सामान्यता में किसी प्रकार के परिवर्तन को लागू करने की कोशिश करना सामान्य है (उदाहरण के लिए, लघुगणक, वर्गमूल, ... का उपयोग करते हुए) डेटा के साथ सामना किया जो सामान्य नहीं है। जबकि लघुगणक डेटा को अक्सर तिरछे डेटा के लिए अच्छे परिणाम देता है, इस बात की कोई गारंटी नहीं है कि यह इस विशेष मामले में काम करेगा। परिवर्तित डेटा का विश्लेषण करते समय एक व्यक्ति को @whubers को भी ध्यान में रखना चाहिए: "लॉगरिदम के लिए एक टी-टेस्ट न तो अनट्रॉन्फ़ॉर्म किए गए डेटा के लिए एक टी-टेस्ट और न ही एक नॉनपरमेट्रिक टेस्ट के समान है। लॉग पर टी-टेस्ट ज्यामितीय तुलना करता है। (सामान्य) अंकगणित का मतलब नहीं है। "
सामान्यता के परिवर्तन को हमेशा सामान्य धारणा की जांच के बाद किया जाना चाहिए, ताकि यह आकलन किया जा सके कि परिवर्तित डेटा "सामान्य रूप से पर्याप्त" दिखता है या नहीं। यह उदाहरण हिस्टोग्राम, क्यूक्यू-प्लॉट और सामान्यता के लिए परीक्षण का उपयोग करके किया जा सकता है। टी-टेस्ट विशेष रूप से तिरछापन के रूप में सामान्यता से विचलन के प्रति संवेदनशील है और इसलिए सामान्यता के लिए एक परीक्षण जो कि तिरछा विकल्पों की ओर निर्देशित है, बेहतर होगा। पियर्सन का नमूना तिरछा इस मामले में एक उपयुक्त परीक्षण आँकड़ा है।n- 1Σnमैं = १( x)मैं- एक्स¯)3( एन- 1Σnमैं = १( x)मैं- एक्स¯)2)3 / 2
एक रूपांतरण चुनने के बजाय (जैसे कि लघुगणक) क्योंकि यह ज्यादातर समय काम करता है, मैं दिए गए डेटा का उपयोग करके परिवर्तन चुनने के लिए बॉक्स-कॉक्स प्रक्रिया का उपयोग करना पसंद करता हूं । हालाँकि इसके साथ कुछ दार्शनिक मुद्दे भी हैं; विशेष रूप से क्या यह टी-टेस्ट में स्वतंत्रता की डिग्री की संख्या को प्रभावित करना चाहिए, क्योंकि हमने नमूना से कुछ जानकारी का उपयोग किया है, जिसे चुनने पर उपयोग करने के लिए बदलना होता है।
अंत में, एक परिवर्तन के बाद टी-टेस्ट का उपयोग करने का एक अच्छा विकल्प या क्लासिकल नॉनपैरेमेट्रिक टेस्ट , टी-टेस्ट के बूटस्ट्रैप एनालॉग का उपयोग करना है । इसमें सामान्यता की धारणा की आवश्यकता नहीं होती है और यह अनियंत्रित साधनों (और किसी चीज़ के बारे में नहीं) के बारे में एक परीक्षा है।