Symulacja problemu zysku

Pracujesz w firmie produkującej sprzęt przemysłowy. Cena sprzedaży każdej sztuki wynosi 100 000 USD. Wiesz też, że istnieje silna ujemna korelacja między inflation_rate (stopą inflacji) a volume (wolumenem sprzedaży). Ta zależność jest opisana przez macierz kowariancji cov_matrix, dostępną w konsoli.

Funkcja profit_next_year_mc() przeprowadza symulację Monte Carlo i zwraca oczekiwany zysk (w tysiącach dolarów) na podstawie średniej stopy inflacji i średniego wolumenu sprzedaży. Musisz też przekazać argument n – liczbę powtórzeń symulacji. Funkcja jest już wczytana, a jej definicja znajduje się poniżej.

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

Następujące biblioteki zostały już zaimportowane: pandas jako pd, numpy jako np, scipy.stats jako st, matplotlib.pyplot jako plt oraz seaborn jako sns.