Podobnie jak wcześniej, możesz zainicjować generator liczb losowych i ustawić ziarno za pomocą np.random.default_rng(42).
Pustą tablicę możesz zainicjować funkcją np.empty(), podając liczbę elementów w nawiasach.
Wcześniej pętla przebiegała przez zakres 100 000 i n wartości, odpowiednio za pomocą for i in range(100000) i for i in range(n). Tutaj pętla powinna obejmować liczbę wpisów, którą określiłeś/-aś. Mamy 1000 wpisów (symulacji), ale w każdej z nich wykonamy tylko 100 prób Bernoulliego, z prawdopodobieństwem sukcesu p = 0.05. To właśnie te argumenty należy przekazać do funkcji perform_bernoulli_trials() zdefiniowanej w poprzednim ćwiczeniu. Wynik każdej próby przypisz do odpowiedniego indeksu tablicy n_defaults.
Histogram możesz wykreślić za pomocą plt.hist() – pamiętaj, aby oprócz n_defaults podać też argument density=True.
Użyj plt.show(), aby wyświetlić wykres.

Jaki jest cel wnioskowania statystycznego?

Myślenie statystyczne w Pythonie (część 1)