原标题：如何判断数据是否符合正态分布？
在前面的文章中讲过，很多模型的假设条件都是数据是服从正态分布的。这篇文章主要讲讲如何判断数据是否符合正态分布。主要分为两种方法：描述统计方法和统计检验方法。
描述统计方法
描述统计就是用描述的数字或图表来判断数据是否符合正态分布。常用的方法有Q-Q图、P-P图、直方图、茎叶图。
1. Q-Q图
此Q-Q非用于聊天的QQ，Q是quantile的缩写，即分位数。 分位数就是将数据从小到大排序，然后切成100份，看不同位置处的值。比如中位数，就是中间位置的值。
Q-Q图的x轴为分位数，y轴为分位数对应的样本值。x-y是散点图的形式，通过散点图可以拟合出一条直线， 如果这条直线是从左下角到右上角的一条直线，则可以判断数据符合正态分布，否则则不可以。
拟合出来的这条直线和正态分布之间有什么关系呢？为什么可以根据这条直线来判断数据是否符合正态分布呢。
我们先来想一下正态分布的特征，正态分布的x轴为样本值，从左到右x是逐渐增大的，y轴是每个样本值对应的出现的概率。概率值先上升后下降，且在中间位置达到最高。
可以把Q-Q图中的y轴理解成正态分布中的x轴， 如果拟合出来的直线是45度，可以保证中位数两边的数值分布是一样的，即正态分布中基于中位数左右对称。
在Python中可以使用如下代码来绘制Q-Q图：
from scipy import stats
fig = plt.figure
res = stats.probplot
