# Laplacescher Entwicklungssatz > For AI agents: use [llms.txt](https://nakafa.com/llms.txt) for the site index. Markdown versions are available by appending `.md` to content URLs or sending `Accept: text/markdown`. URL: https://nakafa.com/de/faecher/ki-und-data-science/lineare-methoden-der-ki/laplace-entwicklung Source: https://raw.githubusercontent.com/nakafaai/aksara/16d6b8e869d1a277313c65bbfc4b4a83efe77a46/packages/corpus/material/lesson/ai-ds/linear-methods/laplace-expansion/de.mdx Lerne den Laplaceschen Entwicklungssatz kennen: systematische Determinantenberechnung mit Minoren und Kofaktoren, flexibler Zeilen- oder Spaltenwahl und der Regel von Sarrus. --- ## Was ist der Laplace-Entwicklungssatz? Der Laplace-Entwicklungssatz bietet eine Möglichkeit, die Determinante einer Matrix zu berechnen, indem sie in Determinanten kleinerer Matrizen zerlegt wird. Diese Methode ist sehr nützlich, da sie es uns ermöglicht, Determinanten großer Matrizen systematisch zu berechnen. Dieser Satz bietet Flexibilität bei der Auswahl der für die Erweiterung zu verwendenden Zeile oder Spalte, sodass wir die vorteilhafteste für die Berechnung auswählen können. ## Satzerklärung Für die Matrix $$A \in \mathbb{R}^{n \times n}$$ kann die Determinante auf zwei Arten berechnet werden: Visible text: Für die Matrix kann die Determinante auf zwei Arten berechnet werden: Dabei bezeichnet $$A_{ij}$$ die $$(n-1) \times (n-1)$$-Matrix, die entsteht, wenn man aus $$A$$ die Zeile $$i$$ und die Spalte $$j$$ streicht. Ihr vorzeichenbehafteter Beitrag ist der Kofaktor Visible text: Dabei bezeichnet die -Matrix, die entsteht, wenn man aus die Zeile und die Spalte streicht. Ihr vorzeichenbehafteter Beitrag ist der Kofaktor ```math C_{ij}=(-1)^{i+j}\det A_{ij} ``` ### Entwicklung nach einer Spalte Die Entwicklung nach einer beliebigen Spalte $$j$$ ergibt Visible text: Die Entwicklung nach einer beliebigen Spalte ergibt Component: MathContainer Children: ```math \det A = \sum_{i=1}^{n} (-1)^{i+j} \cdot a_{ij} \cdot \det A_{ij} ``` für eine beliebige Spalte $$j \in \{1, 2, \ldots, n\}$$. Visible text: für eine beliebige Spalte . ### Entwicklung nach einer Zeile Die Determinante kann auch anhand der Zeile $$i$$ berechnet werden: Visible text: Die Determinante kann auch anhand der Zeile berechnet werden: Component: MathContainer Children: ```math \det A = \sum_{j=1}^{n} (-1)^{i+j} \cdot a_{ij} \cdot \det A_{ij} ``` für jede beliebige Zeile $$i \in \{1, 2, \ldots, n\}$$. Visible text: für jede beliebige Zeile . ## Erweiterungsbeispiele ### Zwei-mal-Zwei-Matrix Für eine Matrix der Größe $$n = 2$$: Visible text: Für eine Matrix der Größe : ```math A = \begin{pmatrix} a_{11} & a_{12} \\ a_{21} & a_{22} \end{pmatrix} ``` Entwicklung nach der ersten Zeile: Component: MathContainer Children: ```math \det A = a_{11} \cdot \det(a_{22}) - a_{12} \cdot \det(a_{21}) ``` ```math = a_{11} \cdot a_{22} - a_{12} \cdot a_{21} ``` ### Drei-mal-Drei-Matrix Für eine Matrix der Größe $$n = 3$$: Visible text: Für eine Matrix der Größe : ```math A = \begin{pmatrix} a_{11} & a_{12} & a_{13} \\ a_{21} & a_{22} & a_{23} \\ a_{31} & a_{32} & a_{33} \end{pmatrix} ``` Entwicklung nach der ersten Zeile: Component: MathContainer Children: ```math \det A = a_{11} \cdot \det \begin{pmatrix} a_{22} & a_{23} \\ a_{32} & a_{33} \end{pmatrix} ``` ```math - a_{12} \cdot \det \begin{pmatrix} a_{21} & a_{23} \\ a_{31} & a_{33} \end{pmatrix} ``` ```math + a_{13} \cdot \det \begin{pmatrix} a_{21} & a_{22} \\ a_{31} & a_{32} \end{pmatrix} ``` Nach der Berechnung der $$2 \times 2$$ Determinanten: Visible text: Nach der Berechnung der Determinanten: Component: MathContainer Children: ```math = a_{11} \cdot (a_{22} \cdot a_{33} - a_{23} \cdot a_{32}) ``` ```math - a_{12} \cdot (a_{21} \cdot a_{33} - a_{23} \cdot a_{31}) ``` ```math + a_{13} \cdot (a_{21} \cdot a_{32} - a_{22} \cdot a_{31}) ``` Wenn wir es vollständig erweitern: Component: MathContainer Children: ```math = a_{11} \cdot a_{22} \cdot a_{33} - a_{11} \cdot a_{23} \cdot a_{32} ``` ```math - a_{12} \cdot a_{21} \cdot a_{33} + a_{12} \cdot a_{23} \cdot a_{31} ``` ```math + a_{13} \cdot a_{21} \cdot a_{32} - a_{13} \cdot a_{22} \cdot a_{31} ``` ## Sarrus-Regel Das Ergebnis der obigen $$3 \times 3$$-Matrixerweiterung entspricht der **Sarrus-Regel**. Diese Regel bietet eine visuelle Möglichkeit, $$3 \times 3$$-Determinanten durch diagonale Muster zu berechnen. Visible text: Das Ergebnis der obigen -Matrixerweiterung entspricht der **Sarrus-Regel**. Diese Regel bietet eine visuelle Möglichkeit, -Determinanten durch diagonale Muster zu berechnen. Sarrus-Formel für $$3 \times 3$$-Matrizen: Visible text: Sarrus-Formel für -Matrizen: Component: MathContainer Children: ```math \det A = a_{11}a_{22}a_{33} + a_{12}a_{23}a_{31} + a_{13}a_{21}a_{32} ``` ```math - a_{13}a_{22}a_{31} - a_{11}a_{23}a_{32} - a_{12}a_{21}a_{33} ``` Die Sarrus-Regel verwendet diagonale Muster, um zu bestimmen, welche Terme addiert und welche subtrahiert werden. Die Regel von Sarrus gilt ausschließlich für $$3 \times 3$$-Matrizen. Bei größeren Matrizen verwendet man die Kofaktorentwicklung oder ein faktorisierungsbasiertes Verfahren, statt das Diagonalmuster fortzusetzen. Visible text: Die Regel von Sarrus gilt ausschließlich für -Matrizen. Bei größeren Matrizen verwendet man die Kofaktorentwicklung oder ein faktorisierungsbasiertes Verfahren, statt das Diagonalmuster fortzusetzen. ## Rechenaufwand Bei einer dichten $$n \times n$$-Matrix berechnet eine direkte rekursive Implementierung auf jeder Stufe $$n$$ Determinanten der Größe $$n-1$$. Der Aufwand erfüllt daher die Rekursion Visible text: Bei einer dichten -Matrix berechnet eine direkte rekursive Implementierung auf jeder Stufe Determinanten der Größe . Der Aufwand erfüllt daher die Rekursion Component: MathContainer Children: ```math T(n)=nT(n-1)+O(n) ``` ```math T(n)=\Theta(n!) ``` Das faktorielle Wachstum macht die rekursive Laplace-Entwicklung für große dichte Matrizen unpraktisch. Mit dem Gauß-Verfahren oder einer LU-Zerlegung lässt sich eine Determinante in $$O(n^3)$$ Rechenoperationen bestimmen. Visible text: Das faktorielle Wachstum macht die rekursive Laplace-Entwicklung für große dichte Matrizen unpraktisch. Mit dem Gauß-Verfahren oder einer LU-Zerlegung lässt sich eine Determinante in Rechenoperationen bestimmen. ## Nutzung von Nullelementen Enthält eine Matrix viele Nulleinträge, wählt man eine Zeile oder Spalte mit möglichst vielen Nullen. Jeder Term verschwindet, dessen ausgewählter Koeffizient $$a_{ij}$$ null ist, sodass sein Minor nicht berechnet werden muss. Visible text: Enthält eine Matrix viele Nulleinträge, wählt man eine Zeile oder Spalte mit möglichst vielen Nullen. Jeder Term verschwindet, dessen ausgewählter Koeffizient null ist, sodass sein Minor nicht berechnet werden muss. ### Optimierungsbeispiel Angenommen, wir haben eine Matrix: ```math A = \begin{pmatrix} 0 & 3 & 3 \\ 2 & 2 & 0 \\ 1 & 0 & 1 \end{pmatrix} ``` Entwicklung nach der ersten Zeile: Component: MathContainer Children: ```math \det A = 0 \cdot \det(\ldots) - 3 \cdot \det \begin{pmatrix} 2 & 0 \\ 1 & 1 \end{pmatrix} ``` ```math + 3 \cdot \det \begin{pmatrix} 2 & 2 \\ 1 & 0 \end{pmatrix} ``` Da das erste Element Null ist, lautet die Berechnung: Component: MathContainer Children: ```math = -3 \cdot (2 \cdot 1 - 0 \cdot 1) + 3 \cdot (2 \cdot 0 - 2 \cdot 1) ``` ```math = -3 \cdot 2 + 3 \cdot (-2) ``` ```math = -6 - 6 = -12 ``` Durch die Auswahl von Zeilen oder Spalten mit vielen Nullen können wir Berechnungen einsparen. ## Determinante der Transponierungsmatrix Eine wichtige Eigenschaft im Zusammenhang mit dem Laplace-Theorem ist: ```math \det A^T = \det A ``` Das bedeutet, dass die Determinante einer Matrix gleich der Determinante ihrer Transponierten ist. ### Konsequenzen für Zeilen und Spalten Aufgrund dieser Transpositionseigenschaft gelten alle Determinanteneigenschaften, die für Zeilen der Matrix $$A$$ gelten, auch für Spalten der Matrix $$A$$. Visible text: Aufgrund dieser Transpositionseigenschaft gelten alle Determinanteneigenschaften, die für Zeilen der Matrix gelten, auch für Spalten der Matrix . Zum Beispiel: - Wenn zwei Zeilen identisch sind, ist die Determinante Null, ebenso wenn zwei Spalten identisch sind - Das Vertauschen zweier Zeilen ändert das Vorzeichen der Determinante, ebenso das Vertauschen zweier Spalten - Entsprechende elementare Zeilen- und Spaltenoperationen folgen analogen Determinantenregeln ## Größere Matrizen Für Matrizen der Größe $$n = 4$$ und größer gilt weiterhin das Prinzip der Laplace-Entwicklung. Der Rechenaufwand wird jedoch sehr hoch, sodass in der Praxis häufig andere effizientere Methoden wie die Gaußsche Eliminierung verwendet werden. Visible text: Für Matrizen der Größe und größer gilt weiterhin das Prinzip der Laplace-Entwicklung. Der Rechenaufwand wird jedoch sehr hoch, sodass in der Praxis häufig andere effizientere Methoden wie die Gaußsche Eliminierung verwendet werden. Der Laplacesche Entwicklungssatz bietet eine solide theoretische Grundlage für das Verständnis der Determinantenstruktur, wird in praktischen Berechnungen jedoch oft durch effizientere Algorithmen ersetzt.