V této práci jsou vysvětleny důvody, proč je zapotřebí správně pracovat s nejistotou, která je součástí každých experimentálních dat. Nevhodné používání statistických metod se spolupodílelo na vzniku replikační krize v mnoha odvětvích. Jako jeden z kroků, který může pomoct při řešení replikační krize, navrhujeme širší využívání bayesovské inference. Na rozdíl od klasické (frekventistické) statistiky, výsledkem bayesovských metod není rozhodnutí, zda danou hypotézu zamítnout, či nikoliv, ale pravděpodobnost, že zkoumaná hypotéza platí. Bayesovské metody umožňují zkombinovat apriorní znalosti s informací, kterou přinesla data. Představují proto přirozený rámec pro práci s daty, který je vhodný pro široké využití napříč vědeckými obory.In this piece of work, the necessity of proper handling the noise in experimental data was explained. The inappropriate use of statistical methods has contributed to the replication crisis in science. A wider use of Bayesian inference might help in solving the replication crisis. Unlike classical (frequentist) statistics, the Bayesian methods do not result in a decision whether to reject a given hypothesis or not. The Bayesian results give us the probability that the hypothesis under study is valid. Bayesian methods make it possible to combine our a priori knowledge with the information provided by the data. Therefore, they represent a natural framework for working with data across scientific disciplines.