Overconfidence Bias

Das Schelling Model ist ein theoretisches Modell, das von dem Ökonomen und Soziologen Thomas Schelling in den 1970er Jahren entwickelt wurde, um das Phänomen der Segregation in Gesellschaften zu erklären. Es zeigt, wie individuelle Präferenzen zu kollektiven Ergebnissen führen können, selbst wenn diese Ergebnisse nicht beabsichtigt sind.

Im Modell leben Individuen auf einem Gitter und haben eine Vorliebe für Nachbarn, die ähnlich sind. Jeder Agent entscheidet, ob er seinen Standort auf der Basis der Zusammensetzung seiner Nachbarschaft ändert. Selbst eine moderate Vorliebe für Homogenität kann zu einer starken Segregation führen, was oft mit der Formel $S(i) = \frac{N_{sim}(i)}{N_{total}(i)}$ dargestellt wird, wobei $N_{sim}$ die Anzahl ähnlicher Nachbarn und $N_{total}$ die Gesamtzahl der Nachbarn ist.

Das Schelling Model verdeutlicht, dass individuelle Entscheidungen auf mikroökonomischer Ebene zu unerwarteten und oft unerwünschten makroökonomischen Ergebnissen führen können, wie z.B. einer stark segregierten Gesellschaft. Die Erkenntnisse aus diesem Modell finden Anwendung in verschiedenen Bereichen, darunter Stadtplanung, Soziologie und Ökonomie.

Eine konvexe Funktion ist eine Funktion $f: \mathbb{R}^n \rightarrow \mathbb{R}$, die die Eigenschaft hat, dass für alle $x, y \in \text{dom}(f)$ und für alle $\lambda \in [0, 1]$ die folgende Ungleichung gilt:

Diese Eigenschaft bedeutet, dass die Linie zwischen zwei Punkten auf dem Graphen der Funktion niemals über den Graphen selbst hinausgeht. Ein weiteres wichtiges Merkmal konvexer Funktionen ist, dass ihre zweite Ableitung, wenn sie existiert, nicht negativ ist: $f''(x) \geq 0$. Konvexe Funktionen besitzen auch die Eigenschaft, dass lokale Minima gleichzeitig globale Minima sind, was sie besonders relevant für Optimierungsprobleme macht. Beispiele für konvexe Funktionen sind quadratische Funktionen, exponentielle Funktionen und die negative logarithmische Funktion.

Das Weierstrass Preparation Theorem ist ein fundamentales Resultat in der komplexen Analysis und der algebraischen Geometrie, das sich mit der Struktur von holomorphen Funktionen in der Nähe von isolierten Singularitäten befasst. Es besagt, dass jede holomorphe Funktion $f(z)$ in einer Umgebung von einem Punkt $a$ in der komplexen Ebene, der eine isolierte Singularität besitzt, sich in eine produktform darstellen lässt. Genauer gesagt kann $f(z)$ in der Form

geschrieben werden, wobei $m$ eine nicht-negative ganze Zahl ist und $g(z)$ eine holomorphe Funktion ist, die an $a$ nicht verschwindet. Dies bedeutet, dass $g(a) \neq 0$. Das Theorem ist besonders nützlich, um die Struktur von Funktionen zu analysieren und zu verstehen, wie sich die Werte der Funktion in der Umgebung der Singularität verhalten. Die Resultate des Weierstrass-Vorbereitungssatzes finden Anwendung in verschiedenen Bereichen, wie etwa der Singulärtheorie und der komplexen Differentialgeometrie.

Die Lucas-Kritik, benannt nach dem Ökonomen Robert Lucas, ist eine wichtige Theorie in der Makroökonomie, die besagt, dass die Wirtschaftspolitik nicht effektiv beurteilt werden kann, wenn man die Erwartungen der Wirtschaftsteilnehmer ignoriert. Lucas argumentiert, dass traditionelle ökonomische Modelle oft darauf basieren, dass vergangene Daten verlässlich sind, um zukünftige politische Maßnahmen zu bewerten. Dies führt zu einer falschen Annahme, da die Menschen ihre Erwartungen anpassen, wenn sie neue Informationen über die Politik erhalten.

Ein zentrales Konzept der Lucas-Kritik ist, dass die Parameter eines Modells, das für die Analyse von Politiken verwendet wird, variieren können, wenn sich die Politik selbst ändert. Dies bedeutet, dass die Auswirkungen einer bestimmten Politik nicht vorhergesagt werden können, ohne die Anpassungen der Erwartungen zu berücksichtigen. Daher ist es notwendig, Modelle zu entwickeln, die rationale Erwartungen einbeziehen, um die tatsächlichen Auswirkungen von wirtschaftspolitischen Entscheidungen realistisch zu erfassen.

Lattice Reduction Algorithms sind Verfahren zur Optimierung der Struktur von Gittern (Lattices) in der Mathematik und Informatik. Ein Gitter ist eine diskrete Menge von Punkten in einem Raum, die durch lineare Kombinationen von Basisvektoren erzeugt werden. Ziel dieser Algorithmen ist es, eine Basis für das Gitter zu finden, die kürzere und näher beieinander liegende Vektoren enthält, was in vielen Anwendungen wie der kryptografischen Sicherheit und der Integer-Programmierung von Bedeutung ist. Zu den bekanntesten Algorithmen gehören der LLL-Algorithmus (Lenstra-Lenstra-Lovász) und der BKZ-Algorithmus (Block Korkin-Zolotarev), die beide die Basis unter Verwendung von orthogonalen Projektionen und Reduktionsschritten anpassen. Eine reduzierte Basis ermöglicht nicht nur eine effizientere Berechnung, sondern verbessert auch die Leistung bei der Lösung von Problemen wie dem Finden von ganzzahligen Lösungen oder der Faktorisierung von Zahlen.

Der Wiener-Prozess, auch als Brownian Motion bekannt, ist ein fundamentaler Prozess in der Stochastik und der Finanzmathematik, der die zufällige Bewegung von Partikeln in Flüssigkeiten beschreibt. Mathematisch wird er als eine Familie von Zufallsvariablen $W(t)$ definiert, die die folgenden Eigenschaften aufweisen:

1. $W(0) = 0$ fast sicher.
2. Die Increments $W(t) - W(s)$ für $0 \leq s < t$ sind unabhängig und normalverteilt mit einem Mittelwert von 0 und einer Varianz von $t - s$.
3. Der Prozess hat kontinuierliche Pfade, d.h. die Funktion $W(t)$ ist mit hoher Wahrscheinlichkeit stetig in der Zeit.

Der Wiener-Prozess wird häufig zur Modellierung von finanziellen Zeitreihen und Diffusionsprozessen in der Physik verwendet, da er eine ideale Grundlage für viele komplexe Modelle bietet, wie zum Beispiel das Black-Scholes-Modell zur Bewertung von Optionen.