Hur många fallissemang kan vi förvänta oss?

Anta att en bank har beviljat 100 bolånelån. Antalet lån som hamnar i fallissemang kan vara allt från 0 till 100. Du vill ta reda på sannolikheten för ett visst antal fallissemang, givet att sannolikheten för ett fallissemang är p = 0.05. För att undersöka detta gör du en simulering. Du utför 100 Bernoulli-försök med funktionen perform_bernoulli_trials() som du skrev i föregående övning och registrerar hur många fallissemang du får. Här är ett fallissemang en "framgång". (Kom ihåg att "framgång" helt enkelt betyder att Bernoulli-försöket utvärderas till True, det vill säga att låntagaren hamnade i fallissemang.) Du upprepar detta för ytterligare 100 Bernoulli-försök – om och om igen tills du har gjort det 1 000 gånger. Sedan ritar du ett histogram som beskriver sannolikheten för olika antal fallissemang.

Den här övningen är en del av kursen

Statistiskt tänkande i Python (del 1)

Visa kurs

Övningsinstruktioner

Seeda slumptalsgeneratorn med värdet 42.
Initiera n_defaults som en tom array med np.empty(). Den ska innehålla 1 000 element, eftersom vi gör 1 000 simuleringar.
Skriv en for-slinga med 1000 iterationer för att beräkna antalet fallissemang per 100 lån med funktionen perform_bernoulli_trials(). Den tar två argument: antalet försök n – i det här fallet 100 – och sannolikheten för framgång p – i det här fallet sannolikheten för ett fallissemang, vilket är 0.05. Lagra resultatet i motsvarande element i n_defaults för varje iteration.
Rita ett histogram över n_defaults. Inkludera nyckelordsargumentet density=True så att staplarnas höjd anger sannolikheten.
Visa diagrammet.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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

Redigera och kör kod