numpy.oldnumeric.random_array
index
/usr/lib/python2.6/dist-packages/numpy/oldnumeric/random_array.py

# Backward compatible module for RandomArray

 
Modules
       
numpy.random.mtrand
numpy

 
Functions
       
F(dfn, dfd, shape=[])
F(dfn, dfd) or F(dfn, dfd, [n, m, ...]) returns array of F distributed random numbers with dfn degrees of freedom in the numerator and dfd degrees of freedom in the denominator.
beta(a, b, shape=[])
beta(a, b) or beta(a, b, [n, m, ...]) returns array of beta distributed random numbers.
binomial(trials, p, shape=[])
binomial(trials, p) or binomial(trials, p, [n, m, ...]) returns array of binomially distributed random integers.
 
trials is the number of trials in the binomial distribution.
p is the probability of an event in each trial of the binomial distribution.
chi_square(df, shape=[])
chi_square(df) or chi_square(df, [n, m, ...]) returns array of chi squared distributed random numbers with df degrees of freedom.
exponential(mean, shape=[])
exponential(mean, n) or exponential(mean, [n, m, ...]) returns array
of random numbers exponentially distributed with specified mean
gamma(a, r, shape=[])
gamma(a, r) or gamma(a, r, [n, m, ...]) returns array of gamma distributed random numbers.
get_seed()
mean_var_test(x, type, mean, var, skew=[])
multinomial(trials, probs, shape=[])
multinomial(trials, probs) or multinomial(trials, probs, [n, m, ...]) returns
    array of multinomial distributed integer vectors.
 
    trials is the number of trials in each multinomial distribution.
    probs is a one dimensional array. There are len(prob)+1 events.
    prob[i] is the probability of the i-th event, 0<=i<len(prob).
    The probability of event len(prob) is 1.-np.sum(prob).
 
The first form returns a single 1-D array containing one multinomially
    distributed vector.
 
    The second form returns an array of shape (m, n, ..., len(probs)).
    In this case, output[i,j,...,:] is a 1-D array containing a multinomially
    distributed integer 1-D array.
multivariate_normal(mean, cov, shape=[])
multivariate_normal(mean, cov) or multivariate_normal(mean, cov, [m, n, ...])
returns an array containing multivariate normally distributed random numbers
with specified mean and covariance.
 
mean must be a 1 dimensional array. cov must be a square two dimensional
array with the same number of rows and columns as mean has elements.
 
The first form returns a single 1-D array containing a multivariate
normal.
 
The second form returns an array of shape (m, n, ..., cov.shape[0]).
In this case, output[i,j,...,:] is a 1-D array containing a multivariate
normal.
negative_binomial(trials, p, shape=[])
negative_binomial(trials, p) or negative_binomial(trials, p, [n, m, ...]) returns
array of negative binomially distributed random integers.
 
trials is the number of trials in the negative binomial distribution.
p is the probability of an event in each trial of the negative binomial distribution.
noncentral_F(dfn, dfd, nconc, shape=[])
noncentral_F(dfn, dfd, nonc) or noncentral_F(dfn, dfd, nonc, [n, m, ...]) returns array of noncentral F distributed random numbers with dfn degrees of freedom in the numerator and dfd degrees of freedom in the denominator, and noncentrality parameter nconc.
noncentral_chi_square(df, nconc, shape=[])
noncentral_chi_square(df, nconc) or chi_square(df, nconc, [n, m, ...]) returns array of noncentral chi squared distributed random numbers with df degrees of freedom and noncentrality parameter.
normal(mean, std, shape=[])
normal(mean, std, n) or normal(mean, std, [n, m, ...]) returns
array of random numbers randomly distributed with specified mean and
standard deviation
permutation(n)
permutation(n) = a permutation of indices range(n)
poisson(mean, shape=[])
poisson(mean) or poisson(mean, [n, m, ...]) returns array of poisson
distributed random integers with specified mean.
randint(minimum, maximum=None, shape=[])
randint(min, max, shape=[]) = random integers >=min, < max
If max not given, random integers >= 0, <min
random(shape=[])
random(n) or random([n, m, ...]) returns array of random numbers
random_integers(maximum, minimum=1, shape=[])
random_integers(max, min=1, shape=[]) = random integers in range min-max inclusive
seed(x=0, y=0)
standard_normal(shape=[])
standard_normal(n) or standard_normal([n, m, ...]) returns array of
random numbers normally distributed with mean 0 and standard
deviation 1
test()
uniform(minimum, maximum, shape=[])
uniform(minimum, maximum, shape=[]) returns array of given shape of random reals
in given range

 
Data
        __all__ = ['ArgumentError', 'F', 'beta', 'binomial', 'chi_square', 'exponential', 'gamma', 'get_seed', 'mean_var_test', 'multinomial', 'multivariate_normal', 'negative_binomial', 'noncentral_F', 'noncentral_chi_square', 'normal', 'permutation', 'poisson', 'randint', 'random', 'random_integers', ...]
__file__ = '/usr/lib/python2.6/dist-packages/numpy/oldnumeric/random_array.pyc'
__name__ = 'numpy.oldnumeric.random_array'
__package__ = 'numpy.oldnumeric'