2. Základní předpoklady o datech

Před vlastní analýzou je nezbytné vyšetřit platnost základních předpokladů, tj. nezávislost, homogenitu a normalitu výběru. Dalším důležitým faktorem, který může ovlivnit správnost analyzovaných dat představuje velikost výběru, tzn. množství naměřených hodnot pro analyzovaný proces, nebo vlastnost. Obecně platí, že rozsah výběru (n) ovlivňuje přesnost odhadů parametrů polohy a rozptýlení a projevuje se při konstrukci intervalů spolehlivosti.

Jednou z možností jak řešit problém nedostatečného výběru představují dodatečná měření. To však v mnoha případech nemusí být realizovatelné. V těchto případech je možno aplikovat techniku pro malé výběry, která je založena na nejistotách měření. Obecně známým faktem je, že existují různé typy nejist měření. Patří sem nejistota:

- Typu A – způsobené změnami, ovlivněním náhodnými chybami, jejichž příčiny se považují všeobecně za neznámé. 
- Typu B – jsou způsobovány známými a odhadnutelnými příčinami vzniku. Jejich určování nebývá vždy jednoduché 
- Kombinovaná - sumace standardní nejistoty typu A a B.
- Rozšířená standardní nejistota – zavádí se v případě, kdy je malý počet měření a je třeba získat větší pravděpodobnost.
Rozšířená nejistota je založena na výpočtu standardní nejistoty typu A, kterou je možno kvantifikovat formou směrodatné odchylky:


V případě, že je počet opakovaných měření menší než deset a není možné učinit kvalifikovaný odhad na základě zkušeností, určí se nejistota typu A ze vztahu:


Kde ks je koeficient rozšíření

Závislost koeficientu rozšíření ks na počtu měření

Počet měření n

9

8

7

6

5

4

3

2

Koeficient ks

1,2

1,2

1,3

1,3

1,4

1,7

2,3

7,0

Dalším předpokladem, který je v případě analýzy dat velmi významný, je normalita výběru. Obecně platí, klasická analýza dat je založena na předpokladu normality výběrového rozdělení. Pro její ověření je možno použít různých nástrojů (grafických i početních, přičemž početní jsou založeny na základě výpočtu šikmosti a špičatosti rozdělení).  

Šikmost slouží k zjištění míry symetrie (souměrnosti) rozdělení - stejný stupeň hustoty malých a velkých hodnot se zpravidla projevuje v symetrii tvaru rozdělení,


Špičatost měří stupeň koncentrace hodnot náhodného výběru kolem středu - koncentrace hodnot znaku kolem charakteristiky úrovně.


Dalším významným předpokladem pro správné vyhodnocení představuje homogenita výběru. K nehomogenitě naměřených dat dochází tam, kde se vyskytuje výrazná nestejnoměrnost měřených vlastností vzorků, náhle se mění podmínky měření, nebo data obsahují vybočující hodnoty, nehomogenita může být způsobena také nevhodnou specifikací souboru. V důsledku nehomogenity se v naměřených datech mohou vyskytovat vybočující hodnoty u kterých se jedná o údaje, které se do souboru dostaly v důsledku nějakých hrubých chyb (např. v důsledku chybných měření, chyby při zápisu apod.), případně se jedná o pozorování, která nepocházejí z téhož základního souboru jako ostatní analyzovaná data, nebo o správný údaj, který však reprezentuje nějaký  mimořádný případ (náhlou poruchu apod.). K identifikaci odlehlých hodnot opět můžeme využít grafické nástroje.