Harberger Triangle

Ternary Search ist ein Suchalgorithmus, der verwendet wird, um ein Element in einer geordneten Liste oder einem Array zu finden. Im Gegensatz zur binären Suche, die das Array in zwei Hälften teilt, unterteilt die ternäre Suche das Array in drei Teile. Der Algorithmus vergleicht das gesuchte Element mit zwei Schlüsselpunkten, die in den Indizes $\text{mid1}$ und $\text{mid2}$ liegen, die durch folgende Formeln ermittelt werden:

Abhängig von den Vergleichen wird der Suchbereich auf ein Drittel reduziert, was zu einer effizienten Suche führt, insbesondere bei großen Datenmengen. Ternary Search hat eine Zeitkomplexität von $O(\log_3 n)$, was es im Allgemeinen weniger effizient macht als die binäre Suche, aber in bestimmten Situationen vorteilhaft sein kann, insbesondere wenn die Anzahl der Vergleiche minimiert werden muss.

Capital Deepening und Capital Widening sind zwei Konzepte, die häufig in der Volkswirtschaftslehre verwendet werden, um Investitionen in Kapitalgüter zu beschreiben. Capital Deepening bezieht sich auf eine Erhöhung der Kapitalintensität in der Produktion, was bedeutet, dass Unternehmen in qualitativ hochwertigere oder produktivere Maschinen und Technologien investieren. Dies führt in der Regel zu einer höheren Produktivität der Arbeit, da jeder Arbeiter mit mehr oder besseren Werkzeugen ausgestattet ist.

Im Gegensatz dazu bezeichnet Capital Widening die Erhöhung der Gesamtkapitalmenge, ohne die Kapitalintensität zu verändern. Dies geschieht oft durch die Anschaffung zusätzlicher Maschinen oder Anlagen, um die Produktionskapazität zu erweitern. Während Capital Deepening oft zu einer effizienteren Produktion und einem Anstieg des Pro-Kopf-Einkommens führt, kann Capital Widening einfach die Produktionskapazität erhöhen, ohne notwendigerweise die Produktivität der bestehenden Arbeitskräfte zu verbessern.

Zusammengefasst:

• Capital Deepening: Investitionen in bessere oder effizientere Kapitalgüter.
• Capital Widening: Erweiterung des Kapitalstocks ohne Steigerung der Effizienz.

Der Perron-Frobenius-Satz ist ein zentrales Resultat in der linearen Algebra, das sich mit den Eigenwerten und Eigenvektoren von nicht-negativen Matrizen beschäftigt. Er besagt, dass eine irreduzible, nicht-negative Matrix einen einzigartigen größten Eigenwert hat, der positiv ist, und dass der zugehörige Eigenvektor ebenfalls positive Komponenten besitzt. Dies ist besonders wichtig in verschiedenen Anwendungen, wie zum Beispiel in der Wirtschaft, wo Wachstumsmodelle oder Markov-Ketten analysiert werden.

Die grundlegenden Voraussetzungen für den Satz sind, dass die Matrix irreduzibel (d.h. es gibt keinen Weg, um von einem Zustand zu einem anderen zu gelangen) und nicht-negativ (alle Elemente sind ≥ 0) ist. Der größte Eigenwert $\lambda$ und der zugehörige Eigenvektor $v$ erfüllen dann die Gleichung:

Hierbei ist $A$ die betreffende Matrix. Die Konzepte aus dem Perron-Frobenius-Satz sind nicht nur theoretisch von Bedeutung, sondern finden auch praktische Anwendungen in der Wirtschaft, Biologie und anderen Disziplinen, in denen Systeme dynamisch und vernetzt sind.

Hotelling's Law beschreibt ein Phänomen in der Wirtschaftstheorie, das sich auf die Standortwahl von Unternehmen in einem Markt bezieht. Es besagt, dass konkurrierende Unternehmen, die ähnliche Produkte anbieten, oft dazu tendieren, sich geografisch näher zueinander zu positionieren, um einen größeren Marktanteil zu gewinnen. Dieses Verhalten ist besonders ausgeprägt in Märkten mit homogenen Produkten – wie beispielsweise Eisdielen an einem Strand – wo zwei Anbieter dazu neigen, sich in der Mitte des Marktes zu platzieren, um die Anzahl der Kunden zu maximieren.

Die zugrunde liegende Logik ist, dass die Verbraucher dazu neigen, den nächstgelegenen Anbieter zu wählen, was bedeutet, dass ein Unternehmen, das sich weit vom anderen entfernt, potenzielle Kunden verliert. Daher können Unternehmen, um Wettbewerbsvorteile zu sichern, ihre Standorte strategisch anpassen, sodass sie in der Mitte der Nachfragekurve liegen. Dies führt zu einer Konzentration von Anbietern an einem Ort, obwohl eine gleichmäßige Verteilung aus Sicht der Verbraucher vorteilhaft wäre. Mathematisch kann dies durch eine Nachfragekurve und die Kostenstruktur der Anbieter modelliert werden, um das Gleichgewicht der Standorte zu bestimmen.

Random Forest ist ein leistungsfähiges und vielseitiges Ensemble-Lernverfahren, das für Klassifikations- und Regressionsaufgaben eingesetzt wird. Es basiert auf der Idee, mehrere Entscheidungsbäume zu kombinieren, um die Vorhersagegenauigkeit zu erhöhen und Überanpassung (Overfitting) zu reduzieren. Der Algorithmus erstellt viele zufällige Teilmengen der Trainingsdaten und trainiert auf jeder dieser Teilmengen einen Entscheidungsbaum. Dabei werden die Bäume durch zwei Hauptprozesse erstellt:

1. Bootstrap-Aggregation (Bagging): Dabei werden zufällige Stichproben aus den Trainingsdaten gezogen, wobei einige Datenpunkte mehrfach ausgewählt werden können.
2. Zufällige Merkmalsauswahl: Bei der Erstellung jedes Entscheidungsbaums wird nur eine zufällige Teilmenge der Merkmale berücksichtigt, was die Diversität der Bäume erhöht.

Die endgültige Vorhersage des Random Forest wird durch die Aggregation der Vorhersagen aller Bäume getroffen, wobei im Fall der Klassifikation das Mehrheitsvotum und im Fall der Regression der Durchschnitt der Vorhersagen verwendet wird. Dadurch sind Random Forest-Modelle oft robuster und weniger anfällig für Ausreißer im Vergleich zu einzelnen Entscheidungsbäumen.

Der optische Bandabstand (Optical Bandgap) ist ein entscheidendes Konzept in der Festkörperphysik und Materialwissenschaft, das die Energie beschreibt, die benötigt wird, um ein Elektron von einem gebundenen Zustand in einem Material in den Leitungszustand zu befördern. Dieser Energieabstand ist besonders wichtig für Halbleiter und Isolatoren, da er die Absorption von Licht und die elektronische Struktur des Materials beeinflusst. Der optische Bandabstand kann durch verschiedene Methoden bestimmt werden, einschließlich spektroskopischer Techniken wie der UV-Vis-Spektroskopie.

In der Regel wird der optische Bandabstand in Elektronenvolt (eV) angegeben und ist ein Indikator für die Lichtabsorptionseigenschaften eines Materials. Materialien mit einem großen optischen Bandabstand absorbieren Licht in höheren Energiebereichen, während Materialien mit einem kleinen Bandabstand auch im sichtbaren Bereich Licht absorbieren können. Die Beziehung zwischen der Absorption $\alpha$ und der Photonenergie $E$ kann oft durch die Gleichung beschrieben werden:

wobei $E_g$ der optische Bandabstand und $n$ ein Exponent ist, der von der Art des Übergangs abhängt.