COURS 3

III. 4. Matrice d’une application linéaire

Rappel : définition de la matrice d’une application linéaire

Soient E et F des K-e.v munis respectivement des bases B = (~ u1 , . . . , u~n ) et C = (~v1 , . . . , ~vp ). Soit
f ∈ L(E , F ) une application linéaire.
On appelle matrice de f , par rapport aux bases B et C, la matrice

MC (f (~
u1 ), . . . , f (~
un )).

Elle est notée MB,C (f ).

Exemple
On munit R3 de la base canonique, notée ici B = (~ u1 , u~2 , u~3 ) et R2 de la base canonique, notée ici
C = (~v1 , ~v2 ). Soit f : R3 → R2 l’application linéaire définie par

f (x, y , z) = (x + 2y − z, x − y ).

On a
u2 ) = (2, −1) = 2~v1 − ~v2 ,
u1 ) = (1, 1) = ~v1 + ~v2 , f (~
f (~
u3 ) = (−1, 0) = −~v1 + 0 · ~v2 .
f (~
Donc  
1 2 −1
MB,C (f ) =
1 −1 0

Proposition 1
Soient E et F des K-e.v (de dimension finie) munis respectivement des bases B et C. Soit f ∈ L(E , F )
une application linéaire. Alors pour tout u~ ∈ E

u )) = MB,C (f ) · MB (~
MC (f (~ u ).

Remarque
u ) dans la base C et X désigne la
Autrement dit, si Y désigne la matrice colonne des composantes de f (~
matrice colonne des composantes de u~ dans la base B, alors

Y = AX , où A = MB,C (f ).

Exemple
En reprenant l’exemple précédent, par rapport aux bases canoniques,
 
1 2 −1
f (x, y , z) = (x + 2y − z, x − y ), MB,C (f ) = ,
1 −1 0
on a  
    x
x + 2y − z 1 2 −1
= · y 
x −y 1 −1 0
z

Mathématiques 3, 2019 Chapitre 1: Algèbre Linéaire 1 / 18

Définition 1 (Application linéaire associée à une matrice)
Soient E et F deux K-e.v de dimension respectives n et m. Soient B = (~e1 , . . . , e~n ) une base de E et
C = (f~1 , . . . , f~m ) une base de F .
Soit A = (aij )1≤i≤m,1≤j≤n ∈ Mm,n (K).
L’application linéaire associée à A, relative aux bases B et C, est l’application définie par : au vecteur
u~ ∈ E de composantes (x1 , · · · , xn ) dans B, elle associé le vecteur ~v dont les composantes (y1 , · · · , ym )
dans la base C sont données par

yi = ai1 x1 + ai2 x2 + · · · + ain xn

Autrement dit   x   

a11 a12 · · · a1n 1 y1
 a21 a22 · · · a2n   .  .
. ..
.
  
· =
 .   
. .. 
 ...   ..

 .. . . . .. .
   
. 
am1 am2 · · · amn xn ym

Exemple
Soit  
1 2
A= .
3 4
L’application linéaire associée à A, relativement à la base canonique de R2 , f : R2 → R2 est
       
x 1 2 x x + 2y
f (x, y ) = A · = · =
y 3 4 y 3x + 4y

Théorème 1 (Corréspondance entre applications linéaires et matrices)

Soit E (respectivement F ) un K-e.v de dimension finie n (respectivement m), muni d’une base B
(respectivement C). L’application

M : L(E , F ) → Mm,n (K); f 7→ M(f ) = MB,C (f )

est un isomorphisme de K-e.v.

Remarque
Donc fondamentalement en dimension finie, une fois que les bases sont fixées, il n’existe pas de
différence réelle entre applications linéaires et matrices.

Proposition 2
Soient E , F , G trois K-e.v de dimension finie, munis respectivement des bases B, C, D. Pour tout
f ∈ L(E , F ) et g ∈ L(F , G ), on a

MB,D (g ◦ f ) = MC,D (g ) · MB,C (f ).

Mathématiques 3, 2019 Chapitre 1: Algèbre Linéaire 2 / 18

 III. 5. Matrices inversibles

Définition 2
Une matrice carrée A ∈ Mn (K) est dite inversible s’il existe une matrice B ∈ Mn (K) vérifiant
A · B = B · A = In .
Cette matrice est alors unique, est appelée l’inverse de A et est notée A−1 .

Exemple
On a
−3
     
1 3 1 2 1 0
× 1 = = I2
0 2 0 2
0 1
 
1 3
et donc A = est inversible, d’inverse
0 2
−3
 
−1 1 2
A = 1 .
0 2

Proposition 3
Soient A, B ∈ Mn (K).
Si A et B sont inversibles, il en de même de A · B et on a

(A · B)−1 = B −1 · A−1 .

Si A est inversible, alors A−1 est inversible et (A−1 )−1 = A.

Matrices inversibles et bases

Proposition 4
Soit E un K-e.v de dimension finie n muni d’une base B.

u1 , . . . , u~n ) est une base de E si et seulement si MB (~

Une famille de vecteurs (~ u1 , . . . , u~n ) est inversible.

Mathématiques 3, 2019 Chapitre 1: Algèbre Linéaire 3 / 18

Exemple
Soit Can = (~e1 , e~2 , e~3 ) la base canonique de R3 .

Considérons la famille B = (~
u , ~v , w
~ ) où

u~ = e~1 + e~2 , ~v = e~2 , w

~ = e~1 + e~3 .

La famille B est libre car la matrice

 
1 0 1
u , ~v , w
MCan (~ ~) =  1 1 0 
0 0 1

est inversible (exercice).

Matrices inversibles et matrices de passage

Proposition 5 (Inversibilité de la matrice de passage)

Soient B1 et B2 deux bases d’un K-e.v de dimension finie.

Alors la matrice de passage PB1 ,B2 est inversible et son inverse est la matrice de passage PB2 ,B1 .

Autrement dit
PB−1
1 ,B2
= PB2 ,B1 .

Exemple
Considérons les deux bases B1 = (~ w , ~r ) de R2 où
u , ~v ) et B2 = (~
       
2 4 3 2
u~ = , ~v = , w ~ = , ~r = .
3 5 4 2

Nous avons déjà calculé :

1 1
     
2 −1 2 −1
MB1 (~
w) = 1 , MB1 (~r ) = , PB1 ,B2 = 1 .
2
1 2 1

Alors PB1 ,B2 est inversible et  

1 1
PB−1 = PB2 ,B1 = .
1 ,B2 − 12 12

Matrices inversibles et applications linéaires

Proposition 6
Soient E et F deux K-e.v de dimension finie, B1 une base de E et B2 une base de F .

Une application linéaire f ∈ L(E , F ) est bijective si et seulement si MB1 ,B2 (f ) est inversible.

On a alors
MB1 ,B2 (f )−1 = MB2 ,B1 (f −1 ).

Mathématiques 3, 2019 Chapitre 1: Algèbre Linéaire 4 / 18

Exemple
Soit f : R2 → R2 définie par
f (x, y ) = (x − y , x + y ).
Sa matrice par rapport à la base canonique de R2 est
 
1 −1
A= .
1 1

On a
a+b b−a
f (x, y ) = (a, b) si et seulement si x = , y=
2 2
et donc f −1 (a, b) = ( a+b
2 ,
b−a
2 ),  
−1 1/2 1/2
A = .
−1/2 1/2

Une autre proposition utile ...

Proposition 7
Soit E un K-e.v de dimension finie et soit f un endomorphisme de E . Soient B et C deux bases de E .
Alors
MB,B (f ) = PB,C · MC,C (f ) · PC,B .

IV. Déterminants

Définition 3
Soit A ∈ M2 (K)  
a b
A= .
c d
Alors le déterminant de A est la quantité
ad − bc.
On note
a b
det(A) = = ad − bc.
c d

Exemple
 
8 5
A= .
1 2
Alors
8 5
det(A) = = 8 × 2 − 1 × 5 = 11.
1 2

Mathématiques 3, 2019 Chapitre 1: Algèbre Linéaire 5 / 18

Proposition & Définition
Supposons avoir défini le déterminants des matrices carrées B ∈ Mm (K) avec m ≤ n − 1. Soit
A = (aij )1≤i≤n,1≤j≤n ∈ Mn (K).

Soit ∆ij le déterminant de la matrice extraite de A obtenue en supprimant la i ème ligne et la j ème
colonne. Alors :
(Développement suivant une colonne) : pour tout j ∈ {1, . . . , n}, on a
n
X
det(A) = aij (−1)i+j ∆ij .
i=1

(Développement suivant une ligne) : pour tout i ∈ {1, . . . , n}, on a

n
X
det(A) = aij (−1)i+j ∆ij .
j=1

Développement suivant la première colonne :

a11 a12 a13

a22 a23 a a a a
a21 a22 a23 = a11 − a21 12 13 + a31 12 13 .
a32 a33 a32 a33 a22 a23
a31 a32 a33

Développement suivant la première ligne :

a11 a12 a13

a22 a23 a a a a
a21 a22 a23 = a11 − a12 21 23 + a13 21 22
a32 a33 a31 a33 a31 a32
a31 a32 a33

Exemple
En développant suivant la première colonne

1 2 0
1 2 2 0 2 0
3 1 2 =1· −3· +0· = −3 − 30 + 0 = −33.
4 5 4 5 1 2
0 4 5

Définition 4
Soit E un K-e.v de dimension finie n et B une base de E . Soit (~ u1 , . . . , u~n ) une famille de n vecteurs de
E . On définit
det(~u1 , . . . , u~n ) = det(MB (~
u1 , . . . , u~n )).

Proposition 8
Soit E un K-e.v de dimension finie n et B une base de E .
u1 , . . . , u~n ) une famille de n vecteurs de E .
Soit (~
Les propriétés suivantes sont équivalentes :
u1 , . . . , u~n ) est une base de E .
(~
det(~ u1 , . . . , u~n ) 6= 0.

Mathématiques 3, 2019 Chapitre 1: Algèbre Linéaire 6 / 18

Exemple
Dans R2 considérons    
1 2
u~ = , ~v = .
3 5
Alors
1 2
u , ~v ) =
det(~ = −1
3 5
u , ~v ) est une base de R2 .
et donc (~

Proposition 9
Soit A ∈ Mn (K). Alors A est inversible si et seulement si det(A) 6= 0. On a alors
1
det(A−1 ) = .
det(A)

Quelques propriétés des déterminants

Un déterminant qui a deux colonnes (resp. deux lignes) identiques est nul.
La permutation de deux colonnes (resp. de deux lignes) multiplie le déterminant par −1.
Un déterminant dont une colonne (resp. une ligne) est combinaison linéaire des autres colonnes
(resp. des autres lignes) est nul.
Un déterminant dont une colonne (resp. une ligne) est formée de 0 est nul.
La valeur d’un déterminant est inchangé si l’on ajoute à une colonne (resp. une ligne) une
combinaison linéaire des autres colonnes (resp. des autres lignes).
Si l’on multiplie une colonne (resp. une ligne) d’un déterminant par un scalaire λ, le déterminant
est multiplié par λ.

V. Systèmes d’équations linéaires

V. I. Introduction

Les systèmes linéaires interviennent dans diverses branches des mathématiques, ainsi que dans la
résolution de nombreux problèmes issus des autres domaines, comme la physique, la mécanique,
l’économie, le traitement du signal, ...

Ils peuvent être considérés comme la ”base calculatoire” de l’algèbre linéaire. Ils sont au coeur du
traitement d’une grande partie des problèmes issus de l’algèbre linéaire en dimension finie. Par exemple,
ils permettent de déterminer le noyau et l’image d’une application linéaire, de déterminer si une famille
de vecteurs est libre ou non, ....

Mathématiques 3, 2019 Chapitre 1: Algèbre Linéaire 7 / 18

Exemples de la géométrie euclidienne
Dans le plan (Oxy ), l’équation d’une droite s’écrit

ax + by = c,

où a, b et c sont des réels.

Considérons deux droites : D1 d’équation ax + by = c et D2 d’équation dx + ey = f . Alors un point
(x, y ) appartient à l’intersection D1 ∩ D2 , si et seulement si, il est solution du système linéaire :

ax + by = c
(S)
dx + ey = f

Remarquons que trois cas se présentent :

D1 et D2 s’intersectent en un seul point : (S) a une unique solution
D1 et D2 sont parallèles : (S) n’a pas de solution
D1 et D2 sont confondues : (S) a une infinité de solutions.

Dans l’espace (Oxyz), l’intersection de deux plans P1 et P2 est l’ensemble des solutions du système

ax + by + cz = d
(S)
a0 x + b 0 y + c 0 z = d 0

Trois cas se présentent :

P1 et P2 s’intersectent en une droite : (S) a une infinité de solutions
D1 et D2 sont parallèles : (S) n’a pas de solution
D1 et D2 sont confondues : (S) a une infinité de solutions.

V. 2. Définitions, propriétés

On appelle système linéaire de n équations et à m inconnues x1 , . . . , xm , tout système de la forme


 a11 x1 + a12 x2 + · · · + a1m xm = b1
 . .. .. .. ..
 ..

. . . .


(S) ai1 x1 + ai2 x2 + · · · + aim xm = bi
 .. .. .. .. ..
. . . . .




an1 x1 + an2 x2 + · · · + anm xm = bn


où (aij )1≤i≤n,1≤j≤m et b1 , . . . , bn sont des éléments de K.

Les nombres aij , 1 ≤ i ≤ n, 1 ≤ j ≤ m, sont les coefficients du système (S).

Le n-uplet (b1 , . . . , bn ) est le second membre du système (S).

Mathématiques 3, 2019 Chapitre 1: Algèbre Linéaire 8 / 18

Exemples
(1) Pour n = 1, on obtient une équation linéaire

a1 x1 + a2 x2 + · · · + am xm = b.

(2) Équation d’une droite dans le plan : ax + by = c.

(3) Systèmes à 2 équations et 2 inconnues :
  
a11 x1 + a12 x2 = b1 ax + by = c 2x + 3y = 4
, 0 0 0 ,
a21 x1 + a22 x2 = b2 ax +by =c 9x + 6y = 3

(4) Le système 
 x1 − x2 = 1
(S) x2 − x3 = 1
x2 − x1 = 1


a comme second membre (1, 1, 1).

(1) La matrice A = (aij )1≤i≤n,1≤j≤m est appelée la matrice du système (S). Elle sera notée AS .
(2) Si le second membre du système est nul, autrement dit b1 = b2 = · · · = bn = 0, on dit que le
système (S) est homogène.

Exemples
(1) Soit (S) le système 
x1 + 2x2 = 6
(S)
3x1 + 5x2 = 10
Alors la matrice associée à (S) est  
1 2
AS =
3 5
et le second membre est (6, 10).
(2) Le système 
x1 + 2x2 = 0
(S)
3x1 + 5x2 = 0
est homogène.

Mathématiques 3, 2019 Chapitre 1: Algèbre Linéaire 9 / 18

 V. 3. Écriture matricielle
Soit (S) un système linéaire

 a11 x1 + a12 x2 + · · · + a1m xm = b1 ,

 ..
.



(S) ai1 x1 + ai2 x2 + · · · + aim xm = bi ,
 ..
.




an1 x1 + an2 x2 + · · · + anm xm = bn ,


A = AS = (aij )1≤i≤n,1≤j≤m sa matrice et (b1 , . . . , bn ) son second membre.

En posant
x1 b1
   

X =  ...  , B =  ... 
xm bm
on peut écrire le système (S) sous la forme matricielle

A · X = B.

Exemple
Soit (S) le système 
x1 + 2x2 = 6,
(S)
3x1 + 5x2 = 10.
Alors la matrice associée à (S) est  
1 2
AS =
3 5
et le second membre est (6, 10). L’écriture matricielle de (S) est
    
1 2 x1 6
= .
3 5 x2 10

Exemple
Considérons le système 
 2x + 7y + 5z = 1,
(S) 3x + 2y − 6z = 11,
x − y + 9z = 0.


Alors la matrice associée à (S) est  

2 7 5
AS =  3 2 −6 
1 −1 9
et le second membre est (1, 11, 0). L’écriture matricielle de (S) est
    
2 7 5 x 1
 3 2 −6   y  =  11  .
1 −1 9 z 0

Mathématiques 3, 2019 Chapitre 1: Algèbre Linéaire 10 / 18

Exemple
Considérons le système 
 2x + 9y = 1,
(S) 3x − 2y = 3,
x − y = 1.


Alors la matrice associée à (S) est  

2 9
AS =  3 −2 
1 −1
et le second membre est (1, 3, 1). L’écriture matricielle de (S) est
   
2 9   1
 3 −2  x =  3 .
y
1 −1 1

V. 4. Interprétation à l’aide d’une application linéaire

Soient Km et Kn munis respectivement des bases canoniques.

Soit (S) un système linéaire de n équations et m inconnues de matrice A.

Alors on peut associer canoniquement une application linéaire f à (S) définie sur Km à valeurs dans
Kn : c’est l’application linéaire associée à A (relativement aux bases canoniques)

x1
 

f (x1 , . . . , xm ) = A ·  ... 
xm

x1 b1
  

En posant ~x =  ...  et ~b =  .. , (S) est équivalent à

.
xm bn

f (~x ) = ~b.

V. 5. Ensemble des solutions

Définition 5
Soit (S) un système linéaire de n équations et à m inconnues.
Une solution de (S) est un m-uplet (s1 , . . . , sm ) tels que si l’on substitue s1 pour x1 , s2 pour x2 ,
· · · , sn pour xn , dans (S) on obtient une égalité.
L’ensemble des solutions de (S) est l’ensemble de toutes les solutions de (S).
On dit que (S) est compatible si (S) admet des solutions.

Mathématiques 3, 2019 Chapitre 1: Algèbre Linéaire 11 / 18

Proposition 10
Soit (S) un système linéaire homogène de n équations à m inconnues. L’ensemble des solutions de (S)
est un sous-espace vectoriel de Km .

Preuve
En utilisant l’application linéaire f associée à (S), on a

(s1 , . . . , sm ) est une solution de (S) si et seulement si f (s1 , . . . , sm ) = ~0

si et seulement si (s1 , . . . , sm ) ∈ Ker (f ).

Donc l’ensemble des solutions de (S) est le noyau de f . Comme ce dernier est un K-e.v., il en est de
même de l’ensemble des solutions de (S).

Proposition 11
Soit (S) un système linéaire de n équations à m inconnues. Si ~s est une solution particulière de (S),
alors l’ensemble des solutions de (S) est

~s + Ker (f ) = {~s + ~h | ~h ∈ Ker (f )},

où f est l’application linéaire associée à (S).

Preuve
Soit ~x une solution de (S). Alors f (~x ) = ~b, où ~b est le vecteur représenté par le second membre de (S).
On a
f (~x − ~s ) = f (~x ) − f (~s ) = ~b − ~b = ~0
et donc ~x − ~s ∈ Ker (f ). D’où ~x = ~s + (~x − ~s ) ∈ ~s + Ker (f ). Inversement, si ~x = ~s + ~h, avec
~h ∈ Ker (f ), alors f (~x ) = f (~s + ~h) = ~b + f (~h) = ~b et donc ~x est solution de (S).

Proposition 12
Tout système d’équations linéaires possède ou bien aucune solution, ou bien une seule solution, ou bien
une infinité de solutions.

Preuve
Soit f (~x ) = ~b l’interprétation à l’aide d’une application linéaire de (S). Un des cas suivants se présente :
~b 6∈ Im(f ) : (S) n’a pas de solutions
~b ∈ Im(f ) et Kerf (f ) = {~0} : (S) a une unique solution
~b ∈ Im(f ) et Kerf (f ) 6= {~0} : (S) a une infinité de solutions

Mathématiques 3, 2019 Chapitre 1: Algèbre Linéaire 12 / 18

 V. 6. Existence des solutions

Définition 6
Soit A ∈ Mm,n (K) une matrice. On appelle rang de la matrice A la dimension du sous-espace vectoriel
(de Km ) engendré par ses vecteurs colonnes.

Propriété
Le rang d’une matrice A ∈ Mm,n (K) est égal au rang de l’application linéaire qui lui est associée. En
effet, si f est l’application linéaire associée à A

rg (f ) = dim(Im(f )) = dim(Vect(f (~e1 ), . . . , f (~em )))

or on vérifie que
f (~ei ) = A · e~i = la i ème colonne de A.

Définition 7
Soit A une matrice de type (m, n). On appelle matrice extraite de A, toute matrice obtenue en
supprimant un certain nombre de lignes et un certain nombre de colonnes de A.
On appelle déterminant extrait de A, tout déterminant d’une matrice carrée extraite de A.

Théorème (Calcul pratique du rang d’une matrice)

Soit A ∈ Mm,n (K). Alors le rang de A est le plus grand entier r tel que l’on puisse extraire de A au
moins une matrice carrée inversible de type (r , r ).

Exemples
(1) Soit  
1 1 1
A =  0 2 3 .
0 3 2
2 3
Le déterminant de A est det(A) = 1 = −5 6= 0. Donc on peut extraire une matrice d’ordre 3
3 2
inversible ; d’où rg (A) = 3.
(2) Soit  
1 1/2 0
A= 0 3 4 .
−1 1 2
3 4 1/2 0
Le déterminant de A est det(A) = − = 0. Donc on ne peut pas extraire une matrice
1 2  3 4
3 4
d’ordre 3 inversible. Par contre la matrice extraite de A possède un déterminant non nul ;
1 2
d’où rg (A) = 2.

Mathématiques 3, 2019 Chapitre 1: Algèbre Linéaire 13 / 18

Définition 8
Soit (S) un système de n équations à m inconnues de matrice A = (aij )1≤i≤m,1≤j≤m et de second
membre ~b.
Le rang de (S) est par définition le rang de sa matrice :

rg (S) = rg (A).

La matrice augmentée de (S) est la matrice, notée [A|~b], définie par :

a11 a12 · · · a1m b1

 
 a21 a22 · · · a2m b2 
[A|~b] = 
 ... . . . ... .. .. 
. . 
an1 an2 · · · anm bn

Remarque
Pour bien distinguer le second membre ~b de A et pour des raisons pratiques de calculs, on écrit [A|~b]
sous la forme
a11 a12 · · · a1m b1
 
 a21 a22 · · · a2m b2 
 . .. .. .. 
 .. ... . . . 
an1 an2 · · · anm bn

Exemple
Considérons le système 
 2x + 7y + 5z = 1,
(S) 3x + 2y − 6z = 11,
x − y + 9z = 0.


Alors la matrice du système (S) est  

2 7 5
A =  3 2 −6 
1 −1 9
et le second membre est (1, 11, 0). Donc [A|~b] est
 
2 7 5 1
 3 2 −6 11 
1 −1 9 0

Proposition 13 (CNS pour l’existence des solutions)

Soit (S) un système d’équations linéaires, de matrice A et de second membre ~b. Alors (S) est
compatible, si et seulement si, rg (A) = rg ([A|~b]).

Mathématiques 3, 2019 Chapitre 1: Algèbre Linéaire 14 / 18

Exemple
Soit 
 x +y +z =2
(S) 2y + 3z = 0
3y + 2z = 1

 
1 1 1
Alors la matrice du système est A =  0 2 3  . Le déterminant de A est
0 3 2
2 3
det(A) = 1 = −5 6= 0. Donc on peut extraire une matrice d’ordre 3 inversible ; d’où rg (A) = 3.
3 2  
1 1 1 2
La matrice augmentée de (S) est [A|~b] =  0 2 3 0  . Son rang ne peut être 4 et comme A est
0 3 2 1
une matrice extraite de rang 3 ; rg([A|~b]) = 3. Donc (S) est compatible (admet des solutions).

V. 7. Méthodes de résolution

V. 7. 2. Méthode du pivot de Gauss

La méthode de pivot de Gauss consiste à transformer un système, en utilisant des ”opérations

élémentaires”, à un système échelonné réduit. Il se trouve que les systèmes échelonnés réduits sont plus
faciles à résoudre.
Définition 9
Les opérations suivantes sur les équations d’un système linéaire (ou sur les lignes de sa matrice) sont
appelées des opérations élémentaires :
Li ← λLi , λ ∈ K∗ : multiplier l’équation Li par le scalaire non nul λ.
Li ← Li + λLj , λ ∈ K, i 6= j : rajouter à l’équation Li , l’équation Lj multipliée par le scalaire λ.
Li ↔ Lj : permuter les deux équations Li et Lj .

Propriété
Les opérations élémentaires ne changent pas l’ensemble des solutions d’un système. Ils transforment un
système linéaire à un autre système ayant le même ensemble de solutions.

Mathématiques 3, 2019 Chapitre 1: Algèbre Linéaire 15 / 18

Mise en pratique

Étape 1 : échelonnement
Il faut d’abord que le premier coefficient de la première ligne soit non nul. Si ce n’est pas le cas, on
permute la ligne L1 par la première ligne dont le premier coefficient est non nul : L1 ↔ Lj .
Si le premier coefficient de la première ligne est différent de 1, on multiplie L1 par 1/a11 :
L1 ← 1/a11 L1 . Nous avons un pivot en position (1, 1).
Le pivot sert à éliminer tous les autres termes sur la même colonne : pour 2 ≤ i ≤ n, on remplace
l’équation Li par Li − ai1 L1 , on élimine ainsi x1 dans l’équation Li .
On obtient un système avec une équation L1 contenant x1 et les autres équations ne contenant pas de
x1 :
0 0
x1 + a12 x2 + · · · + a1m xm = b10


 0 + a0 x + · · · + a0 x
 0
22 2 im m = b2
(S 0 ) .. .. .. .. ..
 . . . . .


0 + an2 x2 + · · · + anm xm = bn0
0 0

On aboutit ainsi à un nouveau système, on recommence les étapes ci-dessus pour éliminer x2 :
 0 0 0
 a22 x2 + · · · + aim xm = b2
(H) .. .. .. ..
 0. . . .
an2 x2 + · · · + anm xm = bn0
0

Exemple
Soit 
 2x + y + z = 1
(S) x + y + 3z = 4
x − y + 2z = 1


On effectue les opérations élémentaires directement sur la matrice augmentée :

 
2 1 1 1
 1 1 3 4 
1 −1 2 1
   
2 1 1 1 1
L1 ← 2 L1
1 1/2 1/2 1/2
 1 1 3 4  −− −−→  1 1 3 4 
1 −1 2 1 1 −1 2 1
   
1 1/2 1/2 1/2 1 1/2 1/2 1/2
L2 ←L2 −L1 L2 ←2L2
−− −−−−→  0 1/2 5/2 7/2  −− −−→  0 1 5 7 
L3 ←L3 −L1
0 −3/2 3/2 1/2 0 −3/2 3/2 1/2
   
3
L3 ←L3 + L2
1 1/2 1/2 1/2 1
L3 ← 9 L3
1 1/2 1/2 1/2
−−−−−−2−→  0 1 5 7  −−−− → 0 1 5 7 
0 0 9 11 0 0 1 11/9
La matrice est maintenant échelonnée.

Mathématiques 3, 2019 Chapitre 1: Algèbre Linéaire 16 / 18

Étape 2 : réduction
En partant de la dernière ligne et en utilisant le premier coefficient non nul comme pivot, on applique la
même méthode que celle de l’étape d’échelonnement, en allant du bas à droite vers le haut à gauche.

Continuons l’exemple précédent avec la matrice échelonnée obtenue.

   
1 1/2 1/2 1/2 1
L1 ←L1 − L3
1 1/2 0 −1/9
 0 1 5 7  −−−−−−2−→  0 1 0 8/9 
L2 ←L2 −5L3
0 0 1 11/9 0 0 1 11/9
 
1
L1 ←L1 − L2
1 0 0 −5/9
−−−−−−2−→  0 1 0 8/9 
0 0 1 11/9
La matrice est maintenant échelonnée et réduite.

Étape 3 : resolution
Maintenant le système est échelonné et réduit, sa résolution est plus simple.

Continuons l’exemple précédent avec la matrice échelonnée réduite obtenue.

 
1 0 0 −5/9
 0 1 0 8/9 
0 0 1 11/9

Le système devient 
 x = −5/9
y = 8/9
z = 11/9


et la solution, dans ce cas, est évidente.

Un autre exemple
Considérons le système 
 −y + 2z + 13t = 5
(S) x − 2y + 3z + 17t = 4
−x + 3y − 3z − 20t = −1


La matrice augmentée du système est

 
0 −1 2 13 5
 1 −2 3 17 4 
−1 3 −3 −20 −1

Mathématiques 3, 2019 Chapitre 1: Algèbre Linéaire 17 / 18

    
0 −1 2 13 5 1 −2 3 17 4
L ↔L2
 1 −2 3 17 4  −−1−−→  0 −1 2 13 5 
−1 3 −3 −20 −1 −1 3 −3 −20 −1
   
1 −2 3 17 4 1 −2 3 17 4
L3 ←L3 +L1
 0 −1 2 13 5  −− −−−−→  0 −1 2 13 5 
−1 3 −3 −20 −1 0 1 0 −3 3
   
1 −2 3 17 4 1 −2 3 17 4
L2 ←−L2
 0 −1 2 13 5  − −−−−→  0 1 −2 −13 −5 
0 1 0 −3 3 0 1 0 −3 3
   
1 −2 3 17 4 1 −2 3 17 4
L3 ←L3 −L2
 0 1 −2 −13 −5  − −−−−−→  0 1 −2 −13 −5 
0 1 0 −3 3 0 0 2 10 8
   
1 −2 3 17 4 1
L3 ← 2 L3
1 −2 3 17 4
 0 1 −2 −13 −5  −− −−→  0 1 −2 −13 −5 
0 0 2 10 8 0 0 1 5 4
La matrice est maintenant échelonnée. Pour réaliser la réduction, on remonte à partir de la dernière
ligne en utilisant le premier coefficient non nul comme pivot.
   
1 −2 3 17 4 1 −2 0 2 −8
L1 ←L1 −3L3
 0 1 −2 −13 −5  − −−−−−−→  0 1 0 −3 3 
L2 ←L2 +2L3
0 0 1 5 4 0 0 1 5 4
   
1 −2 0 2 −8 1 0 0 −4 −2
L1 ←L1 +2L2
 0 1 0 −3 3  − −−−−−−→  0 1 0 −3 3 
0 0 1 5 4 0 0 1 5 4
La matrice est maintenant échelonnée et réduite.
Le système (S) est maintenant équivalent à

 x − 4t = −2
y − 3t = 3
z + 5t = 4


où x, y , z sont les variables principales et t est la variable secondaire (ou paramètre). L’ensemble des
solutions est
n o
(x, y , z, t) ∈ R4 | x = −2 + 4λ, y = 3 + 3λ, z = 4 − 5λ, t = λ; λ ∈ R
 
= (−2, 3, 4, 0) + Vect (4, 3, −5, 1) .

Mathématiques 3, 2019 Chapitre 1: Algèbre Linéaire 18 / 18