Comme plus tôt, vous pouvez instancier et amorcer le générateur de nombres aléatoires avec np.random.default_rng(42).
Un tableau vide peut être initialisé avec np.empty(), en indiquant le nombre d'entrées entre parenthèses.
Plus tôt, vous avez itéré sur un intervalle de 100 000 valeurs puis n valeurs avec for i in range(100000) et for i in range(n). Ici, il faut boucler sur le nombre d'entrées que nous avons spécifié. Même si nous avons 1000 entrées, ou simulations, nous n'effectuerons que 100 épreuves de Bernoulli, chacune avec une probabilité de succès p = 0.05; ce sont les arguments à passer à la fonction perform_bernoulli_trials() définie dans l'exercice précédent. Pour chaque simulation, affectez le résultat à l'indice correspondant de n_defaults.
Vous pouvez tracer un histogramme avec plt.hist(), mais n'oubliez pas de préciser density=True en plus de n_defaults.
Utilisez plt.show() pour afficher le graphique.

Quel est l'objectif de l'inférence statistique?

Réflexion statistique en Python (Partie 1)