Berapa banyak gagal bayar yang bisa kita harapkan?

Misalkan sebuah bank memberikan 100 kredit KPR. Mungkin saja antara 0 hingga 100 kredit tersebut mengalami gagal bayar. Anda ingin mengetahui probabilitas memperoleh sejumlah gagal bayar tertentu, dengan asumsi probabilitas gagal bayar adalah p = 0.05. Untuk menyelidikinya, Anda akan melakukan simulasi. Anda akan menjalankan 100 percobaan Bernoulli menggunakan fungsi perform_bernoulli_trials() yang Anda tulis pada latihan sebelumnya dan mencatat berapa banyak gagal bayar yang kita peroleh. Di sini, sebuah sukses berarti terjadi gagal bayar. (Ingat bahwa kata "sukses" hanya berarti percobaan Bernoulli bernilai True, yaitu, apakah penerima kredit gagal bayar?) Anda akan melakukan ini untuk 100 percobaan Bernoulli lainnya. Dan lagi dan lagi hingga kita mencobanya 1000 kali. Lalu, Anda akan membuat histogram yang menggambarkan probabilitas jumlah gagal bayar.

Latihan ini adalah bagian dari kursus

Berpikir Statistis dengan Python (Bagian 1)

Lihat Kursus

Petunjuk latihan

Atur seed generator bilangan acak ke 42.
Inisialisasi n_defaults, sebuah array kosong, menggunakan np.empty(). Array ini harus berisi 1000 entri, karena kita melakukan 1000 simulasi.
Tulis sebuah perulangan for dengan 1000 iterasi untuk menghitung jumlah gagal bayar per 100 kredit menggunakan fungsi perform_bernoulli_trials(). Fungsi ini menerima dua argumen: jumlah percobaan n - dalam hal ini 100 - dan probabilitas sukses p - dalam hal ini probabilitas gagal bayar, yaitu 0.05. Pada setiap iterasi perulangan, simpan hasilnya pada sebuah entri n_defaults.
Buat histogram dari n_defaults. Sertakan argumen kata kunci density=True agar tinggi batang histogram menunjukkan probabilitas.
Tampilkan plot Anda.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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

Edit dan Jalankan Kode