3.

SYSTEMES LINEAIRES
3.1 Définition

Un système linéaire est un ensemble de m équations linéaires à n variables. Il a la forme

générale suivante :

a11 x1 + a12 x2 + ... + a1n xn = b1

a21 x1 + a22 x2 + ... + a2n xn = b2
... ... ... .....
am1 x1 + am2 x2 + ... + amn xn = bm.

Les variables sont habituellement les nombres xi ; les constantes sont les nombres aij et bj.
Le qualificatif "linéaire" est approprié car le système ci-haut s’écrit :
Ax = b,
où A=[aij] est une matrice de dimension m " n , x=[xi] est un vecteur de dimension n et
b=[bij] est un vecteur de dimension m.

3.2 Solutions d’un système!linéaire

Rappelons que l’application suivante est linéaire:
f : Rn " Rm
f (x) = Ax.

Pour que le vecteur b soit un élément de Im(f), l’image de l'application linéaire f, il faut
au moins un vecteur x tel que f(x)=b; en termes de systèmes linéaires, il existe une
solution du système linéaire !
correspondant :

Ax=b.

On a donc la conséquence suivante.

Théorème.
Ax = b admet une solution x si et seulement si b est dans l'image de l'application
linéaire f.

En particulier, les colonnes de A forment un ensemble générateur pour Im(f).

Le système linéaire Ax = b peut avoir :

- une solution unique (ceci arrive seulement dans le cas où A est carrée),
- aucune solution,
- une infinité de solutions,
dépendant de la matrice A et du vecteur b.
Dans la majorité des applications qu'on voit en génie, le système linéaire a autant
d’équations que d’inconnues (n = m) et la matrice A est une matrice carrée.
Si A est une matrice régulière, il existe une solution et elle est unique. Un moyen de
vérifier si une matrice est régulière est de calculer le déterminant et de vérifier que ce
déterminant est différent de zéro. Dans ce cas, la solution est donnée par :
-1
x = A b.

De manière pratique, il est difficile de calculer manuellement le déterminant de A et

l’inverse de A lorsque A est de grande dimension; il faudra alors utiliser un logiciel. En
général, les logiciels ne calculent pas explicitement l’inverse de A pour trouver x.

Si une matrice A est singulière, ou bien le système admet une infinité de solutions, ou
bien il n'admet aucune solution, selon que le vecteur b est dans Im(f) ou non. Une
matrice est singulière si le déterminant est nul.

3.2.1 Indépendance linéaire et matrices

Une application importante des systèmes linéaires est de déterminer si un ensemble de

vecteurs est linéairement indépendant.
" a11 % " a1n %
m $ ' $ '
En effet, les n vecteurs de R $ M ',K,$ M ' sont linéairement indépendants si le système
$#am1'& $#amn '&
suivant a une solution unique, la solution x1=…=xn=0 :
a11 x1 + a12 x2 + ... + a1n xn = 0
! a21 x1 + a22 x2 + ... + a2n xn = 0
... ... ... .....
am1 x1 + am2 x2 + ... + amn xn = 0.

Théorème.
Ax = 0 admet la solution unique x=0 si et seulement si les colonnes de A sont
linéairement indépendantes.

Si la matrice carrée A est régulière, les n colonnes de A sont linéairement indépendantes.

n
À cause de la dimension, elles forment donc une base de R . On pourrait montrer la
même chose pour les rangées.

Alternativement, si la matrice carrée A est singulière, au moins une colonne (ligne) est
une combinaison linéaire des autres colonnes (lignes).

1
3.3 Méthode algébrique de résolution

La méthode algébrique de résolution, pour un système carré régulier, consiste à isoler

chaque variable en l'éliminant de toutes les équations sauf une. L’exemple suivant va
montrer les principales étapes. Le système à résoudre a la forme suivante :
x1 + x2 + x3 = 4
2 x1 + 3 x2 + x3 = 9
3 x1 + x2 - x3 = 4.

La première étape consiste à combiner les lignes (1) et (2) pour éliminer la variable x1 de
la ligne (2) et remplacer la ligne (2) par cette nouvelle équation. Plus précisément, on
remplace la ligne (2) par la somme de la ligne (1) multipliée par -2 avec la ligne (2):

x1 + x2 + x3 = 4
(-2+2 ) x1 + (-2+3) x2 +(-2+1) x3 = -2⋅4+9
3 x1 + x2 - x3 = 12,

et on obtient:
x1 + x2 + x3 = 4
x2 - x3 = 1
3 x1 + x2 - x3 = 4.

Ensuite, on élimine x1 de la ligne (3) de façon analogue: on remplace la ligne (3) par la
somme de la ligne (1) multipliée par -3 avec la ligne (3) :
x1 + x2 + x3 = 4
x2 - x3 = 1
(-3+3) x1 + (-3+1) x2 +(-3-1) x3 = -3⋅4+4,

et on obtient:
x1 + x2 + x3 = 4
x2 - x3 = 1
-2 x2 -4 x3 = -8.

Nous avons éliminé la variable x1 de deux des trois équations. Nous allons maintenant
éliminer la variable x2 la troisième équation. Comme plus haut, nous y arrivons en
remplaçant la ligne (3) par la somme de la ligne (2) multipliée par 2 avec la ligne (3):
x1 + x2 + x3 = 4
x2 - x3 = 1
(2 -2) x2+(2⋅-1 -4) x3 = 2 -8,

et on obtient:

2
 x1 + x2 + x3 = 4
x2 - x3 = 1
-6 x3 = -6.

Ces trois transformations ont permis de transformer le système initial en un système

"triangulaire". Les transformations correspondantes sur les matrices associées donnent:

#1 1 1 & #1 1 1 &
% ( % (
%2 3 1 ( ∼ %0 1 "1( .
%$3 1 "1(' %$0 0 "6('

La notation "∼" indique que les matrices sont équivalentes, c'est-à-dire qu'on passe de
l'une à l'autre par le biais des opérations élémentaires de ligne : multiplier une ligne par
un scalaire, ! ! multiple d'une ligne à une autre ligne et échanger deux lignes.
additionner un
(Voir la section suivante pour plus de détails.)

Lorsque le système est mis sous forme triangulaire, le système linéaire est facile à
résoudre. En reprenant l’exemple, la dernière ligne donne immédiatement la valeur x3
qui d’après l’équation est égale à 1. On reporte cette valeur dans la deuxième équation
pour trouver x2- 1 = 1 et ceci permet de trouver x2 = 2. On reporte les deux valeurs dans
la première équation pour trouver x1+ 2 + 1 = 4 et ceci permet de trouver x1 = 1.

Une matrice triangulaire supérieure est une matrice dont toutes les entrées au-dessous
de la diagonale sont zéro : dénotant les entrées de A par aij, aij=0 pour tout i>j. (Une
matrice triangulaire inférieure comporte uniquement des zéros dans la partie au-dessus
de la diagonale.) Le procédé décrit dans l’exemple précédent produit une matrice
triangulaire supérieure.

Si tous les éléments de la diagonale d'une matrice triangulaire sont non nuls, la matrice de
départ est inversible et la procédure précédente permet de trouver la solution du système
linéaire en un nombre (fini) d’étapes.

Théorème.
Le déterminant d'une matrice triangulaire est égal au produit des éléments de la
diagonale.

Remarque. Deux matrices équivalentes n'ont pas nécessairement le même déterminant.

Toutefois, si A∼B, alors det(A) est non nul si et seulement det(B) est non-nul.

Étant donnée une matrice triangulaire, si aucun des éléments de la diagonale n’est nul, le
déterminant est différent de zéro, ce qui est une propriété des matrices inversibles.

3
Si une matrice triangulaire a des éléments nuls dans la diagonale, elle n’est pas inversible
et on ne peut pas trouver directement la solution du système. Prenons par exemple la
matrice triangulaire suivante :
"2 3 1%
$ '
$0 0 3' .
$#0 0 2'&

Notons au passage que les vecteurs correspondant aux colonnes ne sont pas linéairement
indépendants. Par contre, les colonnes 1 et 3 forment un ensemble libre qui engendre les
!
même espace que les trois solonnes prises ensemble.

Cette matrice correspond au système linéaire suivant en reprenant le même vecteur b que
dans l’exemple précédent :

2 x1 + 3 x2 + x3 = 4
0 ⋅x2 +3 x3 = 9
2 x3 = 4.

D’après l’équation (3), x3 = 2 et d’après l’équation (2), x3 = 3; ces deux solutions sont
contradictoires et il s’ensuit que le système n’a pas de solution.

"9%
$'
Si l’on choisit comme membre de droite le vecteur b = $3', le système s’écrit :
$#2'&
2 x1 + 3 x2 + x3 = 9
3 x3 = 3
! 2 x3 = 2.

Les deux dernières équations donnent x3 = 1. La première équation se réduit à :

2 x1 + 3 x2 = 8.

C’est une équation à deux inconnues qui a une infinité de solutions comme par exemple :
x1 = 4; x2 = 0;
x1 = 0; x2 = 8/3;
x1 = 1; x2 = 2.
L’ensemble des solutions est de la forme générale :
x1 = t
x2 = (8 – 2t)/3
x3 = 1,

4
où la variable t est un nombre réel arbitraire. Cet ensemble de solutions dépend d’un seul
paramètre t; il est équivalent à un sous-espace vectoriel de dimension 1; il peut se mettre
& x1 # &0# &1 #
$ !
sous la forme x2 = 8 + t ' 2 / 3! .
$ ! $
$ ! $ ! $ !
$% x3 !" %$1 "! %$0 "!

3.4.1 Une méthode matricielle: Gauss-Jordan

Supposons qu’un système linéaire d’ordre n ait la forme suivante :

a11 x1 + a12 x2 + ... + a1n xn = b1

a21 x1 + a22 x2 + ... + a2n xn = b2
... ... ... .....
an1 x1 + an2 x2 + ... + ann xn = bn.

Il peut s’écrire sous une forme plus compacte Ax = b où A est la matrice dont les
"x1 % "b1 %
$ ' $ '
coefficients sont les différents ai,j, x est égal au vecteur $M ' et b est égal au vecteur $M ' .
$#x n '& $#bn '&
Lorsque le système est de grande taille, on doit utiliser des méthodes matricielles qui sont
implantées sur ordinateur.
!
La méthode de Gauss-Jordan consiste à transformer !
la matrice A en une matrice identité,
via une série d'opérations élémentaires de ligne correspondant à l'élimination des
variables décrite plus haut. Nous allons la détailler sur un modèle d’un système de quatre
équations à quatre inconnues:

"a11 a12 a13 a14 %" x1 % " b1 %

$ '$ ' $ '
$a21 a22 a23 a24 '$ x 2 ' $b2 '
=
$a31 a32 a33 a34 '$ x 3 ' $b3 '
$ '$ ' $ '
#a41 a42 a43 a44 &# x 4 & #b4 &

Nous écrivons ce système comme une matrice augmentée:

"a11 a12 a13 a14 b1 %
! $ '
$a21 a22 a23 a24 b2 ' .
$a31 a32 a33 a34 b3 '
$ '
#a41 a42 a43 a44 b4 &
Commençons par la première ligne. Si a11 n’est pas nul, a11 est le « pivot » de la première
ligne. (Si a11 est nul, on remplace la première ligne par une des lignes suivantes,
choisissant une
! ligne telle que ai1 est non nul.) On divise alors la première ligne par a11.
On obtient alors le système suivant :

5
 "1 a' 12 a'13 a'14 b'1%
$ '
$a21 a22 a23 a24 b2 '
,
$a31 a32 a33 a34 b3 '
$ '
#a41 a42 a43 a44 b4 &

avec a’12 = a12 / a11 ; a’13 = a13 / a11, a’14 = a14 / a11 ; b’1 = b1 / a11 .
!
Puis, on élimine le 1er terme, ai1, des trois autres lignes : à la ligne (2), on retranche la
ligne (1) multipliée par a21; à la ligne (3), on retranche la ligne (1) multipliée par a31, à la
ligne (4), on retranche la ligne (1) multipliée par a41.

Après ces trois opérations, le système devient :

"1 a' 12 a'13 a'14 b'1 %

$ '
$0 a'22 a'23 a'24 b'2 '
.
$0 a'32 a'33 a'34 b'3 '
$ '
#0 a'42 a'43 a'44 b'4 &

Maintenant, on "oublie" la ligne (1) et la colonne (1), et on recommence à partir de la

ligne (2). Le « pivot » est maintenant a’22, s'il est non-nul. On divise donc la deuxième
!
ligne par a’22 et on obtient le système suivant :

"1 a' 12 a'13 a'14 b'1 %

$ '
$0 1 a''23 a''24 b''2 '
$0 a'32 a'33 a'34 b'3 '
$ '
#0 a'42 a'43 a'44 b'4 &

On élimine x2 des lignes (3) et (4) : à la ligne (3), on retranche la ligne (2) multipliée par
a’32 ; à la ligne (4), on retranche la ligne (2) multipliée par a’42 . Après ces opérations, on
!
obtient :

"1 a' 12 a'13 a'14 b'1 %

$ '
$0 1 a''23 a''24 b''2 '
.
$0 0 a''33 a''34 b''3 '
$ '
#0 0 a''43 a''44 b''4 &

Après avoir répété la même démarche à la troisième et à la quatrième ligne, on obtient le

système suivant :
!

6
 "1 a' 12 a'13 a'14 b'1 %
$ '
$0 1 a''23 a''24 b''2 '
,
$0 0 1 a(3)34 b(3)3 '
$ '
#0 0 0 1 b(3)4 &

ce qui correspond à:
!
x1 + a’12 x2 + a’13x3 + a’14 x4 = b’1
x2 + a’’23 x3 + a’’24 x4 = b’’2
x3 + a(3)34 x4 = b(3) 3
(4)
x4 =b 4.

Nous avons ainsi obtenu un système triangulaire. Et maintenant, en partant de la dernière

ligne en procédant vers le haut, nous transformons ce système triangulaire en système
diagonal. D'abord, nous éliminons x4 des lignes (3), (2) et (1) . Comme dans la première
partie, nous le faisons en retranchant le multiple approprié de la ligne (4) :

"1 a' 12 a'13 0 b(4 )1 %

$ '
$0 1 a''23 0 b(4 )2 '
.
$0 0 1 0 b(4 )3 '
$ '
#0 0 0 1 b(4 )4 &

De la même façon, nous éliminons x3 des lignes (2) et (1), et enfin, x2 de la ligne (2), pour
en arriver à :
!
x1 = b(7)1
x2 = b(6)2
x3 = b(5) 3
(4)
x4 = b 4 .

Remarque. Le système triangulaire obtenu avec la méthode de Gauss-Jordan s’appelle

une forme échelonnée. La forme finale s’appelle une forme réduite échelonnée. Dans
une forme échelonnée, le premier élément non-nul d’une ligne s’appelle un pivot. La
matrice des coefficients A est régulière si et seulement si chaque colonne contient un
pivot, ce qui est équivalent à dire (pour une matrice carrée) que chaque ligne contient un
pivot.
3
La méthode de Gauss-Jordan demande n /2 opérations. Elle est donc assez lente si la
dimension n du système est grande. Si les pivots sont faibles (en valeur absolue), la
division n’est plus précise et les erreurs d’arrondi deviennent importantes sur des
calculateurs et se propagent le long des calculs. La solution obtenue est alors à
considérer avec beaucoup de prudence.

7
Exemple. Résoudre à l'aide de Gauss-Jordan.
x1 + 3 x2 + 3 x3 = 0
2 x1 + 2 x2 + 0 x3 = 2
3 x1 + 3 x2 + 6 x3 = 11 .

Matriciellement:

"1 3 3 0 %
$ '
$2 2 0 2 '.
$#3 3 6 11'&

La première étape conduit au système suivant :

! #1 3 3 0 &
% (
%0 "4 "6 2 (.
%$0 "6 "3 11('

La mise en place du second pivot donne :

! #1 3 3 0 &
% (
%0 1 3/2 "1/2(.
%$0 "6 "3 11 ('

La deuxième étape conduit au système suivant :

! #1 3 3 0 &
% (
%0 1 3/2 "1/2(.
%$0 0 6 8 ('

La mise en place du troisième pivot donne :

! #1 3 3 0 &
% (
%0 1 3/2 "1/2(.
%$0 0 1 4 /3 ('

Maintenant on transforme ce système triangulaire en système diagonal. On élimine x3

des lignes (2) et (1) :
!

8
 #1 3 0 "4 &
% (
%0 1 0 "5 /2(.
%$0 0 1 4 /3 ('

et enfin, on élimine x2 de la ligne (1) :

! #1 0 0 7 /2 &
% (
%0 1 0 "5 /2(.
%$0 0 1 4 /3 ('

La solution est déduite directement de ce système :

x1 = 7/2
!
x2 = -5/2
x3 = 4/3.
♦
La méthode du pivot a transformé la matrice initiale en une matrice identité par une série
d’opérations élémentaires de ligne; on manipule les lignes pour créer de nouvelles lignes
par combinaison linéaire.

Remarque. Si on cherche à trouver une base pour l’espace vectoriel engendré par les
colonnes d’une matrice A, on n’a qu’à prendre les colonnes de A qui contiendront un
pivot après avoir mis A sous forme échelonnée. Ceci peut se faire avec un logiciel.

3.4.2 La méthode de Gauss

La méthode de Gauss débute comme la méthode de Gauss-Jordan, mais, comme dans

l'exemple de la section précédente, on s’arrête à une matrice triangulaire (à la place d’une
3
matrice identité). La méthode de Gauss demande aussi n /2 opérations. Elle présente les
mêmes difficultés pour des pivots faibles.

Remarque. La méthode de Gauss, tout comme la méthode de Gauss-Jordan, fonctionne

pour une matrice singulière aussi. Seulement, on peut alors se retrouver avec une infinité
de solutions, ou aucune solution.

3.5 Méthodes numériques de résolution

3.5.1 Méthode de Jacobi

Pour illustrer cette méthode, nous allons prendre un système de 3 équations à 3

inconnues:

a11 x1 + a12 x2 + a13 x3 = b1

a21 x1 + a22 x2 + a23 x3 = b2
a31 x1 + a32 x2 + a33 x3 = b3.

9
La méthode consiste à isoler x1 à partir de l’équation 1, isoler x2 à partir de l’équation 2 et
isoler x3 à partir de l’équation 3:

x1 = ( b1 - a12 x2 - a13 x3 ) / a11

x2 = ( b2 - a21 x1 - a23 x3 ) / a22
x3 = ( b3 - a31 x1 - a32 x2) / a33.
(0) (0) (0) (1) (1) (1)
On se donne un estimé de la solution x 1 , x 2 , x 3 et on calcule x 1 ,x 2 , x 3
à partir des relations suivantes:
(1) (0) (0)
x 1 = ( b1 - a12 x 2 - a13 x 3 ) / a11
(1) (0) (0)
x 2 = ( b2 - a21 x 1 - a23 x 3 ) / a22
(1) (0) (0)
x 3 = ( b3 - a31 x 1 - a32 x 2 ) / a33.
(2) (3) (4)
On répète la même procédure pour calculer x , x , x , etc…Si la matrice vérifie
certains critères, le processus itératif converge vers la solution du système linéaire.

Le processus est arrêté lorsque les valeurs de x ne varient plus beaucoup entre deux
itérations. Les tests d’arrêt ont la forme suivante :
Test sur la variation absolue
(k+1) (k)
|x i - x i | < ε (nombre réel petit comme 0.00001)
Test sur la variation relative
(k+1) (k) (k)
|x i - x i | / | x i | < ε (nombre réel petit comme 0.00001).

3.5.2 Méthode de Gauss-Siedel

Cette méthode modifie légèrement le processus précédent en proposant la formulation

suivante :

(1) (0) (0)

x 1 = ( b1 - a12 x 2 - a13 x 3 ) / a11
(1) (1) (0)
x 2 = ( b2 - a21 x 1 - a23 x 3 ) / a22
(1) (1) (1)
x 3 = ( b3 - a31 x 1 - a32 x 2 ) / a33.

La modification consiste à utiliser la plus récente valeur des différentes variables x.

Habituellement cette version modifiée converge vers la solution plus rapidement que la
méthode précédente.

Pour les deux méthodes itératives, plus l’estimé de départ est près de la solution, plus la
convergence est rapide. La propriété de convergence dépend des propriétés de la matrice
du système linéaire et de son conditionnement.

10