numpy.random.normal(loc=0.0, scale=1.0, size=None)
从正态（高斯）分布中抽取随机样本。
loc： 分布的均值（中心），浮点型数据或者浮点型数据组成的数组。
scale： 分布的标准差（宽度），浮点型数据或者浮点型数据组成的数组。
size： 输出值的维度，整数或者整数组成的元组，可选参数。
返回值：从含参的正态分布中抽取的随机样本，n维数组或标量。
从分布中抽取样本：
import numpy as np
mu, sigma = 0, 0.1 # 均值和标准差
s = np.random.normal(mu, sigma, 1000)
检验均值和方差：
abs(mu - np.mean(s)) < 0.01
abs(sigma - np.std(s, ddof=1)) < 0.01
利用直方图对样本进行可视化，并绘制其概率密度函数：
import matplotlib.pyplot as plt
count, bins, ignored = plt.hist(s, 30, normed=True, color='b')
plt.plot(bins, 1/(sigma * np.sqrt(2 * np.pi)) * np.exp( - (bins - mu)**2 / (2 * sigma**2) ), linewidth=2, color='r')
plt.show()