Summary
Zusammenfassung Mathematische Methoden der Wirtschaftswissenschaft S100
- Course
- Institution
Zusammenfassung komplettes Semester z. T. mit Beispielen
[Show more]
Seller
Follow
renejaeger1
Content preview
Lineare Algebra1. Vektoren
➢ Elemente des kartesischen Produkts x x … x = n nennt man Vektoren.
➢ n-dimensionaler Spaltenvektor
𝑣1
v =( ⋮ )
𝑣𝑛
➢ m-dimensionaler Zeilenvektor
v = (𝑣1 … 𝑣𝑚 )
➢ Transponieren eines Vektors
𝑣1
v = ( 2 ); vT = (𝑣1 𝑣2 𝑣3 )
𝑣
𝑣3
➢ Ordnungsrelationen für gleichdimensionale Vektoren
o Gleichheit von Vektoren
2 2
v = ( ); w = ( )
1 1
→v=w
o Ungleichheit von Vektoren
2 4
v = ( ); w = ( )
1 6
→v<w
8 2
v = ( ); w = ( )
7 1
→v>w
2 0
v = ( ); w = ( )
1 2
→v≠w
➢ Für den Vektor v, der den Punkt A ⟨a1|a2 |a3⟩ auf den Punkt B ⟨b1 |b2|b3 ⟩ abbildet, gilt:
𝑏1 − 𝑎1
v = (𝑏2 − 𝑎2 )
𝑏3 − 𝑎3
➢ Der Vektor v hat den Gegenvektor –v. Vektor und Gegenvektor sind gleich lang, aber
entgegengesetzt orientiert.
➢ Der Vektor, der einen Punkt auf sich selbst abbildet, heißt Nullvektor.
0
0 = (0)
0
➢ Der Vektor, der den Ursprung 0 auf den Punkt P abbildet, heißt Ortsvektor von P. Der
Ortvektor von P hat die gleichen Koordinaten wie der Punkt P.
𝑝1
𝑝
P ⟨p1 |p2 |p3⟩; Ortsvektor von P = ( 2 )
𝑝3
➢ Der Vektor ~v, der in die gleiche Richtung zeigt wie der Vektor v und den Betrag 1 hat,
heißt Einheitsvektor.
v v v
v~ = Betrag von v = d(v) = T
√v ∙v
,➢ Die Summe von Vielfachen von Vektoren nennt man Linearkombination von Vektoren.
Man bezeichnet c1, c2, …, ck ∈ als Gewichtungsfaktoren. Wenn sich alle Gewichtungs-
faktoren zu 1 addieren, also 0 ≤ ci ≤ 1 und ∑𝑘𝑖=1 𝑐𝑖 = 1 gelten, spricht man von einer
Konvexkombination.
w = c1 ∙ v + c2 ∙ u + c3 ∙ q
➢ Betrag oder Norm eines Vektors
d(v) = ||v|| = √v1 2 + …2 + vn 2 = √v T ∙ v
Beispiel:
1
v = (2)
2
d(v) = ||v|| = √12 + 22 + 22 = √9 = 3
➢ Vektoroperationen für gleichdimensionale Vektoren
o Addition und Subtraktion von Vektoren:
Zwei Vektoren v und u werden addiert bzw. subtrahiert, indem man die einzelnen
Koordinaten der Vektoren addiert bzw. subtrahiert.
𝑣1 𝑢1 𝑣1 + 𝑢1
v + u = (𝑣2 ) + (𝑢2 ) = (𝑣2 + 𝑢2 )
𝑣3 𝑢3 𝑣3 + 𝑢3
𝑣1 𝑢1 𝑣1 − 𝑢1
v – u = ( 2 ) – ( 2 ) = ( 2 − 𝑢2 )
𝑣 𝑢 𝑣
𝑣3 𝑢3 𝑣3 − 𝑢3
Gesetz Regel (Vektoren a, b, c)
Kommutativgesetz a+b=b+a
Assoziativgesetz a + (b + c) = (a + b) + c
Existenz des neutralen Elements 0 a+0=a
Existenz des inversen Elements –a a–a=0
o skalare Multiplikation und skalare Division von Vektoren:
Ein Vektor wird mit einem Wert t multipliziert, indem man die einzelnen Koordinaten
mit t multipliziert.
Ein Vektor wird durch einen Wert t dividiert, indem man die einzelnen Koordinaten
durch t dividiert.
𝑣1 𝑣1
1 1
t ∙ v = t ∙ (𝑣2 ) bzw. t ∙ v = t ∙ (𝑣2 )
𝑣3 𝑣3
Gesetz Regel (Vektoren a, b; Skalar r)
Assoziativgesetz r ∙ (s ∙ a) = (r ∙ s) ∙ a
Distributivgesetz (ausmultiplizieren) r ∙ (a + b) = r ∙ a + r ∙ b
Distributivgesetz (ausklammern) r ∙ a + r ∙ b = r ∙ (a + b)
, o inneres Produkt von Vektoren:
Als inneres Produkt bezeichnet man die Multiplikation eines Zeilenvektors mit einem
Spaltenvektor.
Zwei Vektoren sind orthogonal zueinander, wenn ihr inneres Produkt gleich 0 ist.
Wenn zusätzlich zu vTw = 0 auch vTv = wTw = 1 gilt, sind sie orthonormal zueinander.
𝑣T 𝑤 ∑𝑛𝑖=1 𝑣𝑖 𝑤𝑖
∙
(1𝑥𝑛) (𝑛𝑥1) =
(1𝑥1)
Beispiel:
4
vT = (1 2 3); w = (2); vT ∙ w = 1 ∙ 4 + 2 ∙ 2 + 3 ∙ 5 = 23
5
Rechenregeln für das innere Produkt (Vektoren u, v und w; Skalar c)
➢ vT ∙ w = wT ∙ v
➢ vT ∙ (w + u) = vT ∙ w + vT ∙ u
➢ (c ∙ v)T ∙ w = vT ∙ (c ∙ w) = c ∙ (vT ∙ w)
➢ vT ∙ v = ∑𝑛𝑖=1 𝑣𝑖 2 > 0 für v ≠ 0
➢ vT ∙ ϛ = ∑𝑛𝑖=1 𝑣𝑖 mit ϛ = entsprechender Einheitsvektor der Dimension n
Beispiel:
1
vT = (1 2 3); ϛ = (1)
1
vT ∙ ϛ = 1 + 2 + 3 = 6
➢ Winkel zwischen Vektoren
||vT ∙ w|| ||vT ∙ w||
cos(α) = ||v|| ∙||w|| =
√vT ∙ v ∙ √wT ∙ w
||vT ∙ w||
α = arccos( )
√ vT ∙ v ∙ √ w T ∙ w
Beispiel:
1 1
v = ( ); vT = (1 0); u = ( ); uT = (1 1)
0 1
T ( ) 1
v ∙ u = 1 0 ∙( )= 1
1
||v|| = √v T ∙ v = √12 + 02 = √1 = 1
||u|| = √uT ∙ u = √12 + 12 = √2
||vT ∙ w|| 1
α = arccos( ) = arccos(1 ∙ ) = 45°
√ vT ∙ v ∙ √ w T ∙ w √2
➢ lineare (Un-)Abhängigkeit von Vektoren
o Vektoren heißen linear unabhängig, wenn c1 ∙ v1 + c2 ∙ v2 + … + ck ∙ vk = 0
ausschließlich durch c1 = c2 = … = ck = 0 für c1, c2, …, ck ∈ erfüllbar ist.
Beispiel:
1 1
v1 = ( ); v2 = ( )
2 0
① c1 ∙ 1 + c2 ∙ 1 = 0
② c1 ∙ 2 + c2 ∙ 0 = 0
→ c1 = 0 → c2 = 0 → lineare unabhängig
, o Andernfalls heißen Vektoren linear abhängig. Dann gilt v1 = d2 ∙ v2 + … + dk ∙ vk mit
d2, …, dk ∈ .
Beispiel:
1 2
v1 = ( ); v2 = ( )
2 4
① c1 ∙ 1 + c2 ∙ 2 = 0
② c1 ∙ 2 + c2 ∙ 4 = 0
→ c1 = 2 → c2 = – 1 → lineare abhängig
➢ Geraden im n-dimensionalen Raum
Die Gerade L in n durch die zwei verschiedenen Punkte a und b ist die Menge aller
Punkte x mit: x = (1 – c) ∙ a + c ∙ b mit c ∈ .
Beispiel: Schnittpunkt mit x1-x2-Ebene
A⟨1|2|2⟩; B ⟨−1|−2|−1⟩ x3 = 0
x1 = (1 – c) ∙ 1 + c ∙ (– 1) = 1 – 2c 0 = 2 – 3c
x2 = (1 – c) ∙ 2 + c ∙ (– 2) = 2 – 4c c = 2/3
x3 = (1 – c) ∙ 2 + c ∙ (– 1) = 2 – 3c S = ⟨−1/3|−2/3|0⟩
➢ Vektorraum
In jedem Vektorraum V gibt es eine Maximalzahl m linear unabhängiger Vektoren, die
durch die Dimension bestimmt wird: dimV = m.
Jede Teilmenge B von m Vektoren eines Vektorraums, die linear unabhängig ist und den
gesamten Vektorraum aufspannt, ist eine Basis: B = {a1, a2, …, am} ⊂ m.
2. Matrizen
➢ Reiht man m Spaltenvektoren der Länge n nebeneinander bzw. n Zeilenvektoren der
Länge m untereinander, so ergibt sich eine Matrix der Dimension (n x m):
𝑎11 … 𝑎1𝑚
𝑨
=( ⋮ 𝑎𝑖𝑗 ⋮ )
(𝑛𝑥𝑚) 𝑎 … 𝑎𝑛𝑚
𝑛1
Die Zusammenfassung von (n x m) reellen Zahlen aij ∈ mit i = 1, …, n und j = 1, …, m
nennt man (n x m)-Matrix. Sie besitzt n Zeilen und m Spalten.
➢ Vektoren können unter dieser Definition als spezielle Matrizen aufgefasst werden.
o Zeilenvektor: (1 x m)-Matrix
o Spaltenvektor: (n x 1)-Matrix
o Skalar: (1 x 1)-Matrix
➢ Ordnungsrelationen für gleichdimensionale Matrizen
o A = B ↔ aij = bij für alle i = 1, …, n und j = 1, …, m
o A ≥ B ↔ aij ≥ bij für alle i = 1, …, n und j = 1, …, m
o A > B ↔ aij > bij für alle i = 1, …, n und j = 1, …, m
o A < B ↔ aij < bij für alle i = 1, …, n und j = 1, …, m
o A ≤ B ↔ aij ≤ bij für alle i = 1, …, n und j = 1, …, m
➢ Matrizenoperationen
o Multiplikation mit einem Skalar
C = k ∙ A ↔ cij = k ∙ aij für alle i und j
o Addition und Subtraktion von gleichdimensionalen Matrizen
C = A ± B ↔ cij = aij ± bij für alle i und j
, Gesetz Regel (Matrizen A, B, C; Skalar k)
Kommutativgesetz A+B=B+A
Assoziativgesetz A + (B + C) = (A + B) + C
Distributivgesetz k ∙ (A + B) = k ∙ A + k ∙ B
Existenz des neutralen Elements 0 A+0=A
Existenz des inversen Elements –a A–A=0
o Multiplikation von konformen Matrizen als Verallgemeinerung des inneren Produkts:
Das erste Element der ersten Zeile von C = A ∙ B ergibt sich aus dem inneren Produkt
der ersten Zeile von A und der ersten Spalte von B.
c11 = ∑𝑚𝑖=1 𝑎1𝑖 ∙ 𝑏𝑖1
allgemein:
ckl = ∑𝑚
𝑖=1 𝑎𝑘𝑖 ∙ 𝑏𝑖𝑙
Falksches Schema
Prämultiplikation von links
Achtung: i. d. R. kein Kommutativgesetz
C = A + B → D ∙ C = D ∙ (A + B)
Postmultiplikation von rechts
A∙B≠B∙A
C = A + B → C ∙ D = (A + B) ∙ D
, Gesetz Regel (Matrizen A, B, C)
Assoziativgesetz A ∙ (B ∙ C) = (A ∙ B) ∙ C
rechtsseitiges Distributivgesetz (A + B) ∙ C = A ∙ C + B ∙ C
linksseitiges Distributivgesetz A ∙ (B + C) = A ∙ B + A ∙ C
Beispiel:
𝑨 1 0 2
=( )
(2𝑥3) 2 2 3
𝑩 1 1
=( 2)
(3𝑥2) 0
1 3
𝑪 𝑨 𝑩 𝑫 𝑩 𝑨
= ∙ = ∙
(2𝑥2) (2𝑥3) (3𝑥2) (3𝑥3) (3𝑥2) (2𝑥3)
1 1
c11 = (1 1) ∙ ( ) = 1 + 2 = 3
c11 = (1 0 2) ∙ (0) = 1 + 0 + 2 = 3 2
1 0
c12 = (1 1) ∙ ( ) = 0 + 2 = 2
1 2
c12 = (1 0 2) ∙ (2) = 1 + 0 + 6 = 7 2
c13 = (1 1) ∙ ( ) = 2 + 3 = 5
3 3
1 1
c21 = (0 2) ∙ ( ) = 0 + 4 = 4
c21 = (2 2 3) ∙ (0) = 2 + 0 + 3 = 5 2
0
1 c22 = (0 2) ∙ ( ) = 0 + 4 = 4
1 2
2
c22 = (2 2 3) ∙ (2) = 2 + 4 + 9 = 15c23 = (0 2) ∙ ( ) = 0 + 6 = 6
3
3 1
c31 = (1 3) ∙ ( ) = 1 + 6 = 7
2
0
c32 = (1 3) ∙ ( ) = 0 + 6 = 6
2
2
c33 = (1 3) ∙ ( ) = 2 + 9 = 11
3
𝑪 𝑫 3 2 5
3 7
=( ) =( )
(2𝑥2) 5 15 (3𝑥3) 4 4 6
7 6 11
𝑪 𝑨 𝑩 𝑩 𝑨 𝑫
= ∙ ≠ ∙ =
(2𝑥2) (2𝑥3) (3𝑥2) (3𝑥2) (2𝑥3) (3𝑥3)
, Matrixmultiplikation mit Hilfe des Spaltenbilds:
𝑨 𝑩 𝑪
∙ =
(𝑚𝑥𝑛) (𝑛𝑥𝑝) (𝑚𝑥𝑝)
Die Spalten in C sind Linearkombinationen der Spalten in A mit Gewichten aus den
Spalten in B.
𝑨 2 −1
=( )
(2𝑥2) −1 2
𝑩 1 0
=( )
(2𝑥2) 2 1
𝑪 2 −1 2 −1 0 −1
= (( ) ∙ 1 + ( ) ∙ 2 ( ) ∙ 0 + ( ) ∙ 1) = ( )
(2𝑥2) −1 2 −1 2 3 2
Matrixmultiplikation mit Hilfe des Zeilenbilds:
𝑨 𝑩 𝑪
∙ =
(𝑚𝑥𝑛) (𝑛𝑥𝑝) (𝑚𝑥𝑝)
Die Zeilen in C sind Linearkombinationen der Zeilen in B mit Gewichten aus den
Zeilen in A.
𝑨 2 −1
=( )
(2𝑥2) −1 2
𝑩 1 0
=( )
(2𝑥2) 2 1
𝑪 (1 0) ∙ 2 + (2 1) ∙ (−1) 0 −1
=( ) =( )
(2𝑥2) (1 0) ∙ (−1) + (2 1) ∙ 2 3 2
o Potenz einer Matrix
An = A ∙ A ∙ … ∙ A ∙ A mit n > 0 Potenzierung von Produkten einer Matrix
(A ∙ B)2 ≠ A2 ∙ B2
(A ∙ B) ∙ (A ∙ B) ≠ A ∙ A ∙ B ∙ B
n-mal
A0 = I
➢ Transponieren einer Matrix
Beim Transponieren einer Matrix werden die Zeilen und Spalten vertauscht.
1 4
𝑨 𝑨𝑻 1 2 3
= (2 5); =( )
(3𝑥2) (2𝑥3) 4 5 6
3 6
allgemein:
𝑎11 … 𝑎1𝑚 𝑎11 … 𝑎𝑛1
𝑨 ⋮ 𝑎 ⋮ 𝑨𝑻
=( 𝑖𝑗 ); =( ⋮ 𝑎𝑖𝑗 ⋮ )
(𝑛𝑥𝑚) 𝑎 … 𝑎𝑛𝑚 (𝑚𝑥𝑛) 𝑎1𝑚 … 𝑎𝑛𝑚
𝑛1
Regeln beim Transponieren einer Matrix
(AT)T = A
(A + B)T = AT + BT
𝑪 (𝑨 ∙ 𝑩)𝐓 𝑩𝐓 𝑨𝐓
= = ∙
(𝑘𝑥𝑛) (𝑛𝑥𝑚)(𝑚𝑥𝑘) (𝑘𝑥𝑚) (𝑚𝑥𝑛)
➢ äußeres Produkt von Vektoren
𝑣1 𝑤1 … 𝑣1 𝑤𝑚 𝑣1 ∙ 𝑤 𝑇
𝑣 𝑤𝑇
( ⋮ ⋱ ⋮ ) = (𝑣 ∙ 𝑤1 … 𝑣 ∙ 𝑤𝑚 ) = ( ⋮ )
(𝑛𝑥1) ∙ (1𝑥𝑚) =
𝑣𝑛 𝑤1 … 𝑣𝑛 𝑤𝑚 𝑣𝑛 ∙ 𝑤 𝑇
,3. Eigenschaften besonderer Matrizen
➢ quadratische Matrizen
→ Anzahl der Zeilen = Anzahl der Spalten → (n x n)-Matrix
𝑎11 … 𝑎1𝑛
𝑨
=( ⋮ ⋱ ⋮ )
(𝑛𝑥𝑛)
𝑎𝑛1 … 𝑎𝑛𝑛
Beispiel:
𝑨 1 2 3
= (4 5 6 )
(3𝑥3)
7 8 9
➢ Null-Matrix
→ Matrix, bei der alle Elemente gleich 0 sind
0 … 0
0 =( ⋮ ⋱ ⋮)
0 … 0
A+0=A
A∙0=0
➢ Einheitsmatrix
→ quadratische Matrix, bei der alle Elemente der Hauptdiagonalen gleich 1 sind und alle
→ weiteren Elemente gleich 0 sind
1 0 … 0
𝑰𝒏 0 1 … 0
=( )
(𝑛𝑥𝑛) ⋮ ⋮ ⋱ ⋮
0 0 … 1
𝑨 𝑰 𝑨 𝑰 𝑨
∙ = = ∙
(𝑛𝑥𝑚) (𝑚𝑥𝑚) (𝑛𝑥𝑚) (𝑛𝑥𝑛) (𝑛𝑥𝑚)
Beispiel:
𝑰𝟑 1 0 0
= (0 1 0 )
(3𝑥3)
0 0 1
➢ symmetrische Matrizen
→ quadratische Matrix, die identisch zu ihrer Transponierten ist
𝑎11 𝑎12 𝑎1𝑛
𝑨
= ( 𝑎12 ⋱ 𝑎2𝑛 )
(𝑛𝑥𝑛)
𝑎1𝑛 𝑎2𝑛 𝑎𝑛𝑛
Beispiel:
1 2 7
𝑨 𝑨𝑻
= (2 3 5 ) =
(3𝑥3) (3𝑥3)
7 5 9
➢ Diagonalmatrizen
→ quadratische Matrix, deren Elemente außerhalb der Hauptdiagonalen gleich 0 sind
𝑑11 0 … 0
𝑫𝒏 0 𝑑22 … 0
=( )
(𝑛𝑥𝑛) ⋮ ⋮ ⋱ ⋮
0 0 … 𝑑𝑛𝑛 Um eine beliebige Matrix B
Beispiel: so umzuformen, dass sie
𝑫𝟑 1 0 0 symmetrisch ist, addiert man
= (0 2 0 ) sie zu ihrer Transponierten
(3𝑥3)
0 0 3 und dividiert durch zwei.
0,5 ∙ (B + BT)
,➢ Dreiecksmatrizen
→ quadratische Matrix, deren Elemente auf einer Seite der Hauptdiagonalen gleich 0
→ sind und auf der anderen Seite der Hauptdiagonalen von 0 verschieden sein können
untere Dreiecksmatrix obere Dreiecksmatrix
Beispiel: Beispiel:
𝑨 1 0 0 𝑩 1 2 7
=( ) =( )
(3𝑥3) 2 3 0 (3𝑥3) 0 3 4
7 4 9 0 0 9
➢ idempotente Matrizen
→ quadratische Matrix, für die A2 = A ∙ A = A gilt
Beispiel:
𝑨 2 −2 −4
= (−1 3 4)
(3𝑥3)
1 −2 −3
2 −2 −4 2 −2 −4 2 −2 −4
A2 = A ∙ A = (−1 3 4 ) ∙ (−1 3 4 ) = (−1 3 4 )=A
1 −2 −3 1 −2 −3 1 −2 −3
➢ Permutationsmatrix
→ Matrix, die bei Multiplikation die Spalten bzw. Zeilen einer Ausgangsmatrix vertauscht
Spaltentausch mit Hilfe des Spaltenbilds Zeilentausch mit Hilfe des Zeilenbilds
Ausgangsmatrix: Ausgangsmatrix:
𝑨 2 3 𝑨 2 3
=( ) =( )
(2𝑥2) 4 6 (2𝑥2) 4 6
Zielmatrix: Zielmatrix:
𝑩 3 2 𝑩 4 6
=( ) =( )
(2𝑥2) 6 4 (2𝑥2) 2 3
Permutationsmatrix: Permutationsmatrix:
𝑨 𝑩 𝑨 𝑩
∙( )= ( )∙ =
(2𝑥2) (2𝑥2) (2𝑥2) (2𝑥2)
2 3 0 1 3 2 0 1 2 3 4 6
( )∙( )=( ) ( )∙( )=( )
4 6 1 0 6 4 1 0 4 6 2 3
→ 0-mal die erste Spalte von A und 1-mal → 0-mal die erste Zeile von A und 1-mal
→ die zweite Spalte von A → die zweite Zeile von A
→ 1-mal die erste Spalte von A und 0-mal → 1-mal die erste Zeile von A und 0-mal
→ die zweite Spalte von A → die zweite Zeile von A
→ Postmultiplikation für Spaltentausch → Prämultiplikation für Zeilentausch
, 4. Invertieren einer Matrix
➢ Eigenschaft der Inversen einer Matrix: A ∙ A–1 = A–1 ∙ A = I
➢ A als quadratische Matrix aus Konformitätsgründen
➢ nicht jede quadratische Matrix besitzt eine Inverse
➢ jede Inverse ist stets eindeutig
➢ Eigenschaften invertierbarer Matrizen
o (A –1)–1 = A
o (A ∙ B)–1 = B–1 ∙ A–1
o (AT)–1 = (A–1)T
➢ Vergleich von regulären und singulären Matrizen
regulär bzw. nicht singulär nicht regulär bzw. singulär
- A ist invertierbar - A ist nicht invertierbar
- det(A) ≠ 0 - det(A) = 0
- Zeilen bzw. Spalten in A sind - Zeilen bzw. Spalten in A sind
- linear unabhängig - linear abhängig
- rg(A) = n - rg(A) = r mir r < n
- Ax = b besitzt genau eine - Ax = b besitzt unendlich viele
- Lösung: x* = A–1b - Lösungen oder keine Lösung
- Ax = 0 besitzt genau eine - Ax = 0 besitzt unendlich viele
- Lösung: x* = 0 - Lösungen
- Eigenwerte λi ≠ 0 - mindestens ein Eigenwert λj = 0
5. Determinante einer Matrix
➢ Berechnung nur für quadratisch Matrizen möglich
➢ Berechnung der Determinante einer (2 x 2)- Matrix
𝑨 𝑎11 𝑎12
= (𝑎 )
(2𝑥2) 21 𝑎22
det(A) = |A| = a11 ∙ a22 – a12 ∙ a21 („Produkt Hauptdiagonale – Produkt Nebendiagonale”)
Beispiel:
𝑨 2 4
=( )
(2𝑥2) 7 6
det(A) = |A| = 2 ∙ 6 – 4 ∙ 7 = – 16
The benefits of buying summaries with Stuvia:
Guaranteed quality through customer reviews
Stuvia customers have reviewed more than 700,000 summaries. This how you know that you are buying the best documents.
Quick and easy check-out
You can quickly pay through credit card or Stuvia-credit for the summaries. There is no membership needed.
Focus on what matters
Your fellow students write the study notes themselves, which is why the documents are always reliable and up-to-date. This ensures you quickly get to the core!
Frequently asked questions
What do I get when I buy this document?
You get a PDF, available immediately after your purchase. The purchased document is accessible anytime, anywhere and indefinitely through your profile.
Satisfaction guarantee: how does it work?
Our satisfaction guarantee ensures that you always find a study document that suits you well. You fill out a form, and our customer service team takes care of the rest.
Who am I buying these notes from?
Stuvia is a marketplace, so you are not buying this document from us, but from seller renejaeger1. Stuvia facilitates payment to the seller.
Will I be stuck with a subscription?
No, you only buy these notes for $4.34. You're not tied to anything after your purchase.
Can Stuvia be trusted?
4.6 stars on Google & Trustpilot (+1000 reviews)
64438 documents were sold in the last 30 days
Founded in 2010, the go-to place to buy study notes for 14 years now