Bretton Woods

Thermische Ausdehnung beschreibt das Phänomen, bei dem sich Stoffe bei Erwärmung ausdehnen und bei Abkühlung zusammenziehen. Diese Veränderung im Volumen oder in den Abmessungen eines Materials ist auf die erhöhte kinetische Energie der Teilchen zurückzuführen, die bei höheren Temperaturen stärker schwingen. Es gibt verschiedene Formen der thermischen Ausdehnung, darunter:

• Längenausdehnung: Bei festen Stoffen führt eine Temperaturerhöhung zu einer Verlängerung der Längenmaße.
• Flächenexpansion: Diese bezieht sich auf die Änderung der Oberfläche eines Materials.
• Volumenausdehnung: Diese tritt in Flüssigkeiten und Gasen auf und beschreibt die Veränderung des gesamten Volumens.

Die mathematische Beziehung, die die Längenausdehnung beschreibt, wird durch die Formel $\Delta L = \alpha \cdot L_0 \cdot \Delta T$ gegeben, wobei $\Delta L$ die Änderung der Länge, $\alpha$ der lineare Ausdehnungskoeffizient, $L_0$ die ursprüngliche Länge und $\Delta T$ die Temperaturänderung ist. Dieses Konzept ist in vielen Anwendungen von entscheidender Bedeutung, beispielsweise beim Bau von Brücken und Schienen, um sicherzustellen, dass die Materialien sich bei Temperaturänderungen entsprechend verhalten.

Die Karush-Kuhn-Tucker-Bedingungen (KKT-Bedingungen) sind ein wesentliches Werkzeug in der Optimierungstheorie, insbesondere bei der Lösung von nichtlinearen Programmierungsproblemen mit Nebenbedingungen. Sie erweitern die Lagrange-Multiplikatoren-Methode, indem sie zusätzliche Bedingungen für die Lösungen einführen, die sowohl die Primal- als auch die Dual-Variablen berücksichtigen. Die KKT-Bedingungen setzen voraus, dass die Zielfunktion $f(x)$ und die Nebenbedingungen $g_i(x)$ (mit $i = 1, \ldots, m$) differentiierbar sind und die folgenden Bedingungen erfüllen:

1. Stationaritätsbedingungen: Der Gradient der Lagrange-Funktion muss gleich Null sein.
2. Primal Feasibility: Die Lösungen müssen die Nebenbedingungen erfüllen, d.h. $g_i(x) \leq 0$.
3. Dual Feasibility: Die Lagrange-Multiplikatoren $\lambda_i$ müssen nicht-negativ sein, also $\lambda_i \geq 0$.
4. Komplementäre Schlupfbedingungen: Für jede Nebenbedingung gilt $\lambda_i g_i(x) = 0$.

Diese Bedingungen sind entscheidend für die Identifikation von optimalen Lösungen in konvexen Optim

Die Von Neumann Utility-Theorie, benannt nach dem Mathematiker John von Neumann, ist ein fundamentales Konzept in der Spieltheorie und der Entscheidungstheorie. Sie besagt, dass der Nutzen eines Individuums aus einer bestimmten Handlung oder Entscheidung in einem unsicheren Umfeld als eine Funktion der möglichen Ergebnisse und deren Wahrscheinlichkeiten dargestellt werden kann. Der Nutzen $U(x)$ eines Ergebnisses $x$ wird dabei häufig als eine reelle Zahl interpretiert, die den subjektiven Wert oder die Zufriedenheit des Individuums widerspiegelt.

In der einfachsten Form können wir den erwarteten Nutzen $EU$ einer Entscheidung als gewichtete Summe der Nutzenwerte der möglichen Ergebnisse formulieren:

Hierbei ist $p_i$ die Wahrscheinlichkeit des Ergebnisses $x_i$. Die Theorie legt nahe, dass rationale Entscheidungsträger ihre Entscheidungen so treffen, dass sie ihren erwarteten Nutzen maximieren. Dieses Konzept hat weitreichende Anwendungen in Wirtschaft, Finanzen und anderen Disziplinen, wo Unsicherheit und strategische Interaktionen eine Rolle spielen.

Der Hamming Bound ist eine wichtige Grenze in der Codierungstheorie, die angibt, wie viele Fehler ein Code korrigieren kann, ohne dass die Dekodierung fehlerhaft wird. Er definiert eine Beziehung zwischen der Codewortlänge $n$, der Anzahl der Fehler, die korrigiert werden können $t$, und der Anzahl der verwendeten Codewörter $M$. Mathematisch wird der Hamming Bound durch die folgende Ungleichung ausgedrückt:

Hierbei ist $\binom{n}{i}$ der Binomialkoeffizient, der die Anzahl der Möglichkeiten darstellt, $i$ Fehler in $n$ Positionen zu wählen. Der Hamming Bound zeigt, dass die Anzahl der Codewörter in einem Fehlerkorrekturcode begrenzt ist, um sicherzustellen, dass die Codes eindeutig dekodiert werden können, auch wenn bis zu $t$ Fehler auftreten. Wenn ein Code die Hamming-Grenze erreicht, wird er als perfekter Code bezeichnet, da er die maximale Anzahl an Codewörtern für eine gegebene Fehlerkorrekturfähigkeit nutzt.

Die Taylorreihe ist eine mathematische Methode zur Approximation von Funktionen durch Polynomfunktionen. Sie basiert auf der Idee, dass eine glatte Funktion in der Nähe eines bestimmten Punktes $a$ durch die Summe ihrer Ableitungen an diesem Punkt beschrieben werden kann. Die allgemeine Form der Taylorreihe einer Funktion $f(x)$ um den Punkt $a$ lautet:

Diese Reihe kann auch in einer kompakten Form geschrieben werden:

Hierbei ist $f^{(n)}(a)$ die $n$-te Ableitung von $f$ an der Stelle $a$ und $n!$ ist die Fakultät von $n$. Taylorreihen sind besonders nützlich in der Numerik und Physik, da sie es ermöglichen, komplizierte Funktionen durch einfachere Polynome zu approximieren, was Berechnungen erleichtert.

Tobin's Q ist ein wichtiges wirtschaftliches Konzept, das die Entscheidung über Investitionen in Bezug auf den Marktwert eines Unternehmens und die Kosten seiner Vermögenswerte analysiert. Es wird definiert als das Verhältnis des Marktwerts der Unternehmensvermögen zu den Wiederbeschaffungskosten dieser Vermögenswerte. Mathematisch ausgedrückt lautet die Formel:

Ein Q-Wert von größer als 1 signalisiert, dass der Marktwert der Vermögenswerte höher ist als die Kosten ihrer Erneuerung, was Unternehmen dazu anregt, mehr zu investieren. Umgekehrt bedeutet ein Q-Wert von weniger als 1, dass die Investitionskosten die Marktwerte übersteigen, was die Unternehmen von weiteren Investitionen abhalten kann. Diese Theorie hilft, die Dynamik zwischen Marktbedingungen und Unternehmensentscheidungen zu verstehen und zeigt, wie Investitionen durch externe Marktbedingungen beeinflusst werden können.