Práce se zabývá praktickým rozšiřováním existujících interpolačních funkcí v softwaru R project o nejistotu vstupních dat. Zmíněné rozšíření představuje možnost vytvořit několik rozdílných modelů nejistoty nad vstupními daty. Touto implementací se rozšiřují možnosti ve vyjádření vstupních dat, a prohlubují se možnosti interpolačních procesů a také i komplexnost výstupních dat. Samotnou nejistotu dat lze vytvořit na základě očekávané neurčitosti zkoumané proměnné. Tato neurčitost může být vyjádřena ve formě prostorově korelované chyby, náhodnými hodnotami, procentem hodnoty, konstantou či náhodnou odchylkou od původních dat. Vytvořené modely nejistoty jsou postaveny na possibilistickém vyjádření dat, nikoli na statistice. Upravené záznamy pak vstupují do interpolací a vzniká model proměnné obsahující i dodanou nejistotu. Po ukončení interpolace je možné získané výsledky dále upravovat a zpracovávat v rámci softwaru R, čímž lze dále vhodně rozšiřovat výsledky této bakalářské práce. Výsledkem celé práce pak je balíček pro R, jehož obsahem jsou funkce pro kompletní tvorbu příkladných dat včetně jejich úpravy do vytyčeného formátu. Dále celkem 6 funkcí pro tvorbu modelů nejistoty. Tři druhy základních interpolací (spline, kriging, IDW) a funkce k vytváření gridů pro vstup nejen do interpolací. Hlavním cílem této bakalářské práce bylo otestovat možnosti R v interpolacích obohacených o nejistotu. Jedná se tedy o první práci svého druhu, kterou je možné dále vyvíjet a rozšiřovat. Z autorského hlediska se jednalo především o vytvoření pomyslného prvního kroku, zjištění faktických informací a vytvoření základního kamene v této doposud nedostatečně probádané oblasti.The work deals with the practical expansion of existing interpolation functions in software R project by using the uncertainty of input data. These extensions are represented in the ability to create several different models of uncertainty over the input data. The implementation will expand the possibilities in declarations of input data, improve the possibilities of interpolation processes, and also the complexity of the output data. The actual data uncertainty can be based on the expected vagueness of the variable. This vagueness can be putted into the form of spatially correlated errors, random values, percentage of values, constant or random deviations from the original data. Created uncertainty models are built on possibilistic expression of data, not on statistics. After that the data are going into the interpolations processes that creates model of the variable containing the uncertainty of the input. After the end of interpolation it is possible to keep on working and process the obtained results in the software R, what could be the possible way how to improve the results of this bachelor thesis. The result of the entire work is a package for R, that contents functions to provide the exemplary data creation, including adjustments to the stated format. Additionally 6 functions for creating the models of uncertainty were programmed. Three types of basic interpolations (spline, kriging, IDW) and a function to create grids for the interpolations. The main objective of this bachelor thesis was to test the options of R interpolation methods enriched by the uncertainty. This is therefore the first work of its kind that can be further developed and expanded. From the author's point of view, it was all about creating an imaginary first step, finding the actual informations and creating of the foundation stone in this so far under-explored area.