জন্য প্রাক্কলন স্বাভাবিক ঠিক অনুমান নয়, কিন্তু একটি প্রধান বিবেচনার দক্ষতা হবে; অনেক ক্ষেত্রে একটি ভাল রৈখিক প্রাক্কলনকারী জরিমানা করতে পারে এবং সেই ক্ষেত্রে (গাউস-মার্কভ দ্বারা) এলএস অনুমানটি সেই জিনিসগুলির মধ্যে সবচেয়ে ভাল হবে-যা-হবে-ঠিক আছে। (যদি আপনার লেজগুলি বেশ ভারী বা খুব হালকা হয় তবে অন্য কিছু বিবেচনা করার জন্য এটি বোধগম্য হতে পারে)
পরীক্ষাগুলি এবং সিআই-এর ক্ষেত্রে, যখন স্বাভাবিকতা অনুমান করা হয়, তবে সাধারণত এটি সমস্ত সমালোচনামূলক হয় না (আবার, যতক্ষণ না লেজ সত্যই ভারী বা হালকা হয় না, বা সম্ভবত প্রতিটির মধ্যে একটি), এতে কমপক্ষে খুব কম-না- ছোট নমুনা পরীক্ষাগুলি এবং সাধারণ সিআই তাদের নামমাত্র বৈশিষ্ট্যগুলির কাছাকাছি থাকে (দাবি করা তাত্পর্য স্তর বা কভারেজ থেকে খুব বেশি দূরে নয়) এবং ভাল সম্পাদন করে (আদর্শ পরিস্থিতিতে বা সিআই বিকল্পের তুলনায় খুব বেশি প্রশস্ত নয়) - আপনি সরানোর সাথে সাথে স্বাভাবিক ক্ষেত্রে শক্তি থেকে আরও একটি সমস্যা বেশি হতে পারে, এবং সেই ক্ষেত্রে বড় আকারের নমুনাগুলি সাধারণত আপেক্ষিক দক্ষতা উন্নত করতে পারে না, তাই প্রভাবের আকারগুলি এমন যে তুলনামূলকভাবে ভাল শক্তির সাথে একটি পরীক্ষায় শক্তি বিদ্রূপ করছে, এটি খুব খারাপ হতে পারে পরীক্ষাগুলি যা স্বাভাবিকতা ধরে নেয় for
পরীক্ষাগুলিতে সিআইএসের জন্য নামমাত্র বৈশিষ্ট্য এবং তাত্পর্য স্তরের কাছাকাছি থাকার প্রবণতা হ'ল বিভিন্ন উপাদান একসাথে পরিচালিত হওয়ার কারণে (যার মধ্যে একটি ভেরিয়েবলের রৈখিক সংমিশ্রণের প্রবণতা রয়েছে যতক্ষণ না প্রচুর মান জড়িত থাকে ততক্ষণ স্বাভাবিক বন্টনের কাছাকাছি থাকতে পারে এবং এগুলির কোনওোটাই সম্পূর্ণ বৈকল্পিকতার একটি বড় অংশকে অবদান রাখে না)।
তবে, সাধারণ অনুমানের উপর ভিত্তি করে পূর্বাভাস ব্যবধানের ক্ষেত্রে, স্বাভাবিকতা তুলনামূলকভাবে আরও সমালোচিত হয়, যেহেতু অন্তরালের প্রস্থ একক মানের বন্টনের উপর দৃ strongly়ভাবে নির্ভরশীল । যাইহোক, এমনকি সেখানে, খুব সাধারণ ব্যবধান আকারের (95% ব্যবধান) জন্য, অনেক আনমোডাল বিতরণগুলি প্রায় 2sd এর মধ্যে তাদের বিতরণের 95% এর খুব কাছাকাছি থাকার কারণে এমনকি একটি সাধারণ পূর্বাভাস ব্যবধানের যুক্তিসঙ্গত কর্মক্ষমতা ঘটায় even যখন বিতরণ স্বাভাবিক হয় না। [এটি এত সংকীর্ণ বা বিস্তৃত অন্তরগুলিতে এতটা ভালভাবে বহন করে না - যদিও 50% ব্যবধান বা 99.9% ব্যবধান বলুন]]