andersenen, R. E., Wadden, T. A., Bartlett, S. J., Zemel, B., Verde, T. J., & Franckowiak, S. 

C. (1999). Effects of lifestyle activity vs structured aerobic exercise in obese women. 

Journal of the American Medical Association, 281(4), 335-340. 

Ball, G. D. C., & McCargar, L .J. (2003). Childhood obesity in Canada: A review of 

prevalence estimates and risk factors for cardiovascular diseases and type 2 diabetes. 

Canadian Journal of Applied Physiology, 28(1), 117-140. 

Beighle, A., Pangrazi, R. P., & Vincent, S. D. (2001). Pedometers, physical activity, and 

accountability. Journal of Physical Education, Recreation, and Dance, 72(9), 16-19. 

Biddle, S., Sallis, J. F., & Cavill, N. A. (Eds.). (1998). Young and active? Young people and 

health enhancing physical activity: Evidence and implications. London: Health Education 

Authority. 

Cohen, J. (1988). Statistical power analysis for the behavioral sciences. (4 th ed.). New York: 

Academic Press. 

Colditz, G. A. (1999). Economic costs of obesity and inactivity. Medicine and Science in 

Sports and Exercise, 31(11 suppl.), 663-667. 

Corbin, C. B., & Pangrazi, R. P. (1996). How much physical activity is enough? Journal of 

Physical Education, Recreation, and Dance, 67(4), 33-37. 

Crespo, C. J., Smit, E. & Troiano, R. P., Bartlett, S. J., Macera, C. A., & Andersen, R. E. 

(2001). Television watching, energy intake and obesity in US children: Results from the 

third National Health and Nutrition Examination Survey, 1988-1994. Arch. Pediatr. 

Adolesc. Med., 155(3), 360-365. 

Daley, A. J., & Buchanan, J. (1999). Aerobic dance and physical self-perceptions in female 

adolescents: some implications for physical education. Research Quarterly for Exercise 

and Sport, 70(2), 196-200. 

Dishman, R. K., & Buckworth, J. (1996) Increasing physical activity: A quantitative 

synthesis. Medicine and Science in Sports and Exercise, 28(6), 706-719. 

Eyler, A. A., Brownson, R. C., Bacak, S. J., & Housemann, R. A. (2003). The epidemiology 

of walking for physical activity in the United States. Medicine and Science in Sports and 

Exercise, 35(9), 1529-1536. 

Fox, K. R. (2004). Tackling obesity in children through physical activity: A perspective from 

the United Kingdom. Quest, 56(1), 28-40. 

Frömel, K., Formánková, S., & Sallis, J. F. (2002). Physical activity and sport preferences of 

10 to 14-year-old children: A 5-year prospective study. Acta Universitatis Palackianae 

Olomucensis Gymnica, 32(1), 11-16. 

Frömel, K., Novosad, J., & Svozil, Z. (1999). Pohybová aktivita a sportovní zájmy mládeže. 

Olomouc: Univerzita Palackého. 

Gavarry, O., Giacomoni, M., Bernard, T., Seymat, M., & Falgairette, G. (2003). Habitual 

physical activity in children and adolescents during school and free days. Medicine and 

Science in Sports and Exercise, 35(3), 525-531. 

Goran, M. I., Reynolds, K. D., & Lindquist, C. (1999). Role of physical activity in the 

prevention of obesity. International Journal of Obesity, 23(3 suppl.), 18-33. 

Hastie, P. A., & Trost, S. G. (2002). Student physical activity levels during a season of sport 

education. Pediatric Exercise Science, 14(1), 64-74. 

Hovell, M. F., Sallis, J. F., Kolody, B., & McKenzie, T. L. (1999). Children’s physical 

activity choices: A developmental analysis of gender, intensity levels, and time. Pediatric 

Exercise Science, 11(2), 158-168. 

Chytil, J. (2000). Program PaTj2000 - program pro sledování, záznam a hodnocení pohybové 

aktivity, vyučovacích, cvičebních a tréninkových jednotek v týdenním režimu [Computer 

software]. Olomouc: SoftWareCentrum. 



Katzmarzyk, P. T., & Malina, R.M. (1998). Contribution of organized sports participation to 

estimated daily energy expenditure in youth. Pediatric Exercise Science, 10(3), 378-386. 

Leermakers, E. A., Dunn, A. L., & Blair, S. N. (2000). Exercise management of obesity. 

Medical Clinics of North America, 84(2), 419-440. 

Leslie, E., Fotheringham, M. J., Owen, N., & Bauman, A. (2001). Age-related differences in 

physical activity levels of young adults. Medicine and Science in Sports and Exercise, 

33(2), 255-258. 

McCartney, K., & Rosenthal, R. (2000). Effect size, practical importance, and social policy 

for children. Child Development, 71(1), 173-180. 

McKenzie, T. L., Marshall, S. J., Sallis, J. F., & Conway, T. L. (2000). Student activity levels, 

lesson context, and teacher behavior during middle school physical education. Research 

Quarterly for Exercise and Sport, 71(3), 249-259. 

McKenzie, T. L., Nader, P. R., Strikmiller, P. K., Yang, M., Stone, E. J., Perry, C. L., Taylor, 

W. C., Epping, J. N., Feldman, H. A., Leupker, R. V., & Kelder, S. H. (1996). School 

physical education: Effect of the child and adolescent trial for cardiovascular health. 

Preventive Medicine, 25, 423-431. 

Montoye, H. J., Kemper H. C. G., Saris, W. H. M., & Washburn, R. A. (1996). Measuring 

physical activity and energy expenditure. Champaign, IL: Human Kinetics. 

Morgan, C. F. Jr., Pangrazi, R. P., & Beighle, A. (2003). Using pedometers to promote 

physical activity in physical education. Journal of Physical Education, Recreation and 

Dance, 74(7), 33-38. 

Morse, D.T. (1999). Minisize2: A computer program for determining effect size and 

minimum sample for statistical significance for univariate, multivariate, and nonparametric 

tests. Educational and Psychological Measurement, 59(3), 518-531. 

Novosad, J., Frömel, K., Hřebíček, J., Válková, H., & Sallis, J. F. (1995/96). Determinanty 

pohybové aktivity u vybraných souborů českých adolescentů. Tělesná kultura, 26(1), 118- 

140. 

Pate, R. R., Pratt, M., Blair, S. N., Haskell, W. L., Macera, C. A., Bouchard, C., Buchner, D., 

Ettinger, W., Heath, G. W., King, A. C., Kriska, A., Leon, A. S., Marcus, B. H., Morris, J., 

Paffenbarger, R. S., Patrick, K., Pollock, M. L., Rippe, J. M., Sallis, J. F., & Wilmore, J. H. 

(1995). Physical activity and public health: A recommendation from the Centers for 

Disease Control and Prevention and the American College of Sports Medicine. Journal of 

the American Medical Association, 273, 402-407. 

Pate, R. R., Trost, S. G., Mullis, R., Sallis, J. F., Wechsler, H. & Brown, D. R. (2000). 

Community interventions to promote proper nutrition and physical activity among youth. 

Preventive Medicine, 31(suppl.), 138-149. 

Pivarnik, J. M., Reeves, M. J., & Rafferty, A. P. (2003). Seasonal variation in adult leisuretime 

physical activity. Medicine and Science in Sports and Exercise, 35(6), 1004-1008. 

Powers, H. S., Conway, T. L., McKenzie, T. L., Sallis, J. F., & Marshall, J. (2002). 

Participation in extracurricular physical activity programs at middle schools. Research 


Sahota, P., Rudolf, M. C. J., Dixey, R., Hill, A. J., Barth, J. H., & Cade, J. (2001). Evaluation 

of implementation and effect of primary school based intervention to reduce risk factors 

for obesity. BMJ, 323(3), 1027-1029. 

Sallis, J. F. (1994). Effects of a two-year health - related physical education program on 

physical activity and fitness in elementary school students [Project SPARK]. San Diego: 

San Diego State University. 

Sallis, J. F., McKenzie, T. L., Conway, T. L., Elder, J. P., Prochaska, J. J., Brown, M., Zive, 

M. M., Marshall, S. J., & Alcaraz, J. E. (2003). Environmental interventions for eating and 



physical activity. A randomized controlled trial in middle schools. American Journal of 

Preventive Medicine, 24(3), 209-217. 

Sallis, J. F., Simons-Morton, B. G., Stone, E. J., Corbin, C. B., Epstein, L. H., Faucette, N., 

Iannotti, R. J., Killen, J. D., Klesges, R. C., Petray, C. K., Rowland, T. W., & Taylor, W. 

C. (1992). Determinants of physical activity and interventions in youth. Medicine and 

Science in Sports and Exercise, 24(6 suppl.), 248-257. 

Sigmund, E. (2000). Pohybová aktivita v životním způsobu dětí ve věku 11-12 let. Disertační 

práce, Univerzita Palackého, Fakulta tělesné kultury, Olomouc. 

Sigmund, E., Frömel, K., Neuls, F., Skalik, K., & Groffik, D. (2002). Inactivity in life style of 

adolescent girls classified according to the level of their body weight. Acta Universitatis 

Palackianae Olomucensis Gymnica, 32(1), 17-25. 

Sigmund, E., Frömel, K., Sigmundová, D., & Sallis, J. F. (2003). Role školní tělesné výchovy 

a organizované pohybové aktivity v týdenní pohybové aktivitě adolescentů. Telesná 

Výchova a Šport, 13(4), 6-9. 

Sirard, J., & Pate, R. R. (2001). Physical activity assessment in children and adolescents. 

Sports Medicine, 31(6), 439-454. 

Stone, E. J., McKenzie, T. L., Welk, G. J., & Booth, M. L. (1998). Effects of physical activity 

interventions in youth review and synthesis. American Journal of Preventive Medicine, 

15(4), 298-315. 

Stone, E. J., Osganian, S. K., McKinlay, S. M., Wu, M., Webber, L. S., Leupker, R. V., Perry, 

C. L., Parcel G. S., & Elder, J. P. (1996). Operational design and quality control in the 

CATCH multicenter trial. Preventive Medicine, 25, 384-399. 

Tudor-Locke, C., Ainsworth, B. E., Thompson, R. W., & Matthews, C. E. (2002). 

Comparison of pedometer and accelerometer measures of free-living physical activity. 

Medicine and Science in Sports and Exercise, 34(12), 2045-2051. 

Tudor-Locke, C., & Myers, A. M. (2001). Methodological considerations for researchers and 

practicioners using pedometers to measure physical (ambulatory) activity. Research

ZÁKLADY STATISTIKY

Create successful ePaper yourself

Delete template?

Save as template?