正态QQ图的原理
QQ图通过把测试样本数据的分位数与已知分布相比较，从而来检验数据的分布情况。QQ图是一种散点图,对应于正态分布的QQ图,就是由标准正态分布的分位数为横坐标,样本值为纵坐标的散点图。要利用QQ图鉴别样本数据是否近似于正态分布,只需看QQ图上的点是否近似地在一条直线附近,图形是直线说明是正态分布，而且该直线的斜率为标准差,截距为均值，用QQ图还可获得样本偏度和峰度的粗略信息。图形中有一段是直线，在两端存在弧度，则可说明峰度的情况。图形是曲线图，说明不对称。如果Q-Q图是直线，当该直线成45度角并穿过原点时，说明分布与给定的正态分布完全一样。如果是成45度角但不穿过原点，说明均值与给定的正态分布不同，如果是直线但不是45度角，说明均值与方差都与给定的分布不同。如果Q-Q图中间部分是直线，但是右边在直线下面，左边在直线上面，说明分布的峰度大于3，反之说明峰度小于3；图形是曲线图，说明不对称。
分位数（quantile fractile）又称百分位点，或者下侧分位数。 定义：设连续随机变量X的分布函数为F(X)，密度函数为p(x)。那么，对任意0<p<1的p，称F(X)=p的x为此分布的分位数，或者下侧分位数。简单的说，分位数指的就是连续分布函数中的一个点，这个点对应概率p。
R语言模拟
rd=rnorm(100) plot(density(rd),main = "正态随机变量概率密度",lwd=2)points(rd,rep(0.01,100),pch=20,col=rainbow(100))
通过上图可以看出，产生的100个随机数多数集中在[-1,1]之间，且均值为0。
t=rank(rd)/100 #求观察累积概率q=qnorm(t) #用累积概率求分位数值plot(rd,q,main = "Q-Q图",pch=20,col=rainbow(100)) #画Q-Q图abline(0,1,lwd=2)
第二次模拟1000个随机数
n=1000rd=rnorm(n) plot(density(rd),main = "正态随机变量概率密度",lwd=2)points(rd,rep(0.01,n),pch=20,col=rainbow(n))
t=rank(rd)/n #求观察累积概率q=qnorm(t) #用累积概率求分位数值plot(rd,q,main = "Q-Q图",pch=20,col=rainbow(n)) #画Q-Q图abline(0,1,lwd=2)
第三次模拟5000个随机数
n=2000rd=rnorm(n) plot(density(rd),main = "正态随机变量概率密度",lwd=2)points(rd,rep(0.01,n),pch=20,col=rainbow(n))
t=rank(rd)/n #求观察累积概率q=qnorm(t) #用累积概率求分位数值plot(rd,q,main = "Q-Q图",pch=20,col=rainbow(n)) #画Q-Q图abline(0,1,lwd=2)
可见，通过QQ图可以看出，样本值越大，随机数的分布状态越近似于正态分布。