Ecole Nationale Polytechnique d'Alger

2 Année CP/ST
Année Universitaire 2024/2025

Cours Analyse Numérique 1

Chapitre 3 : Méthodes itératives de résolution des systèmes linéaires
(Suite)

Dr. LEMDANI Safia

Chapitre 03 : Méthodes itératives de résolution des

systèmes linéaires (Suite)

Position du problème ...…………………………………………………....... 3

1. Principe des méthodes itératives ……………………………………….... 3
2. Matrice d'itération et les conditions de convergence …………………… 4
2.1. Condition nécessaire de convergence …………………………………... 4
2.2. Condition nécessaire et suffisante de convergence ……………………. 4
2.3. Condition suffisante de convergence …………………………………... 5
3. Principales méthodes itératives …………………………………………... 5
4. Présentation des algorithmes ……………………………….................. 6
5. Généralisation ……………………………………………………………. 8

2
Chapitre 03 : Méthodes itératives de résolution des systèmes
linéaires

Position du problème :
Quand 𝑛 est assez grand les méthodes directes ne sont plus envisageables vu le
nombre très grand d'opérations à effectuer qui engendre la propagation des
erreurs d'arrondi. On a alors recours aux méthodes itératives qui consistent à
générer à partir d'un vecteur initial 𝑋 (0) choisi dans ℝ𝑛 , une suite (𝑋 (𝑛) )𝑛∈ℕ
telle que : 𝑋 (𝑛+1) = 𝐹(𝑋 𝑛 ) et lim 𝑋 (𝑛) = 𝑋;⁡ où ⁡𝐹 ∶ ⁡ ℝ𝑛 ⁡ → ⁡ ℝ𝑛 est un
n→+∞
opérateur lié à la méthode.

1. Principe des méthodes itératives :

Ecrivons d'abord la matrice 𝐴 sous la forme 𝐴⁡ = ⁡𝑀⁡ − ⁡𝑁 où 𝑀 est inversible,
alors :
𝐴𝑋 = 𝑏 ⇔ (𝑀 − 𝑁)𝑋 = 𝑏
⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⇔ 𝑀𝑋 = 𝑁𝑋 + 𝑏

Multiplions les deux côtés par⁡⁡𝑀−1 , on aura :

⇔ 𝑋 = 𝑀−1 𝑁𝑋 + 𝑀−1 𝑏.

Le principe de toutes les méthodes itératives est le suivant :

 choisir un vecteur⁡𝑋 (0) ∈ ⁡ ℝ𝑛 .

 générer la suite (𝑋 (𝑘) )𝑘∈ℕ , telle que⁡⁡𝑋 (𝑘+1) = 𝑀−1 𝑁𝑋 (𝑘) + 𝑀 −1 𝑏.
 si la suite (𝑋 (𝑘) )𝑘∈ℕ converge vers⁡𝑋 ∗ , alors 𝑋 ∗ est la solution du
système⁡⁡𝐴𝑋 = 𝑏.

Remarque 01 :

 Le critère d'arrêt se fait, en général, sur l'erreur relative de deux itérés

successifs 𝑋 (𝑘) et⁡⁡𝑋 (𝑘+1) , c'est à dire :
‖⁡⁡𝑋 (𝑘+1)−𝑋 (𝑘) ‖
𝑇𝑒𝑠𝑡 ( < 𝜀),
‖⁡⁡𝑋 (𝑘+1) ‖

où 𝜀 choisi petit, ou sur l'erreur absolue si ‖⁡⁡𝑋 (𝑘+1) ‖ est très petite.
 La méthode itérative est dite convergente si : ∀⁡𝑋 (0) ∈ ⁡ ℝ𝑛 , 𝑋 (𝑘) → ⁡𝑋 ∗
quand 𝑘 → ∞ où ⁡𝑋 ∗ ⁡ est la solution du système AX = b.

3
2. Matrice d'itération et les conditions de convergence :
On appelle, pour 𝑀 et 𝑁⁡choisies, matrice d'itération « la matrice 𝐵⁡ = ⁡ 𝑀−1 𝑁 ».

2.1. Condition nécessaire de convergence :

Notons par⁡⁡⁡𝐸 (𝑘) = ⁡ 𝑋 (𝑘) − ⁡𝑋 ∗ , le vecteur erreur à l'étape ⁡(⁡𝑘 ∈ ℕ⁡) , on a :

⁡𝑋 ∗ = 𝐵⁡𝑋 ∗ + 𝑀−1 𝑏⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡(1)

⁡𝑋 (𝑘) = 𝐵⁡𝑋 (𝑘−1) + 𝑀−1 𝑏⁡⁡⁡⁡⁡⁡⁡⁡⁡(2)

En soustrayant (1) de (2), on aura :

⁡𝑋 (𝑘) − ⁡𝑋 ∗ = 𝐵(⁡𝑋 (𝑘−1) − ⁡𝑋 ∗ )

Alors :

⁡𝐸 (𝑘) = 𝐵(⁡𝐸 (𝑘−1) ) = ⁡ 𝐵 2 (⁡𝐸 (𝑘−2) ) = 𝐵 3 (⁡𝐸 (𝑘−3) ) = ⋯ = 𝐵 𝑘 (⁡𝐸 (0) ) , où ⁡𝐸 (0) =𝑋 (0) − ⁡𝑋 ∗

Ou encore :

⁡𝑋 (𝑘) − ⁡𝑋 ∗ = 𝐵𝑘 (𝑋(0) − ⁡𝑋∗ )

La méthode converge si : ∀⁡𝑋 (0) ⁡, ⁡lim 𝑋 (𝑘) = ⁡𝑋∗ , ce qui est vraie si :
k→+∞

⁡lim 𝐵𝑘 = 0 (0 au sens matriciel).

n→+∞

2.2 Condition nécessaire et suffisante de convergence:

Soit 𝜌(𝐵) = max⁡{|𝜆|, 𝜆⁡𝑣𝑎𝑙𝑒𝑢𝑟⁡𝑝𝑟𝑜𝑝𝑟𝑒⁡𝑑𝑒⁡𝐵} le rayon spectral de 𝐵. On a le

théorème suivant :

Théorème 01:

La suite (𝑋 (𝑘) )𝑘∈ℕ , définie par :

𝑋 (0) ∈ ⁡ ℝ𝑛 ⁡𝑞𝑢𝑒𝑙𝑐𝑜𝑛𝑞𝑢𝑒
{ (𝑘+1)
⁡𝑋 = 𝐵⁡𝑋 (𝑘) + 𝑀−1 𝑏
Converge vers⁡𝑋∗ , si et seulement si 𝜌(𝐵) < 1.

4
 2.3 Condition suffisante de convergence :

Rappel 01 :

1. Soit⁡𝑋 = (𝑥1 , … , 𝑥𝑛 )𝑡 ∈ ⁡ ℝ𝑛 , les normes définies par :

 ‖𝑋‖1 = ∑𝑛𝑖=1 |𝑥𝑖 |
1
 ‖𝑋‖2 = (∑𝑛𝑖=1|𝑥𝑖 |2 )2
 ‖𝑋‖∞ = 𝑚𝑎𝑥1≤𝑖≤𝑛 |𝑥𝑖 |

Sont équivalentes.

2. Soit ⁡𝐴 = (𝑎𝑖𝑗 ) ∈ ⁡ ℳ𝑛 (ℝ), les normes définies par :

 ‖𝐴‖1 = 𝑚𝑎𝑥1≤𝑗≤𝑛 (∑𝑛𝑖=1|𝑎𝑖𝑗 |)
 ‖𝐴‖2 = √𝜌(𝐴𝑡 . 𝐴)
 ‖𝐴‖∞ = 𝑚𝑎𝑥1≤𝑖≤𝑛 (∑𝑛𝑗=1|𝑎𝑖𝑗 |)

Sont équivalentes.

Lemme 01 : (Relation entre ⁡𝜌(B)⁡ et⁡‖𝐵‖) : 𝜌(B) ≤ ‖𝐵‖𝑖 ⁡, 𝑖 = {1,2, ∞}.

Démonstration : Soit 𝜆 une valeur propre de⁡𝐵 , alors ∃𝑋 ∈ ⁡(ℝ∗ )𝑛 : 𝐵𝑋 = 𝜆𝑋,

et donc :

‖𝐵𝑋‖𝑖 = ‖𝜆𝑋‖𝑖 ⇒ |𝜆|‖𝑋‖𝑖 ≤ ‖𝐵‖𝑖 ‖𝑋‖𝑖 , (𝑋 ∈ ⁡(ℝ∗ )𝑛 ⁡‖𝐵𝑋‖𝑖 ≤ ‖𝐵‖𝑖 ‖𝑋‖𝑖 ).

D'où, |𝜆| ≤ ‖𝐵‖𝑖 ⇒ 𝜌(B) ≤ ‖𝐵‖𝑖 ⁡, 𝑖 = {1,2, ∞}.

D'après le lemme précédent, on tire que l'existence d'une norme ‖⁡. ‖𝑖 ⁡, 𝑖 = {1,2, ∞}.
de 𝐵 qui vérifie ‖𝐵‖𝑖 ⁡ < ⁡1 est une condition suffisante pour la convergence de
la méthode itérative.

3. Principales méthodes itératives :

On considère la décomposition suivante de la matrice 𝐴
⁡ ⁡ −𝐹
𝐴=𝐷−𝐸−𝐹 =( ⁡ 𝐷 ⁡ )
−𝐸 ⁡ ⁡
Où :
𝐷: 𝑙𝑎⁡𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙𝑒⁡𝑑𝑒⁡𝐴,⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡
{−𝐸: 𝑙𝑎⁡𝑝𝑎𝑟𝑡𝑖𝑒⁡𝑎𝑢⁡𝑑𝑒𝑠𝑠𝑜𝑢𝑠⁡𝑑𝑒⁡𝑙𝑎⁡𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙𝑒⁡𝑑𝑒⁡𝐴,
−𝐹: 𝑙𝑎⁡𝑝𝑎𝑟𝑡𝑖𝑒⁡𝑎𝑢⁡𝑑𝑒𝑠𝑠𝑢𝑠⁡𝑑𝑒⁡𝑙𝑎⁡𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙𝑒⁡𝑑𝑒⁡𝐴.

5
 𝑎11 𝑎12 𝑎13
Exemple 01: Soit 𝐴 = (𝑎21 𝑎22 𝑎23 ) alors :
𝑎31 𝑎32 𝑎33
𝑎11 0 0 0 0 0 0 −𝑎12 −𝑎13
𝐷=( 0 𝑎22 0 ) , 𝐸 = (−𝑎21 0 0) , 𝐹 = ( 0 0 −𝑎23 )⁡.
0 0 𝑎33 −𝑎31 −𝑎32 0 0 0 0
On suppose que ⁡∀⁡𝑖 = 1, … , 𝑛, 𝑎𝑖𝑖 ≠ 0ℝ ⁡, (on peut s'y ramener si 𝐴 estinversible).

1. Méthode de Jacobi : 𝑀 = 𝐷, 𝑁 = 𝐸 + 𝐹.
2. Méthode de Gauss-Seidel : 𝑀⁡ = ⁡𝐷⁡ − ⁡𝐸,⁡⁡⁡⁡𝑁⁡ = ⁡𝐹.

Remarque 02:

1. Si⁡𝜔 , la méthode de relaxation coïncide avec celle de Gauss-Seidel.

2. La matrice 𝑀 est inversible, car elle possède toujours les 𝑎𝑖𝑖 sur la
diagonale.

4. Présentation des algorithmes :

On va, dans ce qui suit, expliciter les méthodes de Jacobi et Gauss-Seidel, et
cela sur un système linéaire à trois équations (n = 3).
𝑎11 𝑎12 𝑎13 𝑏1
Soit 𝐴𝑋⁡ = ⁡𝑏⁡où 𝐴 = (𝑎21 𝑎22 𝑎23 ) et⁡𝑏 = (𝑏2 ), donc :
𝑎31 𝑎32 𝑎33 𝑏3

𝑎11 ⁡𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 = 𝑏1 ⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡(1)

𝐴𝑋 = 𝑏 ⇔ {𝑎12 ⁡𝑥1 + 𝑎22 𝑥2 + 𝑎23 𝑥3 = 𝑏2 ⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡(2)
𝑎13 ⁡𝑥1 + 𝑎32 𝑥2 + 𝑎33 𝑥3 = 𝑏3 ⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡(3)

Les 𝑎𝑖𝑖 , 𝑖 = 1,2, … , 𝑛 étant supposés non nuls ; tirons 𝑥1 de (1), 𝑥2 de (2) et
𝑥3 de (3), on obtient :
𝑏1 − 𝑎12 𝑥2 − 𝑎13 𝑥3
𝑥1 = = 𝑓(𝑥2 , 𝑥3 )⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡(4)
𝑎11
𝑏2 − 𝑎12 ⁡𝑥1 − 𝑎23 𝑥3
𝑥2 = = 𝑔(𝑥1 , 𝑥3 )⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡(5)
𝑎22
𝑏3 − 𝑎13 ⁡𝑥1 − 𝑎32 𝑥2
𝑥3 = = ℎ(𝑥1 , 𝑥2 )⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡(6)
𝑎33

(0) (0) (0) 𝑡

Soit 𝑋 (0) = (𝑥1 , 𝑥2 , 𝑥3 ) ∈ ℝ3 quelconque.

6
La méthode de Jacobi revient au processus itératif suivant :

1ère étape :
(1) (0) (0)
⁡⁡𝑥1 = 𝑓 (𝑥2 , 𝑥3 )⁡ (1)
⁡⁡𝑥1
(1) (0) (0)
𝑥2 = 𝑔 (𝑥1 , 𝑥3 ) → 𝑋 (1) = (⁡⁡𝑥2(1) )
(1) (0) (0) (1)
𝑥3 = ℎ (𝑥1 , 𝑥2 ) ⁡⁡𝑥3

2ième étape :
(2) (1) (1)
⁡⁡𝑥1 = 𝑓 (𝑥2 , 𝑥3 )⁡ (2)
⁡⁡𝑥1
(2) (1) (1)
𝑥2 = 𝑔 (𝑥1 , 𝑥3 ) → 𝑋 (2) = (⁡⁡𝑥2(2) )
(2) (1) (1) (2)
𝑥3 = ℎ (𝑥1 , 𝑥2 ) ⁡⁡𝑥3

Et ainsi de suite, jusqu'à satisfaction du critère d'arrêt. (Il est évident qu'on ne
peut pas calculer le coût de la méthode).

La méthode de Gauss-Seidel revient au processus itératif suivant :

1ère étape :
(1) (0) (0)
⁡⁡𝑥1 = 𝑓 (𝑥2 , 𝑥3 ) ≡ 𝐽𝑎𝑐𝑜𝑏𝑖⁡ (1)
⁡⁡𝑥1
(1) (1) (0)
𝑥2 = 𝑔 (𝑥1 , 𝑥3 )⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡ → 𝑋 (1) = (⁡⁡𝑥2(1) )
(1) (1) (1) (1)
𝑥3 = ℎ (𝑥1 , 𝑥2 )⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡ ⁡⁡𝑥3

2ième étape :
(2) (1) (1)
⁡⁡𝑥1 = 𝑓 (𝑥2 , 𝑥3 )⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡ ⁡⁡𝑥1
(2)

(2) (2) (1)

𝑥2 = 𝑔 (𝑥1 , 𝑥3 )⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡ → 𝑋 (2) = (⁡⁡𝑥2(2) )
(2) (2) (2) (2)
𝑥3 = ℎ (𝑥1 , 𝑥2 )⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡ ⁡⁡𝑥3

(C’est à dire toutes les composantes calculées (𝑥1 , 𝑥2 , … , 𝑥𝑖−1 ) sont

utilisées pour calculer⁡𝑥𝑖 ), et ainsi de suite, jusqu'à satisfaction du critère
d'arrêt.

7
5. Généralisation :
Soit AX = b un système linéaire d'ordre 𝑛 où⁡𝑎𝑖𝑖 ≠ 0, 𝑖 = 1,2, … , 𝑛. Les
équations (4), (5) et (6) précédentes se généralisent comme suit :

(𝑏𝑖 − ∑𝑛𝑗=1,𝑗≠𝑖 𝑎𝑖𝑗 𝑥𝑖 )

𝑥𝑖 = ,⁡⁡⁡⁡⁡⁡∀𝑖 = 1,2, … , 𝑛.
𝑎𝑖𝑖

Etapes principales de la méthode de Jacobi :

(0) (0) (0) 𝑡

1. Etant données A, b, 𝑋 (0) = (𝑥1 , 𝑥2 , 𝑥3 ) , 𝜖 (la précision) et/ou
𝐾𝑀𝑎𝑥⁡(le nombre maximal d’itérations).

(𝑘)
(𝑘+1) (𝑏𝑖 −∑𝑛
𝑗=1,𝑗≠𝑖 𝑎𝑖𝑗 𝑥𝑖 )
2. 𝑥𝑖 = ⁡, ∀𝑖 = 1,2, … , 𝑛.
𝑎𝑖𝑖
A répéter pour 𝑘 = 0, … , 𝐾𝑀𝑎𝑥.
Si :
‖𝑋 (𝑘+1) − 𝑋 (𝑘) ‖
⁡ < ⁡𝜖
‖𝑋 (𝑘+1) ‖

Arrêter les itérations, et 𝑋 (𝑘+1) est une solution approchée de 𝑋 solution du

système donné avec une précision relative⁡𝜖.

Etapes principales de la méthode de Gauss-Seidel :

(0) (0) (0) 𝑡

1. Etant données A, b, 𝑋 (0) = (𝑥1 , 𝑥2 , 𝑥3 ) , 𝜖 (la précision) et/ou
𝐾𝑀𝑎𝑥⁡(le nombre maximal d’itérations).

(𝑘+1) (𝑘)
(𝑘+1) (𝑏𝑖 −∑𝑖−1
𝑗=1 𝑎𝑖𝑗 𝑥𝑗 −∑𝑛
𝑗=𝑖+1 𝑎𝑖𝑗 𝑥𝑗 )
2. 𝑥𝑖 = ⁡,⁡⁡⁡⁡⁡⁡⁡⁡⁡∀𝑖 = 1,2, … , 𝑛.
𝑎𝑖𝑖
A répéter pour 𝑘 = 0, … , 𝐾𝑀𝑎𝑥.
Si :
‖𝑋 (𝑘+1) − 𝑋 (𝑘) ‖
⁡ < ⁡𝜖
‖𝑋 (𝑘+1) ‖

Arrêter les itérations, et 𝑋 (𝑘+1) est une solution approchée de 𝑋

solution du système donné avec une précision relative⁡𝜖.

8
 Remarque 03 :

1. S'il existe 𝑖0 ∈ [1, 𝑛]tel que⁡𝑎𝑖0𝑖0 = 0, on procède à une permutation de

ligne sur 𝐴 (et sur⁡𝑏).
2. En général, la convergence de l'une de ces méthodes n'implique pas la
convergence de l'autre.
3. Plus que ⁡𝜌(B) ≪ 1 , plus que la convergence du processus itératif
(0)
∈ ⁡ ℝ𝑛 ⁡𝑑𝑜𝑛𝑛é⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡
{𝑋 (𝑘+1)
⁡𝑋 = 𝐵⁡𝑋 (𝑘) + 𝐶
vers la solution exacte du système 𝐴𝑋⁡ = ⁡𝑏 est plus rapide.

Exemple 02:

Résoudre par la méthode de Jacobi en utilisant 3 itérations et un vecteur initial

𝑋 (0) = (0,0,0)𝑡 le système suivant :
−1⁡𝑥1 + 𝑥2 + 3𝑥3 = 1
{ ⁡𝑥1 + 2𝑥2 = 2⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡
3⁡𝑥1 + 𝑥2 − 𝑥3 = 1

Le système s’écrira en forme réduite :

⁡𝑥1 = 𝑥2 + 3𝑥3 − 1
1
{ 𝑥2 = 1 − ⁡⁡𝑥1 ⁡⁡⁡⁡⁡⁡
2
𝑥3 = 3⁡𝑥1 + 𝑥2 − 1

1ère itération : 𝑋 (0) = (0,0,0)𝑡

(1) (0) (0) (1)
⁡𝑥1 = 𝑥2 + 3𝑥3 − 1 𝑥1 = ⁡ −1
(1) 1 (0)
𝑥2 = 1 − ⁡⁡𝑥1 ⁡⁡⁡⁡⁡
2
cela donne { 𝑥2(1) = ⁡⁡1
(1) (0) (0) (1)
{𝑥3 = 3⁡𝑥1 + 𝑥2 − 1 𝑥3 = −1

2ième itération : 𝑋 (1) = (−1,1, −1)𝑡

(2) (1) (1) (2)

⁡𝑥1 = 𝑥2 + 3𝑥3 − 1 𝑥1 = ⁡ −3
(2) 1 (1) (2) 3
𝑥2 = 1 − ⁡⁡𝑥1 ⁡⁡⁡⁡⁡ cela donne 𝑥2 = ⁡
2 2
(2) (1) (1) (3)
{𝑥3 = 3⁡𝑥1 + 𝑥2 −1 { 𝑥3 = −3

9
 3
3ième itération : 𝑋 (2) = (−3, , −3)𝑡
2

(3) (2) (2) (3) 17

⁡𝑥1 = 𝑥2 + 3𝑥3 − 1 𝑥1 = ⁡ −
2
(3) 1 (2) (3) 5
𝑥2 = 1 − ⁡⁡𝑥1 ⁡⁡⁡⁡⁡ cela donne 𝑥2 = ⁡⁡⁡⁡⁡
2 2
(3) (2) (2) (3) 17
{𝑥3 = 3⁡𝑥1 + 𝑥2 − 1 𝑥 =−
{ 3 2

Exemple 03:

Résoudre par la méthode de Gauss Seidel en utilisant 2 itérations et un vecteur

initial 𝑋 (0) = (0,0,0)𝑡 le système suivant :
−1⁡𝑥1 + 𝑥2 + 3𝑥3 = 1
{ ⁡𝑥1 + 2𝑥2 = 2⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡
3⁡𝑥1 + 𝑥2 − 𝑥3 = 1

1ère itération : 𝑋 (0) = (0,0,0)𝑡

(1) (0) (0) (1)
⁡𝑥1 = 𝑥2 + 3𝑥3 − 1 𝑥1 = ⁡ −1
(1) 1 (1) (1) 3
𝑥2 = 1 − ⁡⁡𝑥1 ⁡⁡⁡⁡⁡ cela donne 𝑥2 = ⁡
2 2
(1) (1) (1) (1) 5
{𝑥3 = 3⁡𝑥1 + 𝑥2 −1 𝑥3 =−
{ 2

3 5
2ième itération : 𝑋 (1) = (−1, , − )𝑡
2 2

(2) (1) (1) (2)

⁡𝑥1 = 𝑥2 + 3𝑥3 − 1 𝑥1 = ⁡ −7
(2) 1 (2) (2) 9
𝑥2 = 1 − ⁡⁡𝑥1 ⁡⁡⁡⁡⁡ cela donne 𝑥2 = ⁡
2 2
(2) (2) (2) (3) 35
{𝑥3 = 3⁡𝑥1 + 𝑥2 − 1 𝑥 =−
{ 3 2

10