Như @ user2974951 nói trong một bình luận, có thể mê tín rằng phân phối Bình thường bằng cách nào đó tốt hơn. Có lẽ họ có ý tưởng sai lầm rằng dữ liệu Bình thường là kết quả của nhiều lỗi phụ gia, nếu họ buộc dữ liệu của họ là Bình thường, thì họ có thể coi các số kết quả là có lỗi phụ gia. Hoặc kỹ thuật thống kê đầu tiên họ học được là hồi quy OLS và một cái gì đó về Bình thường là một giả định ...
Bình thường nói chung không phải là một yêu cầu. Nhưng việc nó có hữu ích hay không phụ thuộc vào mô hình làm gì với dữ liệu.
Ví dụ: dữ liệu tài chính thường không thường xuyên - tức là có lỗi nhân (phần trăm). Bộ biến đổi tự động biến đổi sử dụng phân phối Bình thường tại nút cổ chai để tăng độ mượt mà và đơn giản. Các hàm Sigmoid hoạt động tự nhiên nhất với dữ liệu Bình thường. Các mô hình hỗn hợp thường sử dụng hỗn hợp Normals. (Nếu bạn có thể cho rằng đó là Bình thường, bạn chỉ cần hai tham số để xác định hoàn toàn và các tham số đó khá trực quan theo nghĩa của chúng.)
Nó cũng có thể là chúng tôi muốn một phân phối đối xứng, không đối xứng cho mô hình của chúng tôi và Bình thường là vậy. (Và các phép biến đổi thành Triệu Bình thường thường không hoàn toàn Bình thường, chỉ là đối xứng hơn.)
Tính quy phạm có thể đơn giản hóa một số phép toán cho bạn và nó có thể phù hợp với quan niệm của bạn về quá trình tạo dữ liệu của bạn: hầu hết dữ liệu của bạn nằm ở giữa với các giá trị thấp hoặc cao tương đối hiếm, đáng quan tâm.
Nhưng ấn tượng của tôi là đó là Cargo Cult trong tự nhiên