StudierendeLehrende

Marshallian Demand

Die Marshallian Demand beschreibt die Menge eines Gutes, die ein Konsument nachfragt, um seinen Nutzen zu maximieren, gegeben ein bestimmtes Einkommen und die Preise der Güter. Diese Nachfragefunktion basiert auf der Annahme, dass Konsumenten rational handeln und ihre Ressourcen effizient einsetzen. Der Prozess zur Bestimmung der Marshallian Demand umfasst die Lösung des Optimierungsproblems, bei dem der Nutzen maximiert und die Budgetbeschränkung berücksichtigt wird. Mathematisch lässt sich die Marshallian Demand für ein Gut xxx durch die Gleichung darstellen:

x(p,I)=argmaxx(U(x))unter der Bedingungp⋅x≤Ix(p, I) = \text{argmax}_{x} \left( U(x) \right) \quad \text{unter der Bedingung} \quad p \cdot x \leq Ix(p,I)=argmaxx​(U(x))unter der Bedingungp⋅x≤I

Hierbei steht ppp für den Preis des Gutes, III für das Einkommen und U(x)U(x)U(x) für die Nutzenfunktion des Konsumenten. Die Marshallian Demand ist somit eine zentrale Komponente der Mikroökonomie, da sie zeigt, wie Preisänderungen und Einkommensveränderungen das Konsumverhalten beeinflussen können.

Weitere verwandte Begriffe

contact us

Zeit zu lernen

Starte dein personalisiertes Lernelebnis mit acemate. Melde dich kostenlos an und finde Zusammenfassungen und Altklausuren für deine Universität.

logoVerwandle jedes Dokument in ein interaktives Lernerlebnis.
Antong Yin

Antong Yin

Co-Founder & CEO

Jan Tiegges

Jan Tiegges

Co-Founder & CTO

Paul Herman

Paul Herman

Co-Founder & CPO

© 2025 acemate UG (haftungsbeschränkt)  |   Nutzungsbedingungen  |   Datenschutzerklärung  |   Impressum  |   Jobs   |  
iconlogo
Einloggen

Chandrasekhar-Masse-Derivation

Die Chandrasekhar-Masse ist die maximale Masse eines stabilen weißen Zwergs und beträgt etwa 1,4 M⊙1,4 \, M_\odot1,4M⊙​ (Solarmasse). Sie wurde von dem indischen Astrophysiker Subrahmanyan Chandrasekhar abgeleitet, indem er die physikalischen Prinzipien der Quantenmechanik und der Thermodynamik anwendete. Die Ableitung basiert auf dem Pauli-Ausschlussprinzip, das besagt, dass keine zwei Fermionen (wie Elektronen) denselben Quantenzustand einnehmen können. Wenn die Masse eines weißen Zwergs die Chandrasekhar-Masse überschreitet, wird der Druck, der durch die Elektronenentartung erzeugt wird, nicht mehr ausreichen, um die Schwerkraft zu balancieren. Dies führt zu einer Instabilität, die den Stern in eine Supernova oder einen Neutronenstern kollabieren lässt. Mathematisch wird dies oft durch die Gleichung für den Druck und die Dichte eines entarteten Elektronengases formuliert.

Froude-Zahl

Die Froude-Zahl (Fr) ist eine dimensionslose Kennzahl, die in der Strömungsmechanik verwendet wird, um das Verhältnis der Trägheitskräfte zu den Schwerkraftkräften in einer Fluidströmung zu beschreiben. Sie wird definiert als:

Fr=vgL\text{Fr} = \frac{v}{\sqrt{gL}}Fr=gL​v​

Dabei ist vvv die Strömungsgeschwindigkeit, ggg die Erdbeschleunigung und LLL eine charakteristische Länge, wie beispielsweise die Wellenlänge oder die Wassertiefe. Die Froude-Zahl ist besonders wichtig in der Schifffahrt und Hydraulik, da sie hilft, das Verhalten von Wasseroberflächen und die Stabilität von Schiffen zu analysieren. Eine Froude-Zahl kleiner als 1 deutet auf subkritische Strömung hin, während eine Zahl größer als 1 auf superkritische Strömung hinweist. Diese Unterscheidung ist entscheidend für das Verständnis von Wellenbewegungen und Strömungsregimes.

Crispr Off-Target-Effekt

Der Crispr Off-Target Effect bezieht sich auf unbeabsichtigte Veränderungen im Erbgut, die auftreten können, wenn das Crispr-Cas9-System nicht nur an die gewünschte Ziel-DNA bindet, sondern auch an ähnliche, nicht beabsichtigte Stellen im Genom. Diese unerwünschten Schnitte können potenziell zu genetischen Mutationen führen, die negative Auswirkungen auf die Zelle oder den gesamten Organismus haben können. Die Spezifität von Crispr wird durch die Homologie zwischen dem RNA-Guide und der Ziel-DNA bestimmt; je ähnlicher die Sequenzen sind, desto höher ist die Wahrscheinlichkeit für Off-Target-Effekte.

Um diese Effekte zu minimieren, werden verschiedene Strategien entwickelt, wie z.B. die Verbesserung der RNA-Designs oder die Verwendung von modifizierten Cas9-Enzymen, die eine höhere Spezifität aufweisen. Die Untersuchung und Validierung von Off-Target-Effekten ist entscheidend für die Sicherheit und Effizienz von Crispr-basierten Anwendungen in der Gentechnik und Medizin.

Tychonowscher Satz

Das Tychonoff-Theorem ist ein zentrales Resultat in der allgemeinen Topologie, das sich mit der Produkttopologie beschäftigt. Es besagt, dass das Produkt beliebig vieler kompakten topologischen Räume ebenfalls kompakt ist. Formal ausgedrückt: Sei {Xi}i∈I\{X_i\}_{i \in I}{Xi​}i∈I​ eine Familie von kompakten Räumen, dann ist der Produktraum ∏i∈IXi\prod_{i \in I} X_i∏i∈I​Xi​ mit der Produkttopologie kompakt.

Ein wichtiges Konzept, das in diesem Zusammenhang verwendet wird, ist die offene Überdeckung. Eine Familie von offenen Mengen {Uα}\{U_\alpha\}{Uα​} in ∏i∈IXi\prod_{i \in I} X_i∏i∈I​Xi​ ist eine Überdeckung, wenn jede Punkt x∈∏i∈IXix \in \prod_{i \in I} X_ix∈∏i∈I​Xi​ in mindestens einem der UαU_\alphaUα​ liegt. Das Tychonoff-Theorem garantiert, dass aus jeder offenen Überdeckung eine endliche Teilüberdeckung existiert, wenn man nur kompakten Räumen betrachtet. Dieses Theorem hat weitreichende Anwendungen, unter anderem in der Funktionalanalysis und der algebraischen Geometrie.

Tarjans Brückenfindung

Tarjan's Bridge-Finding-Algorithmus ist ein effizienter Algorithmus zur Identifizierung von sogenannten Brücken in einem ungerichteten Graphen. Eine Brücke ist eine Kante, deren Entfernung den Graphen in zwei getrennte Teile zerlegt, was bedeutet, dass es ohne diese Kante keinen Pfad mehr zwischen den beiden Knoten gibt. Der Algorithmus nutzt eine Tiefensuche (DFS) und verfolgt dabei zwei wichtige Werte für jeden Knoten: den Entdeckungszeitpunkt und den niedrigsten erreichbaren Punkt (low-link value). Der low-link value eines Knotens ist der kleinste Entdeckungszeitpunkt, den man durch einen Rückweg erreichen kann, und wird verwendet, um zu bestimmen, ob eine Kante eine Brücke ist. Der Algorithmus hat eine Zeitkomplexität von O(V+E)O(V + E)O(V+E), wobei VVV die Anzahl der Knoten und EEE die Anzahl der Kanten im Graphen ist, was ihn sehr effizient macht für große Graphen.

Investitionsrechnungstechniken

Capital Budgeting Techniken sind Verfahren, die Unternehmen verwenden, um Investitionsentscheidungen zu bewerten und zu priorisieren. Diese Techniken helfen dabei, die Rentabilität und das Risiko von langfristigen Investitionen, wie z.B. dem Kauf von Maschinen oder der Entwicklung neuer Produkte, zu analysieren. Zu den gängigsten Methoden gehören:

  • Net Present Value (NPV): Diese Methode berechnet den Barwert zukünftiger Cashflows, abgezinst auf den heutigen Wert, und subtrahiert die Anfangsinvestition. Ein positives NPV zeigt an, dass die Investition vorteilhaft ist.

  • Internal Rate of Return (IRR): Der IRR ist der Zinssatz, bei dem der NPV einer Investition gleich null ist. Wenn der IRR über den Kapitalkosten liegt, gilt die Investition als akzeptabel.

  • Payback Period: Diese Technik misst die Zeit, die benötigt wird, um die anfängliche Investition durch die Cashflows zurückzuerhalten. Eine kürzere Rückzahlungsdauer wird oft bevorzugt, da sie die Liquiditätsrisiken verringert.

Diese Methoden unterstützen Entscheidungsträger dabei, fundierte und strategische Investitionsentscheidungen zu treffen.