产生服从均值70，标准差为5的正态分布的随机数1000个，并绘制相对频率图

以下是Python代码实现：

import numpy as np
import matplotlib.pyplot as plt

mean = 70
std = 5
n = 1000

data = np.random.normal(mean, std, n)

plt.hist(data, bins=20, density=True)
plt.xlabel('Value')
plt.ylabel('Relative Frequency')
plt.title('Normal Distribution with Mean=70 and Std=5')
plt.show()

解释：首先，导入NumPy和Matplotlib库。然后，定义均值、标准差和样本数量。接下来，使用NumPy的random.normal函数生成服从指定均值和标准差的正态分布的随机数，并将其存储在变量data中。最后，使用Matplotlib的hist函数绘制相对频率直方图，并添加横轴和纵轴标签以及图表标题。运行代码后，将生成一个相对频率图，显示服从均值70，标准差为5的正态分布的随机数的分布情况。

相关问题

服从复高斯分布的matlab仿真代码

以下是服从复高斯分布的 Matlab 仿真代码：

% 设置仿真参数
N = 1000; % 仿真数据个数
mu = 1; % 均值
sigma = 2; % 标准差
rho = 0.5; % 相关系数

% 生成服从标准正态分布的随机数
Z1 = randn(N, 1);
Z2 = randn(N, 1);

% 计算服从复高斯分布的随机数
X1 = mu + sigma * (rho * Z1 + sqrt(1 - rho^2) * Z2);
X2 = mu + sigma * (rho * Z1 - sqrt(1 - rho^2) * Z2);

% 绘制直方图
figure;
histogram(X1, 'Normalization', 'pdf');
hold on;
histogram(X2, 'Normalization', 'pdf');
xlabel('随机变量值');
ylabel('频率');
legend('X1', 'X2');

其中，`N` 为仿真数据个数，`mu` 和 `sigma` 分别为复高斯分布的均值和标准差，`rho` 为两个标准正态分布随机数之间的相关系数。`Z1` 和 `Z2` 分别为服从标准正态分布的随机数，`X1` 和 `X2` 分别为服从复高斯分布的随机数。最后，通过绘制直方图来观察复高斯分布的分布情况。

matlab 频率分布 高斯拟合

要在MATLAB中进行频率分布的高斯拟合，可以按照以下步骤进行：

1. 生成样本数据
首先，需要生成一些样本数据。可以使用randn函数生成一些服从正态分布的随机数作为样本数据，例如：

data = randn(1,1000);

2. 绘制频率分布直方图
使用histogram函数绘制样本数据的频率分布直方图，例如：

histogram(data, 'Normalization', 'pdf');

其中，'Normalization', 'pdf'参数可以将直方图的纵轴单位设置为概率密度函数（PDF）。

3. 计算拟合参数
使用fitdist函数对样本数据进行高斯分布拟合，例如：

pd = fitdist(data', 'Normal');

其中，'Normal'参数表示要拟合的分布类型为正态分布。pd.mean和pd.sigma分别为拟合得到的高斯分布的均值和标准差。

4. 绘制拟合曲线
使用pdf函数绘制拟合得到的高斯分布曲线，例如：

hold on;
x = -4:0.1:4;
y = pdf(pd, x);
plot(x, y, 'r-', 'LineWidth', 2);
hold off;

完整的MATLAB代码如下：

data = randn(1,1000);
histogram(data, 'Normalization', 'pdf');
pd = fitdist(data', 'Normal');
hold on;
x = -4:0.1:4;
y = pdf(pd, x);
plot(x, y, 'r-', 'LineWidth', 2);
hold off;

运行该代码，即可得到样本数据的频率分布直方图和拟合得到的高斯分布曲线。