1.

Notions sur les matrices

Ce chapitre est basé sur un outil fondamental de l’algèbre linéaire : les matrices. Il s’agit
simplement à apprendre manipuler les matrices et voir le lien entre ces objets et les systèmes
d’équations linéaires pour lesquelles nous verrons une méthode de résolution systématique.
La méthode de pivot de Gauss.
Dans tout ce chapitre K est l’un des ensemble R ou C, les lettres n, p, q,... désignent des entiers
naturels non nuls et [[1,n]] = {1; 2; ...; n}.

1.1. Matrices : Définition.

Définition 1.1. • Une matrice A à n ligne et à p colonne (de taille n × p) est un tableau
rectangulaire à n ligne et à p colonne contenant np éléments de K.
 
a11 a12 ... a1j ... a1p
 a21 a22 ... a2j ... a2p 
 
 ... ... ... ... ... ... 
 
A=
 ai1 ai2
 noté aussi aij 1≤i≤n ou simplement (aij ).
 ... aij ... aip 
 1≤j≤p
 .... ... ... ... ... ... 
an1 an2 ... anj ... anp
∀(i,j) ∈ [[1,n]]
 × [[1,p]], le scalaire aij ∈ K est appelé coefficient de A de position (i,j).
a1j
 . 
 

ième
La matrice   .  est appelé la j colonne de A et la matrice ai1 . . . aip est appelé

 . 
anj
sa iième ligne de A.
• L’ensemble des matrices de taille n × p à coefficients dans K noté Mn,p (K).
• Si n = p on parle de matrice carrées de taille n et l’ensemble de ces matrices est noté
Mn (K) au lieu de Mn,n (K). Les éléments a11 , a22 ,...,ann constituent la diagonale de
A.
• Pour n = 1 on parle de matrices lignes (vecteurs lignes) de taille p et si p = 1 de
matrice colonnes (vecteurs colonnes) de taille n.
• Les matrices de taille n × p dont tous les coefficients sont nuls est appelée la matrice nulle
de Mn,p (K) notée 0 ou 0n,p .
 
1 2
Exemples 1. 0 −3 est une matrice de taille 3 × 2 (3 lignes et 2 colonnes).
4 1
 
1 2 0
est une matrice de taille 2 × 3 (2 lignes et 3 colonnes).
0 −3 7
 
3 2 −1
0 −3 5  est une matrice carrée de taille 3 (3 lignes et 3 colonnes).
4 1 0

1.2. Matrices diagonales et matrices triangulaires.

3
Définition 1.2.
Une matrice A = (aij ) carrée est dite diagonale si A est non nulle et vérifiant aij = 0 si i 6= j.
c-à-d les coefficients qui ne sont pas sur la diagonales sont tous nuls.
 
3 0 0
Exemple 1.3. 0 1 0 est une matrice carrée diagonale de taille 3.
0 0 2
Définition 1.4.
Une matrice carrée est dite triangulaire supérieure (resp. inférieure) si ses coefficients situés
strictement au-dessous (resp. strictement au-dessus) de la diagonale sont nuls
   
a11 a12 . . . a1n a11 0 . . . 0
 0 a22 . . . .   a21 a22 . . . 
   
 . . . . . .   . . . . . . 

 .
 ;  
 . . . . . 

 .
 . . . . . 
 . . . . .   . . . . 0 
0 . . . 0 ann an1 . . . . ann
Matrice triangulaire supérieure ; Matrice triangulaire inférieure
Remarque 1.5. Les matrices diagonales sont des matrices à la fois triangulaires supérieures
et triangulaires inférieures.
1.3. Addition matricielle, multiplication par un scalaire et produit matriciel.
Définition 1.6. (Addition matricielle)
Soient A = (aij ) et B = (bij ) deux matrice de Mn,p (K). Alors la somme de A et de B est la
matrice C = (cij ) de Mn,p (K) définie par cij = aij + bij et on écrit A + B = C.
   
3 2 −1 2 5 0
Exemple 1.7. Soit A = 0 −3 5  et B =  0 1 −1.
4 1 0 −4 6 3
 
5 7 −1
A + B = 0 −2 4 .
0 7 3
Remarque 1.8. Il faut que les deux matrices aient la même taille (même ligne même colonne)
pour pouvoir effectuer leur somme.

Proposition 1.1. L’addition matricielle vérifie les propriétés suivantes :

(1) Commutative : A + B = B + A pour toutes matrices A et B de même taille.
(2) Associative : A + (B + C) = (A + B) + C pour toutes matrices A, B et C de même
taille.
(3) La matrice nulle 0np est un élément neutre pour l’addition dans Mn,p (K) :
A + 0np = 0np + A = A.
(4) Toute matrice A ∈ Mn,p (K) admet un opposé, c-à-d une matrice B ∈ Mn,p (K) telle
que A + B = B + A = 0np . On notera plus simplement B = −A. C’est une matrice
dont les coefficients sont les opposés des coefficients de A.
Preuve. Toutes ces proprieties sont évidentes. Elles découlent immédiatement des propriétés
de la somme dans R ou dans C puisque la somme se fait terme à terme. 
4
    
−3 2 1 3 −2 −1
Exemple 1.9. Soit A =  0 −3 4, alors l’opposé de A est −A =  0 3 −4
4 −1 6 −4 1 −6
Définition 1.10. (multiplication par un scalaire)
Soient λ ∈ K un scalaire et A = (aij ) une matrice de Mn,p (K). Alors le produit de la matrice
A par le scalaire λ est la matrice notée λA obtenue à partir de A en multipliant chacun de
ses coefficients par λ. C’est-à-dire λA = (λaij ).
   
−3 2 1 6 −4 −2
Exemple 1.11. Soit A =  0 −3 4, alors −2A =  0 6 −8 .
4 −1 6 −8 2 −12
Proposition 1.2. • ∀λ ∈ K, ∀A, B ∈ Mn,p (K).
λ(A + B) = λA + λB , (λ + µ)A = λA + µA.

λ(µA) = (λµ)A , 1A = A
Définition 1.12. (Produit matriciel)
Soient A = (aij ) ∈ Mn,p (K) et B = (bij ) ∈ Mp,q (K). Le produit des matrices A et B est la
matrice C = (cij ) ∈ Mn,q (K) avec
p
X
cij = aik bkj
k=1
et on écrit C = A × B ou C = AB.
   
2 1   4 −1 5
1 0 1
Exemples 2. •  1 3 ×
 = 7
 −3 10.
2 −1 3
2 0 2 0 0
     
1 0 −2 1 −3
• 3 2 5  × 3 =  19 .
0 1 4 2 11
           
1 0 1 −1 1 −1 1 −1 1 0 1 −3
• × = , mais × = .
2 3 0 2 2 4 0 2 2 3 4 6
     
a 0 c 0 ac 0
• × = .
0 b 0 d 0 bd

Remarque 1.13. • Le produit de deux matrice n’est pas en général défini que si le nombre
des colonnes de la première matrice est égal au nombre des lignes de la deuxième matrice. En
d’autre terme :
Matrice de taille n × p × Matrice de taille p × q= Matrice de taille n × q.
• Le produit de deux matrices carrées de taille n est une matrice carrée de taille n.
• Le produit de deux matrices s’il est défini n’est pas commutatif, c-à-d AB 6= BA en
général.
• Le produit de deux matrices peut être nul sans qu’aucune d’entre elle ne soit nulle. Par
exemple :
     
1 0 0 0 0 0
× = .
2 0 1 2 0 0
5
En particulier une puissance de matrice non nulle peut être nulle : par exemple :
 2  
0 0 0 0
= .
1 0 0 0
• Le produit de deux matrices carrées diagonales est une matrice diagonale :
     
a1 0 ... ... ... 0 b1 0 ... ... ... 0 a1 b1 0 ... ... ... 0
0 a2 ... ... ...   0 b2 ... ... ...   0 a 2 b2 ... ... ... 
     
 ... ... ... ... ... ...   ... ... ... ... ...
  ...   ...
  ... ... ... ... ... 
 
 × = 
     
 ... ... ... ... ... ... 
  ... ... ... ... ... ... 
  ... ... ... ... ... ... 
 
 
.... ... ... ... an−1 0  .... ... ... ... bn−1 0   .... ... ... ... an−1 bn−1 0 
0 ... ... 0 an 0 . ... ... 0 bn 0 ... ... 0 an bn
Proposition 1.3. (Propriétés du produit matriciel et matrice identité)
• Associativité : Pour tous A ∈ Mp,q (K), B ∈ Mq,r (K) et C ∈ Mr,s (K). (AB)C = A(BC).
• Bilinéarité : Pour tous A, B ∈ Mp,q (K) et C, D ∈ Mq,r (K) et α, β ∈ K :
(αA + βB)C = αAC + βBC et B(αC + βD) = αBC + βBD.
• Elément neutre : On appelle matrice identité de taille n la matrice carré :
 
1 0 ... ... ... 0
0 1 ... ... ... 
 
... ... ... ... ... ...
In = 
...
.
 ... ... ... ... ...
... ... ... ... 1 0 
0 . ... ... 0 1
∀A ∈ Mn (K), AIn = In A = A.
Remarque 1.14.
∀A ∈ Mn (K), A × 0 = 0 × A = 0.
1.4. Puissance d’une matrice.
Définition 1.15. (Puissance d’une matrice)
On définit la puissance d’une matrice A ∈ Mn (K) par :
Ak = A
| × A {z
× ... × A} et A0 = I n .
k fois

Définition 1.16. (Matrice nilpotente)

Une matrice carrée A est dite nilpotente s’il existe un entier p tel que Ap = 0. Le plus petit
entier qui vérifie cette propriété est appelé l’ordre de nilpotence da la matrice A.
 
0 2 3
Exemple 1.17. Soit A = 0 0 2 Montrons que A est une matrice nilpotente.
0 0 0
   
0 0 4 0 0 0
On a A2 = 0 0 0 et A3 = 0 0 0.
0 0 0 0 0 0
Donc A est nilpotente et on a Ap = 0 pour tout entier naturel p ≥ 3. L’ordre de nilpotence
de A est 3.
6
Remarque 1.18.
∀k ∈ N, Ink = In .
Théorème 1.4. (Formule du binôme de Newton et formule Ak − B k )
Soient A, B ∈ Mn (K). On suppose que A et B commutent c-à-d AB = BA, alors
k
X k−1
X
k
(A + B) = Cki Ak−i B i et k k
A − B = (A − B) Ak−i−1 B i .
i=0 i=0
   
1 1 2 0 1 2
Exercice Soit les matrice A = 0 1 0 et B = 0 0 0.
0 0 1 0 0 0
i).Montrer que B est une matrice nilpotente.
ii). En remarquant que A = I3 + B, montrer que :
 
1 k 2k
Ak = 0 1 0  ∀k ∈ N.
0 0 1
Solution
i). On a B 2 = 0 donc B est une matrice nilpotente. Par conséquent B i = 0, pour tout entier
i ≥ 2.
ii). On sait que I3 et B commutent car la matrice identité I3 commute avec toutes les matrice
de taille 3. Donc on peut appliquer la formule du binôme
 
Xk 1 k 2k
∀k ∈ N, Ak = (I3 + B)k = Cki I3k−i B i = I3 + kB = 0 1 0  .
i=0 0 0 1

1.5. Transposée et trace d’une matrice.

Définition 1.19. (Transposée d’une matrice)
Soit A = (aij ) ∈ Mn,p (K). On appelle transposée de A la matrice (aji ) de Mn,p (K) que l’on
note t A ou AT . En d’autre terme t A est obtenue en échangeant lignes et colonnes de A.
 
  3 7
3 0 2
Exemples 3. • t = 0 −1.
7 −1 5
2 5
   
a1 a1
 a2   a2 
   
t

. t
.

• ∀a1 ,a2 ,...,an ∈ K, a1 a2 . . . an =   .  et
   = a1 a2 . . . an .
.
   
. .
an an
Proposition 1.5. (Propriétés de la transposition)
•Linéarité ∀A, B ∈ Mn,p (K) et ∀λ, µ ∈ K.
t
(λA + µB) = λt A + µt B.
•Involutivité ∀A ∈ Mn,p (K) : t (t A) = A.
•Produit ∀A ∈ Mp,q (K), ∀B ∈ Mq,r (K) : t (AB) = t B t A.
7
Définition 1.20. (Matrice symétrique et matrice antisymétrique)
Soit A ∈ Mn (K).
• On dit que A est une matrice symétrique si t A = A.
• On dit que A est une matrice antisymétrique si t A = −A.
   
1 2 3 0 −3 4
Exemples 4. Soit A = 2 −1 0 et B =  3 0 2 .
3 0 4 −4 −2 0
• t A = A Donc A est une matrice symétrique.
• t B = −B, donc B est une matrice antisymétrique.
Trace d’une matrice carrée
Définition 1.21. Soit A ∈ Mn (K). On appelle trace de A et on note tr(A) ou T r(A) la
somme des éléments diagonaux de A.
Exemples
 5. 
2 −1
• A= , tr(A) = 2 + 1 = 3.
5 1
 
−1 0 1
• B=  5 2 3 , T r(B) = −1 + 2 − 1 = 0.
4 0 −1

Proposition 1.6.
Linéarité Pour tous A, B ∈ Mn (K) et λ, µ ∈ k : tr(λA + µB) = λtr(A) + µtr(B).
Produit Pour tous A, B ∈ Mn (K), tr(AB) = T r(BA).
1.6. Inversion des matrices.
Définition 1.22. Une matrice carrée A ∈ Mn (K) est dite inversible s’il existe une matrice
B ∈ Mn (K) telle que AB = BA = In . La matrice B est alors notée A−1 et on l’appelle
matrice inverse de A.
Exemples 6. • La matrice unité In est inversible car In In = In In = In .
• La matrice nulle 0 n’est pas inversible car pour toute matrice B ∈ Mn (K), on a
0B = B0 = 0 6=In .   
2 5 3 −5
• Soient A = et B = .
1 3 −1 2
On a AB = I2 et BA = I2 , donc A est une matrice inversible et son inverse A−1 est la matrice
B.  
λ1 0 . . . 0
 0 λ2 0 . . 
 
• Soit A =  .  . . . . .   une matrice diagonale. Alors A est inversible si et
. . . . . 0
0 . . . 0 λn
seulement si tous ses coefficients diagonaux sont non nuls et on a
 −1 
λ1 0 . . . 0
 0 λ−1 0 . . 
2
−1
 
A = .  . . . . . 

 . . . . . 0 
0 . . . 0 λ−1 n
8
 En effet, montrons qu’il existe une matrice B = (bij ) ∈ Mn (K) telle que AB = BA = In .
   
b11 λ1 b12 λ2 . . . b1n λn 1 0 . . . 0
 b21 λ1 b22 λ2 . . . b2n λn  0 1 0 . . 
   
AB = BA = In ⇐⇒   . . . . . . 
 = . . .
 . . .
 . . . . . .  . . . . . 0
bn1 λ1 bn2 λ2 . . . bnn λn 0 . . . 0 1
⇐⇒ bij λj = 0 ∀i,j ∈ [[1,n]] et i 6= j et bii λi = 1, ∀i ∈ [[1,n]]
⇐⇒ bij = 0 ∀i,j ∈ [[1,n]] et i 6= j et bii = λ−1
i , ∀i,j ∈ [[1,n]].
Proposition 1.7.
1). Si A est inversible alors son inverse est unique.
2). Si A est inversible alors A−1 est aussi inversible et (A−1 )−1 = A.
3). Si A et B sont deux matrices inversibles alors le produit AB est inversible et on a
(AB)−1 = B −1 A−1 .
4). Si A est une matrice inversible alors Ak est inversible pour tout entier k ∈ N et
(Ak )−1 = (A−1 )k .
5). Si A, B ∈ Mn (K) et vérifient AB = In ou bien BA = In alors A et B sont inversibles
et inverses l’une de l’autre.
Preuve. 1) Supposons que A admet deux matrice inverses B et C. Alors on a AB = BA = I
et AC = CA = I. En utilisant les hypothèses et l’associativité du produit des matrices on
obtient
B = BI
= B(AC)
= (BA)C
= IC
= C
D’où l’unicité de l’inverse.
2) Soit A ∈ Mn (K) inversible, alors ∃B ∈ Mn (K) tel que AB = BA = I. Donc A−1 = B.
Ceci signifie aussi que B est inversible et son inverse est A. C’est-à-dire B −1 = A et donc
(A−1 )−1 = A.
3) Il suffit de vérifier que B −1 A−1 est l’inverse de AB.
(AB)(B −1 A−1 ) = A[B(B −1 A−1 )]
= A[(BB −1 )A−1 ]
= A(IA−1 )
= AA−1
= I
De même on montre que (B −1 A−1 )(AB) = I.
4) Sans faire de récurrence, on remarque que Ak A−1 A−1 ...A−1 = AA...A.A−1 .A−1 ...A−1 = I
après simplification par le milieu. De même A−1 A−1 ...A−1 Ak = A−1 .A−1 ...A−1 .AA...A. = I
Donc Ak est inversible et son inverse est la matrice A−1 A−1 ...A−1 = (A−1 )k .
D’où (Ak )−1 = (A−1 )k .
5) Admis 
9
Remarque 1.23. Un des principaux intérêts de travailler avec des matrices inversibles est
qu’on peut simplifier certains calculs.
• Si C est une matrice inversible alors

AC = BC =⇒ (AC)C −1 = (BC)C −1
=⇒ A(CC −1 ) = B(CC −1 )
=⇒ AI = BI
=⇒ A = B

• Si A et B sont deux matrices non nulles telles que AB = 0 alors aucune des deux matrices
n’est inversible.
En effet par l’absurde, supposons que A est inversible.

AB = 0 =⇒ A−1 AB = A−1 0
=⇒ (A−1 A)B = 0
=⇒ IB = 0
=⇒ B = 0 ce qui est absurde.

Exercice
 
−3 4 2
Soit A = −2 3 1.
2 −2 0
1). Calculer A2 et vérifier que A2 = 2I − A (I = I3 la matrice identité de taille 3).
2). En déduire que A est inversible et déterminer A−1 .
Solution     
−3 4 2 −3 4 2 5 −4 −2
1)• A2 = −2 3 1 −2 3 1 =  2 −1 −1.
2 −2 0 2 −2 0 −2 2 2
     
2 0 0 −3 4 2 5 −4 −2
• 2I − A = 0 2 0 − −2 3 1 =  2 −1 −1.
0 0 2 2 −2 0 −2 2 2
Donc A2 = 2I − A.
2). On a

A2 = 2I − A = A2 + A = 2I
1 2
= (A + A) = I
2
1
= (A + I)A = I.
2
Donc A est inversible et son inverse est
 
−1 2 1
1
A−1 = (A + I) = −1 2 21  .
2
1 −1 12

Remarque 1.24.
On a A2 + A − 2I = 0 donc Si on pose P (X) = X 2 + X − 2, alors P (A) = 0. On dit que P
est un polynôme annulateur de la matrice A.
10
 2. Résolutions des sytèmes linéaires
2.1. Systèmes linéaires.

Définition 2.1. On appelle équation linéaire d’inconnues x1 ,x2 ,...,xp toute relation de la
forme
a1 x1 + a2 x2 + ... + ap xp = b
où a1 , a2 ,...,ap et b sont des nombres réels ou complexes donnés.

Exemples 7. • 2x − 3y = 7 est une équation linéaire à 2 inconnues x et y.

• x + 4y − 5z + 8t = 3 est une équation linéaire à 4 inconnues x, y, z et t.
• x √1 + x2 − 5x3 + 2x4 1− x5 = 10 est une équation à 5 inconnues x1 , x2 , x3 , x4 et x5 .
• x − 8y + 2z = 1, x − 3y = 8 et x1 x2 x3 + x1 − x2 + 5x3 = 9 ne sont pas des équations
linéaires.

Définition 2.2. Un système linéaire de n équations linéaire à p inconnues est une liste de n
équations linéaires.

3x1 − 5x2 + x3 = 8
Exemples 8. • est un système à 2 équations et 3 inconnues.
 7x1 + 4x2 − 2x3 = 0
x + x2 = 0
 1


x2 + x3 = 1
• est un système à 4 équations et 4 inconnues

 x3 + x4 = 2
x1 + x4 = 3


Remarque 2.3. La forme générale d’un système linéaire de n équations à p inconnues est la
suivante :

 a11 x1 + a12 x2 + ... + a1p xp = b1

a x + a22 x2 + ... + a2p xp = b2

 21 1



− − − − − − − − − − − − −−

 ai1 x1 + ai2 x2 + ... + aip xp = bi
− − − − − − − − − − − − −−




an1 x1 + an2 x2 + ... + anp xp = bn


Définition 2.4. Une solution du système linéaire est une liste de p éléments (s1 ,s2 ,...,sp ) de
Kp (p-uplets) vérifiant simultanément les p équations du système. C’est-à-dire si on substitue
s1 pour x1 , s2 pour x2 ,..., etc, dans chaque équation du système linéaire, on obtient une
égalité.
L’ensemble des solutions du système est l’ensemble de tous ces p-uplets.

2x1 − 3x2 + x3 = 7
Exemple 2.5. Le systeme admet comme solution le triplet (3,1,4).
x1 + 4x2 − 2x3 = −1
c-à-d x1 = 3, x2 = 1 et x3 = 4. Par contre le triplet (2,0,1) n’est pas une solution du système
même s’il vérifie la 2ième équation car 2 × 1 − 3 × 0 + 1 = 3 6= 7.

Définition 2.6. • Résoudre un système linéaire c’est déterminer l’ensemble des solutions
de ce système.
• Deux systèmes linéaires sont équivalentes s’ils ont le même ensemble des solutions.

2.2. Systèmes homogènes.

11
Définition 2.7. Un système linéaire est homogène si tous les coefficients du second membre
(bi ) sont nuls, c-à-d un système de type :


 a11 x1 + a12 x2 + ... + a1p xp = 0
a x + a22 x2 + ... + a2p xp = 0

 21 1



− − − − − − − − − − − − −−

 ai1 x1 + ai2 x2 + ... + aip xp = 0
− − − − − − − − − − − − −−




an1 x1 + an2 x2 + ... + anp xp = 0


2.3. Ecriture matricielle des systèmes linéaires.

Considérons le système linéaire à n équations et p inconnues :

 a11 x1 + a12 x2 + ... + a1p xp = b1

a x + a22 x2 + ... + a2p xp = b2

 21 1



− − − − − − − − − − − − −−

 ai1 x1 + ai2 x2 + ... + aip xp = bi
− − − − − − − − − − − − −−




an1 x1 + an2 x2 + ... + anp xp = bn

 
x1
 x2 
 
   . 
Soit aij 1≤i≤n la matrice constituées des coefficients du système. Soit X =   .  la ma-

1≤j≤p  
 . 
xn
 
b1
 b2 
 
.
trice colonne constituée des inconnues et B =   .  la matrice colonne constitué du second

 
.
bn
membre. Alors le système linéaire est équivalent à l’équation matricielle AX = B. De même
le système homogène associé c-à-d le système sans second membre est équivalent à AX = 0.

Exemples 9. •
     
 3x − 2y + z = 0 3 −2 1 x 0
5x + y + 2z = 0 ⇐⇒ 5 1 2  y  = 0
9x + 7y − 6z = 0 9 7 −6 z 0

•      

 x 1 + x2 = 0 1 1 0 0 x1 0
x2 + x3 = 1 0 1 1 0 x2  1

⇐⇒    =  

 x3 + x4 = 2 0 0 1 1 x3  2
x1 + x4 = 3 1 0 0 1 x4 3


Remarque 2.8. Soit A ∈ Mn,p (K) et B ∈ Kn . On s’intéresse au système linéaire AX = B

d’inconnue X ∈ Kp . Deux situations peuvent se présenter.
• Soit ce système n’a pas de solutions. On dit qu’il est incompatible.
• Soit il en a. On dit qu’il est compatible et on a la relation suivante :
La solution générale du système avec second membre est égale à une solution particulière plus
12
la solution générale du système homogène associé.
En effet : Supposons le système avec second membre (AX = B) possède une solution parti-
culière X0 ∈ Kp , c-à-d AX0 = B. alors
AX = B ⇐⇒ AX = AX0
⇐⇒ AX − AX0 = 0
⇐⇒ A(X − X0 ) = 0
⇐⇒ (X − X0 ) est une solution du système homogène associé.
On a bien X = X0 + (X − X0 ).
Définition 2.9. Un système linéaire AX = B est appelé système de Cramer s’il admet une
solution unique. C’est la solution X = A−1 B.
2.4. Résolution par la méthode du pivot de Gauss.
Définition-théorème : (Opérations élémentaires sut les lignes)
Soient (i,j) ∈ N∗2 et λ ∈ K. On appelle opération élémentaire (sur les lignes d’un système
linéaire) les opérations suivantes :
1). Permutation des iième et j ième lignes, notée Li ←→ Lj .
2). Multiplication de la iième ligne par λ 6= 0, notée Li ←− λLi .
3). Ajouter à la iième ligne la j ième ligne multiplié par λ avec i 6= j, notée : Li ←− Li + λLj .
La transformation un système linéaire donné par des opérations élémentaires sur les lignes ne
modifie pas l’ensemble des solutions.
Principe de la méthode du pivot de Gauss
La méthode du pivot de Gauss est un algorithme qui, par des opérations élémentaires sur les
lignes transforme le système linéaire en un système linéaire triangulaire equivalent. Ce dernier
à l’avantage d’etre facile à résoudre.

Exemple 2.10.
Résoudre dans R3 le système linéaire suivant en utilisant la méthode de Gauss.

 x + y + 7z = −1
−2x + y − 5z = 5
x + 3y + 9z = 5


On va conserver la première équation On dit qu’on a un pivot égal à 1 en position (1,1)

(première ligne première colonne) puis on va éliminer x dans les deux autres équations. Pour
cela on va effectuer les opérations élémentaires sur les lignes suivantes L2 ←− L2 + 2L1 et
L3 ←− L3 − L1 . On obtient donc le système équivalent suivant :

 x + y + 7z = −1
3y + 9z = 3
2y + 2z = 6


On multiplie par 13 les membres de la deuxième équation pour faire apparaı̂tre 1 au coefficient
du pivot en position (2,2) (deuxième ligne deuxième colonne). On obtient le système equivalent
suivant :

 x + y + 7z = −1
y + 3z = 1
2y + 2z = 6

13
On élimine y de la troisième équation. on effectue l’opération L3 ←− L3 − 2L2 . On obtient le
système equivalent suivant

 x + y + 7z = −1
y + 3z = 1
−4z = 4


Dans la troisième équation, on divise par −4 pour faire apparaı̂tre un 1 dans le coefficient
du pivot en position (3,3), on obtenir le système

 x + y + 7z = −1
y + 3z = 1
z = −1


On obtient donc un système sous forme échelonnée. L’écriture matricielle de ce système est
la suivante     
1 1 7 x −1
0 1 3   y  =  1 
0 0 1 z −1
La matrice associée est triangulaire et le système est dit aussi triangulaire et donc facile à
résoudre. Il suffit de remplacer la valeur de z dans la deuxième équation pour trouver y puis
de remplacer les valeurs de y et de z dans la première équation pour trouver x. Cependant on
peut continuer la méthode du pivot de Gauss en faisant apparaı̂tre des zéros sur la troisième
colonne en utilisant le pivot de la troisième ligne. On effectue les operations L1 ←− L1 − 7L3
et L2 ←− L2 − 3L3 . On obtient le système

 x + y = 6
y = 4
z = −1


En fin, on élimine y de la première équation (c-à-d on fait apparaı̂tre des zéros dans la deuxième
colonne) pour obtenir le système

 x = 2
y = 4
z = −1


Le système admet une solution unique (2,4, − 1).

Exemple 2.11. Résoudre dans R4 le système suivant par la méthode de Gauss :


 3x + y − 3z + 2t = 7
x − 2y + z − t = −9


 2x − 3y − 2z + t = −4
−x + 5z − 3t = −11


Dans la mesure du possible, on privilege un pivot égal à 1. Les calculs ultérieurs seront
simplifiés. On permute donc les deux premières équations. Puis en suivant les étapes effectué
dans l’exemple precedent, On a successivement :


 x − 2y + z − t = −9
3x + y − 3z + 2t = 7 L2 ←− L2 − 3L1


 2x − 3y − 2z + t = −4 L3 ←− L3 − 2L1
−x + 5z − 3t = −11 L4 ←− L4 + L1

14
 

 x − 2y + z − t = −9
7y − 6z + 5t = 34 L2 ←→ L4

 y − 4z + 3t = 14
L4 ←− −1

− 2y + 6z − 4t = −20 2 L4



 x − 2y + z − t = −9
y − 3z + 2t = 10


 y − 4z + 3t = 14 L3 ←− L2 − L3
7y − 6z + 5t = 34 L4 ←− L4 − 7L2



 x − 2y + z − t = −9
y − 3z + 2t = 10


 z − t = −4
15z − 9t = −36 L4 ←− L4 − 15L3


 x − 2y + z − t = −9

y − 3z + 2t = 10

 z − t = −4
L4 ←− 16 L4

6t = 24



 x − 2y + z − t = −9 L1 ←− L1 + L4
y − 3z + 2t = 10 L2 ←− L2 − 2L4


 z − t = −4 L3 ←− L3 + L4
t = 4



 x − 2y + z = −5 L1 ←− L1 − L3
y − 3z = 1 L2 ←− L2 + 3L3


 z = 0
t = 4



 x − 2y = −5 L1 ←− L1 + 2L2
y = 2


 z = 0
t = 4



 x = −1
y = 2

.

 z = 0
t = 4


Donc le système possed une solution unique (−1,2,0,4).

Exemple 2.12.
Résoudre dans R3 le système suivant par la méthode de Gauss :

 x − y + 3z = −1
x + y − z = 1
7x + y + 5z = 1


En suivant les étapes effectué dans l’exemple precedent, On a successivement :


 x − y + 3z = −1
x + y − z = 1 L2 ←− L2 − L1
7x + y + 5z = 1 L3 ←− L3 − 7L1

15
 
 x − y + 3z = −1
2y − 4z = 2 L2 ←− 21 L2
8y − 16z = 8 L3 ←− 18 L3


 x − y + 3z = −1
y − 2z = 1
y − 2z = 1 L3 ←− L3 − L2


 x − y + 3z = −1
y − 2z = 1
0 = 0 L3 ←− L3 − L2


On élimine la dernière équation et on obtient


x − y + 3z = −1
y − 2z = 1
On a obtenu un système à deux équations et trois inconnues. Le système admet une infinité de
solutions qui s’expriment, ici à l’aide d’inconnues z, que nous appellerons inconnue secondaire,
x et y sont appellees inconnues principales.

x = −1 + y − 3z
y = 1 + 2z

x = −z
y = 1 + 2z
Finalement l’ensemble des solutions est
S = {(−z,1 + 2z,z)/ z ∈ R}.
Exemple 2.13. Résoudre dans R3 le système suivant par la méthode de Gauss

 3x − y + z = 2
x + 2y − z = 1
5x + 3y − z = 3


On permute d’abord les deux premières équations.


 x + 2y − z = 1
3x − y + z = 2
5x + 3y − z = 3


On a successivement

 x + 2y − z = 1
3x − y + z = 2 L2 ←− L2 − 3L1
5x + 3y − z = 3 L3 ←− L3 − 5L1


 x + 2y − z = 1
− 7y + 4z = −1
0 = −1 L3 ←− L3 − L2


La troisième équation étant manifestement fausse. Donc ce système n’a pas de solutions.
Ce type d’équations dans laquelle aucune inconnue ne figure est appelée équation de compa-
tibilité.
16
2.5. Matrices inversibles et systèmes linéaires.
On va caractériser les matrices inversibles en terme de système linéaires.
Théorème 2.1. Soit A ∈ Mn (K). La matrice A est inversible si et seulement si pour tout
second membre Y ∈ Kn , le système linéaire AX = Y , d’inconnue X ∈ Kn , admet une solution
unique.
 
2 3 1
Exemple 2.14. Soit A = 1 1 2 . Montrons que A est inversible.
1 1 1
Pour tout Y = (a,b,c) de R3 , cherchons X = (x,y,z) de R3 tel que AX = Y .
 
 2x + 3y + z = a L1 ←→ L2  x + y + 2z = b
x + y + 2z = b ⇐⇒ 2x + 3y + z = a L2 ←− L2 − 2L1
x + y + z = c x + y + z = c L3 ←− L1 − L3
 

 
 x + y + 2z = b L1 ←− L1 − 2L3  x + y = −b + 2c L1 ←− L1 − L2
y − 3z = a − 2b L2 ←− L2 − 3L3 ⇐⇒ y = a + b − 3c
z = b−c z = b−c
 

 x = −a − 2b + 5c
y = a + b − 3c .
z = b−c

On a réussit à résoudre le système de départ par la méthode du pivot de Gauss pour tout
second membre Y = (a,b,c) de R3 , donc la matrice A est inversible et son inverse apparaı̂t
naturellement en fin de résolution.
 
−1 −2 −5
A−1 =  1 1 −3 .
0 1 −1
 
1 0 −1
Exemple 2.15. Soit la matrice B =  1 2 1  Montrons que B n’est pas inversible.
−1 4 5
Pour tout Y = (a,b,c) de R , cherchons X = (x,y,z) de R3 tel que BX = Y .
3
 
 x − z = a  x + y + 2z = a
x + 2y + z = b L2 ←− L2 − L1 ⇐⇒ 2y + 2z = b − a
−x + 4y + 5z = c L3 ←− L3 + L1 4y + 4z = c + a L3 ←− L3 − 2L2
 

 x + y + 2z = a
2y + 2z = b−a .
0 = 3a − 2b + c L3 ←− L3 − 2L2

Pour a = 1 et b = c = 0 par exemple, c-à-d pour le second membre Y = (1,0,0) le système
obtenue n’a pas de solution à cause de sa dernière ligne. Donc la matrice B n’est pas inversible.
 
1 2 3
Exemple 2.16. Soit la matrice triangulaire supérieur A = 0 1 4. Montrons que A est
0 0 1
inversible et que A−1 est aussi une matrice triangulaire supérieure.
17
Soit Y = (y1 ,y2 ,y3 ) de R3 . Cherchons X = (x1 ,x2 ,x3 ) de R3 tel que AX = Y .

 x1 + 2x2 + x3 = y1
x2 + 4x3 = y2
x3 = y3


Nous obtenons du bas vers le haut


 x1 = y1 −2x2 − 3x3 = y1 −2(y2 − 4y3 ) − 3y3 = y1 − 2y2 + 5y3
x2 = y2 −4x3 = y2 − 4y3
x 3 = y3


Ainsi  
1 −2 5
A−1 = 0 1 −4 .
0 0 1
Remarque 2.17. Une matrice inversible triangulaire supérieure (respectivement inférieure)
de Mn (K) a une inverse triangulaire supérieure (respectivement inférieure).
Théorème
 2.2. Soient a, b, c, d dans K.
a b
A= est inversible si et seulement si ad − bc 6= 0.
c d
Dans ce cas :  
−1 1 d −b
A = .
ad − bc −c a
Preuve. D’après le théorème precedent A est inversible si et seulement si pour tout second
membre Y = (x0 ,y 0 ) ∈ K2 , le système linéaire AX = Y , d’inconnue X = (x,y) ∈ K2 , admet
une solution unique.

ax + by = x0 (ad − bc)x = dx0 − by 0

 
⇐⇒
cx + dy = y 0 (ad − bc)y = −cx0 + ay 0
Le système obtenu admet une solution unique si et seulement si ad − bc 6= 0. Dans ce cas on a
0 −by 0
(
x = dx ad−bc
0 +ay 0
y = −cx ad−bc

En écrivant ce système sous forme matricielle, on obtient

 0
dx − by 0
      0
x 1 1 d −b x
= 0 + ay 0 =
y ad − bc −cx ad − bc −c a y0
Donc
 −1  
a b 1 d −b
= .
c d ad − bc −c a

Remarque 2.18. Le scalaire ad − bc s’appelle le determinant de la matrice A et on le note
 
 a b 
det(A) =   = ad − bc.
c d 
18
Exemples 10.
•  −1  
2 3 1 9 −3
= .
5 9 3 −5 2
•  −1  
cos α − sin α cos α sin α
= car cos2 α + sin2 α = 1.
sin α cos α − sin α cos α
Théorème 2.3. Soit A et B de Mn (K). Si par des opérations élémentaires sur les lignes de
la matrice (A,In ), on la transforme en la matrice (In ,B), alors A est inversible et B = A−1 .
   
1 3 1 1 0 0
Exemple 2.19. Calcul de A−1 : A = 1 2 2, I3 = 0 1 0.
1 2 1 0 0 1
On construit la matrice (A,I3 ).  
1 3 1 1 0 0
1 2 2 0 1 0 
1 2 1 0 0 1
On effectue les opérations L2 ←− L1 − L2 et L3 ←− L1 − L3 . On obtient
 
1 3 1 1 0 0
0 1 −1 1 −1 0 
0 1 0 1 0 −1
On effectue l’opération L3 ←− L3 − L2 . On obtient
 
1 3 1 1 0 0
0 1 −1 1 −1 0 
0 0 1 0 1 −1
On effectue les opérations L1 ←− L1 − L3 et L2 ←− L2 + L3 , on obtient
 
1 3 0 1 −1 1
0 1 0 1 0 −1
0 0 1 0 1 −1
En fin, on effectue l’opération L1 ←− L1 − 3L2 pour obtenir
 
1 0 0 −2 −1 4
0 1 0 1 0 −1
0 0 1 0 1 −1
On a transformé la matrice (A,I3 ) en la matrice (I3 ,B). Donc la matrice A est inversible et
A−1 = B, c-à-d :  
−2 −1 4
A−1 =  1 0 −1
0 1 −1

19