Wirtualna kancelaria korepetytorska i konsultacyjna – wszechwiedza.pl
Testowanie hipotez dotyczących wariancji pozwala sprawdzić, czy zmienność badanej cechy w populacji jest zgodna z wartością przyjętą w normie, specyfikacji technicznej albo wcześniejszym badaniu. W artykule omawiamy test chi-kwadrat dla jednej wariancji: hipotezy jedno- i dwustronne, obszar krytyczny, wartość p, związek z przedziałem ufności oraz znaczenie założenia normalności populacji.
W wielu zagadnieniach praktycznych nie wystarczy wiedzieć, jaka jest średnia wartość cechy. Równie ważna bywa jej zmienność. Producent może na przykład wymagać, aby masa produktu była możliwie stabilna, laboratorium może kontrolować powtarzalność pomiarów, a przedsiębiorstwo może sprawdzać, czy czas realizacji usług nie stał się zbyt zróżnicowany.
Do takich problemów służy test dotyczący wariancji jednej populacji. Jego celem jest ocena, czy wariancja \(\sigma^2\) jest równa określonej wartości, większa od niej albo mniejsza od niej.
Opisuje ona rozproszenie wartości cechy wokół średniej populacji. Im większa wariancja, tym bardziej obserwacje są zróżnicowane.
W teście jednej wariancji porównujemy nieznaną wariancję populacji \(\sigma^2\) z wartością hipotetyczną:
\[
\sigma_0^2
\]
Wartość \(\sigma_0^2\) może wynikać z normy jakościowej, dokumentacji technicznej, danych historycznych albo wymaganego poziomu stabilności procesu.
Przykładowo, producent może deklarować, że odchylenie standardowe objętości produktu nie przekracza 4 ml. Odpowiada to hipotezie dotyczącej wariancji:
\[
\sigma_0=4
\]
\[
\sigma_0^2=16
\]
Wariancja a odchylenie standardowe
Test formalnie buduje się dla wariancji \(\sigma^2\), ponieważ to właśnie wariancja ma wygodny związek z rozkładem chi-kwadrat. W praktyce problem może jednak być sformułowany poprzez odchylenie standardowe \(\sigma\).
Ponieważ odchylenie standardowe jest nieujemne:
\[
\sigma\geq0
\]
hipotezy dotyczące wariancji i odpowiadające im hipotezy dotyczące odchylenia standardowego są równoważne. Na przykład:
\[
H_0:\sigma=4
\]
jest równoważna hipotezie:
\[
H_0:\sigma^2=16
\]
W obliczeniach używamy jednak wariancji i statystyki chi-kwadrat, a wynik można później opisać językiem odchylenia standardowego, który bywa bardziej intuicyjny.
Dlaczego nie ma modelu ze znaną wariancją?
Przy testowaniu średniej rozróżnialiśmy sytuację, w której odchylenie standardowe populacji było znane, oraz sytuację, w której było nieznane. W przypadku wariancji taki podział nie ma sensu.
Gdyby wariancja populacji była znana dokładnie, nie byłoby czego testować. Test jednej wariancji służy właśnie do weryfikacji hipotezy o nieznanej wartości \(\sigma^2\) na podstawie danych z próby.
Znana może być natomiast wartość referencyjna \(\sigma_0^2\), czyli wariancja zapisana w normie, deklaracji producenta albo przyjętej specyfikacji. Nie oznacza to jednak, że znamy rzeczywistą wariancję populacji.
Założenia testu dla wariancji
Klasyczny test jednej wariancji oparty na rozkładzie chi-kwadrat wymaga spełnienia ważnych założeń:
Próba jest losowa.
Obserwacje są niezależne.
Populacja ma rozkład normalny.
Założenie normalności jest tutaj szczególnie ważne. W przeciwieństwie do wielu testów dotyczących średniej, duża liczebność próby nie pozwala po prostu pominąć tego warunku i automatycznie stosować klasycznego testu chi-kwadrat.
Dlaczego normalność ma tak duże znaczenie?
Rozkład chi-kwadrat statystyki testowej wynika dokładnie z założenia, że obserwacje pochodzą z populacji normalnej. Przy wyraźnej asymetrii, ciężkich ogonach albo obserwacjach odstających klasyczny test wariancji może prowadzić do mylących wyników.
Dlatego przed zastosowaniem testu dla wariancji przy małej próbie warto ocenić normalność danych, na przykład wykresem kwantylowym, histogramem albo odpowiednim testem normalności.
Statystyka testowa i rozkład chi-kwadrat
Niech \(S^2\) oznacza skorygowaną wariancję z próby:
Statystyka testowa porównuje wariancję z próby z hipotetyczną wariancją populacji.
Praktyczna zasada
Najpierw sprawdź, z jakim mianownikiem obliczono wariancję w zadaniu lub programie. Dla skorygowanej wariancji \(S^2\) używamy licznika \((n-1)S^2\). Dla wariancji \(s_n^2\) obliczonej z mianownikiem \(n\) używamy licznika \(n s_n^2\).
Hipotezy jedno- i dwustronne
Podobnie jak przy testach dla średniej, postać hipotezy alternatywnej zależy od problemu badawczego.
Test prawostronny ma sens na przykład wtedy, gdy szczególne znaczenie ma wzrost rozrzutu wyników. Dotyczy to kontroli jakości, stabilności procesu lub powtarzalności pomiarów.
Test lewostronny stosujemy wtedy, gdy chcemy wykazać, że zmienność jest mniejsza od wartości referencyjnej, na przykład po wdrożeniu bardziej precyzyjnej technologii.
Obszar krytyczny i wartości krytyczne
Rozkład chi-kwadrat jest dodatni i asymetryczny. Dlatego w testach wariancji trzeba bardzo uważnie odczytywać wartości krytyczne z tablicy oraz sprawdzać, czy tablica pokazuje prawdopodobieństwo w lewym, czy w prawym ogonie.
W dalszej części przyjmujemy oznaczenie:
\[
P\left(
\chi^2_{\nu}
\leq
\chi^2_{p;\nu}
\right)
= p \]
Symbol \(\chi^2_{p;\nu}\) oznacza więc kwantyl lewostronny rzędu \(p\) rozkładu chi-kwadrat z \(\nu\) stopniami swobody.
poziom istotności dzielimy na dwa ogony rozkładu. Odrzucamy \(H_0\), gdy:
\[
q_{\text{obs}}
\chi^2_{\alpha/2;\nu}
\]
albo gdy:
\[
q_{\text{obs}}
>
\chi^2_{1-\alpha/2;\nu}
\]
Położenie obszaru krytycznego zależy od kierunku hipotezy alternatywnej dotyczącej wariancji.
Nie myl testu jednej wariancji z testem dwóch wariancji
W teście jednej wariancji korzystamy bezpośrednio z dolnego i górnego kwantyla rozkładu chi-kwadrat. Konstrukcje wykorzystujące odwrotność kwantyla oraz zamianę licznika z mianownikiem dotyczą przede wszystkim testu F-Snedecora dla dwóch wariancji.
Decyzję można również podjąć na podstawie wartości p. Jeżeli \(F_{\chi^2_\nu}\) oznacza dystrybuantę rozkładu chi-kwadrat z \(\nu\) stopniami swobody, to:
Ze względu na asymetrię rozkładu chi-kwadrat nie należy automatycznie podwajać prawdopodobieństwa w prawym ogonie. Klasyczną wartość p dla testu dwustronnego wyznaczamy jako:
Testowanie hipotez dotyczących wariancji jest bezpośrednio związane z estymacją przedziałową wariancji. Dwustronny przedział ufności \(1-\alpha\) dla wariancji ma postać:
to odrzucamy hipotezę \(H_0\) na rzecz alternatywy, że wariancja jest większa od wartości referencyjnej.
W teście dwustronnym wartość hipotetycznej wariancji należy do przedziału ufności wtedy i tylko wtedy, gdy nie ma podstaw do odrzucenia hipotezy zerowej.
Duża próba i przybliżenie normalne
Przy dużej liczbie stopni swobody rozkład chi-kwadrat staje się mniej asymetryczny i można przybliżać go rozkładem normalnym:
W praktyce, gdy mamy dostęp do kalkulatora lub programu statystycznego, najlepiej korzystać z dokładnych wartości rozkładu chi-kwadrat. Przybliżenie normalne może być przydatne w zadaniach teoretycznych, przy bardzo dużych liczebnościach albo wtedy, gdy dysponujemy jedynie tablicą rozkładu normalnego.
Duża próba nie usuwa automatycznie problemu normalności
Przybliżenie normalne opisuje zachowanie rozkładu chi-kwadrat dla dużej liczby stopni swobody. Klasyczna statystyka \(Q\) ma rozkład chi-kwadrat dokładnie wtedy, gdy próbę pobrano z populacji normalnej.
Dla populacji o dowolnym rozkładzie istnieją bardziej zaawansowane asymptotyczne metody testowania wariancji, ale wymagają one dodatkowych informacji o czwartym momencie centralnym i nie są tym samym co standardowy test chi-kwadrat.
Przykład: test prawostronny dla wariancji
Producent kontroluje zmienność objętości napoju w butelkach. Dopuszczalne odchylenie standardowe wynosi 4 ml. Z losowej próby 16 butelek otrzymano skorygowane odchylenie standardowe:
\[
n=16
\]
\[
S=5{,}5
\]
Zakładamy, że objętość napoju w populacji ma rozkład normalny. Chcemy sprawdzić, czy rzeczywiste odchylenie standardowe jest większe od 4 ml.
Dolna granica ufności dla wariancji przekracza wartość referencyjną. Potwierdza to decyzję o odrzuceniu hipotezy, że odchylenie standardowe wynosi 4 ml.
Dolna granica ufności dla odchylenia standardowego wynosi:
\[
\sqrt{18{,}15}
\approx
4{,}26
\]
Wniosek: dane z próby dostarczają podstaw do stwierdzenia, że zmienność objętości napoju jest większa niż dopuszczalna wartość odpowiadająca odchyleniu standardowemu 4 ml.
Zastosowania i związek z testem dwóch wariancji
Test jednej wariancji stosuje się między innymi w kontroli jakości, analizie dokładności pomiarów, ocenie stabilności procesów technologicznych oraz porównywaniu zmienności z wymaganiami określonymi w normach.
Warianty testu dla jednej wariancji są również przydatne jako przygotowanie do testu równości dwóch wariancji. W kolejnym artykule omówimy test F-Snedecora, w którym badamy stosunek:
\[
\frac{
\sigma_1^2
}{
\sigma_2^2
}
\]
Test równości dwóch wariancji może mieć znaczenie pomocnicze przy klasycznym porównywaniu średnich w dwóch populacjach. Założenie równości wariancji jest wymagane przez test t-Studenta ze wspólną wariancją, natomiast nie jest konieczne w teście Welcha.
Wartości krytyczne rozkładu chi-kwadrat można odczytywać z tablic, ale w praktyce wygodniejsze jest korzystanie z kalkulatorów i programów statystycznych. Pozwalają one wyznaczyć wartość statystyki testowej, wartość p oraz przedział ufności dla wariancji lub odchylenia standardowego.
Do ręcznej kontroli obliczeń przyda się tablica rozkładu chi-kwadrat i kalkulator. Odpowiednie procedury oferują także Excel, SPSS, Statistica, Gretl, R oraz inne pakiety statystyczne.
Najczęstsze błędy
Pomijanie założenia normalności populacji. Jest ono kluczowe dla klasycznego testu chi-kwadrat.
Mylenie wariancji z odchyleniem standardowym. Wzór testowy buduje się dla \(\sigma^2\), a nie bezpośrednio dla \(\sigma\).
Używanie niewłaściwego mianownika w wariancji z próby. Trzeba odróżniać \(S^2\) z mianownikiem \(n-1\) od \(s_n^2\) z mianownikiem \(n\).
Stosowanie testu prawostronnego, gdy problem dotyczy każdej zmiany wariancji. Wtedy potrzebny jest test dwustronny.
Automatyczne podwajanie prawego ogona przy dwustronnej wartości p. Rozkład chi-kwadrat jest asymetryczny.
Mylenie testu jednej wariancji z testem F dla dwóch wariancji.
Interpretowanie braku podstaw do odrzucenia \(H_0\) jako dowodu, że wariancja jest dokładnie równa wartości referencyjnej.
Pomijanie znaczenia praktycznego wyniku. Niewielka różnica wariancji może być istotna statystycznie, ale nieistotna technologicznie lub ekonomicznie.
Podsumowanie
Test jednej wariancji pozwala ocenić, czy zmienność badanej cechy w populacji jest zgodna z wartością przyjętą jako norma, deklaracja albo punkt odniesienia.
Test dotyczy formalnie wariancji \(\sigma^2\), choć wynik można interpretować także przez odchylenie standardowe \(\sigma\).
Klasyczna statystyka testowa ma rozkład chi-kwadrat z \(n-1\) stopniami swobody.
Test może być prawostronny, lewostronny albo dwustronny.
Kluczowym założeniem klasycznego testu jest normalność populacji.
Decyzję można podjąć przez porównanie ze zbiorem krytycznym albo na podstawie wartości p.
W teście dwustronnym wartość hipotetyczna należy do przedziału ufności \(1-\alpha\) wtedy i tylko wtedy, gdy nie ma podstaw do odrzucenia hipotezy zerowej.
Test jednej wariancji stanowi naturalne przygotowanie do testu równości dwóch wariancji opartego na rozkładzie F-Snedecora.
Utworzono: 22.06.2026
Testowanie różnicy średnich w dwóch populacjach — próby niezależne i zależne.
Mgr inż.
Sebastian Dziarmaga-Działyński
Wirtualna kancelaria korepetytorska i konsultacyjna – wszechwiedza.pl
Testowanie różnicy średnich pozwala sprawdzić, czy dwie populacje różnią się przeciętnym poziomem badanej cechy, czy też zaobserwowana różnica między próbami może wynikać wyłącznie z losowości. W artykule omawiamy testy dla prób niezależnych i zależnych, klasyczny test ze wspólną wariancją, test Welcha, duże próby, wartość p oraz związek testu z przedziałem ufności dla różnicy średnich.
Porównanie dwóch średnich pojawia się między innymi wtedy, gdy chcemy ocenić, czy nowa metoda nauczania poprawia wyniki uczniów, czy dwa procesy technologiczne dają produkty o tej samej średniej masie albo czy kobiety i mężczyźni w badanej populacji różnią się przeciętnym czasem wykonywania określonego zadania.
Ważne jest jednak nie tylko to, że dysponujemy dwiema średnimi z prób. Trzeba również ustalić, czy próby są niezależne, czy zależne, czy możemy przyjąć równość wariancji populacji oraz czy liczebności prób są małe, czy duże.
Niech \(\mu_1\) i \(\mu_2\) oznaczają średnie w dwóch populacjach. W praktyce nie testujemy zwykle obu średnich osobno, lecz ich różnicę:
\[
\delta=\mu_1-\mu_2
\]
Najczęściej interesuje nas sprawdzenie, czy średnie są równe. Wtedy testujemy, czy różnica populacyjna wynosi zero:
\[
\delta=0
\]
Możemy jednak testować również inną wartość różnicy. Przykładowo przedsiębiorstwo może uznać, że nowa technologia ma znaczenie praktyczne dopiero wtedy, gdy skróci średni czas produkcji o co najmniej 10 minut. Wtedy wartością hipotetyczną nie musi być zero.
jest estymatorem różnicy średnich populacyjnych \(\mu_1-\mu_2\). Test statystyczny ocenia, czy różnica zaobserwowana w próbach jest wystarczająco duża względem jej błędu standardowego, aby zakwestionować hipotezę dotyczącą \(\delta\).
Próby niezależne i próby zależne
Najważniejszym krokiem przed wyborem testu jest rozpoznanie, czy obserwacje w obu próbach są niezależne, czy też tworzą naturalne pary.
Próby niezależne
Próby niezależne występują wtedy, gdy wynik jednej obserwacji w pierwszej grupie nie jest powiązany z wynikiem konkretnej obserwacji w drugiej grupie.
Przykłady:
porównanie średnich wyników egzaminu w dwóch różnych klasach,
porównanie średniej masy produktów z dwóch niezależnych linii produkcyjnych,
porównanie średnich dochodów dwóch niezależnie dobranych grup respondentów,
porównanie średniego czasu realizacji zamówień w dwóch oddziałach firmy.
Próby zależne
Próby zależne występują wtedy, gdy każdej obserwacji z pierwszej próby odpowiada konkretna obserwacja z drugiej próby. Zależność może wynikać z dwukrotnego pomiaru tej samej osoby lub obiektu albo z celowego dopasowania obserwacji w pary.
Przykłady:
pomiar ciśnienia krwi tej samej osoby przed i po zastosowaniu leku,
wynik egzaminu tych samych studentów przed kursem i po kursie,
porównanie zużycia energii w tych samych gospodarstwach domowych przed i po modernizacji,
porównanie osób dobranych w pary według wieku, płci lub innych cech.
Nie ignoruj powiązania obserwacji
Dane zależne nie powinny być automatycznie analizowane testem dla prób niezależnych. W analizie par wykorzystujemy informację o tym, że dwa wyniki dotyczą tego samego obiektu albo dobranych obiektów. Zignorowanie tej zależności może prowadzić do niewłaściwego błędu standardowego i obniżenia mocy testu.
W próbach niezależnych porównujemy dwie odrębne grupy, a w próbach zależnych analizujemy różnice w parach obserwacji.
Hipotezy dotyczące różnicy średnich
Najczęściej spotykamy trzy warianty hipotezy alternatywnej.
Stosujemy go wtedy, gdy interesuje nas wyłącznie sytuacja, w której średnia pierwszej populacji przewyższa średnią drugiej populacji o więcej niż wartość referencyjna.
Wybieramy go wtedy, gdy badanie dotyczy wyłącznie sytuacji, w której średnia pierwszej populacji jest mniejsza od średniej drugiej populacji.
Kierunek hipotezy alternatywnej należy wybrać przed analizą danych. Jeżeli wykonujemy test prawostronny, a różnica z próby okaże się ujemna, wynik nie wspiera hipotezy \(H_1\), nawet gdy odchylenie w przeciwną stronę jest duże. Szerzej o tym problemie piszemy w części Dlaczego kierunek testu jednostronnego ma znaczenie?.
Założenia testów
W klasycznych testach dla różnicy średnich zakładamy przede wszystkim, że próby zostały pobrane losowo oraz że obserwacje są niezależne w obrębie każdej z grup. Dodatkowo wybór modelu zależy od liczebności prób, normalności populacji oraz znajomości i relacji wariancji.
Małe próby: klasyczne testy t wymagają zwykle założenia normalności populacji.
Próby niezależne: potrzebujemy dwóch niezależnie pobranych grup.
Próby zależne: zakładamy, że różnice w parach są niezależne między parami.
Równość wariancji: jest konieczna tylko dla klasycznego testu t ze wspólną wariancją.
Duże próby: pozwalają stosować przybliżenie normalne przy skończonych wariancjach populacji.
Brak podstaw do odrzucenia hipotezy o równości wariancji nie jest dowodem, że wariancje są dokładnie równe. Gdy założenie homogeniczności wariancji jest wątpliwe, bezpieczniejszym wyborem jest zazwyczaj test Welcha.
Próby niezależne: cztery modele testowania
Dla dwóch niezależnych prób najczęściej rozpatruje się cztery modele. Rozróżniają je założenia o wariancjach populacji oraz liczebnościach prób.
Model
Założenia
Statystyka i rozkład
1
Populacje normalne, \(\sigma_1\) i \(\sigma_2\) znane.
Jeżeli hipoteza zerowa jest prawdziwa, statystyka \(Z\) ma rozkład normalny standaryzowany:
\[
Z\sim N(0,1)
\]
Ten przypadek jest teoretycznie prosty, ale w praktyce spotykany rzadko. Zazwyczaj odchylenia standardowe populacji nie są znane i trzeba zastąpić je wielkościami wyznaczonymi z prób.
Model 2: nieznane, ale równe wariancje
W tym modelu zakładamy normalność obu populacji oraz równość ich wariancji:
\[
\sigma_1^2=\sigma_2^2=\sigma^2
\]
Wariancja \(\sigma^2\) nie jest znana, dlatego szacujemy ją na podstawie obu prób. Wykorzystujemy w tym celu połączoną wariancję z próby:
Przy prawdziwości hipotezy zerowej ma ona rozkład t-Studenta z liczbą stopni swobody:
\[
\nu=n_1+n_2-2
\]
Model ten jest właściwy wtedy, gdy założenie równych wariancji ma uzasadnienie merytoryczne albo wynika z wiedzy o badanych procesach. Nie należy jednak przyjmować go mechanicznie tylko dlatego, że jest prostszy obliczeniowo.
Po publikacji artykułu o testowaniu równości wariancji w tym miejscu warto dodać link do jego części dotyczącej weryfikacji założenia \(\sigma_1^2=\sigma_2^2\).
Model 3: nieznane i nierówne wariancje — test Welcha
Jeżeli populacje można uznać za normalne, ale nie możemy przyjąć równości wariancji, stosujemy test Welcha. Jest to obecnie standardowa procedura dla dwóch niezależnych prób o nierównych wariancjach, zwłaszcza gdy liczebności grup także są różne.
Wartość \(\nu\) nie musi być całkowita. Programy statystyczne i kalkulatory wykorzystują ją bez zaokrąglania. Przy korzystaniu z klasycznej tablicy t-Studenta można przyjąć niższą całkowitą liczbę stopni swobody, aby zastosować ostrożniejszą wartość krytyczną.
Dlaczego nie test Coxa?
W starszej literaturze można spotkać różne przybliżone rozwiązania problemu dwóch normalnych populacji o nierównych wariancjach, między innymi metody Coxa. W praktyce dydaktycznej i w nowoczesnych pakietach statystycznych najczęściej stosuje się jednak test Welcha wraz z przybliżeniem Welcha – Satterthwaite’a.
Test Welcha pozwala porównywać średnie w niezależnych grupach, gdy nie można przyjąć równości wariancji populacji.
Model 4: duże próby i dowolny rozkład populacji
Jeżeli obie próby są dostatecznie duże, możemy skorzystać z centralnego twierdzenia granicznego. Nie musimy wtedy zakładać normalności populacji, pod warunkiem że ich wariancje są skończone.
Statystyka ma postać podobną do statystyki Welcha:
Dla dużych prób ma ona w przybliżeniu rozkład normalny standaryzowany. W tym modelu nie zakładamy równości wariancji populacji.
W podręcznikowych zadaniach często przyjmuje się orientacyjnie, że obie próby są duże, gdy:
\[
n_1\geq30
\qquad\text{oraz}\qquad
n_2\geq30
\]
Granica 30 ma jednak charakter umowny. Przy silnie asymetrycznych rozkładach, obserwacjach odstających lub bardzo nierównych liczebnościach grup warto zachować ostrożność i rozważyć bardziej odporne procedury.
Obszar krytyczny i wartość p
Niezależnie od wybranego modelu decyzję można podjąć na dwa równoważne sposoby: przez porównanie statystyki testowej z wartością krytyczną albo przez porównanie wartości p z poziomem istotności \(\alpha\).
W teście dwustronnym odrzucamy \(H_0\), gdy:
\[
|t_{\text{obs}}|>t_{\alpha/2;\nu}
\]
albo, w przypadku modelu normalnego:
\[
|z_{\text{obs}}|>u_{\alpha/2}
\]
W teście prawostronnym odrzucamy \(H_0\), gdy statystyka przekracza dodatnią wartość krytyczną. W teście lewostronnym odrzucamy \(H_0\), gdy jest mniejsza od ujemnej wartości krytycznej.
Dla każdego z opisanych modeli można zbudować przedział ufności dla różnicy średnich populacyjnych:
\[
\mu_1-\mu_2
\]
W teście dwustronnym na poziomie istotności \(\alpha\) obowiązuje ta sama zasada co przy jednej średniej: wartość hipotetyczna \(\delta_0\) należy do przedziału ufności \(1-\alpha\) wtedy i tylko wtedy, gdy nie ma podstaw do odrzucenia hipotezy zerowej.
W najczęstszym przypadku:
\[
H_0:\mu_1-\mu_2=0
\]
sprawdzamy po prostu, czy liczba zero należy do przedziału ufności dla różnicy średnich.
Jeżeli \(0\) należy do przedziału ufności, nie ma podstaw do odrzucenia hipotezy o równości średnich.
Jeżeli \(0\) nie należy do przedziału ufności, odrzucamy hipotezę o równości średnich.
W przypadku testów jednostronnych należy korzystać z odpowiedniego przedziału jednostronnego. Ogólną zasadę tej równoważności omówiliśmy w artykule Test statystyczny a przedział ufności.
Przykład: test Welcha dla prób niezależnych
Porównujemy wyniki dwóch niezależnych grup uczących się różnymi metodami. W pierwszej grupie otrzymano:
Próby są niezależne. Liczebności są niewielkie, a odchylenia standardowe wyraźnie się różnią. Przyjmujemy normalność populacji i stosujemy test Welcha.
Przy prawdziwości hipotezy zerowej i normalności różnic ma ona rozkład t-Studenta z liczbą stopni swobody:
\[
\nu=n-1
\]
Jest to dokładnie ten sam schemat, który stosujemy w teście dla średniej jednej populacji. Różnica polega tylko na tym, że analizowaną zmienną są różnice w parach. Zobacz również artykuł Testowanie hipotez dotyczących średniej w jednej populacji.
Kolejność odejmowania ma znaczenie
Przed obliczeniami trzeba jasno określić, czy różnicę definiujemy jako „po minus przed”, „metoda A minus metoda B” czy odwrotnie. Zmiana kolejności zmienia znak średniej różnic, a więc wpływa na interpretację testu jednostronnego. W teście dwustronnym decyzja pozostanie taka sama, ale opis wyniku będzie miał przeciwny znak.
W teście dla prób zależnych analizujemy średnią różnic między odpowiadającymi sobie obserwacjami.
Przykład: test dla prób zależnych
Dziesięciu uczestników kursu rozwiązało test przed szkoleniem i po jego zakończeniu. Dla każdej osoby obliczono różnicę:
\[
D_i=
\text{wynik po kursie}
-
\text{wynik przed kursem} \]
Dla testu prawostronnego na poziomie istotności 0,05 wartość krytyczna wynosi:
\[
t_{0{,}05;9}\approx1{,}833
\]
Ponieważ:
\[
3{,}689>1{,}833
\]
odrzucamy hipotezę zerową. Dane dostarczają podstaw do stwierdzenia, że średni wynik po kursie jest wyższy niż przed kursem.
Kalkulatory i programy statystyczne
W prostych zadaniach można samodzielnie obliczyć statystykę testową, liczbę stopni swobody i porównać wynik z wartością krytyczną. W praktyce częściej korzysta się jednak z programów statystycznych, które podają również wartość p i przedział ufności dla różnicy średnich.
Takie procedury oferują między innymi Excel, SPSS, Statistica, Gretl oraz R. W zależności od programu test Welcha może występować pod nazwą Welch t-test, unequal variances t-test albo test t bez zaznaczenia założenia równych wariancji.
Traktowanie prób zależnych jak niezależnych. Pomija to informację zawartą w parach obserwacji.
Stosowanie testu ze wspólną wariancją bez uzasadnienia założenia \(\sigma_1^2=\sigma_2^2\).
Automatyczne wybieranie testu t ze wspólną wariancją tylko dlatego, że ma prostszy wzór.
Mylenie różnicy \(\overline{x}_1-\overline{x}_2\) z różnicą \(\overline{x}_2-\overline{x}_1\). Zmiana kolejności zmienia znak wyniku.
Przyjmowanie \(\delta_0=0\) bez sprawdzenia, czy problem nie dotyczy innej wartości referencyjnej.
Wybieranie testu jednostronnego dopiero po obejrzeniu danych.
Uznawanie braku podstaw do odrzucenia \(H_0\) za dowód równości średnich.
Pomijanie znaczenia praktycznego różnicy. Różnica istotna statystycznie może być zbyt mała, aby miała znaczenie techniczne, ekonomiczne lub społeczne.
Podsumowanie
Testowanie różnicy średnich pozwala ocenić, czy średnie w dwóch populacjach różnią się w sposób istotny statystycznie. Najważniejszym krokiem przed rozpoczęciem obliczeń jest poprawne rozpoznanie rodzaju prób.
Dla prób niezależnych porównujemy średnie z dwóch odrębnych grup.
Dla prób zależnych analizujemy średnią różnic w parach, dlatego test sprowadza się do testu dla jednej średniej.
Przy normalnych populacjach i równych wariancjach można stosować klasyczny test t ze wspólną wariancją.
Przy nierównych wariancjach właściwą standardową procedurą jest test Welcha.
Dla dużych prób można wykorzystać przybliżenie normalne bez zakładania równości wariancji.
W teście dwustronnym liczba zero należy do przedziału ufności dla różnicy średnich wtedy i tylko wtedy, gdy nie ma podstaw do odrzucenia hipotezy o równości średnich.
Utworzono: 22.06.2026
Testowanie hipotez dotyczących średniej w jednej populacji
Mgr inż.
Sebastian Dziarmaga-Działyński
Wirtualna kancelaria korepetytorska i konsultacyjna – wszechwiedza.pl
Testowanie hipotez dotyczących średniej pozwala sprawdzić, czy średnia wyznaczona w próbie różni się od ustalonej wartości w sposób istotny statystycznie. W artykule omawiamy testy dla średniej jednej populacji: hipotezy jedno- i dwustronne, trzy klasyczne modele, obszar krytyczny, wartość p oraz związek testu z przedziałem ufności.
Średnia arytmetyczna z próby jest naturalnym oszacowaniem wartości oczekiwanej populacji. Czasem jednak samo oszacowanie nie wystarcza. Możemy chcieć sprawdzić, czy średnia masa produktu rzeczywiście wynosi wartość deklarowaną przez producenta, czy przeciętny czas wykonania usługi nie przekracza ustalonego limitu albo czy średni wynik egzaminu różni się od poziomu przyjętego w programie nauczania.
W takich sytuacjach stosujemy test statystyczny dla średniej jednej populacji. Test nie „udowadnia”, że określona średnia jest prawdziwa lub fałszywa. Pozwala natomiast ocenić, czy dane z próby są na tyle niezgodne z hipotezą dotyczącą średniej populacji, że należy ją odrzucić na przyjętym poziomie istotności.
Co sprawdza test dla średniej?
Niech \(X\) oznacza badaną cechę w populacji, a jej wartość oczekiwaną oznaczmy przez:
\[
\mu=E(X)
\]
Średnia \(\mu\) może oznaczać między innymi przeciętną zawartość produktu w opakowaniu, średni czas realizacji zamówienia, średni dochód, średni wynik egzaminu albo przeciętne zużycie energii.
W teście statystycznym porównujemy nieznaną średnią populacji z wartością hipotetyczną \(\mu_0\). Wartość ta może wynikać z deklaracji producenta, normy technicznej, wymagania jakościowego, wcześniejszego badania lub przyjętej wartości referencyjnej.
Z próby losowej o liczebności \(n\) otrzymujemy obserwacje:
\[
X_1,X_2,\ldots,X_n
\]
Po wykonaniu badania przyjmują one konkretne wartości:
Jeżeli średnia z próby różni się od \(\mu_0\), nie oznacza to jeszcze automatycznie, że średnia populacji jest inna. Różnica może wynikać jedynie z losowego doboru próby. Zadaniem testu jest ocena, czy zaobserwowana różnica jest na tyle duża, że trudno byłoby uznać ją za zwykłe odchylenie losowe.
Hipoteza zerowa zawiera wartość średniej, którą chcemy sprawdzić:
\[
H_0:\mu=\mu_0
\]
Hipoteza alternatywna określa, jaki rodzaj odstępstwa od wartości \(\mu_0\) uznajemy za istotny z punktu widzenia problemu badawczego.
Przykład: producent deklaruje, że średnia objętość napoju w butelce wynosi 500 ml. Chcemy zweryfikować tę deklarację. Wartość hipotetyczna wynosi wtedy:
\[
\mu_0=500
\]
W dalszej części należy ustalić, czy interesuje nas każda różnica względem 500 ml, tylko zbyt mała średnia, czy może wyłącznie średnia przekraczająca 500 ml.
Hipotezy formułujemy przed analizą danych
Hipoteza alternatywna powinna wynikać z celu badania, teorii albo wymagań praktycznych. Nie należy dobierać jej kierunku dopiero po sprawdzeniu, czy średnia z próby wyszła większa czy mniejsza od wartości hipotetycznej.
Test dwustronny, prawostronny i lewostronny
Wybór rodzaju testu zależy od postaci hipotezy alternatywnej.
Test dwustronny
Test dwustronny stosujemy wtedy, gdy interesuje nas każda różnica między średnią populacji a wartością hipotetyczną:
\[
H_0:\mu=\mu_0
\]
\[
H_1:\mu\neq\mu_0
\]
Przykład: kontrola jakości sprawdza, czy średnia zawartość opakowania różni się od 500 ml, niezależnie od tego, czy jest zbyt mała, czy zbyt duża.
Test prawostronny
Test prawostronny wybieramy wtedy, gdy interesuje nas wyłącznie sytuacja, w której średnia jest większa od wartości hipotetycznej:
\[
H_0:\mu=\mu_0
\]
\[
H_1:\mu>\mu_0
\]
Przykład: badamy, czy nowa metoda nauczania zwiększyła średni wynik egzaminu ponad dotychczasowy poziom.
Test lewostronny
Test lewostronny wybieramy wtedy, gdy istotne jest wyłącznie obniżenie średniej poniżej wartości referencyjnej:
\[
H_0:\mu=\mu_0
\]
\[
H_1:\mu\mu_0
\]
Przykład: przedsiębiorstwo sprawdza, czy średni czas realizacji zamówienia jest krótszy od 48 godzin po wdrożeniu nowego systemu logistycznego.
W bardziej formalnym zapisie hipoteza zerowa dla testu prawostronnego może mieć postać \(H_0:\mu\leq\mu_0\), a dla testu lewostronnego \(H_0:\mu\geq\mu_0\). Przy wyznaczaniu rozkładu statystyki testowej rozpatruje się wtedy przypadek graniczny \(\mu=\mu_0\).
Kierunek hipotezy alternatywnej decyduje o położeniu obszaru krytycznego w teście dla średniej.
Założenia testu dla średniej
Dobór właściwego testu zależy przede wszystkim od trzech kwestii:
czy populacja ma rozkład normalny,
czy odchylenie standardowe populacji \(\sigma\) jest znane,
czy próba jest dostatecznie duża, aby można było wykorzystać przybliżenie normalne.
W każdym modelu zakłada się również, że obserwacje pochodzą z losowej próby i są niezależne. Jeżeli dane są silnie zależne, na przykład kolejne pomiary tej samej osoby albo kolejne obserwacje szeregu czasowego, klasyczny test dla jednej średniej może nie być odpowiedni bez dodatkowych modyfikacji.
Warto też odróżniać odchylenie standardowe populacji \(\sigma\) od odchylenia standardowego wyznaczonego z próby. To rozróżnienie decyduje o wyborze rozkładu normalnego albo t-Studenta.
Trzy modele testowania średniej
W klasycznych zadaniach dotyczących jednej średniej populacji spotyka się trzy podstawowe modele. Są one bezpośrednio związane z modelami stosowanymi przy estymacji przedziałowej wartości oczekiwanej.
Model
Założenia
Rozkład statystyki testowej
1
Populacja normalna, \(\sigma\) znane.
Normalny standaryzowany.
2
Populacja normalna, \(\sigma\) nieznane.
t-Studenta z \(n-1\) stopniami swobody.
3
Populacja o dowolnym rozkładzie, próba duża, wariancja skończona.
W przybliżeniu normalny standaryzowany.
Model 1: populacja normalna i znane odchylenie standardowe
Zakładamy, że populacja ma rozkład normalny:
\[
X\sim N(\mu,\sigma^2)
\]
oraz że odchylenie standardowe populacji \(\sigma\) jest znane. Nie chodzi tu o wartość policzoną z bieżącej próby, ale o odchylenie znane wcześniej, na przykład z długotrwałej kontroli stabilnego procesu technologicznego.
Model 2: populacja normalna i nieznane odchylenie standardowe
To najczęściej spotykany model przy małej próbie. Zakładamy, że populacja ma rozkład normalny, ale odchylenie standardowe populacji \(\sigma\) jest nieznane.
Zastępujemy je skorygowanym odchyleniem standardowym z próby:
Jeżeli w zadaniu podano odchylenie standardowe obliczone z mianownikiem \(n\), oznaczone na przykład jako \(s_n\), można wykorzystać równoważną postać:
Jeżeli próba jest mała, odchylenie standardowe populacji jest nieznane, a stosujemy test t-Studenta, należy przyjąć założenie normalności populacji. Gdy zadanie nie podaje go wprost, warto zapisać: „Przyjmujemy, że badana populacja ma rozkład normalny”.
Model 3: duża próba i dowolny rozkład populacji
W tym modelu nie zakładamy normalności populacji. Wymagamy jednak, aby jej wariancja była skończona oraz aby próba była dostatecznie duża.
Podstawą jest centralne twierdzenie graniczne. Dla dużej próby rozkład średniej z próby jest w przybliżeniu normalny, nawet gdy sam rozkład populacji nie jest normalny.
Wartość tej statystyki porównujemy z kwantylami rozkładu normalnego. W podręcznikowych zadaniach za próbę dużą często uznaje się próbę o liczebności:
\[
n\geq30
\]
Nie jest to jednak ścisła granica matematyczna. Przy bardzo silnej asymetrii, ciężkich ogonach rozkładu albo licznych obserwacjach nietypowych próba licząca 30 obserwacji może nie zapewniać dobrego przybliżenia normalnego.
Jeżeli próba jest mała i nie możemy przyjąć normalności populacji, nie należy automatycznie używać testu t-Studenta. W zależności od problemu właściwsze mogą być procedury bootstrapowe albo testy nieparametryczne.
Obszar krytyczny i wartość krytyczna
Po wybraniu modelu obliczamy wartość statystyki testowej oraz porównujemy ją z obszarem krytycznym. Obszar krytyczny jest zbiorem wartości statystyki prowadzących do odrzucenia hipotezy zerowej.
Niech \(c_{\alpha}\) oznacza dodatnią wartość krytyczną odpowiedniego rozkładu, wyznaczoną tak, że prawdopodobieństwo znalezienia się statystyki powyżej niej wynosi \(\alpha\).
Reguła dla testu dwustronnego
W teście dwustronnym obszar krytyczny znajduje się w obu ogonach rozkładu. Odrzucamy \(H_0\), gdy:
\[
|t_{\text{obs}}|>c_{\alpha/2}
\]
Dla modelu normalnego \(c_{\alpha/2}=u_{\alpha/2}\), a dla modelu t-Studenta \(c_{\alpha/2}=t_{\alpha/2;n-1}\).
Wartość krytyczna jest wyznaczana przed podjęciem decyzji, na podstawie przyjętego poziomu istotności i właściwego rozkładu statystyki testowej.
W teście dwustronnym odrzucamy hipotezę zerową, gdy bezwzględna wartość statystyki testowej przekracza wartość krytyczną.
Wartość p
Drugim sposobem podjęcia decyzji jest obliczenie wartości p. Jest to prawdopodobieństwo uzyskania — przy prawdziwości hipotezy zerowej — wyniku co najmniej tak skrajnego jak wynik zaobserwowany.
\[
p>\alpha
\quad\Longrightarrow\quad
\text{brak podstaw do odrzucenia }H_0
\]
W teście dwustronnym wartość p uwzględnia skrajność wyniku w obu kierunkach. W teście prawostronnym liczymy prawdopodobieństwo uzyskania wartości co najmniej tak dużej jak zaobserwowana, a w teście lewostronnym — wartości co najmniej tak małej.
Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej. Mała wartość p oznacza jedynie, że wynik próby byłby mało zgodny z \(H_0\), gdyby \(H_0\) była prawdziwa.
Dlaczego kierunek testu jednostronnego ma znaczenie?
W testach jednostronnych nie wystarczy, że średnia z próby różni się od wartości hipotetycznej. Musi różnić się w kierunku wskazanym przez hipotezę alternatywną.
Załóżmy, że wykonujemy test prawostronny:
\[
H_0:\mu=100
\]
\[
H_1:\mu>100
\]
Jeżeli średnia z próby okaże się znacznie mniejsza od 100, statystyka testowa będzie ujemna. Wynik może sugerować, że rzeczywista średnia jest niższa od wartości hipotetycznej, ale nie dostarcza argumentu na rzecz hipotezy \(H_1:\mu>100\).
W takim przypadku test prawostronny z definicji nie prowadzi do odrzucenia \(H_0\), nawet gdy odchylenie w przeciwną stronę jest duże. Nie oznacza to, że \(H_0\) została potwierdzona. Oznacza jedynie, że dane nie wspierają alternatywy sformułowanej w tym konkretnym kierunku.
Nie zmieniaj kierunku po obejrzeniu wyniku
Jeżeli po otrzymaniu danych okazuje się, że średnia odchyliła się w stronę przeciwną do zakładanej, nie wolno po prostu zamienić testu prawostronnego na lewostronny. Byłoby to dopasowywanie procedury do wyniku i prowadziłoby do niekontrolowanego zwiększenia ryzyka błędu pierwszego rodzaju.
Test dla średniej a przedział ufności
Testowanie hipotez oraz estymacja przedziałowa są ze sobą ściśle powiązane. Dla tego samego modelu statystycznego, tych samych danych i zgodnych poziomów istotności obie procedury prowadzą do równoważnych decyzji.
Jeżeli budujemy dwustronny przedział ufności dla średniej na poziomie \(1-\alpha\), a następnie wykonujemy dwustronny test:
\[
H_0:\mu=\mu_0
\]
\[
H_1:\mu\neq\mu_0
\]
na poziomie istotności \(\alpha\), obowiązuje zasada:
jeżeli wartość \(\mu_0\) należy do przedziału ufności, nie ma podstaw do odrzucenia \(H_0\);
jeżeli wartość \(\mu_0\) leży poza przedziałem ufności, odrzucamy \(H_0\).
Przykładowo, gdy 95-procentowy przedział ufności dla średniej wynosi \((48{,}2;\;51{,}7)\), hipoteza \(H_0:\mu=50\) nie zostanie odrzucona na poziomie istotności \(\alpha=0{,}05\). Wartość 50 należy bowiem do przedziału. Hipoteza \(H_0:\mu=53\) zostałaby natomiast odrzucona, ponieważ 53 leży poza tym przedziałem.
W przypadku testów jednostronnych porównanie powinno dotyczyć odpowiedniego przedziału jednostronnego. Klasyczny dwustronny przedział ufności nie jest wtedy bezpośrednim odpowiednikiem testu jednostronnego.
W dwustronnym teście na poziomie alfa wartość hipotetyczna należy do przedziału ufności 1 minus alfa wtedy i tylko wtedy, gdy nie ma podstaw do odrzucenia hipotezy zerowej.
Przykład: test dla średniej jednej populacji
Producent deklaruje, że średnia objętość napoju w butelkach wynosi 500 ml. Z losowej próby 16 butelek otrzymano:
\[
n=16
\]
\[
\overline{x}=503{,}2
\]
\[
S=4{,}8
\]
Odchylenie standardowe populacji nie jest znane. Przyjmujemy, że populacja ma rozkład normalny. Stosujemy więc test t-Studenta dla jednej średniej.
Krok 1. Hipotezy
Chcemy sprawdzić każdą różnicę względem deklarowanych 500 ml, dlatego formułujemy test dwustronny:
Wartość hipotetyczna 500 ml nie należy do przedziału ufności. Potwierdza to decyzję o odrzuceniu hipotezy \(H_0:\mu=500\).
Wniosek należy sformułować ostrożnie: dane z próby dostarczają podstaw do odrzucenia hipotezy, że średnia objętość napoju wynosi 500 ml. Nie oznacza to, że każda pojedyncza butelka ma objętość różną od 500 ml ani że znamy dokładną wartość średniej w całej populacji.
Moc testu dla średniej
Moc testu określa prawdopodobieństwo odrzucenia hipotezy zerowej wtedy, gdy jest ona fałszywa. W przypadku testu dla średniej moc rośnie przede wszystkim wtedy, gdy:
zwiększa się liczebność próby,
rzeczywista średnia coraz bardziej różni się od wartości hipotetycznej,
zmienność badanej cechy jest mniejsza,
przyjmiemy wyższy poziom istotności \(\alpha\).
Ostatni punkt wymaga ostrożności. Podniesienie \(\alpha\), na przykład z 0,05 do 0,10, ułatwia odrzucenie hipotezy zerowej i zwykle zwiększa moc testu. Jednocześnie zwiększa ryzyko błędu pierwszego rodzaju, czyli odrzucenia prawdziwej hipotezy zerowej.
Najbezpieczniejszym sposobem zwiększenia mocy jest zazwyczaj zwiększenie liczebności dobrze zaprojektowanej próby. Brak podstaw do odrzucenia \(H_0\) może bowiem wynikać nie tylko z jej zgodności z rzeczywistością, ale również ze zbyt małej próby i niewystarczającej mocy testu.
Kalkulatory i programy statystyczne
W prostych zadaniach wartość krytyczną można odczytać z tablic rozkładu normalnego lub t-Studenta. W praktyce częściej korzysta się z kalkulatorów oraz programów statystycznych, które obliczają zarówno statystykę testową, jak i wartość p.
Do najczęściej używanych narzędzi należą między innymi Excel, SPSS, Statistica, Gretl oraz R. Warto jednak rozumieć, jaki model został wybrany i jak interpretować otrzymaną wartość p, zamiast traktować wynik programu jako automatyczną odpowiedź.
Mylenie braku podstaw do odrzucenia \(H_0\) z potwierdzeniem hipotezy zerowej. Test nie udowadnia, że \(H_0\) jest prawdziwa.
Wybieranie testu jednostronnego po obejrzeniu danych. Kierunek hipotezy alternatywnej ustalamy przed analizą wyników.
Stosowanie rozkładu normalnego zamiast t-Studenta przy małej próbie i nieznanym \(\sigma\).
Pomijanie założenia normalności populacji w modelu z małą próbą.
Mylenie odchylenia standardowego populacji \(\sigma\) z odchyleniem standardowym z próby.
Stosowanie wartości krytycznej dla testu jednostronnego w teście dwustronnym albo odwrotnie.
Nieuwzględnienie kierunku statystyki w teście jednostronnym. Wynik silnie odchylony w przeciwną stronę nie wspiera przyjętej hipotezy alternatywnej.
Błędna interpretacja wartości p. Wartość p nie jest prawdopodobieństwem prawdziwości \(H_0\).
Pomijanie praktycznego znaczenia różnicy. Istotność statystyczna nie przesądza jeszcze o znaczeniu ekonomicznym, technicznym ani społecznym wyniku.
Podsumowanie
Testowanie hipotez dotyczących średniej jednej populacji pozwala ocenić, czy różnica między średnią z próby a wartością hipotetyczną jest na tyle duża, że stanowi podstawę do odrzucenia hipotezy zerowej.
W teście dla jednej średniej formułujemy hipotezę zerową \(H_0:\mu=\mu_0\) oraz odpowiednią hipotezę alternatywną.
Test dwustronny stosujemy wtedy, gdy interesuje nas każda różnica, a test jednostronny wtedy, gdy kierunek różnicy został określony przed analizą danych.
Przy normalnej populacji i znanym \(\sigma\) stosujemy rozkład normalny, a przy nieznanym \(\sigma\) i małej próbie — rozkład t-Studenta.
Dla dużej próby można wykorzystać przybliżenie normalne wynikające z centralnego twierdzenia granicznego.
Decyzję można podjąć przez porównanie statystyki z obszarem krytycznym albo przez porównanie wartości p z poziomem istotności.
W teście dwustronnym na poziomie \(\alpha\) wartość hipotetyczna należy do przedziału ufności \(1-\alpha\) wtedy i tylko wtedy, gdy nie ma podstaw do odrzucenia \(H_0\).
Utworzono: 21.06.2026
Testowanie hipotez statystycznych — hipoteza zerowa, błędy, poziom istotności i moc testu
Mgr inż.
Sebastian Dziarmaga-Działyński
Wirtualna kancelaria korepetytorska i konsultacyjna – wszechwiedza.pl
Testowanie hipotez statystycznych pozwala ocenić, czy dane z próby dostarczają wystarczających podstaw do zakwestionowania określonego założenia dotyczącego populacji. W artykule wyjaśniamy, czym są hipoteza zerowa i alternatywna, poziom istotności, wartość p, błędy pierwszego i drugiego rodzaju oraz moc testu. Omawiamy również ogólną procedurę wykonywania testu i podstawowy podział na testy parametryczne oraz nieparametryczne.
W statystyce matematycznej nie wystarczy czasem samo oszacowanie parametru. Możemy na przykład chcieć sprawdzić, czy średni czas obsługi klienta rzeczywiście wynosi 5 minut, czy udział produktów wadliwych nie przekracza ustalonego poziomu albo czy wyniki dwóch grup różnią się w sposób, którego nie można rozsądnie wyjaśnić przypadkowym doborem próby.
W takich sytuacjach stosuje się testowanie hipotez statystycznych. Nie jest to mechanizm dający absolutną pewność. Jest to uporządkowana procedura podejmowania decyzji przy kontrolowanym ryzyku błędu.
Czym jest test statystyczny?
Test statystyczny jest regułą postępowania, która na podstawie danych z próby pozwala zdecydować, czy istnieją dostateczne podstawy do odrzucenia określonej hipotezy dotyczącej populacji.
Kluczowe są tu dwa słowa: dostateczne podstawy. Test nie odpowiada zwykle na pytanie, czy hipoteza jest na pewno prawdziwa albo na pewno fałszywa. Ocenia jedynie, czy otrzymane dane byłyby na tyle mało prawdopodobne przy założeniu prawdziwości hipotezy, że należy ją odrzucić na wcześniej ustalonym poziomie ryzyka.
Testowanie hipotez można więc porównać do procedury kontrolnej. Punkt wyjścia stanowi określone założenie. Dopiero dane dostarczają argumentów za jego odrzuceniem albo za brakiem podstaw do jego odrzucenia.
Ważne rozróżnienie
Wynik testu może prowadzić do odrzucenia hipotezy zerowej albo do braku podstaw do jej odrzucenia. Poprawna terminologia nie mówi o „udowodnieniu” hipotezy zerowej ani o jej definitywnym przyjęciu.
Hipoteza zerowa i hipoteza alternatywna
Każdy klasyczny test statystyczny rozpoczyna się od sformułowania dwóch konkurencyjnych hipotez:
hipotezy zerowej, oznaczanej symbolem \(H_0\),
hipotezy alternatywnej, oznaczanej symbolem \(H_1\) albo \(H_A\).
Hipoteza zerowa jest punktem odniesienia dla całej procedury. Najczęściej opisuje brak różnicy, brak efektu, zgodność z deklarowaną wartością albo brak zależności.
Hipoteza alternatywna opisuje sytuację, którą uznamy za bardziej zgodną z danymi, gdy hipoteza zerowa zostanie odrzucona.
Jeżeli \(\theta\) oznacza badany parametr populacji, a \(\theta_0\) jego wartość deklarowaną lub przyjętą jako punkt odniesienia, typowy test dwustronny ma postać:
Przykładowo, producent może deklarować, że średnia zawartość produktu w opakowaniu wynosi 500 ml. Wtedy testowana hipoteza może dotyczyć średniej populacji \(\mu\):
\[
H_0:\mu=500
\]
\[
H_1:\mu\neq500
\]
Hipoteza zerowa zawiera zwykle znak równości. Nie wynika to z przypadku: rozkład statystyki testowej wyznacza się właśnie przy założeniu konkretnej wartości parametru określonej przez \(H_0\).
Test jedno- i dwustronny
Hipoteza alternatywna może wskazywać różnicę w dowolnym kierunku albo tylko w jednym, z góry określonym kierunku.
Test dwustronny
Test dwustronny stosujemy wtedy, gdy interesuje nas każda różnica względem wartości referencyjnej:
Nie należy wybierać testu jednostronnego dopiero po zobaczeniu wyniku próby. Kierunek hipotezy alternatywnej powinien wynikać z problemu badawczego, teorii lub celu kontroli jakości, a nie z tego, w którą stronę przypadkowo odchyliła się średnia w zebranych danych.
Statystyka testowa i jej rozkład
Do przeprowadzenia testu buduje się statystykę testową, czyli funkcję danych z próby, której rozkład przy prawdziwości hipotezy zerowej jest znany dokładnie albo w przybliżeniu.
Ogólnie zapisujemy ją jako:
\[
T=T(X_1,X_2,\ldots,X_n)
\]
Po podstawieniu danych z próby otrzymujemy konkretną wartość statystyki testowej:
\[
t_{\text{obs}}
\]
Jeżeli \(H_0\) jest prawdziwa, statystyka może mieć na przykład rozkład normalny standaryzowany, t-Studenta, chi-kwadrat, F-Snedecora albo rozkład dwumianowy. Wybór odpowiedniego rozkładu zależy od badanego parametru, modelu populacji, liczebności próby i spełnienia założeń testu.
Idea jest zawsze podobna: sprawdzamy, czy zaobserwowana wartość statystyki leży w obszarze typowym dla prawdziwości \(H_0\), czy też jest na tyle skrajna, że stanowi argument przeciwko tej hipotezie.
Poziom istotności i obszar krytyczny
Poziom istotności, oznaczany przez \(\alpha\), określa maksymalne dopuszczalne ryzyko odrzucenia hipotezy zerowej, mimo że w rzeczywistości jest ona prawdziwa.
Poziom \(\alpha=0{,}05\) oznacza, że procedura testowa została skonstruowana tak, aby przy prawdziwości \(H_0\) prawdopodobieństwo jej błędnego odrzucenia nie przekraczało 5%.
Na podstawie poziomu istotności wyznacza się obszar krytyczny, czyli zbiór wartości statystyki testowej prowadzących do odrzucenia \(H_0\).
W teście dwustronnym poziom istotności dzieli się na dwa ogony rozkładu:
\[
\frac{\alpha}{2}
\]
po lewej i po prawej stronie. W teście jednostronnym cały poziom istotności znajduje się tylko po jednej stronie rozkładu.
Poziom istotności nie jest prawdopodobieństwem prawdziwości hipotezy
Stwierdzenie „\(\alpha=0{,}05\)” nie oznacza, że hipoteza zerowa ma 5% szans na bycie prawdziwą. Poziom istotności opisuje długookresowe zachowanie procedury testowej w sytuacji, gdy \(H_0\) jest prawdziwa.
Wartość p
Wartość p, często zapisywana jako p-value, jest prawdopodobieństwem otrzymania — przy założeniu prawdziwości \(H_0\) — wyniku co najmniej tak skrajnego jak wynik zaobserwowany w próbie.
Wartość p można też interpretować jako najmniejszy poziom istotności, przy którym dana obserwacja prowadziłaby do odrzucenia hipotezy zerowej w tym samym teście.
\[
\text{jeżeli }p>\alpha,\text{ nie ma podstaw do odrzucenia }H_0
\]
Mała wartość p oznacza, że dane są słabo zgodne z hipotezą zerową. Nie oznacza natomiast, że \(H_0\) jest „prawdopodobnie fałszywa” w dosłownym, bayesowskim sensie.
Błędy pierwszego i drugiego rodzaju oraz moc testu
Każdy test statystyczny prowadzi do decyzji podejmowanej w warunkach niepewności. Możliwe są cztery sytuacje:
Stan rzeczywisty
Decyzja: nie odrzucamy \(H_0\)
Decyzja: odrzucamy \(H_0\)
\(H_0\) jest prawdziwa
Decyzja poprawna
Błąd pierwszego rodzaju
\(H_0\) jest fałszywa
Błąd drugiego rodzaju
Decyzja poprawna
Błąd pierwszego rodzaju
Błąd pierwszego rodzaju polega na odrzuceniu hipotezy zerowej, mimo że jest ona prawdziwa. Prawdopodobieństwo tego błędu kontrolujemy właśnie przez poziom istotności:
Moc testu to prawdopodobieństwo odrzucenia hipotezy zerowej wtedy, gdy jest ona fałszywa:
\[
\text{moc testu}
=
1-\beta
\]
Im większa moc testu, tym większa zdolność procedury do wykrywania rzeczywiście istniejących różnic, zależności lub odchyleń od założonego modelu.
Dlaczego nie można bez końca zmniejszać poziomu istotności?
Zmniejszenie poziomu istotności, na przykład z 0,05 do 0,01, ogranicza ryzyko błędu pierwszego rodzaju. Jednocześnie przy tej samej liczebności próby i tej samej wielkości rzeczywistego efektu zwykle zwiększa ryzyko błędu drugiego rodzaju, czyli zmniejsza moc testu.
Nie istnieje więc rozwiązanie bez kosztu. Bardzo rygorystyczny poziom istotności może utrudnić wykrycie efektu, który rzeczywiście istnieje. Najskuteczniejszym sposobem zwiększania mocy jest zwykle zwiększenie liczebności dobrze zaprojektowanej próby.
Procedura wykonywania testu statystycznego
Większość klasycznych testów, niezależnie od badanego parametru, wykonuje się według podobnego schematu.
Określenie problemu badawczego. Należy jasno wskazać populację, badaną cechę i pytanie, na które test ma odpowiedzieć.
Sformułowanie hipotez \(H_0\) i \(H_1\). Hipotezy powinny wynikać z problemu badawczego, a nie być dobierane po obejrzeniu wyników.
Wybór poziomu istotności \(\alpha\). Najczęściej jest to 0,05, lecz w badaniach o dużych konsekwencjach można przyjąć poziom bardziej rygorystyczny.
Dobór testu i sprawdzenie jego założeń. Trzeba ustalić, czy badamy średnią, wariancję, proporcję, niezależność, zgodność rozkładu lub inną własność.
Obliczenie statystyki testowej. Wartość oblicza się na podstawie danych z próby.
Wyznaczenie wartości krytycznej albo wartości p. Obie metody prowadzą do tej samej decyzji, jeśli zastosowano ten sam poziom istotności i ten sam wariant testu.
Podjęcie decyzji statystycznej. Odrzucamy \(H_0\) albo stwierdzamy brak podstaw do jej odrzucenia.
Interpretacja merytoryczna. Wynik należy opisać językiem problemu: jakości produktu, zachowań klientów, skuteczności metody, zgodności danych z modelem lub zależności między cechami.
Test statystyczny a przedział ufności
Estymacja przedziałowa i testowanie hipotez są ze sobą ściśle powiązane. W wielu klasycznych modelach parametrycznych ten sam zbiór danych, te same założenia oraz ten sam poziom istotności prowadzą do równoważnych wniosków.
Jeżeli budujemy dwustronny przedział ufności na poziomie \(1-\alpha\), a następnie wykonujemy dwustronny test hipotezy:
na poziomie istotności \(\alpha\), wtedy obowiązuje prosta reguła:
jeżeli wartość testowana \(\theta_0\) należy do przedziału ufności, nie ma podstaw do odrzucenia \(H_0\);
jeżeli wartość testowana \(\theta_0\) nie należy do przedziału ufności, odrzucamy \(H_0\).
Przykładowo, gdy 95-procentowy przedział ufności dla średniej populacji ma postać \((48{,}2;\;51{,}7)\), hipoteza \(H_0:\mu=50\) nie zostanie odrzucona na poziomie istotności \(\alpha=0{,}05\), ponieważ wartość 50 znajduje się wewnątrz przedziału. Hipoteza \(H_0:\mu=53\) zostałaby natomiast odrzucona, ponieważ wartość 53 leży poza tym przedziałem.
Warunek równoważności
Ta zależność wymaga zastosowania tego samego modelu statystycznego, tych samych założeń i odpowiadających sobie poziomów: testu na poziomie \(\alpha\) oraz przedziału ufności na poziomie \(1-\alpha\). W przypadku testów jednostronnych należy porównywać wynik z odpowiednim przedziałem jednostronnym.
Przykład ogólny: od hipotezy do decyzji
Załóżmy, że producent deklaruje średnią zawartość napoju równą 500 ml. Kontrola jakości chce sprawdzić, czy średnia rzeczywiście jest zgodna z tą deklaracją.
Formułujemy hipotezy dwustronne:
\[
H_0:\mu=500
\]
\[
H_1:\mu\neq500
\]
Przyjmujemy poziom istotności:
\[
\alpha=0{,}05
\]
Załóżmy, że po zastosowaniu odpowiedniego modelu i wzoru otrzymano wartość standaryzowanej statystyki testowej:
\[
z_{\text{obs}}=2{,}34
\]
Dla testu dwustronnego na poziomie istotności 0,05 wartości krytyczne rozkładu normalnego wynoszą w przybliżeniu:
\[
-1{,}96
\qquad\text{oraz}\qquad
1{,}96
\]
Ponieważ:
\[
|2{,}34|>1{,}96
\]
wartość statystyki znajduje się w obszarze krytycznym. Odrzucamy więc \(H_0\) na poziomie istotności 0,05.
Wartość p dla takiego wyniku wynosi w przybliżeniu:
\[
p\approx0{,}019
\]
Jest ona mniejsza od 0,05, co prowadzi do tej samej decyzji.
Wniosek należy zapisać ostrożnie: dane z próby dostarczają podstaw do odrzucenia hipotezy, że średnia zawartość napoju wynosi 500 ml. Nie oznacza to jeszcze, że każda pojedyncza butelka ma niewłaściwą zawartość ani że poznaliśmy dokładną rzeczywistą średnią populacji.
Pełne modele testowania hipotez dotyczących średniej zostaną omówione w osobnych materiałach.
Testy parametryczne i nieparametryczne
Jednym z podstawowych podziałów testów statystycznych jest podział na testy parametryczne i nieparametryczne.
Testy parametryczne
Testy parametryczne opierają się na założeniu, że populacja ma rozkład należący do określonej rodziny rozkładów, opisanej przez skończoną liczbę parametrów. Hipoteza dotyczy zwykle wartości jednego lub kilku takich parametrów.
Przykładowo możemy badać:
wartość oczekiwaną \(\mu\),
wariancję \(\sigma^2\),
odchylenie standardowe \(\sigma\),
różnicę średnich w dwóch populacjach,
stosunek wariancji dwóch populacji.
Do tej grupy należą między innymi klasyczne testy oparte na rozkładzie normalnym, t-Studenta, chi-kwadrat lub F-Snedecora.
Testy nieparametryczne
Testy nieparametryczne nie wymagają zwykle pełnego założenia o konkretnym rozkładzie populacji z określonymi parametrami. Często opierają się na rangach, znakach, liczebnościach lub strukturze tabeli kontyngencji.
Nie oznacza to, że testy nieparametryczne służą wyłącznie do badania rodzaju rozkładu. Mogą dotyczyć między innymi:
niezależności dwóch cech jakościowych,
zgodności empirycznego rozkładu z rozkładem teoretycznym,
losowości i serii obserwacji,
porównywania położenia rozkładów na podstawie rang,
normalności rozkładu danych.
Testy nieparametryczne bywają szczególnie użyteczne wtedy, gdy dane nie spełniają założeń wymaganych przez test parametryczny, skala pomiaru jest porządkowa albo obserwacje mają nietypowy rozkład.
Istotność statystyczna a znaczenie praktyczne
Wynik istotny statystycznie nie musi być automatycznie ważny z punktu widzenia praktyki. Przy bardzo dużej próbie nawet niewielka różnica względem hipotezy zerowej może okazać się istotna statystycznie.
Przykładowo, średni czas realizacji zamówienia może różnić się od deklarowanego o kilka sekund. Przy ogromnej liczbie obserwacji test może wykazać istotność statystyczną tej różnicy, choć dla klienta, przedsiębiorstwa lub procesu produkcyjnego może ona nie mieć żadnego znaczenia.
Dlatego poza wynikiem testu warto analizować także:
wielkość efektu,
przedział ufności,
skalę ekonomiczną, techniczną lub społeczną różnicy,
koszty ewentualnej błędnej decyzji.
Założenia i dobra praktyka
Poprawne zastosowanie testu statystycznego wymaga czegoś więcej niż podstawienia liczb do wzoru. Przed obliczeniami warto sprawdzić, czy spełnione są założenia konkretnej procedury.
Losowość i niezależność obserwacji. Wiele klasycznych testów zakłada, że dane pochodzą z losowej, niezależnej próby.
Skala pomiaru. Nie każdy test można zastosować do danych nominalnych, porządkowych i liczbowych w ten sam sposób.
Rozkład populacji. Przy małych próbach testy parametryczne mogą wymagać normalności populacji.
Jednorodność wariancji. Niektóre testy porównawcze wymagają podobnej zmienności w analizowanych grupach.
Wybór hipotezy przed analizą danych. Zapobiega dobieraniu procedury wyłącznie po to, aby uzyskać oczekiwany wynik.
Interpretacja w kontekście problemu. Wynik testu powinien prowadzić do sensownego wniosku o badanym zjawisku, a nie kończyć się na zdaniu „hipotezę odrzucono”.
Co dalej?
Teoria testowania hipotez jest wspólnym fundamentem wielu bardziej szczegółowych procedur. Kolejne zagadnienia można uporządkować według rodzaju badanego parametru lub rodzaju problemu.
test serii oraz testy diagnostyczne stosowane w ekonometrii.
Każdy z tych testów wymaga osobnego omówienia założeń, statystyki testowej, obszaru krytycznego, wartości p oraz interpretacji wyniku.
Podsumowanie
Testowanie hipotez statystycznych pozwala ocenić, czy wyniki uzyskane w próbie są dostatecznie niezgodne z hipotezą dotyczącą populacji, aby ją odrzucić na ustalonym poziomie istotności.
Hipoteza zerowa \(H_0\) stanowi punkt odniesienia, a hipoteza alternatywna \(H_1\) wskazuje rozważaną konkurencyjną możliwość.
Poziom istotności \(\alpha\) kontroluje ryzyko błędu pierwszego rodzaju.
Wartość p pokazuje, jak skrajny jest wynik próby przy założeniu prawdziwości \(H_0\).
Błąd drugiego rodzaju polega na niewykryciu fałszywej hipotezy zerowej, a moc testu mierzy zdolność do jej odrzucenia.
Zmniejszanie \(\alpha\) nie jest bezkosztowe: przy niezmienionej próbie zwykle zmniejsza moc testu.
Wynik istotny statystycznie powinien być zawsze oceniony także pod względem jego znaczenia praktycznego.
Utworzono: 21.06.2026 | Zmodyfikowano: 23.06.2026
Estymacja wskaźnika struktury (proporcji) — przedział ufności i minimalna liczebność próby
Mgr inż.
Sebastian Dziarmaga-Działyński
Wirtualna kancelaria korepetytorska i konsultacyjna – wszechwiedza.pl
Wskaźnik struktury z próby, czyli po prostu odsetek lub procent badanych jednostek posiadających określoną cechę, jest podstawowym estymatorem proporcji w całej populacji. Sama wartość procentowa nie mówi jednak, jak dokładne jest oszacowanie. W artykule omawiamy estymację punktową i przedziałową proporcji, warunki stosowania klasycznego wzoru, metody dla małych prób oraz sposób wyznaczania minimalnej liczebności próby.
Wskaźniki struktury należą do najczęściej używanych miar statystycznych. Informują, jaka część badanej zbiorowości ma określoną cechę: ilu klientów wybrało dany produkt, jaki odsetek uczniów zdał egzamin, jaka część wyrobów jest wadliwa albo ilu mieszkańców deklaruje określoną opinię.
Obliczanie procentów jest znane już na stosunkowo wczesnym etapie edukacji. W statystyce matematycznej pojawia się jednak pytanie dodatkowe: na ile wskaźnik wyznaczony w próbie jest wiarygodnym przybliżeniem rzeczywistego udziału w całej populacji?
Co estymujemy?
Niech \(p\) oznacza rzeczywisty udział jednostek posiadających określoną cechę w populacji. Parametr ten może przyjmować wartości od \(0\) do \(1\):
\[
0\leq p\leq1
\]
Przykładowo, jeżeli 30% wszystkich produktów w populacji spełnia określony warunek jakościowy, wtedy:
\[
p=0{,}30
\]
W praktyce wartość \(p\) jest zwykle nieznana. Badamy więc próbę i na jej podstawie budujemy oszacowanie rzeczywistego wskaźnika struktury.
Każdą obserwację można zakodować za pomocą zmiennej zero-jedynkowej:
\[
X_i=
\begin{cases}
1, & \text{gdy i-ta jednostka posiada badaną cechę},\\
0, & \text{gdy i-ta jednostka nie posiada badanej cechy}.
\end{cases}
\]
Tak zdefiniowana zmienna ma rozkład Bernoulliego z parametrem \(p\):
\[
X_i\sim Bernoulli(p)
\]
Wartość oczekiwana takiej zmiennej jest równa proporcji w populacji:
\[
E(X_i)=p
\]
Estymacja punktowa wskaźnika struktury
Jeżeli w próbie liczącej \(n\) jednostek badaną cechę posiada \(m\) jednostek, to wskaźnik struktury z próby wynosi:
\[
\hat p=\frac{m}{n}
\]
Symbol \(\hat p\) oznacza estymator proporcji populacyjnej \(p\). Ponieważ obserwacje zostały zakodowane jako zera i jedynki, wskaźnik struktury można również zapisać jako średnią z próby:
Jeżeli w próbie 250 osób 85 odpowiedziało twierdząco, wtedy:
\[
\hat p=\frac{85}{250}=0{,}34
\]
Oznacza to, że w próbie badaną cechę posiadało 34% jednostek. W statystyce opisowej na tym można by zakończyć analizę. W statystyce matematycznej traktujemy jednak wynik 34% jako oszacowanie nieznanego parametru \(p\), a nie jako bezwzględnie pewną informację o całej populacji.
Odsetek nie jest jeszcze pełnym wnioskiem o populacji
Ten sam wskaźnik 34% może pochodzić z próby liczącej 25 osób albo 2500 osób. W obu przypadkach punktowe oszacowanie jest identyczne, ale jego wiarygodność i precyzja są zupełnie różne.
Własności estymatora proporcji
Przy założeniu, że jednostki w próbie są losowane niezależnie z populacji o proporcji \(p\), estymator \(\hat p\) ma bardzo dobre własności.
Przede wszystkim jest estymatorem nieobciążonym:
\[
E(\hat p)=p
\]
Gdybyśmy wielokrotnie losowali próby o tej samej liczebności i dla każdej z nich obliczali wskaźnik struktury, średnia z otrzymanych wyników byłaby równa rzeczywistej proporcji w populacji.
Wariancja estymatora proporcji wynosi:
\[
Var(\hat p)=\frac{p(1-p)}{n}
\]
Wraz ze wzrostem liczebności próby wariancja maleje. Estymator \(\hat p\) jest również zgodny:
\[
\hat p\xrightarrow{P}p
\]
Oznacza to, że przy rosnącej liczebności próby prawdopodobieństwo dużego odchylenia \(\hat p\) od rzeczywistego parametru \(p\) staje się coraz mniejsze.
Błąd standardowy wskaźnika struktury
Pierwiastek z wariancji estymatora proporcji jest jego błędem standardowym:
\[
SE(\hat p)
=
\sqrt{
\frac{p(1-p)}{n}
}
\]
W tym wzorze występuje jednak nieznany parametr \(p\). W praktyce zastępujemy go estymatorem \(\hat p\), otrzymując oszacowanie błędu standardowego:
Warto zauważyć, że nie stosujemy tutaj automatycznie poprawki z mianownikiem \(n-1\), znanej z wariancji klasycznej. Wzór wynika bezpośrednio z rozkładu Bernoulliego i własności średniej z prób zero-jedynkowych.
Błąd standardowy jest największy wtedy, gdy proporcja jest bliska \(0{,}5\). Wynika to z faktu, że iloczyn:
\[
p(1-p)
\]
osiąga największą wartość równą \(0{,}25\) właśnie dla \(p=0{,}5\). To będzie ważne przy ustalaniu minimalnej liczebności próby.
Klasyczny przedział ufności dla proporcji
Jeżeli próba jest dostatecznie duża, rozkład estymatora \(\hat p\) można przybliżać rozkładem normalnym. Wtedy dwustronny przedział ufności dla proporcji populacyjnej ma klasyczną postać:
Tak jak przy estymacji średniej, wyższy współczynnik ufności oznacza szerszy przedział. Przedział 99-procentowy będzie szerszy niż przedział 95-procentowy zbudowany na podstawie tej samej próby.
Interpretacja 95-procentowego przedziału ufności
Nie oznacza to, że po obliczeniu konkretnego przedziału parametr \(p\) ma „95% prawdopodobieństwa” znajdować się w środku. Parametr jest ustaloną, choć nieznaną wartością. Poprawna interpretacja dotyczy procedury: gdyby losowanie prób i budowę przedziału powtarzać bardzo wiele razy, około 95% otrzymanych przedziałów zawierałoby prawdziwą wartość \(p\).
Kiedy próba jest dostatecznie duża?
W wielu polskich skryptach i zadaniach spotyka się prostą zasadę, że klasyczny przedział dla proporcji stosuje się dla próby dużej, często przyjmując orientacyjnie:
\[
n\geq100
\]
Jest to wygodna reguła dydaktyczna, ale nie stanowi uniwersalnego warunku matematycznego. O jakości przybliżenia normalnego decyduje nie tylko liczebność całej próby, lecz także liczba jednostek posiadających cechę oraz liczba jednostek jej nieposiadających.
Praktyczny warunek stosowany przy klasycznym przedziale normalnym można zapisać następująco:
\[
n\hat p\geq10
\]
\[
n(1-\hat p)\geq10
\]
Pierwsza nierówność oznacza, że w próbie powinno znaleźć się co najmniej około 10 jednostek posiadających badaną cechę. Druga wymaga co najmniej około 10 jednostek nieposiadających tej cechy.
Przykładowo, próba licząca 100 obserwacji nie musi być automatycznie wystarczająca. Jeżeli cechę posiadają tylko 3 jednostki, mamy:
\[
n\hat p=3
\]
W takiej sytuacji klasyczny symetryczny przedział normalny może działać słabo. Z drugiej strony próba licząca 50 obserwacji, w której 25 jednostek posiada cechę, spełnia oba warunki liczebnościowe.
Mała próba i rzadkie zdarzenia
Jeżeli próba jest mała albo liczba sukcesów lub porażek jest niewielka, klasyczny przedział normalny może prowadzić do błędnych lub mało wiarygodnych wyników. Szczególnie niebezpieczne są sytuacje, w których \(\hat p\) jest bardzo bliskie \(0\) albo \(1\).
Klasyczny wzór może wtedy dać granicę ujemną albo większą od \(1\), mimo że proporcja z definicji musi należeć do przedziału \([0;1]\). Proste „obcięcie” wyniku do zera lub jedności nie usuwa problemu metody.
W takich sytuacjach stosuje się przedziały oparte na dokładnym rozkładzie dwumianowym, na przykład przedział Cloppera – Pearsona, albo bardziej nowoczesne przedziały wynikowe, takie jak przedział Wilsona. Są one zwykle wyznaczane przez program statystyczny, kalkulator lub tablice.
W starszych podręcznikach i zbiorach zadań można spotkać również tablicowe procedury dla małej próby, oparte na odpowiednio przekształconej statystyce. Warto znać istnienie takich metod, ale w typowych zadaniach podstawowym narzędziem pozostaje klasyczny przedział normalny dla próby spełniającej odpowiednie warunki liczebnościowe.
Przykład: 95-procentowy przedział ufności dla proporcji
W reprezentatywnej próbie 600 osób zapytano o posiadanie określonej cechy. Odpowiedź twierdzącą wskazały 222 osoby.
Krok 1. Wskaźnik struktury z próby
\[
n=600
\]
\[
m=222
\]
\[
\hat p=\frac{222}{600}=0{,}37
\]
W próbie badaną cechę posiada 37% jednostek.
Krok 2. Sprawdzenie warunków
\[
n\hat p=600\cdot0{,}37=222
\]
\[
n(1-\hat p)=600\cdot0{,}63=378
\]
W próbie występuje zarówno więcej niż 10 sukcesów, jak i więcej niż 10 braku cechy. Możemy więc zastosować klasyczne przybliżenie normalne.
Możemy więc powiedzieć, że na poziomie ufności 95% rzeczywisty udział jednostek posiadających badaną cechę w populacji szacujemy na przedział od około 33,1% do 40,9%.
Minimalna liczebność próby
W dobrze zaprojektowanym badaniu liczebność próby nie powinna być wybierana przypadkowo. Można ją zaplanować jeszcze przed rozpoczęciem zbierania danych, określając oczekiwany współczynnik ufności oraz maksymalny dopuszczalny margines błędu.
Niech \(d\) oznacza dopuszczalny margines błędu, a \(\tilde p\) — przewidywaną proporcję w populacji. Wtedy minimalną liczebność próby dla klasycznego przedziału normalnego wyznacza wzór:
Otrzymany wynik należy zawsze zaokrąglić w górę do liczby całkowitej.
Gdy mamy wcześniejsze dane
Jeżeli istnieje wiarygodne wcześniejsze badanie, dane historyczne albo próbne badanie pilotażowe, możemy przyjąć uzyskany wcześniej wskaźnik struktury jako \(\tilde p\).
Załóżmy, że wcześniejsze badanie wskazuje proporcję zbliżoną do 30%, czyli:
\[
\tilde p=0{,}30
\]
Chcemy otrzymać 95-procentowy przedział ufności z marginesem błędu nie większym niż 4 punkty procentowe:
Po zaokrągleniu w górę należy więc przebadać co najmniej:
\[
n=601
\]
Próba pilotażowa czy założenie p = 0,5?
Próba pilotażowa jest przydatna wtedy, gdy oczekujemy, że badana cecha występuje bardzo rzadko albo bardzo często. Pozwala wtedy lepiej dopasować plan badania do rzeczywistej sytuacji.
Jeżeli nie mamy żadnych danych wcześniejszych, przyjęcie \(\tilde p=0{,}5\) jest bezpieczne, ponieważ daje największą potrzebną liczebność próby. Nie grozi więc niedoszacowaniem wymaganej próby z powodu zbyt optymistycznego założenia.
Powyższe wzory dotyczą populacji bardzo dużej albo sytuacji, w której losowana próba stanowi niewielką część całej populacji. Gdy badamy znaczną część skończonej, znanej populacji, można dodatkowo stosować poprawkę na skończoną populację.
Najczęstsze błędy przy estymacji proporcji
Traktowanie wskaźnika struktury z próby jako dokładnej wartości dla populacji.
Stosowanie granicy n ≥ 100 jako jedynego kryterium poprawności wzoru.
Pomijanie liczby sukcesów i liczby braku cechy w próbie.
Używanie klasycznego przedziału normalnego, gdy proporcja jest bardzo bliska 0 lub 1.
Mechaniczne obcinanie ujemnej granicy do zera albo górnej granicy do jedności.
Mylenie punktów procentowych z procentami. Margines błędu równy 4 punkty procentowe oznacza na przykład przejście od 37% do przedziału 33% – 41%.
Zaokrąglanie wymaganej liczebności próby w dół. Minimalną liczebność zawsze zaokrąglamy w górę.
Pomijanie jakości doboru próby. Nawet poprawny wzór nie usuwa błędu systematycznego wynikającego z niereprezentatywnego badania.
Podsumowanie
Wskaźnik struktury z próby jest podstawowym estymatorem proporcji populacyjnej. Pozwala łatwo uzyskać oszacowanie punktowe, ale dopiero przedział ufności pokazuje niepewność wynikającą z losowego doboru próby.
Estymatorem proporcji populacyjnej \(p\) jest wskaźnik struktury z próby \(\hat p=m/n\).
Estymator \(\hat p\) jest nieobciążony i zgodny.
Klasyczny przedział ufności opiera się na przybliżeniu normalnym oraz błędzie standardowym \(\sqrt{\hat p(1-\hat p)/n}\).
Przy małej próbie albo rzadkich zdarzeniach należy stosować metody oparte na rozkładzie dwumianowym.
Minimalną liczebność próby można wyznaczyć przed badaniem, wykorzystując oczekiwaną proporcję albo konserwatywne założenie \(\tilde p=0{,}5\).
Utworzono: 21.06.2026
Estymacja wariancji i odchylenia standardowego — przedział ufności i rozkład chi-kwadrat
Mgr inż.
Sebastian Dziarmaga-Działyński
Wirtualna kancelaria korepetytorska i konsultacyjna – wszechwiedza.pl
Estymacja wariancji i odchylenia standardowego pozwala ocenić, jak bardzo zróżnicowane są wartości badanej cechy w całej populacji. W artykule omawiamy estymatory punktowewariancji i odchylenia standardowego, dokładny przedział ufności oparty na rozkładzie chi-kwadrat oraz przybliżony model dla dużej próby.
Średnia odpowiada na pytanie, jaki poziom zjawiska jest przeciętny. Nie mówi jednak, czy większość obserwacji skupia się blisko tej wartości, czy też dane są bardzo rozproszone. Do opisu zróżnicowania służą przede wszystkim wariancja i odchylenie standardowe.
W statystyce opisowej obliczamy te miary dla posiadanych danych. W statystyce matematycznej stawiamy pytanie szersze: jak na podstawie próby oszacować rzeczywistą wariancję i odchylenie standardowe całej populacji oraz jak określić niepewność takiego oszacowania?
Co estymujemy?
Niech \(X\) oznacza badaną cechę w populacji. Jej wariancję oznaczamy przez:
\[
\sigma^2 = Var(X)
\]
Odchylenie standardowe populacji jest pierwiastkiem z wariancji:
\[
\sigma=\sqrt{\sigma^2}
\]
Wariancja \(\sigma^2\) jest wyrażana w jednostkach podniesionych do kwadratu. Jeżeli badamy wzrost w centymetrach, wariancja jest wyrażana w \(\text{cm}^2\). Odchylenie standardowe \(\sigma\) ma natomiast tę samą jednostkę co badana cecha, dlatego zwykle jest łatwiejsze do praktycznej interpretacji.
W badaniu dysponujemy jednak tylko próbą:
\[
X_1,X_2,\ldots,X_n
\]
Na jej podstawie chcemy oszacować nieznane parametry \(\sigma^2\) oraz \(\sigma\).
Estymacja punktowa wariancji i odchylenia standardowego
Najpierw obliczamy średnią z próby:
\[
\overline{X}=
\frac{1}{n}\sum_{i=1}^{n}X_i
\]
Następnie mierzymy przeciętną wielkość kwadratowych odchyleń obserwacji od średniej. W praktyce spotyka się dwa blisko związane wzory na wariancję z próby.
Wariancję \(S^2\) nazywa się często wariancją skorygowaną albo nieobciążoną wariancją z próby. Jej pierwiastek:
\[
S=\sqrt{S^2}
\]
jest standardowym estymatorem odchylenia standardowego populacji.
Wariancja z mianownikiem n i n − 1
Różnica między \(n\) i \(n-1\) nie jest jedynie kosmetyczna. Średnia populacji jest nieznana i zastępujemy ją średnią z próby. Powoduje to utratę jednego stopnia swobody.
Między obiema wersjami wariancji zachodzi zależność:
\[
S^2=
\frac{n}{n-1}s_n^2
\]
W konsekwencji:
\[
(n-1)S^2=ns_n^2
\]
Ta równość jest bardzo wygodna przy przedziałach ufności. Można stosować wzory zapisane przez \(S^2\) albo przez \(s_n^2\), pod warunkiem że zachowamy właściwy licznik.
Praktyczna zasada
Jeżeli wariancję obliczono z mianownikiem \(n-1\), we wzorach na przedział ufności używamy \((n-1)S^2\). Jeżeli podano wariancję z mianownikiem \(n\), używamy \(ns_n^2\). Obie postacie są równoważne.
Własności estymatorów wariancji i odchylenia standardowego
Zakładając, że populacja ma wariancję \(\sigma^2\), dla wariancji z mianownikiem \(n\) zachodzi:
\[
E(s_n^2)
=
\frac{n-1}{n}\sigma^2
\]
Oznacza to, że \(s_n^2\) przeciętnie zaniża wariancję populacji. Jego obciążenie wynosi:
Wariancja \(S^2\) jest więc nieobciążonym estymatorem wariancji populacji.
Warto jednak zachować ścisłość terminologiczną. Pierwiastek \(S\) nie jest dokładnie nieobciążonym estymatorem odchylenia standardowego \(\sigma\). W praktyce \(S\) jest mimo to powszechnie stosowany, ponieważ jest prosty, intuicyjny i zgodny.
Zgodność oznacza, że wraz ze wzrostem liczebności próby estymatory zbliżają się do rzeczywistych parametrów populacji:
\[
S^2\xrightarrow{P}\sigma^2
\]
\[
S\xrightarrow{P}\sigma
\]
W dużych próbach różnica między stosowaniem \(n\) i \(n-1\) stopniowo maleje. Nie oznacza to jednak, że w małych próbach można ją ignorować.
Dlaczego przedział dla wariancji i odchylenia standardowego to to samo zagadnienie?
Wariancja i odchylenie standardowe są ze sobą jednoznacznie powiązane:
\[
\sigma=\sqrt{\sigma^2}
\]
Jeżeli wyznaczymy przedział ufności dla wariancji:
W drugą stronę działa to równie prosto. Jeżeli mamy przedział dla odchylenia standardowego, wystarczy podnieść jego nieujemne krańce do kwadratu, aby uzyskać przedział dla wariancji.
W obu przypadkach przedziały są zwykle niesymetryczne. Nie mają postaci „oszacowanie plus-minus stały margines błędu”, jak często dzieje się przy estymacji średniej.
Dlaczego nie ma modelu ze znaną wariancją?
Przy estymacji średniej można spotkać model, w którym odchylenie standardowe populacji \(\sigma\) jest znane. Wtedy nie znamy średniej \(\mu\), ale znamy wielkość opisującą rozproszenie danych.
Przy estymacji wariancji sytuacja wygląda inaczej. Gdyby \(\sigma^2\) lub \(\sigma\) były znane, nie byłoby czego estymować. Odpowiedź byłaby już dana.
Formalnie można powiedzieć, że przedział ufności dla znanego parametru byłby jednoelementowy:
\[
[\sigma^2,\sigma^2]
\]
Taki przedział ma pełne pokrycie, ale nie wynika z procedury statystycznej. Jest po prostu zapisem znanej informacji.
Model dokładny: przedział ufności oparty na rozkładzie chi-kwadrat
Klasyczny, dokładny przedział ufności dla wariancji opiera się na rozkładzie chi-kwadrat. Wymaga założenia, że badana populacja ma rozkład normalny:
ma rozkład chi-kwadrat o \(n-1\) stopniach swobody:
\[
Q\sim\chi^2_{n-1}
\]
W dalszych wzorach symbol \(\chi^2_{p;\nu}\) oznacza kwantyl rzędu \(p\) rozkładu chi-kwadrat o \(\nu\) stopniach swobody, czyli wartość spełniającą warunek:
W wielu zadaniach dydaktycznych model chi-kwadrat jest przedstawiany jako model dla małej próby, na przykład \(n<50\). Matematycznie wzór ten pozostaje jednak dokładny także dla dużej próby, pod warunkiem że populacja ma rozkład normalny.
Granica 50 jest więc wygodną konwencją stosowaną w niektórych materiałach dydaktycznych, a nie uniwersalnym prawem statystyki.
Model przybliżony: duża próba
W części podręczników dla próby dużej, zwykle przyjmowanej jako \(n\geq50\), stosuje się przybliżenie normalne rozkładu chi-kwadrat. Nadal zakładamy przy tym, że populacja ma rozkład normalny.
Jeżeli \(Q\sim\chi^2_{n-1}\), to dla dużej liczby stopni swobody można wykorzystać przybliżenie:
Symbol \(u_{1-\alpha/2}\) oznacza kwantyl rzędu \(1-\alpha/2\) standaryzowanego rozkładu normalnego. Dla współczynnika ufności 95% jego wartość wynosi około \(1{,}96\).
Przedział dla odchylenia standardowego ma w tym modelu postać:
Duża próba nie usuwa automatycznie problemu normalności
Przy estymacji średniej duża próba pozwala często korzystać z centralnego twierdzenia granicznego nawet wtedy, gdy populacja nie jest normalna. Dla wariancji sytuacja jest trudniejsza.
Klasyczny przedział chi-kwadrat oraz przedstawione przybliżenie normalne wynikają z założenia normalności populacji. Sama liczebność \(n\geq50\) nie zamienia automatycznie dowolnego rozkładu danych w model bezpieczny dla estymacji wariancji.
Dlaczego normalność populacji jest ważna?
Rozkład chi-kwadrat pojawia się w estymacji wariancji dlatego, że w populacji normalnej odpowiednio przeskalowana wariancja z próby ma dokładnie znany rozkład.
Przy silnej asymetrii, ciężkich ogonach rozkładu lub licznych obserwacjach odstających klasyczny przedział chi-kwadrat może mieć rzeczywiste pokrycie inne niż deklarowany poziom ufności.
Dla populacji o dowolnym rozkładzie można wprawdzie badać asymptotyczny rozkład wariancji z próby, ale zależy on od czwartego momentu centralnego populacji:
gdzie \(\mu_4=E[(X-\mu)^4]\). To pokazuje, dlaczego nie istnieje jeden prosty, uniwersalny wzór dla wariancji w populacji o całkowicie dowolnym rozkładzie.
W zastosowaniach praktycznych przy wyraźnych odstępstwach od normalności rozważa się między innymi metody bootstrapowe albo bardziej odporne procedury estymacyjne.
Przykład: przedział ufności dla wariancji i odchylenia standardowego
W losowej próbie liczącej \(n=16\) obserwacji otrzymano skorygowaną wariancję z próby:
\[
S^2=144
\]
Stąd odchylenie standardowe z próby wynosi:
\[
S=\sqrt{144}=12
\]
Zakładamy, że populacja ma rozkład normalny. Wyznaczymy 90-procentowy przedział ufności dla wariancji i odchylenia standardowego.
Otrzymujemy 90-procentowy przedział ufności dla odchylenia standardowego populacji:
\[
9{,}30
\leq
\sigma
\leq
17{,}25
\]
Widać wyraźnie, że przedział jest niesymetryczny względem punktowego oszacowania \(S=12\). Jest to naturalna konsekwencja zastosowania rozkładu chi-kwadrat.
Najczęstsze błędy przy estymacji wariancji i odchylenia standardowego
Mylenie wariancji z odchyleniem standardowym. Wariancja ma jednostkę podniesioną do kwadratu, a odchylenie standardowe ma jednostkę pierwotną.
Mieszanie wariancji z mianownikiem \(n\) i \(n-1\). Należy zawsze sprawdzić, który wzór został użyty.
Odwracanie wartości krytycznych rozkładu chi-kwadrat. Większy kwantyl znajduje się w mianowniku dolnej granicy, a mniejszy w mianowniku granicy górnej.
Budowanie symetrycznego przedziału „plus-minus margines błędu”. Klasyczny przedział dla wariancji i odchylenia standardowego jest asymetryczny.
Pomijanie założenia normalności populacji. Jest ono podstawą klasycznego przedziału chi-kwadrat.
Traktowanie granicy \(n=50\) jako bezwzględnego prawa matematycznego. Jest to wygodna reguła dydaktyczna dla przybliżenia, a nie warunek konieczny stosowania wzoru dokładnego.
Uznawanie dużej próby za automatyczne uzasadnienie wzoru dla dowolnego rozkładu. Przy wariancji problem zależy także od kształtu rozkładu i jego czwartego momentu.
Podsumowanie
Wariancja i odchylenie standardowe opisują zróżnicowanie populacji. Z próby można oszacować je punktowo, a następnie określić niepewność oszacowania za pomocą przedziału ufności.
Wariancja skorygowana \(S^2\) jest nieobciążonym estymatorem wariancji populacji.
Odchylenie standardowe \(S\) jest standardowym, zgodnym estymatorem odchylenia standardowego populacji.
Przedział dla wariancji można łatwo przekształcić w przedział dla odchylenia standardowego przez spierwiastkowanie krańców.
Klasyczny dokładny przedział opiera się na rozkładzie chi-kwadrat i wymaga normalności populacji.
Przybliżenie normalne dla dużej próby jest wygodne w zadaniach dydaktycznych, ale nie zastępuje automatycznie dokładnego modelu ani nie usuwa znaczenia założenia normalności.
Utworzono: 21.06.2026
Estymacja wartości oczekiwanej (średniej) — estymacja punktowa i przedziałowa
Mgr inż.
Sebastian Dziarmaga-Działyński
Wirtualna kancelaria korepetytorska i konsultacyjna – wszechwiedza.pl
Estymacja wartości oczekiwanej, czyli średniej populacji, pozwala na podstawie danych z próby ocenić przeciętny poziom badanego zjawiska w całej zbiorowości. W artykule omawiamy estymator punktowy średniej, jego własności oraz trzy klasyczne modele budowy przedziału ufności: dla populacji normalnej ze znanym odchyleniem standardowym, dla populacji normalnej z odchyleniem nieznanym oraz dla dużej próby z populacji o dowolnym rozkładzie.
Średnia arytmetyczna jest jedną z najczęściej stosowanych miar opisujących dane. W statystyce matematycznej pojawia się jednak dodatkowe pytanie: czy średnia obliczona z próby dobrze przybliża średnią całej populacji?
Odpowiedź zależy od sposobu doboru próby, jej liczebności, zmienności badanej cechy oraz założeń dotyczących rozkładu populacji. Teoria estymacji pozwala uporządkować te kwestie i zbudować nie tylko jedno oszacowanie średniej, ale również przedział pokazujący niepewność tego oszacowania.
Co estymujemy?
Niech \(X\) oznacza badaną cechę w populacji. Jej wartość oczekiwaną, czyli średnią populacji, oznaczamy symbolem:
\[
\mu=E(X)
\]
Parametr \(\mu\) jest zwykle nieznany. Może oznaczać na przykład średni dochód, średni czas oczekiwania na usługę, średni wynik egzaminu, przeciętną masę produktu albo przeciętne zużycie energii.
Losujemy próbę o liczebności \(n\):
\[
X_1,X_2,\ldots,X_n
\]
Po przeprowadzeniu badania otrzymujemy konkretne wartości:
\[
x_1,x_2,\ldots,x_n
\]
Na ich podstawie chcemy oszacować nieznaną średnią populacji \(\mu\).
Estymacja punktowa średniej populacji
Najbardziej naturalnym estymatorem wartości oczekiwanej jest średnia arytmetyczna z próby:
\[
\overline{X}=
\frac{1}{n}\sum_{i=1}^{n}X_i
\]
Po podstawieniu zaobserwowanych danych otrzymujemy oszacowanie punktowe średniej populacji:
\[
\overline{x}=
\frac{1}{n}\sum_{i=1}^{n}x_i
\]
Jeżeli przykładowo średnia liczba punktów uzyskanych przez 20 osób wynosi 72,4, to 72,4 jest oszacowaniem średniego wyniku w całej populacji, z której pochodziła próba.
Czy średnia z próby jest zawsze „najlepsza”?
Średnia z próby jest standardowym i bardzo ważnym estymatorem średniej populacji. Jest nieobciążona i zgodna, a w klasycznym modelu normalnym ma szczególnie dobre własności. Nie istnieje jednak jeden estymator, który byłby bezwarunkowo najlepszy w każdym możliwym modelu i według każdego kryterium jakości.
Własności średniej z próby jako estymatora
Zakładając, że obserwacje w próbie są niezależne i pochodzą z populacji o średniej \(\mu\) oraz wariancji \(\sigma^2\), dla średniej z próby zachodzą zależności:
\[
E(\overline{X})=\mu
\]
\[
Var(\overline{X})=\frac{\sigma^2}{n}
\]
Pierwszy wzór oznacza, że średnia z próby jest nieobciążonym estymatorem średniej populacji. Gdybyśmy wielokrotnie losowali próby o tej samej liczebności i za każdym razem liczyli średnią, średnia z tych oszacowań byłaby równa \(\mu\).
Drugi wzór mówi, że wariancja średniej z próby maleje wraz ze wzrostem \(n\). Im większa próba, tym mniejsza jest losowa zmienność oszacowania.
Odchylenie standardowe rozkładu średniej z próby nosi nazwę błędu standardowego średniej:
\[
SE(\overline{X})=
\frac{\sigma}{\sqrt{n}}
\]
Jeżeli populacja ma skończoną wariancję, średnia z próby jest również estymatorem zgodnym:
\[
\overline{X}\xrightarrow{P}\mu
\]
Oznacza to, że wraz ze wzrostem liczebności próby prawdopodobieństwo dużego odchylenia średniej z próby od rzeczywistej średniej populacji staje się coraz mniejsze.
Czym jest przedział ufności?
Estymacja punktowa daje jedną liczbę, na przykład \(\overline{x}=72{,}4\). Nie pokazuje jednak, jak duża jest niepewność związana z losowym doborem próby.
Przedział ufności uzupełnia oszacowanie punktowe o zakres wartości, który został wyznaczony na podstawie danych, założeń modelu oraz przyjętego współczynnika ufności.
Najczęściej przyjmuje się współczynnik ufności równy \(1-\alpha=0{,}95\), czyli 95%. W klasycznej interpretacji oznacza to, że gdyby tę samą procedurę powtarzać bardzo wiele razy na niezależnych próbach, około 95% otrzymanych przedziałów zawierałoby prawdziwą średnią populacji \(\mu\).
Wyższy współczynnik ufności wymaga większej ostrożności, dlatego prowadzi do szerszego przedziału. Przedział 99-procentowy jest zatem szerszy niż przedział 95-procentowy zbudowany na podstawie tych samych danych.
Dlaczego nie żądać przedziału ufności 100%?
W klasycznych wzorach dla przedziałów ufności, gdy współczynnik ufności dąży do 100%, odpowiednia wartość krytyczna dąży do nieskończoności. Nie można więc otrzymać użytecznego skończonego przedziału ufności o pokryciu równym dokładnie 100%.
Dla średniej populacji zbiorem zawierającym ją na pewno jest całe \(\mathbb{R}\). Taki „przedział” byłby formalnie bezbłędny, ale całkowicie nieużyteczny. Dla wariancji lub odchylenia standardowego analogicznym zbiorem byłby przedział \([0,\infty)\). Przedziały ufności zawsze są więc kompromisem między pewnością a informacyjnością.
Trzy modele estymacji przedziałowej średniej
W klasycznych zadaniach dotyczących średniej populacji najczęściej spotyka się trzy modele. Różnią się one założeniami dotyczącymi rozkładu populacji, znajomości odchylenia standardowego w tejże populacji oraz liczebności próby.
Model
Założenia
Rozkład wartości krytycznej
1
Populacja normalna, \(\sigma\) znane.
Normalny standaryzowany.
2
Populacja normalna, \(\sigma\) nieznane.
t-Studenta z \(n-1\) stopniami swobody.
3
Populacja o dowolnym rozkładzie, próba duża, wariancja skończona.
W przybliżeniu normalny standaryzowany.
W modelach drugim i trzecim odchylenie standardowe populacji jest nieznane. Zastępujemy je wtedy wielkością obliczoną z próby.
Model 1: populacja normalna i znane odchylenie standardowe
Zakładamy, że populacja ma rozkład normalny:
\[
X\sim N(\mu,\sigma^2)
\]
oraz że odchylenie standardowe populacji \(\sigma\) jest znane. Nie chodzi tutaj o odchylenie obliczone z bieżącej próby, lecz o wartość znaną wcześniej, na przykład z dobrze kontrolowanego procesu technologicznego albo z wiarygodnych danych historycznych.
Wtedy statystyka:
\[
Z=
\frac{\overline{X}-\mu}{\sigma/\sqrt{n}}
\]
ma rozkład normalny standaryzowany \(N(0,1)\). Dwustronny przedział ufności dla średniej populacji ma postać:
Symbol \(u_{\alpha/2}\) oznacza dodatnią wartość krytyczną rozkładu normalnego spełniającą warunek:
\[
P(Z>u_{\alpha/2})=\frac{\alpha}{2}
\]
Dla współczynnika ufności 95% mamy \(\alpha=0{,}05\), a wartość krytyczna wynosi około \(u_{0{,}025}=1{,}96\). Można ją odczytać z tablicy rozkładu normalnego i kalkulatora.
Model 2: populacja normalna i nieznane odchylenie standardowe
Ten model jest bardzo częsty w zadaniach. Zakładamy nadal normalność populacji, ale nie znamy jej odchylenia standardowego \(\sigma\). Zastępujemy je odchyleniem wyznaczonym na podstawie próby.
Najpierw definiujemy skorygowaną wariancję z próby:
Wartość \(t_{\alpha/2;n-1}\) odczytuje się dla \(n-1\) stopni swobody. Dla współczynnika ufności 95% korzystamy z wartości odpowiadającej prawdopodobieństwu \(\alpha/2=0{,}025\) w prawym ogonie. Wartości krytyczne można odczytać z tablicy rozkładu t-Studenta i kalkulatora.
Mała próba wymaga założenia normalności
Jeżeli próba jest mała, a odchylenie standardowe populacji jest nieznane, klasyczny przedział oparty na rozkładzie t-Studenta wymaga założenia, że badana populacja ma rozkład normalny.
W zadaniu, które nie podaje tego wprost, ale prowadzi do użycia rozkładu t-Studenta, warto napisać: „Przyjmujemy założenie, że badana populacja ma rozkład normalny”. Pominięcie tego założenia może być uznane za błąd merytoryczny, zwłaszcza przy niewielkiej liczebności próby.
Model 3: dowolny rozkład populacji i duża próba
W trzecim modelu nie zakładamy, że populacja ma rozkład normalny. Wymagamy jednak, aby jej wariancja była skończona oraz aby próba była dostatecznie duża.
Podstawą jest centralne twierdzenie graniczne. Mówi ono, że dla dużych prób rozkład odpowiednio wystandaryzowanej średniej z próby jest w przybliżeniu normalny:
Ponieważ \(\sigma\) jest najczęściej nieznane, w praktyce zastępujemy je odchyleniem standardowym wyznaczonym z próby. Otrzymujemy przybliżony przedział ufności:
W podręcznikowych zadaniach często przyjmuje się orientacyjnie, że próba jest duża, gdy \(n\geq30\). Nie jest to jednak sztywna granica matematyczna. Jeżeli rozkład populacji jest silnie asymetryczny, ma bardzo ciężkie ogony albo zawiera liczne obserwacje nietypowe, nawet próba o liczebności 30 może nie wystarczyć do uzyskania dobrego przybliżenia normalnego.
Jeżeli próba jest mała, populacja nie ma rozkładu normalnego, a normalności nie wolno założyć, nie należy automatycznie stosować klasycznego przedziału t-Studenta. W takiej sytuacji potrzebne mogą być metody bardziej zaawansowane, na przykład procedury bootstrapowe lub metody nieparametryczne.
Minimalna liczebność próby przy estymacji średniej
Minimalną liczebność próby można wyznaczyć jeszcze przed rozpoczęciem badania. Celem jest uzyskanie przedziału ufności o określonym współczynniku ufności oraz z góry ustalonym maksymalnym marginesie błędu \(d\).
Jeżeli znamy odchylenie standardowe populacji \(\sigma\), wymaganą łączną liczebność badania wyznaczamy ze wzoru:
\[
N
\geq
\left(
\frac{
u_{\alpha/2}\sigma
}{
d
}
\right)^2
\]
W praktyce odchylenie standardowe populacji najczęściej nie jest znane. W zadaniach dydaktycznych i w rzeczywistych badaniach przeprowadza się wtedy próbę pilotażową, która pozwala wstępnie ocenić zmienność badanej cechy.
Oznaczmy przez:
\(n_0\) — liczebność próby pilotażowej,
\(s_0\) — odchylenie standardowe obliczone w próbie pilotażowej,
Jeżeli próba pilotażowa jest dostatecznie duża, w zadaniach często stosuje się wartość krytyczną rozkładu normalnego. Wymaganą łączną liczebność badania wyznacza wtedy wzór:
\[
N
\geq
\left(
u_{\alpha/2}
\frac{s_0}{d}
\right)^2
\]
Jeżeli natomiast próba pilotażowa jest mała, a możemy przyjąć normalność populacji, wykorzystuje się wartość krytyczną rozkładu t-Studenta z \(n_0-1\) stopniami swobody:
\[
N
\geq
\left(
t_{\alpha/2;\,n_0-1}
\frac{s_0}{d}
\right)^2
\]
W przyjętej tu konwencji symbol \(t_{\alpha/2;\,n_0-1}\) oznacza dodatnią wartość krytyczną, dla której w prawym ogonie rozkładu t-Studenta pozostaje prawdopodobieństwo \(\alpha/2\). Wartości można odczytać z tablicy rozkładu t-Studenta i kalkulatora.
Otrzymaną wartość \(N\) zawsze zaokrągla się w górę. Jest to wymagana łączna liczebność badania. Jeżeli obserwacje z próby pilotażowej mogą zostać włączone do badania właściwego, należy dobrać jeszcze:
\[
n_{\text{dodatkowe}}
=
\max(0,\;N-n_0)
\]
Czy próbę pilotażową można włączyć do badania końcowego?
Tak, jeżeli została pobrana z tej samej populacji, według tych samych zasad, z użyciem tego samego narzędzia badawczego oraz bez zmiany procedury pomiaru. Wtedy dane pilotażowe mogą stanowić część próby końcowej.
Jeżeli próba pilotażowa służyła wyłącznie do sprawdzenia ankiety, procedury lub narzędzia pomiarowego, a po jej przeprowadzeniu zmieniono sposób badania, nie należy automatycznie łączyć jej z próbą właściwą. W takim przypadku pełną liczebność \(N\) trzeba zebrać od nowa.
Planowanie liczebności próby określa wymaganą precyzję przyszłego badania. Po zebraniu danych końcowych wybór wzoru na przedział ufności zależy nadal od modelu omówionego wcześniej: dla małej próby i nieznanego \(\sigma\) stosujemy rozkład t-Studenta przy założeniu normalności populacji, a dla dużej próby można korzystać z przybliżenia normalnego.
Dlaczego raz występuje n, a innym razem n − 1?
To jeden z najczęstszych powodów pomyłek w zadaniach dotyczących estymacji średniej. Problem wynika z tego, że różne podręczniki i programy mogą oznaczać symbolem \(s\) różnie zdefiniowane odchylenie standardowe z próby.
Odchylenie standardowe obliczone z mianownikiem \(n\) zapisujemy tutaj jako:
Najpierw sprawdź, jak w zadaniu lub programie zdefiniowano odchylenie standardowe. Jeżeli masz \(S\) oparte na mianowniku \(n-1\), dzielisz je przez \(\sqrt n\). Jeżeli masz \(s_n\) oparte na mianowniku \(n\), dzielisz je przez \(\sqrt{n-1}\).
Nie należy mieszać tych zapisów. Użycie \(s_n/\sqrt n\) prowadziłoby do zaniżenia błędu standardowego, a więc do zbyt wąskiego przedziału ufności.
Warto też pamiętać o terminologii. Skorygowana wariancja \(S^2\) jest nieobciążonym estymatorem wariancji \(\sigma^2\), ale jej pierwiastek \(S\) nie jest w ścisłym sensie nieobciążonym estymatorem odchylenia standardowego \(\sigma\). Mimo to w praktyce \(S\) jest powszechnie stosowane jako standardowe oszacowanie rozproszenia populacji.
Przykład: 95-procentowy przedział ufności dla średniej
W próbie dziesięciu obserwacji otrzymano wartości:
Zakładamy, że próba pochodzi z populacji o rozkładzie normalnym. Odchylenie standardowe populacji jest nieznane. Stosujemy więc model drugi, oparty na rozkładzie t-Studenta.
Otrzymujemy 95-procentowy przedział ufności dla średniej populacji równy w przybliżeniu \((14{,}77;\;18{,}23)\).
Gdyby w tym samym przykładzie korzystać z odchylenia obliczonego z mianownikiem \(n\), otrzymalibyśmy \(s_n\approx2{,}2913\). Należałoby wtedy użyć równoważnego błędu standardowego:
Używanie rozkładu normalnego zamiast t-Studenta przy małej próbie i nieznanym odchyleniu standardowym populacji.
Pomijanie założenia normalności populacji w modelu z małą próbą.
Mylenie odchylenia standardowego populacji \(\sigma\) z odchyleniem standardowym wyznaczonym z próby.
Stosowanie wartości krytycznej \(t_{\alpha;n-1}\) zamiast \(t_{\alpha/2;n-1}\) w przedziale dwustronnym.
Nieprawidłowe mieszanie mianowników \(n\) i \(n-1\) przy obliczaniu błędu standardowego.
Traktowanie progu \(n=30\) jako bezwzględnego prawa matematycznego.
Interpretowanie 95-procentowego przedziału ufności jako dosłownego 95-procentowego prawdopodobieństwa dla już ustalonego parametru.
Podsumowanie
Średnia arytmetyczna z próby jest podstawowym estymatorem wartości oczekiwanej populacji. Jest nieobciążona, zgodna, a jej zmienność maleje wraz ze wzrostem liczebności próby.
Gdy populacja ma rozkład normalny i znamy \(\sigma\), stosujemy rozkład normalny standaryzowany.
Gdy populacja ma rozkład normalny, ale \(\sigma\) jest nieznane, stosujemy rozkład t-Studenta z \(n-1\) stopniami swobody.
Gdy populacja ma dowolny rozkład, ale próba jest duża i wariancja skończona, korzystamy z przybliżenia normalnego wynikającego z centralnego twierdzenia granicznego.
Minimalną liczebność badania można wyznaczyć z góry, a przy nieznanej zmienności wykorzystać próbę pilotażową.
Przedział ufności staje się szerszy, gdy rośnie współczynnik ufności, zmienność danych lub gdy maleje liczebność próby.
Przy stosowaniu wzorów trzeba zawsze sprawdzić, czy odchylenie standardowe zostało obliczone z mianownikiem \(n\), czy z mianownikiem \(n-1\).
Utworzono: 21.06.2026
Estymacja statystyczna — populacja, próba, estymatory i ich własności
Mgr inż.
Sebastian Dziarmaga-Działyński
Wirtualna kancelaria korepetytorska i konsultacyjna – wszechwiedza.pl
Estymacja statystyczna pozwala wnioskować o nieznanych cechach całej populacji na podstawie danych uzyskanych z próby. Jej celem nie jest mechaniczne obliczenie jednej liczby, lecz znalezienie takiego estymatora, który możliwie trafnie i stabilnie przybliża nieznany parametr populacji. W artykule wyjaśniamy podstawowe pojęcia teorii estymacji, własności dobrych estymatorów oraz ideę metody momentów i metody największej wiarygodności.
W praktyce często chcemy poznać pewną cechę dużej zbiorowości: średni dochód mieszkańców regionu, udział osób popierających określoną partię, przeciętny czas realizacji zamówienia, zmienność wyników egzaminu albo odsetek produktów wadliwych w partii produkcyjnej. Zbadanie wszystkich jednostek zwykle byłoby zbyt kosztowne, czasochłonne lub niemożliwe.
Z tego powodu badamy jedynie część populacji, czyli próbę. Następnie wykorzystujemy dane z próby do oszacowania nieznanego parametru opisującego całą populację. Właśnie tym zajmuje się teoria estymacji.
Czym jest estymacja statystyczna?
Estymacja statystyczna jest działem statystyki matematycznej zajmującym się szacowaniem nieznanych parametrów populacji na podstawie obserwacji pochodzących z próby. Parametrem może być między innymi średnia, wariancja, odchylenie standardowe, mediana, udział określonej kategorii w populacji albo parametr opisujący rozkład prawdopodobieństwa.
W teorii estymacji zakłada się zwykle, że obserwacje z próby mają określony rozkład probabilistyczny. Nie znamy jednak wszystkich jego parametrów. Dane pozwalają nam te parametry przybliżyć.
\[
X_1, X_2, \ldots, X_n \]
Powyższy zapis oznacza próbę losową o liczebności \(n\). Poszczególne obserwacje \(X_1, X_2, \ldots, X_n\) są traktowane jako zmienne losowe. Dopiero po przeprowadzeniu badania przyjmują one konkretne wartości liczbowe:
\[
x_1, x_2, \ldots, x_n \]
Różnica między tymi dwoma zapisami jest bardzo istotna. Wielkie litery odnoszą się do teoretycznego, losowego mechanizmu pobierania próby, a małe litery do faktycznie zaobserwanych danych.
Populacja, próba, parametr i statystyka z próby
Pojęcie
Znaczenie
Populacja
Cała zbiorowość jednostek, o której chcemy uzyskać informację.
Jednostka statystyczna
Pojedynczy element populacji, na przykład osoba, gospodarstwo domowe, firma, produkt lub transakcja.
Próba
Część populacji poddana badaniu.
Parametr populacji
Nieznana wartość liczbowa opisująca populację lub jej rozkład.
Statystyka z próby
Wielkość obliczona wyłącznie na podstawie obserwacji z próby.
Estymator
Statystyka z próby używana do szacowania określonego parametru populacji.
Parametry populacji najczęściej oznacza się literami greckimi. Przykładowo:
Symbol \(\mu\) oznacza średnią populacji, \(\sigma^2\) wariancję populacji, a \(p\) udział lub prawdopodobieństwo wystąpienia określonego zjawiska. Wartości te są z reguły nieznane i właśnie dlatego wymagają oszacowania.
Najważniejsza idea
Parametr opisuje populację, natomiast estymator jest obliczany z próby. Estymator ma być narzędziem prowadzącym od danych częściowych do możliwie wiarygodnego wniosku o całości.
Estymator a oszacowanie
W języku potocznym pojęcia estymator i oszacowanie bywają stosowane zamiennie. W statystyce matematycznej oznaczają jednak dwie różne rzeczy.
Estymator jest funkcją zmiennych losowych tworzących próbę.
Oszacowanie jest konkretną wartością liczbową otrzymaną po podstawieniu rzeczywistych danych do wzoru estymatora.
Jeżeli \(\theta\) oznacza nieznany parametr populacji, to estymator tego parametru można ogólnie zapisać jako:
\[
\hat{\theta}=T(X_1,X_2,\ldots,X_n)
\]
Symbol \(\hat{\theta}\) czytamy jako „theta z daszkiem”. Estymator jest zmienną losową, ponieważ jego wartość zależy od tego, jaka próba została wylosowana. Gdy po badaniu podstawimy za \(X_1, X_2, \ldots, X_n\) konkretne obserwacje \(x_1, x_2, \ldots, x_n\), otrzymamy oszacowanie parametru:
\[
\hat{\theta}=T(x_1,x_2,\ldots,x_n)
\]
W teorii estymacji interesuje nas więc nie tylko konkretna liczba otrzymana z jednej próby. Równie ważne jest to, jak estymator zachowywałby się przy wielokrotnym losowaniu różnych prób z tej samej populacji.
Estymacja punktowa i przedziałowa
Estymacja punktowa polega na podaniu jednej wartości jako przybliżenia nieznanego parametru. Taką rolę pełni oszacowanie \(\hat{\theta}\).
Jedna liczba nie pokazuje jednak, jak duża jest niepewność związana z losowym doborem próby. Dlatego stosuje się także estymację przedziałową. Jej wynikiem jest przedział ufności, czyli zakres wartości wyznaczony na podstawie danych, przyjętego poziomu ufności oraz oszacowanej zmienności estymatora.
W praktyce szerokość przedziału ufności zależy przede wszystkim od liczebności próby, zróżnicowania danych oraz poziomu ufności. Szczegółowe metody budowania przedziałów ufności dla konkretnych parametrów wymagają odrębnego omówienia.
Metody wyznaczania estymatorów
W prostych sytuacjach wybór estymatora wydaje się naturalny. W bardziej zaawansowanych modelach potrzebujemy ogólnych metod, które pozwalają wyprowadzić estymator na podstawie założeń dotyczących rozkładu danych.
Do najważniejszych klasycznych metod należą:
metoda momentów,
metoda największej wiarygodności,
metoda najmniejszych kwadratów, szczególnie ważna w regresji i ekonometrii.
Dwie pierwsze metody są podstawowymi narzędziami teorii estymacji parametrów rozkładów prawdopodobieństwa.
Metoda momentów
Metoda momentów polega na przyrównaniu momentów teoretycznych rozkładu do odpowiadających im momentów empirycznych obliczonych z próby.
Moment pierwszy zwykły rozkładu jest wartością oczekiwaną:
\[
m_1=E(X)
\]
Jego odpowiednikiem empirycznym jest średnia z próby:
\[
\overline{X}=\frac{1}{n}\sum_{i=1}^{n}X_i
\]
Jeżeli model ma jeden nieznany parametr, często wystarcza przyrównanie pierwszego momentu teoretycznego do pierwszego momentu empirycznego. Przy większej liczbie parametrów wykorzystuje się odpowiednio więcej momentów.
Przykład: rozkład wykładniczy
Załóżmy, że zmienna losowa \(X\) ma rozkład wykładniczy z parametrem intensywności \(\lambda>0\). Dla tego rozkładu:
\[
E(X)=\frac{1}{\lambda}
\]
W metodzie momentów przyrównujemy wartość oczekiwaną do średniej z próby:
\[
\overline{X}=\frac{1}{\lambda}
\]
Po rozwiązaniu równania względem \(\lambda\) otrzymujemy estymator momentów:
\[
\hat{\lambda}_{MM}=\frac{1}{\overline{X}}
\]
Metoda momentów jest zwykle prosta obliczeniowo i intuicyjna. Nie zawsze prowadzi jednak do estymatora o najlepszych możliwych własnościach.
Metoda największej wiarygodności
Metoda największej wiarygodności polega na wyborze takiej wartości parametru, przy której faktycznie zaobserwowana próba jest najbardziej prawdopodobna w ramach przyjętego modelu statystycznego.
Jeżeli obserwacje są niezależne, a ich funkcję gęstości lub funkcję prawdopodobieństwa oznaczymy przez \(f(x;\theta)\), funkcja wiarygodności ma postać:
\[
L(\theta)=\prod_{i=1}^{n}f(x_i;\theta)
\]
Nie należy interpretować funkcji wiarygodności jako rozkładu prawdopodobieństwa parametru. Parametr \(\theta\) pozostaje tutaj ustaloną, choć nieznaną wartością. Funkcja wiarygodności pokazuje natomiast, które wartości parametru lepiej lub gorzej wyjaśniają zaobserwowane dane.
Przykład: rozkład wykładniczy
Dla rozkładu wykładniczego o parametrze \(\lambda\) funkcja gęstości wynosi:
W tym konkretnym modelu metoda momentów i metoda największej wiarygodności prowadzą do tego samego estymatora. Nie jest to jednak regułą ogólną. W innych modelach obie metody mogą dawać różne wyniki.
Własności dobrego estymatora
Nie wystarczy, aby estymator dawał wynik łatwy do obliczenia. W teorii estymacji analizuje się, czy jego zachowanie jest pożądane przy wielokrotnym losowaniu prób. Najważniejsze własności dotyczą obciążenia, zmienności, zgodności i efektywności.
Nieobciążoność
Estymator \(\hat{\theta}\) parametru \(\theta\) jest nieobciążony, gdy jego wartość oczekiwana jest równa rzeczywistemu parametrowi:
\[
E(\hat{\theta})=\theta
\]
Oznacza to, że gdybyśmy bardzo wiele razy losowali próbę o tej samej liczebności i za każdym razem wyznaczali oszacowanie, średnia z otrzymanych oszacowań byłaby równa rzeczywistej wartości parametru.
Jeżeli wartość oczekiwana estymatora nie jest równa parametrowi, mówimy o obciążeniu estymatora:
\[
B(\hat{\theta})=E(\hat{\theta})-\theta
\]
Nieobciążoność jest ważną cechą, ale nie przesądza o tym, że estymator jest najlepszy. Estymator może być nieobciążony, lecz bardzo zmienny między kolejnymi próbami.
Wariancja i błąd standardowy estymatora
Wariancja estymatora opisuje, jak silnie jego wartości różnią się między próbami. Im mniejsza wariancja, tym bardziej stabilne są oszacowania.
\[
Var(\hat{\theta})
\]
Pierwiastek z wariancji estymatora nazywa się błędem standardowym:
\[
SE(\hat{\theta})=\sqrt{Var(\hat{\theta})}
\]
W praktyce prawdziwa wariancja estymatora jest zwykle nieznana, dlatego zastępuje się ją jej oszacowaniem uzyskanym z próby. Błąd standardowy ma zasadnicze znaczenie przy budowaniu przedziałów ufności i przeprowadzaniu testów statystycznych.
Średni błąd kwadratowy
Do całościowej oceny dokładności estymatora wykorzystuje się średni błąd kwadratowy, oznaczany skrótem MSE:
Wzór pokazuje, że dokładność estymatora zależy zarówno od jego przeciętnego przesunięcia względem parametru, jak i od jego losowej zmienności. Czasem niewielkie obciążenie może być akceptowalne, jeżeli prowadzi do wyraźnego zmniejszenia wariancji i w rezultacie do mniejszego MSE.
Zgodność
Estymator \(\hat{\theta}_n\) nazywamy zgodnym, jeżeli wraz ze wzrostem liczebności próby zbliża się on do prawdziwego parametru populacji:
\[
\hat{\theta}_n\xrightarrow{P}\theta
\]
Symbol \(\xrightarrow{P}\) oznacza zbieżność według prawdopodobieństwa. Intuicyjnie mówi ona, że przy dużych próbach prawdopodobieństwo popełnienia dużego błędu staje się coraz mniejsze.
Zgodność jest własnością asymptotyczną. Nie oznacza, że dla każdej małej próby wynik będzie bliski prawdziwemu parametrowi. Oznacza natomiast, że wraz ze wzrostem liczebności próby estymator coraz lepiej wykorzystuje zawartą w danych informację.
Asymptotyczna nieobciążoność i asymptotyczna normalność
Estymator może być obciążony w małych próbach, ale wraz ze wzrostem \(n\) jego obciążenie może zanikać. Mówimy wtedy, że jest asymptotycznie nieobciążony:
\[
\lim_{n\to\infty}B(\hat{\theta}_n)=0
\]
W wielu modelach ważna jest również asymptotyczna normalność. Oznacza ona, że po odpowiednim przeskalowaniu rozkład estymatora zbliża się do rozkładu normalnego. Ta własność stanowi jedno z teoretycznych uzasadnień budowania przedziałów ufności oraz testowania hipotez przy odpowiednio dużych próbach.
Efektywność
W uproszczeniu estymator jest efektywny, gdy spośród porównywanych estymatorów tego samego parametru zapewnia dużą precyzję, czyli ma małą wariancję. Jeżeli dwa estymatory są nieobciążone, zwykle preferuje się ten, którego wariancja jest mniejsza.
W bardziej zaawansowanej teorii statystyki efektywność wiąże się między innymi z dolnym ograniczeniem Craméra – Rao, które określa granicę możliwej wariancji nieobciążonego estymatora w danym modelu.
Wystarczalność
Statystyka jest wystarczająca dla parametru \(\theta\), jeżeli zawiera całą informację o tym parametrze dostępną w badanej próbie. Jest to pojęcie bardziej zaawansowane, ale ważne przy konstruowaniu dobrych estymatorów i redukowaniu danych do najistotniejszych wielkości.
Jak wykazuje się zgodność estymatora?
Zgodność nie jest oceną opartą na jednej konkretnej próbie. Jest własnością teoretyczną estymatora, którą wykazuje się na podstawie jego rozkładu, wartości oczekiwanej i wariancji albo korzystając z odpowiednich twierdzeń rachunku prawdopodobieństwa.
Dobrym przykładem jest estymator proporcji. Załóżmy, że \(X_i\) przyjmuje wartość \(1\), gdy u \(i\)-tej jednostki występuje badana cecha, oraz \(0\), gdy jej nie ma. Wtedy:
\[
X_i\sim Bernoulli(p)
\]
Naturalnym estymatorem parametru \(p\) jest średnia z takich zmiennych, czyli proporcja jednostek posiadających badaną cechę:
Dla dowolnie ustalonego \(\varepsilon>0\) prawa strona tego wyrażenia dąży do zera, gdy \(n\) rośnie. Oznacza to, że prawdopodobieństwo dużego odchylenia estymatora od rzeczywistego parametru maleje wraz z liczebnością próby. W ten sposób wykazuje się zgodność estymatora \(\hat{p}\).
Ważne rozróżnienie
Nie można „sprawdzić zgodności” na podstawie jednego wyniku badania, ponieważ prawdziwy parametr populacji zazwyczaj pozostaje nieznany. Zgodność jest własnością wzoru estymatora oraz modelu probabilistycznego, a nie pojedynczej liczby uzyskanej z konkretnej próby.
Jakość próby a jakość estymacji
Nawet najlepszy teoretycznie estymator nie zagwarantuje wiarygodnego wyniku, jeżeli próba została dobrana wadliwie. Teoria estymacji opisuje przede wszystkim niepewność wynikającą z losowego doboru próby. Nie eliminuje natomiast błędów systematycznych powstałych na wcześniejszym etapie badania.
Próba może być zbyt mała, aby zapewnić dostateczną precyzję.
Badanie może pomijać część populacji, na przykład osoby niekorzystające z określonego kanału komunikacji.
Respondenci mogą odmawiać odpowiedzi lub udzielać odpowiedzi niezgodnych z prawdą.
Pytania mogą być sformułowane w sposób sugerujący odpowiedź.
Obserwacje mogą nie być niezależne, mimo że zastosowany model tego wymaga.
Dlatego poprawna estymacja wymaga jednocześnie dobrego modelu statystycznego, właściwego estymatora oraz prawidłowo zaprojektowanego badania.
Najczęściej estymowane parametry
W zastosowaniach dydaktycznych i praktycznych szczególnie często estymuje się trzy grupy parametrów:
miary położenia, przede wszystkim średnią populacji,
miary zróżnicowania, takie jak wariancja i odchylenie standardowe populacji,
wskaźniki struktury, czyli proporcje i udziały określonych kategorii w populacji.
Każdy z tych przypadków ma własne założenia, estymatory oraz procedury budowania przedziałów ufności. Właśnie dlatego szczegółowe obliczenia dla tych parametrów warto omawiać w oddzielnych materiałach.
Podsumowanie
Estymacja statystyczna umożliwia przechodzenie od danych z próby do wniosków o całej populacji. Jej podstawowymi pojęciami są populacja, próba, parametr, statystyka z próby, estymator i oszacowanie.
Estymator jest funkcją obserwacji z próby, a oszacowanie jest konkretną wartością otrzymaną po przeprowadzeniu badania.
Estymacja punktowa podaje jedną wartość parametru, natomiast estymacja przedziałowa uwzględnia niepewność oszacowania.
Metoda momentów oraz metoda największej wiarygodności należą do najważniejszych metod konstruowania estymatorów.
Dobry estymator powinien być możliwie precyzyjny, a jego najważniejsze własności to nieobciążoność, zgodność, mała wariancja i efektywność.
Wynik estymacji zależy nie tylko od użytego wzoru, lecz także od jakości próby i zasadności przyjętego modelu statystycznego.
Utworzono: 21.06.2026
Programowanie matematyczne i programowanie liniowe — modele, metody i zastosowania
Mgr inż.
Sebastian Dziarmaga-Działyński
Wirtualna kancelaria korepetytorska i konsultacyjna – wszechwiedza.pl
Programowanie matematyczne to dział optymalizacji, który pomaga podejmować najlepsze decyzje w warunkach ograniczonych zasobów. Programowanie liniowe jest jego klasycznym i bardzo ważnym przypadkiem: opisuje sytuacje, w których funkcja celu oraz warunki ograniczające mają postać liniową. Dzięki takim modelom można planować produkcję, transport, przydziały, wykorzystanie zasobów, strukturę kosztów i wiele innych procesów decyzyjnych.
Programowanie matematyczne jest działem matematyki stosowanej i badań operacyjnych, którego celem jest znalezienie najlepszego wariantu decyzji spośród wielu wariantów dopuszczalnych. Słowo „programowanie” nie oznacza tutaj pisania kodu komputerowego. Chodzi o planowanie działań, dobór decyzji i optymalne wykorzystanie dostępnych zasobów.
W typowym problemie decyzyjnym mamy ograniczone zasoby: czas pracy, materiały, budżet, powierzchnię magazynową, liczbę pojazdów, moc produkcyjną albo liczbę dostępnych pracowników. Jednocześnie chcemy osiągnąć określony cel, na przykład:
maksymalizować zysk, przychód lub efektywność,
minimalizować koszt, czas, zużycie paliwa albo emisję,
ograniczać liczbę opóźnień, braków lub niewykorzystanych zasobów,
znaleźć najlepszy podział dostępnych środków między różne działania,
zaplanować produkcję przy ograniczonej dostępności materiałów i maszyn.
Model programowania matematycznego przekłada problem praktyczny na język matematyki. Najpierw określamy decyzje, które należy podjąć. Następnie zapisujemy cel oraz ograniczenia. Na końcu korzystamy z odpowiedniej metody rozwiązania, aby wskazać wariant najlepszy.
Istota optymalizacji
Nie wystarczy wskazać rozwiązanie, które „wydaje się dobre”. Programowanie matematyczne ma prowadzić do rozwiązania najlepszego według przyjętego kryterium, przy jednoczesnym spełnieniu wszystkich warunków ograniczających.
Krótka historia programowania liniowego
Korzenie programowania matematycznego sięgają wcześniejszych badań nad optymalizacją, geometrią wypukłą oraz teorią nierówności. Dynamiczny rozwój programowania liniowego nastąpił jednak w pierwszej połowie XX wieku, zwłaszcza w związku z problemami planowania gospodarczego, logistyki i wykorzystania zasobów.
Ważną postacią był Leonid Kantorowicz, który już pod koniec lat trzydziestych XX wieku analizował problemy racjonalnego wykorzystania zasobów produkcyjnych. Po II wojnie światowej potrzeby planowania transportu, zaopatrzenia, produkcji i działań wojskowych przyczyniły się do intensywnego rozwoju metod optymalizacyjnych.
Kluczowym momentem było opracowanie przez George’a Dantziga metody simpleks w 1947 roku. Metoda ta umożliwiła skuteczne rozwiązywanie dużych modeli liniowych i stała się jednym z fundamentów nowoczesnych badań operacyjnych. Rozwój komputerów sprawił później, że programowanie liniowe przestało być wyłącznie narzędziem teoretycznym i znalazło zastosowanie w przedsiębiorstwach, administracji, logistyce, finansach, energetyce i wielu innych dziedzinach.
Obecnie klasyczne algorytmy programowania liniowego są wbudowane w liczne systemy optymalizacyjne. Użytkownik często nie musi sam wykonywać wszystkich rachunków, ale nadal musi poprawnie sformułować model, zinterpretować wynik i ocenić, czy przyjęte założenia odpowiadają rzeczywistości.
Czym jest programowanie liniowe?
Programowanie liniowe jest szczególnym przypadkiem programowania matematycznego. W modelu liniowym zarówno funkcja celu, jak i warunki ograniczające są funkcjami liniowymi zmiennych decyzyjnych.
Oznacza to, że w modelu nie pojawiają się między innymi iloczyny zmiennych decyzyjnych, ich potęgi większe od pierwszej, pierwiastki, funkcje trygonometryczne ani inne zależności nieliniowe. Dopuszczalne są natomiast stałe współczynniki przy zmiennych oraz sumy i różnice zmiennych.
\[
Z=12x_1+8x_2+15x_3
\]
Powyższa funkcja celu jest liniowa. Zmienna \(x_1\), \(x_2\) albo \(x_3\) występuje tylko w pierwszej potędze, a jej współczynnik jest stały.
\[
Z=12x_1+8x_2^2
\]
Taka funkcja nie jest liniowa, ponieważ występuje w niej kwadrat zmiennej \(x_2\). Podobnie nieliniowy byłby wyraz \(x_1x_2\), ponieważ oznacza iloczyn dwóch zmiennych decyzyjnych.
Modele liniowe są szczególnie ważne, ponieważ mają przejrzystą interpretację ekonomiczną i techniczną, a jednocześnie można je efektywnie rozwiązywać nawet przy bardzo dużej liczbie zmiennych i ograniczeń.
Podstawowe elementy modelu
Każdy model programowania liniowego składa się z kilku podstawowych części. Ich poprawne rozróżnienie jest najważniejszym etapem budowy modelu.
Elementy modelu programowania liniowego
Element
Znaczenie
Przykład interpretacji
Zmienne decyzyjne
Wielkości, których wartości mają zostać wyznaczone.
Liczba wyprodukowanych wyrobów, liczba kursów, ilość surowca przeznaczonego do danego procesu.
Funkcja celu
Wyraża cel decydenta: maksymalizację albo minimalizację określonej wielkości.
Maksymalizacja zysku albo minimalizacja kosztu transportu.
Warunki ograniczające
Opisują zasoby, wymagania, limity oraz zależności między decyzjami.
Dane wejściowe, które uznajemy za znane przy budowie modelu.
Cena jednostkowa, dostępny czas pracy, zapas materiału, koszt przewozu.
Zmienne decyzyjne
Zmienne decyzyjne opisują wybory, których wartości nie są znane przed rozwiązaniem modelu. Jeżeli przedsiębiorstwo produkuje dwa wyroby, możemy przyjąć:
\[
x_1=\text{liczba jednostek wyrobu A} \]
\[
x_2=\text{liczba jednostek wyrobu B} \]
Po rozwiązaniu modelu wartości \(x_1\) i \(x_2\) powiedzą, ile jednostek każdego wyrobu należy zaplanować.
Funkcja celu
Funkcja celu opisuje wielkość, którą chcemy maksymalizować albo minimalizować. Jeżeli zysk jednostkowy ze sprzedaży wyrobu A wynosi 30 zł, a wyrobu B wynosi 20 zł, funkcję celu można zapisać następująco:
\[
\max Z=30x_1+20x_2
\]
Model nie mówi jeszcze, jakie wartości powinny przyjąć \(x_1\) i \(x_2\). Określa jedynie, według jakiego kryterium oceniane będą warianty decyzji.
Warunki ograniczające
Warunki ograniczające opisują ograniczenia rzeczywistego problemu. Mogą wynikać z dostępności surowców, czasu pracy, mocy maszyn, zapotrzebowania odbiorców, wymogów technologicznych, limitów budżetowych albo warunków prawnych.
Jeżeli wytworzenie jednostki A wymaga 2 godzin pracy maszyny, a jednostki B wymaga 3 godzin, przy dostępności 120 godzin, otrzymujemy ograniczenie:
\[
2x_1+3x_2\leq120
\]
Wyrażenie po lewej stronie oznacza całkowite zużycie czasu maszyny. Nie może ono przekroczyć liczby godzin dostępnych po prawej stronie.
Ogólny model programowania liniowego
Ogólny model programowania liniowego można zapisać w postaci maksymalizacyjnej albo minimalizacyjnej.
\(c_j\) oznacza współczynnik funkcji celu przy zmiennej \(x_j\),
\(a_{ij}\) oznacza współczynnik przy zmiennej \(x_j\) w \(i\)-tym ograniczeniu,
\(b_i\) oznacza prawą stronę \(i\)-tego ograniczenia,
\(m\) oznacza liczbę ograniczeń,
\(n\) oznacza liczbę zmiennych decyzyjnych.
Co oznacza współczynnik \(a_{ij}\)?
Współczynnik \(a_{ij}\) pokazuje, w jakim stopniu realizacja jednej jednostki decyzji \(x_j\) wpływa na \(i\)-te ograniczenie. Może oznaczać na przykład zużycie konkretnego materiału, czas pracy maszyny, koszt jednostkowy albo zapotrzebowanie na energię.
Założenia programowania liniowego
Model liniowy jest użyteczny wtedy, gdy przyjęte uproszczenia są rozsądne w odniesieniu do analizowanego problemu. Klasyczne programowanie liniowe opiera się na kilku ważnych założeniach.
Najważniejsze założenia klasycznego programu liniowego
Założenie
Znaczenie praktyczne
Proporcjonalność
Wkład każdej zmiennej do funkcji celu i ograniczeń jest proporcjonalny do jej wartości. Dwukrotnie większa produkcja oznacza dwukrotnie większe zużycie danego zasobu.
Addytywność
Łączny efekt jest sumą efektów poszczególnych decyzji. Nie występują dodatkowe interakcje typu „produkcja A zmienia koszt jednostkowy produkcji B”.
Podzielność
Zmienne mogą przyjmować wartości ułamkowe, chyba że model wyraźnie wymaga wartości całkowitych.
Pewność parametrów
Współczynniki modelu uznaje się za znane i stałe w rozpatrywanym okresie.
Nieujemność
W wielu zastosowaniach wartości zmiennych nie mogą być ujemne, na przykład liczba produktów lub liczba kursów.
Założenia te nie oznaczają, że model zawsze idealnie odwzorowuje rzeczywistość. Model jest celowym uproszczeniem. Jego wartość zależy od tego, czy uproszczenie pozwala podejmować lepsze decyzje niż działanie wyłącznie intuicyjne.
Jeżeli decyzje muszą mieć charakter całkowity, na przykład liczba pojazdów, osób albo maszyn, klasyczne programowanie liniowe należy rozszerzyć o warunki całkowitoliczbowości. Wtedy otrzymujemy model programowania całkowitoliczbowego albo mieszanego.
Rodzaje warunków ograniczających
Warunki ograniczające nie zawsze oznaczają wyłącznie niedobór zasobów. Mogą opisywać również wymagania minimalne, równowagę przepływów, zależności technologiczne i limity poszczególnych decyzji.
Najczęściej spotykane typy ograniczeń
Typ ograniczenia
Postać
Przykładowa interpretacja
Zasobowe
\(2x_1+3x_2\leq120\)
Łączne zużycie czasu maszyny nie może przekroczyć 120 godzin.
Minimalnego wymogu
\(x_1+x_2\geq500\)
Łączna produkcja musi wynieść co najmniej 500 jednostek.
Bilansowe
\(x_1+x_2=x_3\)
Łączny dopływ musi być równy odpływowi albo produkcja musi pokryć zapotrzebowanie.
Górnego limitu
\(x_1\leq80\)
Produkcja wyrobu A nie może przekroczyć zdolności sprzedażowej lub technicznej.
Dolnego limitu
\(x_2\geq20\)
Należy utrzymać minimalny poziom realizacji danego działania.
Proporcji
\(x_1\leq2x_2\)
Produkcja A nie może być większa niż dwukrotność produkcji B.
W praktyce poprawne sformułowanie ograniczeń bywa trudniejsze niż samo rozwiązanie modelu. Należy pilnować, aby lewa i prawa strona nierówności opisywały wielkości porównywalne, wyrażone w zgodnych jednostkach.
Zbiór rozwiązań dopuszczalnych i rozwiązanie optymalne
Rozwiązaniem dopuszczalnym nazywamy taki zestaw wartości zmiennych decyzyjnych, który spełnia wszystkie warunki ograniczające oraz warunki brzegowe. Zbiór wszystkich rozwiązań dopuszczalnych tworzy obszar, w którym możemy poszukiwać optimum.
W programowaniu liniowym zbiór rozwiązań dopuszczalnych ma postać zbioru wypukłego. W przypadku dwóch zmiennych można go przedstawić na płaszczyźnie jako wielokąt lub obszar nieograniczony. Właśnie na tej własności opiera się metoda graficzna programowania liniowego.
W klasycznym problemie liniowym, jeśli istnieje rozwiązanie optymalne i zbiór rozwiązań jest ograniczony, optimum można znaleźć w jednym z wierzchołków zbioru dopuszczalnego. Metoda simpleks wykorzystuje tę własność, przechodząc od jednego rozwiązania bazowego do kolejnego w taki sposób, aby poprawiać wartość funkcji celu.
Możliwe sytuacje w programowaniu liniowym
Sytuacja
Znaczenie
Jedno rozwiązanie optymalne
Istnieje jeden najlepszy wariant decyzji.
Wiele rozwiązań optymalnych
Różne rozwiązania dopuszczalne dają tę samą najlepszą wartość funkcji celu.
Brak rozwiązania dopuszczalnego
Ograniczenia są ze sobą sprzeczne i nie istnieje wariant spełniający wszystkie warunki.
Funkcja celu nieograniczona
Można poprawiać wartość celu bez końca, nie naruszając ograniczeń.
Rozwiązanie zdegenerowane
Jedno lub więcej zmiennych bazowych przyjmuje wartość zero; może to wymagać ostrożności podczas obliczeń metodą simpleks.
Postać ogólna, kanoniczna i standardowa
W podręcznikach można spotkać nieco różne definicje postaci ogólnej, kanonicznej i standardowej. Warto więc przede wszystkim rozumieć sens przekształceń, a nie zapamiętywać wyłącznie nazwę używaną przez konkretnego autora.
Postać ogólna
W postaci ogólnej model może zawierać zarówno nierówności \(\leq\), jak i \(\geq\), równości oraz różne warunki brzegowe. Jest to forma najbliższa opisowi rzeczywistego problemu.
Do nierówności typu \(\leq\) dodaje się zmienną luzu. Pokazuje ona niewykorzystaną część danego zasobu.
\[
2x_1+x_2\leq20
\]
Po dodaniu zmiennej luzu \(s_1\geq0\):
\[
2x_1+x_2+s_1=20
\]
Jeżeli rozwiązanie końcowe daje \(s_1=4\), oznacza to, że z dostępnych 20 jednostek zasobu wykorzystano tylko 16.
Przekształcanie nierówności \(\geq\)
Od nierówności typu \(\geq\) odejmuje się zmienną nadwyżki. Sama zmienna nadwyżki zwykle nie tworzy jednak wygodnej bazy początkowej dla metody simpleks, dlatego często pojawia się również zmienna sztuczna.
\[
x_1+3x_2\geq15
\]
Po odjęciu zmiennej nadwyżki \(s_2\geq0\):
\[
x_1+3x_2-s_2=15
\]
W metodzie simpleks można wtedy użyć zmiennych sztucznych oraz metody dwóch faz albo metody wielkiej kary. Te techniki pozwalają rozpocząć obliczenia od dopuszczalnego rozwiązania bazowego.
Zmienne bez ograniczenia znaku
Jeżeli zmienna może przyjmować wartości dodatnie i ujemne, można zapisać ją jako różnicę dwóch zmiennych nieujemnych:
\[
x_j=x_j^{+}-x_j^{-}
\]
przy czym:
\[
x_j^{+}\geq0,
\qquad
x_j^{-}\geq0
\]
Takie przekształcenie pozwala zapisać model w formie wygodnej dla standardowych algorytmów liniowych.
Dlaczego stosuje się postać standardową?
Algorytmy takie jak metoda simpleks działają najwygodniej, gdy ograniczenia mają postać równań, a zmienne spełniają warunek nieujemności. Przekształcenia nie zmieniają sensu ekonomicznego modelu, lecz przygotowują go do rozwiązania określoną metodą.
Zapis macierzowy modelu
W większych modelach zapis rozwinięty byłby nieczytelny. Dlatego programowanie liniowe często zapisuje się z wykorzystaniem macierzy i wektorów.
Wtedy typowy model maksymalizacyjny można zapisać zwięźle:
\[
\max\ c^Tx
\]
przy ograniczeniach:
\[
Ax\leq b,
\qquad
x\geq0
\]
W postaci standardowej ograniczenia zapisuje się zwykle jako:
\[
Ax=b,
\qquad
x\geq0
\]
Zapis macierzowy jest szczególnie przydatny przy analizie dualności, metodach numerycznych, implementacji komputerowej oraz opisie dużych modeli logistycznych i produkcyjnych.
Metody rozwiązywania programów liniowych
Wybór metody zależy przede wszystkim od wielkości modelu, jego struktury i celu analizy. Dla bardzo prostych modeli można wykonać obliczenia ręcznie. Dla modeli rzeczywistych, obejmujących setki lub tysiące zmiennych, stosuje się oprogramowanie optymalizacyjne.
Podstawowe metody rozwiązywania modeli liniowych
Metoda
Zastosowanie
Charakterystyka
Metoda graficzna
Modele z dwiema zmiennymi decyzyjnymi.
Pozwala zobaczyć zbiór rozwiązań dopuszczalnych, wierzchołki i kierunek poprawy funkcji celu.
Metoda simpleks
Ogólne modele liniowe.
Przechodzi między rozwiązaniami bazowymi, poprawiając wartość funkcji celu.
Metoda dwóch faz
Modele z ograniczeniami \(\geq\) i równościami.
Umożliwia znalezienie dopuszczalnej bazy początkowej z wykorzystaniem zmiennych sztucznych.
Metoda wielkiej kary
Modele wymagające zmiennych sztucznych.
Wprowadza wysoką karę za pozostawienie zmiennej sztucznej w rozwiązaniu końcowym.
Metody punktów wewnętrznych
Duże modele komputerowe.
Poszukują rozwiązania przez wnętrze zbioru dopuszczalnego, a nie wyłącznie przez jego wierzchołki.
Solvery i pakiety optymalizacyjne
Modele praktyczne.
Automatyzują obliczenia, ale wymagają poprawnego sformułowania i interpretacji modelu.
Dla modeli z dwiema zmiennymi warto poznać metodę graficzną. Pozwala ona intuicyjnie zrozumieć pojęcie zbioru dopuszczalnego, wierzchołka i rozwiązania optymalnego.
Najważniejszą klasyczną metodą ogólną jest metoda simpleks. Jest ona podstawą wielu podręcznikowych obliczeń i pozwala rozwiązywać modele o dowolnej liczbie zmiennych decyzyjnych.
Szczególne modele programowania liniowego
Niektóre klasy problemów mają tak charakterystyczną strukturę, że opracowano dla nich wyspecjalizowane algorytmy. Są one nadal modelami liniowymi albo ściśle związanymi z programowaniem liniowym, ale ich szczególna budowa pozwala rozwiązywać je sprawniej niż za pomocą całkowicie ogólnego podejścia.
Zagadnienie transportowe
Zagadnienie transportowe służy do wyznaczania optymalnego planu przewozu dóbr od dostawców do odbiorców. Celem jest zwykle minimalizacja łącznego kosztu transportu przy zachowaniu podaży każdego dostawcy i popytu każdego odbiorcy.
Model transportowy ma strukturę macierzową: dostawcy są zwykle zapisywani w wierszach, odbiorcy w kolumnach, a komórki opisują wielkości przewozów. Szczegółowe omówienie metod początkowych i metody potencjałów w zagadnieniu transportowym znajduje się w osobnym artykule.
Zagadnienie przydziału
Zagadnienie przydziału polega na przypisaniu wykonawców do zadań w taki sposób, aby każdy wykonawca otrzymał jedno zadanie, każde zadanie zostało wykonane przez jednego wykonawcę, a łączny koszt był minimalny albo łączna korzyść maksymalna.
Jest ono szczególnym przypadkiem zagadnienia transportowego, w którym podaż każdego wykonawcy i popyt każdego zadania wynoszą 1. Do jego rozwiązywania stosuje się między innymi algorytm węgierski dla zagadnienia przydziału.
Problemy mieszanki i planowania produkcji
W problemach mieszanki określa się, ile składników należy wykorzystać, aby osiągnąć wymagane parametry produktu przy minimalnym koszcie. W planowaniu produkcji wyznacza się natomiast wielkości produkcji poszczególnych wyrobów przy ograniczonych zasobach materiałowych, maszynowych i kadrowych.
Takie modele są klasycznymi przykładami programowania liniowego: zmienne decyzyjne opisują ilości produktów albo składników, funkcja celu wyraża zysk lub koszt, a ograniczenia wynikają z dostępnych zasobów i wymagań jakościowych.
Przepływy w sieciach
Modele sieciowe opisują przepływ dóbr, informacji, osób lub energii przez sieć połączeń. Mogą dotyczyć minimalnego kosztu przepływu, maksymalnego przepływu, najkrótszej ścieżki albo planowania tras. Wiele z nich można traktować jako szczególne przypadki programowania liniowego, wykorzystujące strukturę grafu.
Dualność w programowaniu liniowym
Każdemu programowi liniowemu można przypisać drugi, powiązany z nim model: zadanie dualne. Pierwotny model nazywa się zadaniem prymalnym. Dualność pozwala spojrzeć na ten sam problem z dwóch stron: na przykład z perspektywy planu produkcyjnego oraz z perspektywy wyceny zasobów.
W wielu zastosowaniach zmienne dualne interpretuje się jako ceny dualne lub ceny cienia. Pokazują one, jak zmieniłaby się optymalna wartość funkcji celu po niewielkim zwiększeniu dostępności danego zasobu.
Dualność nie jest tylko formalnym przekształceniem wzorów. Pozwala interpretować wartość ograniczonych zasobów, analizować wrażliwość rozwiązania oraz lepiej rozumieć strukturę problemu decyzyjnego.
Co znajduje się poza programowaniem liniowym?
Programowanie liniowe jest bardzo ważne, ale nie obejmuje wszystkich problemów optymalizacyjnych. Rzeczywiste decyzje mogą wymagać dodatkowych ograniczeń lub uwzględnienia niepewności, nieliniowości albo kolejności decyzji w czasie.
Wybrane dziedziny programowania matematycznego
Rodzaj modelu
Charakterystyka
Przykład
Programowanie całkowitoliczbowe
Niektóre lub wszystkie zmienne muszą przyjmować wartości całkowite.
Liczba samochodów, pracowników, maszyn lub otwartych magazynów.
Programowanie binarne
Zmienne przyjmują wyłącznie wartości 0 albo 1.
Wybór projektu, otwarcie lokalizacji, przydział zadania.
Programowanie mieszane
Część zmiennych jest ciągła, a część całkowita lub binarna.
Plan produkcji z decyzją o uruchomieniu maszyny.
Programowanie nieliniowe
Funkcja celu lub ograniczenia zawierają zależności nieliniowe.
Modele z efektami skali, funkcjami ryzyka lub iloczynami zmiennych.
Programowanie stochastyczne
Uwzględnia niepewność parametrów, scenariusze i ryzyko.
Planowanie zapasów przy niepewnym popycie.
Programowanie dynamiczne
Opisuje decyzje podejmowane w kolejnych okresach.
Planowanie zapasów, trasy wieloetapowe, harmonogram inwestycji.
W ramach badań operacyjnych analizuje się również zagadnienia, które nie są klasycznymi programami liniowymi. Należą do nich między innymi modele zapasów, symulacja, analiza sieciowa i teoria kolejek. Przykładem jest teoria kolejek i modele obsługi masowej, które pomagają analizować średni czas oczekiwania, liczbę klientów w kolejce oraz wykorzystanie stanowisk obsługi.
Praktyczny schemat budowy modelu
Rozwiązanie rachunkowe ma sens tylko wtedy, gdy model poprawnie opisuje problem. Dlatego budowę programu liniowego warto prowadzić według uporządkowanego schematu.
Jak zbudować model programowania liniowego?
Określ problem decyzyjny. Ustal, co ma zostać zaplanowane lub wybrane.
Zdefiniuj zmienne decyzyjne. Opisz każdą zmienną słowami i podaj jej jednostkę.
Wybierz funkcję celu. Zdecyduj, czy maksymalizujesz, czy minimalizujesz określoną wielkość.
Wypisz ograniczenia. Uwzględnij zasoby, wymagania minimalne, limity oraz zależności technologiczne.
Dodaj warunki brzegowe. Określ nieujemność, całkowitoliczbowość albo inne ograniczenia zakresu zmiennych.
Sprawdź jednostki. Wszystkie składniki pojedynczego równania lub nierówności muszą być porównywalne.
Dobierz metodę rozwiązania. Dla dwóch zmiennych można użyć metody graficznej, dla większych modeli simpleksu lub solvera.
Zinterpretuj wynik. Przełóż wartości zmiennych i funkcji celu na konkretne decyzje praktyczne.
Wykonaj analizę wrażliwości. Sprawdź, jak zmiana cen, zasobów lub limitów wpływa na rozwiązanie.
Warto pamiętać, że wynik modelu nie zastępuje decyzji człowieka. Jest narzędziem wspierającym decyzję. Trzeba jeszcze ocenić, czy dane są wiarygodne, czy model nie pomija ważnych ograniczeń oraz czy rozwiązanie można realnie wdrożyć.
Podsumowanie
Programowanie matematyczne służy do podejmowania najlepszych decyzji w warunkach ograniczonych zasobów. Programowanie liniowe jest jego podstawowym przypadkiem, w którym funkcja celu i warunki ograniczające mają postać liniową.
Każdy model liniowy składa się ze zmiennych decyzyjnych, funkcji celu, ograniczeń i warunków brzegowych. Po prawidłowym sformułowaniu model można rozwiązać metodą graficzną, metodą simpleks, metodami komputerowymi albo algorytmami wyspecjalizowanymi dla określonych klas problemów.
Programowanie liniowe stanowi fundament wielu modeli badań operacyjnych: planowania produkcji, transportu, przydziału zadań, przepływów sieciowych i optymalizacji wykorzystania zasobów. Zrozumienie jego podstaw ułatwia naukę kolejnych metod, takich jak simpleks, dualność, zagadnienie transportowe czy algorytm węgierski.
Utworzono: 20.06.2026 | Zmodyfikowano: 21.06.2026
Teoria kolejek — modele obsługi masowej, natężenie ruchu i podstawowe wzory
Mgr inż.
Sebastian Dziarmaga-Działyński
Wirtualna kancelaria korepetytorska i konsultacyjna – wszechwiedza.pl
Teoria kolejek pozwala opisywać systemy, w których zgłoszenia, klienci, pojazdy lub zadania pojawiają się szybciej albo wolniej, niż mogą zostać obsłużone. Dzięki niej można oszacować średnią długość kolejki, czas oczekiwania, wykorzystanie stanowisk obsługi oraz skutki zwiększenia liczby kas, konsultantów, serwerów lub innych zasobów.
Teoria kolejek, nazywana też teorią obsługi masowej, zajmuje się analizą systemów, do których napływają zgłoszenia wymagające obsługi. Zgłoszeniem może być klient przy kasie, pacjent w przychodni, samochód na bramce autostradowej, połączenie telefoniczne, zlecenie produkcyjne, paczka w sortowni albo żądanie wysłane do serwera internetowego.
Jeżeli zgłoszenie pojawia się w chwili, w której odpowiednie stanowisko jest wolne, obsługa może rozpocząć się natychmiast. Jeżeli wszystkie stanowiska są zajęte, zgłoszenie trafia do kolejki. Celem analizy nie jest zwykle całkowite wyeliminowanie oczekiwania, ponieważ mogłoby to wymagać utrzymywania zbyt dużej i kosztownej liczby stanowisk. Chodzi raczej o znalezienie rozsądnej równowagi między kosztem zasobów a poziomem obsługi.
Modele kolejkowe pomagają między innymi odpowiedzieć na pytania:
jak długo przeciętnie klient będzie czekał na obsługę,
ile osób przeciętnie znajduje się w kolejce,
jak często wszystkie stanowiska będą zajęte,
czy istniejąca liczba kas, konsultantów lub serwerów jest wystarczająca,
jak zmieni się sytuacja po dodaniu kolejnego kanału obsługi,
czy ograniczona pojemność systemu powoduje utratę klientów lub zgłoszeń.
Elementy systemu kolejkowego
Każdy system obsługi masowej można opisać za pomocą kilku podstawowych elementów.
Podstawowe elementy systemu kolejkowego
Element
Znaczenie
Przykład
Źródło zgłoszeń
Zbiór potencjalnych klientów, zadań lub obiektów wymagających obsługi.
Sposób, w jaki zgłoszenia pojawiają się w systemie.
Średnio 18 klientów na godzinę.
Kolejka
Zbiór zgłoszeń oczekujących na rozpoczęcie obsługi.
Osoby stojące przed kasą.
Kanał obsługi
Pojedyncze stanowisko zdolne do obsługi jednego zgłoszenia w danej chwili.
Jedna kasa, konsultant, lekarz, serwer.
Liczba kanałów
Liczba równoległych stanowisk obsługi.
Dwie kasy lub pięciu konsultantów infolinii.
Pojemność systemu
Maksymalna liczba zgłoszeń mogących jednocześnie znajdować się w kolejce i obsłudze.
Parking na 30 samochodów albo infolinia z limitem połączeń.
Dyscyplina kolejki
Zasada określająca kolejność obsługi zgłoszeń.
FIFO, priorytety, obsługa losowa.
Kanał obsługi i stanowisko obsługi
W praktyce określenia kanał obsługi i stanowisko obsługi często stosuje się zamiennie. Jeden kanał oznacza, że w danym momencie można obsłużyć jedno zgłoszenie. System jednokanałowy może być więc reprezentowany przez pojedynczą kasę, jedno okienko, jednego konsultanta albo jeden serwer.
System wielokanałowy ma kilka stanowisk działających równolegle. Przykładem są trzy kasy w sklepie, cztery bramki wejściowe albo zespół konsultantów odbierających połączenia.
Dyscyplina kolejki
Najczęściej stosowana jest zasada FIFO (First In, First Out), czyli „pierwszy przybył, pierwszy obsłużony”. W niektórych systemach występują jednak inne reguły:
LIFO — ostatnie zgłoszenie jest obsługiwane jako pierwsze,
SIRO — zgłoszenie wybierane jest losowo,
priorytety — wybrane zgłoszenia obsługiwane są przed pozostałymi,
obsługa według terminu — pierwszeństwo ma zgłoszenie z najbliższym terminem realizacji.
Wzory dla klasycznych modeli \(M/M/1\) i \(M/M/c\) odnoszą się zwykle do kolejki FIFO. Przy priorytetach lub innych regułach obsługi parametry oczekiwania mogą wyglądać inaczej.
Najważniejsze oznaczenia
Najczęściej stosowane symbole w teorii kolejek
Symbol
Znaczenie
\(\lambda\)
Średnia stopa przybyć, czyli przeciętna liczba zgłoszeń pojawiających się w jednostce czasu.
\(\mu\)
Średnia stopa obsługi jednego kanału, czyli przeciętna liczba zgłoszeń obsługiwanych przez jedno stanowisko w jednostce czasu.
\(c\)
Liczba równoległych kanałów obsługi.
\(\rho\)
Współczynnik wykorzystania kanału albo systemu.
\(a\)
Natężenie ruchu oferowanego, najczęściej \(a=\frac{\lambda}{\mu}\).
\(L\)
Średnia liczba zgłoszeń w całym systemie: w kolejce i w obsłudze.
\(L_q\)
Średnia liczba zgłoszeń oczekujących wyłącznie w kolejce.
\(W\)
Średni czas przebywania zgłoszenia w systemie: od przybycia do zakończenia obsługi.
\(W_q\)
Średni czas oczekiwania przed rozpoczęciem obsługi.
\(P_n\)
Prawdopodobieństwo, że w systemie znajduje się dokładnie \(n\) zgłoszeń.
\(P_0\)
Prawdopodobieństwo, że system jest pusty.
Jednostki muszą być spójne
Jeżeli \(\lambda\) i \(\mu\) podajemy w zgłoszeniach na godzinę, to czasy \(W\) i \(W_q\) otrzymamy w godzinach. Aby uzyskać minuty, wynik należy pomnożyć przez 60. Mieszanie klientów na godzinę z czasem obsługi wyrażonym w minutach jest jednym z najczęstszych błędów rachunkowych.
Proces przybyć i proces obsługi
W modelach kolejkowych istotne jest nie tylko to, ile średnio zgłoszeń pojawia się w systemie, lecz także jaki ma charakter zmienność przybyć i obsługi. Dwa systemy o takim samym średnim tempie mogą tworzyć zupełnie inne kolejki, jeżeli w jednym z nich zgłoszenia pojawiają się regularnie, a w drugim skokowo i losowo.
Przybycia typu Poissona
W wielu podstawowych modelach zakłada się, że liczba zgłoszeń pojawiających się w danym przedziale czasu ma rozkład Poissona. Oznacza to między innymi, że przybycia są losowe i niezależne, a średnia liczba zgłoszeń w jednostce czasu wynosi \(\lambda\).
Równoważnie można powiedzieć, że odstępy czasu między kolejnymi przybyciami mają rozkład wykładniczy. Średni czas między przybyciami wynosi wtedy:
\[
\frac{1}{\lambda}
\]
Wykładniczy czas obsługi
Jeżeli czas obsługi ma rozkład wykładniczy, średnia liczba zgłoszeń obsługiwanych przez jeden kanał w jednostce czasu wynosi \(\mu\). Średni czas obsługi pojedynczego zgłoszenia to:
\[
\frac{1}{\mu}
\]
Przykładowo, gdy kasjer obsługuje średnio 24 klientów na godzinę, średni czas obsługi wynosi \(\frac{1}{24}\) godziny, czyli 2,5 minuty.
Notacja Kendalla
Systemy kolejkowe opisuje się skrótowo za pomocą notacji Kendalla. Najczęściej spotyka się zapis:
\[
A/S/c
\]
W rozszerzonej postaci zapis może wyglądać następująco:
\[
A/S/c/K/N/D
\]
Elementy notacji Kendalla
Pozycja
Znaczenie
\(A\)
Rozkład procesu przybyć.
\(S\)
Rozkład czasu obsługi.
\(c\)
Liczba kanałów obsługi.
\(K\)
Maksymalna liczba zgłoszeń w całym systemie.
\(N\)
Liczebność populacji źródłowej.
\(D\)
Dyscyplina kolejki, na przykład FIFO.
Najczęściej stosowane oznaczenia rozkładów to:
\(M\) — rozkład wykładniczy, czyli proces bez pamięci; dla przybyć oznacza zwykle proces Poissona,
\(D\) — wartości deterministyczne, czyli stały czas między przybyciami albo stały czas obsługi,
\(G\) — rozkład ogólny, bez szczegółowego określenia jego postaci.
Zapis \(M/M/1\) oznacza więc losowe przybycia, losowy wykładniczy czas obsługi oraz jeden kanał obsługi. Zapis \(M/M/3\) opisuje taki sam charakter przybyć i obsługi, ale z trzema równoległymi stanowiskami.
Prawo Little’a
Jedną z najważniejszych zależności w teorii kolejek jest prawo Little’a. Łączy ono średnią liczbę zgłoszeń w systemie ze średnim czasem przebywania w tym systemie:
\[
L=\lambda W \]
Analogicznie dla samej kolejki:
\[
L_q=\lambda W_q \]
Prawo Little’a ma bardzo szerokie zastosowanie. Nie wymaga ono wyłącznie założenia wykładniczych czasów obsługi ani przybyć typu Poissona. Wymaga jednak stabilności systemu i właściwego rozumienia stopy przybyć. Gdy system ma ograniczoną pojemność i część klientów jest odrzucana, należy stosować efektywną stopę przybyć, a nie liczbę wszystkich prób wejścia do systemu.
Interpretacja prawa Little’a
Jeżeli do systemu przybywa średnio 20 klientów na godzinę, a przeciętny klient przebywa w nim przez 12 minut, czyli 0,2 godziny, to średnia liczba klientów w systemie wynosi:
\[
L=20\cdot0{,}2=4
\]
Średnio w systemie będą więc cztery osoby: część może czekać, a część może być właśnie obsługiwana.
Model jednokanałowy \(M/M/1\)
Model \(M/M/1\) jest podstawowym modelem teorii kolejek. Zakłada on, że przybycia są losowe typu Poissona, czasy obsługi mają rozkład wykładniczy, a w systemie działa jedno stanowisko obsługi. Przyjmuje się także nieograniczoną kolejkę oraz obsługę według reguły FIFO.
Warunek stabilności
System jednokanałowy ma sens w stanie ustalonym tylko wtedy, gdy średnia stopa przybyć jest mniejsza od średniej stopy obsługi:
\[
\lambda\mu
\]
Współczynnik wykorzystania kanału wynosi:
\[
\rho=\frac{\lambda}{\mu}
\]
Warunek stabilności można więc zapisać również jako \(\rho1\). Gdy \(\rho\) zbliża się do 1, stanowisko jest niemal stale zajęte, a średni czas oczekiwania gwałtownie rośnie. Jeżeli \(\lambda\geq\mu\), kolejka ma tendencję do narastania bez ograniczeń.
Prawdopodobieństwa stanów
Prawdopodobieństwo, że system jest pusty, wynosi:
\[
P_0=1-\rho
\]
Prawdopodobieństwo, że w systemie znajduje się dokładnie \(n\) zgłoszeń, wynosi:
\[
P_n=(1-\rho)\rho^n
\]
Wartość \(n\) obejmuje zarówno klientów oczekujących, jak i klienta obsługiwanego. Gdy \(n=0\), system jest pusty. Gdy \(n=1\), jedna osoba jest obsługiwana i nikt nie czeka. Gdy \(n=4\), jedna osoba jest obsługiwana, a trzy oczekują w kolejce.
Podstawowe wzory dla \(M/M/1\)
Wzory dla modelu jednokanałowego \(M/M/1\)
Wielkość
Wzór
Interpretacja
Wykorzystanie kanału
\(\rho=\frac{\lambda}{\mu}\)
Udział czasu, przez który stanowisko jest przeciętnie zajęte.
Średni czas w systemie składa się zatem ze średniego czasu oczekiwania oraz średniego czasu obsługi.
Wysokie wykorzystanie nie zawsze jest korzystne
Intuicyjnie może się wydawać, że wykorzystanie stanowiska bliskie 100% jest optymalne. W systemach kolejkowych zwykle oznacza jednak bardzo długie oczekiwanie. Przy \(\rho=0{,}50\) stanowisko jest zajęte przez połowę czasu, ale przy \(\rho=0{,}95\) nawet niewielkie opóźnienia i losowe skoki liczby zgłoszeń mogą wywołać długą kolejkę.
Model wielokanałowy \(M/M/c\)
Model \(M/M/c\) opisuje system, w którym działa \(c\) identycznych kanałów obsługi. Każdy kanał ma średnią stopę obsługi \(\mu\), a całkowita potencjalna zdolność obsługowa systemu wynosi \(c\mu\).
Przykładem może być infolinia z trzema konsultantami, dział obsługi klienta z pięcioma pracownikami albo sklep z czterema równoległymi kasami.
Warunek stabilności i wykorzystanie kanałów
W systemie wielokanałowym warunek stabilności ma postać:
Wielkość \(a\) oznacza oferowane natężenie ruchu. Natomiast \(\rho\) pokazuje średnie wykorzystanie pojedynczego kanału. Wymóg stabilności oznacza, że \(\rho1\).
Wzory Erlanga C dla \(M/M/c\)
W modelu z nieograniczoną kolejką podstawą obliczeń jest prawdopodobieństwo pustego systemu:
Pozostałe wielkości wyznaczamy za pomocą prawa Little’a:
\[
W_q=\frac{L_q}{\lambda}
\]
\[
W=W_q+\frac{1}{\mu}
\]
\[
L=\lambda W \]
W przypadku systemu wielokanałowego średni czas samej obsługi nadal wynosi \(\frac{1}{\mu}\), ponieważ pojedyncze zgłoszenie korzysta tylko z jednego kanału. Zwiększenie liczby kanałów nie skraca bezpośrednio obsługi, ale może znacząco skrócić czas oczekiwania.
Model \(M/D/1\) jako porównanie
Nie każdy system ma losowy czas obsługi. Jeżeli obsługa trwa zawsze tyle samo, stosuje się oznaczenie \(D\). W modelu \(M/D/1\) przybycia są losowe, ale czas obsługi jest stały.
Dla tego modelu, przy \(\rho=\frac{\lambda}{\mu}1\), średni czas oczekiwania wynosi:
\[
W_q=
\frac{\rho}{2\mu(1-\rho)}
\]
W porównaniu z \(M/M/1\) oczekiwanie jest krótsze, ponieważ brak losowości czasu obsługi zmniejsza wahania kolejki. Przy tych samych wartościach \(\lambda\) i \(\mu\) model \(M/D/1\) daje średni czas oczekiwania równy połowie wartości z modelu \(M/M/1\).
Systemy z ograniczoną pojemnością
Nie każda kolejka może rosnąć bez końca. Parking ma określoną liczbę miejsc, poczekalnia ma ograniczoną pojemność, a system teleinformatyczny może przyjmować jedynie określoną liczbę równoczesnych zgłoszeń. Gdy system jest pełny, kolejne zgłoszenie może zostać odrzucone, utracone albo skierowane gdzie indziej.
Klasyczny model jednokanałowy o ograniczonej pojemności oznacza się jako \(M/M/1/K\), gdzie \(K\) jest maksymalną liczbą zgłoszeń w całym systemie, a więc łącznie w kolejce i w obsłudze.
Dla \(\rho\neq1\) prawdopodobieństwo pustego systemu wynosi:
\[
P_0=
\frac{1-\rho}{1-\rho^{K+1}}
\]
Prawdopodobieństwo wystąpienia dokładnie \(n\) zgłoszeń w systemie wynosi:
W niektórych systemach odrzucone zgłoszenie oznacza jedynie chwilową niedogodność. W innych oznacza utracone zamówienie, nieodebrane połączenie, niezadowolenie klienta albo ryzyko operacyjne. Dlatego przy projektowaniu systemu należy analizować nie tylko średni czas oczekiwania, ale także prawdopodobieństwo blokady i koszt utraconych zgłoszeń.
Jedna kolejka czy wiele kolejek?
System wielokanałowy może działać na dwa podstawowe sposoby. W pierwszym wariancie wszyscy klienci ustawiają się w jednej wspólnej kolejce, a następnie przechodzą do pierwszego wolnego stanowiska. W drugim wariancie każde stanowisko ma własną kolejkę.
Porównanie organizacji kolejek
Rozwiązanie
Zalety
Ograniczenia
Jedna wspólna kolejka
Lepsze równoważenie obciążenia, mniejsze ryzyko, że jedna kolejka będzie długa, a inne prawie puste, większe poczucie sprawiedliwości.
Wymaga miejsca organizacyjnego i sprawnego kierowania klientów do wolnych stanowisk.
Oddzielne kolejki
Prostsze do utworzenia, mogą być wygodne przy stanowiskach o różnych funkcjach.
Klienci mogą wybrać wolniejszą kolejkę, a obciążenie stanowisk może być nierównomierne.
Kolejki priorytetowe
Umożliwiają szybszą obsługę zgłoszeń pilnych lub szczególnie ważnych.
Mogą wydłużać oczekiwanie klientów standardowych i wymagają jasnych zasad priorytetyzacji.
W wielu systemach jedna wspólna kolejka pozwala lepiej wykorzystać dostępne stanowiska. Nie jest to jednak bezwzględna zasada. Oddzielne kolejki mogą być uzasadnione, gdy stanowiska różnią się kompetencjami, obsługują inne typy spraw albo wymagają specjalistycznego wyposażenia.
Przykład \(M/M/1\) — jedna kasa
Rozważmy mały punkt obsługi z jedną kasą. Klienci przychodzą średnio z intensywnością 18 klientów na godzinę. Kasjer obsługuje średnio 24 klientów na godzinę. Zakładamy model \(M/M/1\).
Dane:
\[
\lambda=18\ \text{klientów/godz.}
\]
\[
\mu=24\ \text{klientów/godz.}
\]
Najpierw sprawdzamy stabilność systemu:
\[
1824
\]
System jest stabilny. Współczynnik wykorzystania kasy wynosi:
\[
\rho=\frac{18}{24}=0{,}75
\]
Kasa jest więc zajęta przeciętnie przez 75% czasu. Prawdopodobieństwo, że system jest pusty, wynosi:
Klient spędza w systemie średnio 10 minut, z czego około 7,5 minuty oczekuje, a około 2,5 minuty trwa sama obsługa. W całym systemie znajduje się średnio 3 klientów, przy czym średnio 2,25 osoby czekają, a jedna jest obsługiwana.
Przykład \(M/M/2\) — dwa stanowiska obsługi
Załóżmy teraz, że do punktu obsługi przybywa średnio 30 klientów na godzinę. Działają dwa identyczne stanowiska, a każde z nich obsługuje średnio 20 klientów na godzinę. Mamy więc model \(M/M/2\).
\[
\lambda=30,
\qquad
\mu=20,
\qquad
c=2
\]
Najpierw obliczamy natężenie ruchu oferowanego i wykorzystanie kanałów:
Mimo że każde stanowisko jest wykorzystane średnio tylko w 75%, około 64,3% klientów musi chwilę poczekać, ponieważ zdarzają się momenty, gdy oba stanowiska są jednocześnie zajęte. Średni czas oczekiwania wynosi jednak mniej niż 4 minuty, a średni czas całkowity w systemie niecałe 7 minut.
Najczęstsze błędy
Mieszanie jednostek czasu. Stopy \(\lambda\) i \(\mu\) muszą odnosić się do tej samej jednostki czasu.
Stosowanie wzorów \(M/M/1\) do systemu wielokanałowego. Dla \(c>1\) należy użyć modelu \(M/M/c\).
Pomijanie warunku stabilności. Jeżeli \(\lambda\geq c\mu\), klasyczne wzory dla stanu ustalonego nie są właściwe.
Mylenie \(L\) z \(L_q\). Wielkość \(L\) obejmuje także klientów aktualnie obsługiwanych.
Mylenie \(W\) z \(W_q\). Czas \(W\) obejmuje oczekiwanie i obsługę, a \(W_q\) tylko oczekiwanie.
Używanie \(\lambda\) zamiast \(\lambda_{\text{eff}}\) w systemie z odrzuceniami. W modelu o ograniczonej pojemności część zgłoszeń może nie wejść do systemu.
Traktowanie wartości średnich jako maksymalnych. Średnia kolejka długości 2 osób nie oznacza, że kolejka nigdy nie będzie liczyć 5 lub 10 osób.
Pomijanie charakteru danych. Model \(M/M/1\) jest użyteczny, ale nie zawsze dokładnie opisuje rzeczywisty system.
Podsumowanie
Teoria kolejek umożliwia ilościową analizę systemów, w których zgłoszenia konkurują o ograniczone zasoby obsługowe. Podstawowe parametry to stopa przybyć \(\lambda\), stopa obsługi \(\mu\), liczba kanałów \(c\), wykorzystanie systemu \(\rho\), średnia liczba zgłoszeń \(L\) i \(L_q\) oraz średnie czasy \(W\) i \(W_q\).
Model \(M/M/1\) opisuje jeden kanał obsługi, a \(M/M/c\) system z wieloma równoległymi stanowiskami. W obu przypadkach kluczowe jest sprawdzenie warunku stabilności. Im bardziej wykorzystanie systemu zbliża się do 100%, tym szybciej rosną przeciętne kolejki i czasy oczekiwania.
W praktyce analiza kolejek pomaga dobrać liczbę kas, konsultantów, serwerów, stanowisk produkcyjnych albo miejsc w poczekalni. Dzięki temu można równoważyć koszt utrzymywania zasobów z jakością obsługi klientów i niezawodnością całego procesu.
