¿Cuántos impagos podríamos esperar?

Imagina que un banco concedió 100 hipotecas. Es posible que entre 0 y 100 de esos préstamos entren en impago. Te gustaría conocer la probabilidad de obtener un número dado de impagos, sabiendo que la probabilidad de impago es p = 0.05. Para investigarlo, vas a hacer una simulación. Realizarás 100 ensayos de Bernoulli usando la función perform_bernoulli_trials() que escribiste en el ejercicio anterior y registrarás cuántos impagos obtenemos. Aquí, un éxito es un impago. (Recuerda que la palabra "éxito" solo significa que el ensayo de Bernoulli evalúa a True, es decir, ¿la persona que recibió el préstamo incurrió en impago?) Harás esto para otros 100 ensayos de Bernoulli. Y otra vez, y otra vez hasta haberlo probado 1000 veces. Luego, representarás un histograma que describa la probabilidad del número de impagos.

Este ejercicio forma parte del curso

Pensamiento estadístico en Python (Parte 1)

Ver curso

Instrucciones del ejercicio

Fija la semilla del generador de números aleatorios a 42.
Inicializa n_defaults, un array vacío, usando np.empty(). Debe contener 1000 elementos, ya que haremos 1000 simulaciones.
Escribe un bucle for con 1000 iteraciones para calcular el número de impagos por cada 100 préstamos usando la función perform_bernoulli_trials(). Acepta dos argumentos: el número de ensayos n —en este caso 100— y la probabilidad de éxito p —en este caso, la probabilidad de impago, que es 0.05. En cada iteración del bucle, guarda el resultado en una posición de n_defaults.
Representa un histograma de n_defaults. Incluye el argumento de palabra clave density=True para que la altura de las barras del histograma indique la probabilidad.
Muestra tu gráfica.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Instantiate and seed random number generator


# Initialize the number of defaults: n_defaults


# Compute the number of defaults
for i in ____:
    n_defaults[i] = ____


# Plot the histogram with default number of bins; label your axes
_ = plt.hist(____, ____)
_ = plt.xlabel('number of defaults out of 100 loans')
_ = plt.ylabel('probability')

# Show the plot

Editar y ejecutar código