如何在Matlab中应用高斯分布（正态分布）随机数生成，并使用这些数据进行概率密度函数绘图？请提供完整的代码示例。

Matlab为用户提供了丰富的函数和工具箱来处理各种统计和概率问题。其中，normrnd函数可用于生成正态分布随机数，而normpdf和normcdf函数则分别用于计算正态分布的概率密度函数（PDF）和累积分布函数（CDF）。为了帮助你深入理解这一过程，建议参考《掌握Matlab：60个精选小程序代码解析》中关于高斯分布的示例代码。现在，让我们通过一个示例来展示如何在Matlab中生成高斯分布随机数，并绘制其概率密度函数图：

参考资源链接：[掌握Matlab：60个精选小程序代码解析](https://wenku.csdn.net/doc/2um14zmtgx?spm=1055.2569.3001.10343)

首先，我们需要确定正态分布的参数，即均值（mean）和标准差（std_dev）。然后，使用normrnd函数生成随机数样本。接着，使用histogram函数对生成的样本进行直方图绘制，最后使用normpdf函数计算不同值的概率密度，并用plot函数绘制PDF曲线。
以下是具体的Matlab代码示例：
% 参数设置
mu = 0; % 均值
sigma = 1; % 标准差
n = 1000; % 样本数量

% 生成高斯分布随机数
rng('default'); % 设置随机数生成器的种子，确保结果可重复
data = normrnd(mu, sigma, [1, n]);

% 绘制直方图
figure;
histogram(data, 50, 'Normalization', 'pdf', 'FaceColor', [*.***.***.*]);
hold on;

% 绘制概率密度函数曲线
x_values = linspace(min(data), max(data), 100);
pdf_values = normpdf(x_values, mu, sigma);
plot(x_values, pdf_values, 'k', 'LineWidth', 2);
title('高斯分布随机数的直方图和概率密度函数');
xlabel('数值');
ylabel('概率密度');
legend('直方图', '概率密度函数');
hold off;
在上述代码中，我们首先设置了均值和标准差，并生成了1000个高斯分布的随机数样本。接着，我们使用histogram函数绘制了随机数的直方图，并将其标准化为概率密度。最后，使用normpdf函数计算了不同数值的概率密度，并用plot函数将其绘制出来，与直方图一起展示。通过这种方式，我们不仅生成了高斯分布随机数，还对数据进行了可视化分析，加深了对正态分布的理解。
如果你希望更深入地学习Matlab在统计和概率计算方面的应用，或者想要了解更多关于Matlab编程技巧的资源，可以查看《掌握Matlab：60个精选小程序代码解析》。这份资源为你提供了60个精选小程序，涵盖了从基本数学运算到复杂算法的实现，非常适合进行项目实战和深入学习。

参考资源链接：[掌握Matlab：60个精选小程序代码解析](https://wenku.csdn.net/doc/2um14zmtgx?spm=1055.2569.3001.10343)