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

随机产生一组10000个随机数（满足均值为0，标准差为1的标准正态分布）作为人脸图像的灰度值，使用hist()函数绘制灰度直方图。

为了生成一组10000个服从标准正态分布（均值为0，标准差为1）的随机数，并将其作为人脸图像的灰度值，我们可以使用Python的NumPy库。首先，确保已安装了NumPy，然后按照以下步骤操作：

import numpy as np

# 生成10000个标准正态分布的随机数
random_gray_values = np.random.normal(0, 1, 10000)

# 绘制灰度直方图，范围从-3到3，以便观察大部分数据集中在0附近
plt.hist(random_gray_values, bins=50, range=(-3, 3), density=True)
plt.title('Standard Normal Distribution of Gray Scale Values')
plt.xlabel('Gray Scale Value')
plt.ylabel('Probability Density')
plt.show()

在这个代码片段中，`np.random.normal()`用于创建随机数数组，`bins`参数用于确定直方图的划分，`range`设置x轴的显示范围，`density=True`表示绘制的是概率密度而不是频率。

通过numpy随机数绘制正态分布图

在Python中，我们可以使用NumPy库来生成正态分布的随机数，并结合Matplotlib库来绘制图表。以下是一个简单的步骤：

首先，你需要安装这两个库，如果尚未安装，可以使用pip安装：

pip install numpy matplotlib

然后，你可以使用NumPy的`normal()`函数生成正态分布的数据，它接受均值(mean)、标准差(std-dev)以及需要生成的数量作为参数。例如，生成平均数为0，标准差为1的一组数据：

import numpy as np

mean = 0
std_dev = 1
size = 1000  # 生成1000个随机样本
random_numbers = np.random.normal(mean, std_dev, size)

接着，使用Matplotlib的`hist()`函数绘制直方图：

import matplotlib.pyplot as plt

plt.hist(random_numbers, bins='auto', alpha=0.5, color='g')  # 'auto'选择合适的bins
plt.title('Normal Distribution')
plt.xlabel('Value')
plt.ylabel('Frequency')

# 显示图形
plt.show()

这里，`alpha`调整透明度，`color`设置颜色，`hist()`函数会自动计算并显示频率分布。