Analyse de sensibilité de l'entreprise

Vous allez maintenant examiner ce qui arriverait aux profits de l'entreprise de l'exercice précédent pour diverses valeurs de mean_inflation et de mean_volume. Cela aidera l'entreprise à planifier en fonction de plusieurs niveaux d'inflation et de volumes de ventes, puisqu'aucune entreprise ne peut jamais savoir avec certitude quelle inflation ou quels volumes de ventes elle aura à l'avenir.

Les pourcentages d'inflation moyens que vous souhaitez explorer sont 0, 1, 2, 5, 10, 15, 20, 50, tandis que les valeurs de ventes à utiliser comme volume moyen sont 100, 200, 500, 800, 1000. Pour rappel, voici la définition de la fonction profit_next_year_mc(), qui a déjà été chargée pour vous.

def profit_next_year_mc(mean_inflation, mean_volume, n):
  profits = []
  for i in range(n):
    # Generate inputs by sampling from the multivariate normal distribution
    rate_sales_volume = st.multivariate_normal.rvs(mean=[mean_inflation,mean_volume], cov=cov_matrix,size=1000)
    # Deterministic calculation of company profit
    price = 100 * (100 + rate_sales_volume[:,0])/100
    volume = rate_sales_volume[:,1]
    loan_and_cost = 50 * volume + 45 * (100 + 3 * rate_sales_volume[:,0]) * (volume/100)
    profit = (np.mean(price * volume - loan_and_cost))
    profits.append(profit)
  return profits

Les modules suivants ont été importés : pandas sous le nom pd, numpy sous le nom np, scipy.stats sous le nom st, matplotlib.pyplot sous le nom plt, et seaborn sous le nom sns.