Résoudre Un Système Linéaire Avec Des Matrices : Guide Pas À Pas

Salut les matheux ! Aujourd'hui, on plonge dans le monde fascinant de l'algèbre linéaire pour résoudre un système d'équations linéaires en utilisant une méthode super cool : les matrices. Vous avez un système d'équations qui vous donne du fil à retordre ? Pas de panique, les gars ! Les matrices sont là pour nous sauver la mise, en transformant des problèmes compliqués en étapes claires et organisées. C'est comme avoir une recette magique pour démêler des énigmes mathématiques. On va prendre un exemple concret pour que vous puissiez suivre facilement, et croyez-moi, une fois que vous aurez compris le truc, vous vous demanderez comment vous avez pu vivre sans cette technique ! Préparez vos crayons, car ça va être une aventure mathématique épique !

Comprendre le système linéaire et sa représentation matricielle

Avant de sauter à pieds joints dans la résolution, parlons un peu du système que nous allons attaquer. Le voici, rien que pour vous :

$$\begin{array}{l} x_1+2 x_2-x_3=-4 \\ x_1+2 x_2+x_3=2 \\ -x_1-x_2+2 x_3=6 \end{array}$$

Ce système, mes amis, est composé de trois équations avec trois inconnues ($x_1$, $x_2$, et $x_3$). L'idée, c'est de trouver les valeurs de ces inconnues qui satisfont simultanément toutes les équations. C'est là que les matrices entrent en scène, comme des super-héros silencieux mais puissants. On peut réécrire ce système sous une forme matricielle compacte, du genre $AX = B$. Décortiquons ça :

• La matrice $A$, c'est la matrice des coefficients. On y met juste les nombres qui multiplient nos inconnues, dans l'ordre. Pour notre système, ça donne :

  $$A = \begin{pmatrix} 1 & 2 & -1 \\ 1 & 2 & 1 \\ -1 & -1 & 2 \end{pmatrix}$$

• Le vecteur colonne $X$, c'est notre colonne d'inconnues :

  $$X = \begin{pmatrix} x_1 \\ x_2 \\ x_3 \end{pmatrix}$$

• Le vecteur colonne $B$, c'est la colonne des résultats de nos équations :

  $$B = \begin{pmatrix} -4 \\ 2 \\ 6 \end{pmatrix}$$

Donc, notre système d'équations devient simplement $AX = B$. C'est déjà beaucoup plus classe, non ? Cette représentation matricielle nous ouvre la porte à des techniques de résolution puissantes. Pensez-y comme à la traduction d'un langage complexe vers un langage plus structuré et manipulable. La beauté de cette approche réside dans sa généralité ; que vous ayez 2 équations ou 200, le principe reste le même. Le défi principal avec cette représentation est de manipuler efficacement ces matrices, ce qui nous amène à la prochaine étape : utiliser la matrice inverse ou d'autres méthodes matricielles pour isoler $X$ et trouver notre solution.

L'un des avantages majeurs de la représentation matricielle est sa capacité à révéler la structure sous-jacente du système. Par exemple, la matrice des coefficients $A$ contient des informations cruciales sur les relations entre les variables. Des propriétés de cette matrice, comme son déterminant, peuvent nous dire si le système a une solution unique, une infinité de solutions, ou aucune solution du tout. C'est comme avoir un diagnostic rapide avant même de commencer le traitement. De plus, cette formalisation est le pilier de nombreux algorithmes informatiques utilisés pour résoudre des systèmes linéaires à grande échelle dans des domaines variés comme la physique, l'ingénierie, l'économie, et même le machine learning. La capacité de représenter un ensemble d'équations sous forme de matrices et de manipuler ces matrices à l'aide d'opérations bien définies est une compétence fondamentale pour quiconque s'aventure dans le calcul scientifique et la résolution de problèmes complexes.

La méthode de la matrice inverse : une approche directe

Maintenant que notre système est bien installé dans son costume matriciel $AX = B$, on peut se demander : comment diable on trouve $X$ ? L'une des méthodes les plus élégantes est d'utiliser la matrice inverse. Si notre matrice $A$ est inversible (c'est-à-dire qu'elle a une matrice inverse, notée $A^{-1}$), alors on peut multiplier les deux côtés de l'équation $AX = B$ par $A^{-1}$ par la gauche :

$$A^{-1}(AX) = A^{-1}B$$

Comme $A^{-1}A = I$ (où $I$ est la matrice identité), l'équation devient :

$$IX = A^{-1}B$$

Et comme $IX = X$, on obtient notre précieuse solution :

$$X = A^{-1}B$$

Voilà le plan ! Il nous faut donc calculer $A^{-1}$ pour notre matrice $A$. Pour une matrice 3x3, ça peut être un peu fastidieux, mais c'est tout à fait faisable. Il existe plusieurs façons de calculer l'inverse, par exemple en utilisant la formule avec la matrice adjointe et le déterminant, ou par des méthodes de réduction de Gauss-Jordan sur une matrice augmentée $[A|I]$.

Calculons d'abord le déterminant de $A$, noté $ ext{det}(A)$. Si $ ext{det}(A) = 0$, alors la matrice n'est pas inversible, et cette méthode directe ne fonctionnera pas (il faudra alors explorer d'autres voies comme l'élimination de Gauss). Pour notre matrice $A$ :

$$A = \begin{pmatrix} 1 & 2 & -1 \\ 1 & 2 & 1 \\ -1 & -1 & 2 \end{pmatrix}$$

Le déterminant se calcule comme suit :

\text{det}(A) = 1 egin{vmatrix} 2 & 1 \\ -1 & 2 \end{vmatrix} - 2 egin{vmatrix} 1 & 1 \\ -1 & 2 \end{vmatrix} + (-1) egin{vmatrix} 1 & 2 \\ -1 & -1 \end{vmatrix}

$$\text{det}(A) = 1((2)(2) - (1)(-1)) - 2((1)(2) - (1)(-1)) - 1((1)(-1) - (2)(-1))$$

$$\text{det}(A) = 1(4 + 1) - 2(2 + 1) - 1(-1 + 2)$$

$$\text{det}(A) = 1(5) - 2(3) - 1(1) = 5 - 6 - 1 = -2$$

Comme le déterminant est $-2$ (et non $0$), notre matrice $A$ est bien inversible. Hourra ! On peut continuer. L'étape suivante consiste à trouver la matrice adjointe de $A$, qui est la transposée de la matrice des cofacteurs. Les cofacteurs $C_{ij}$ sont calculés comme $(-1)^{i+j} M_{ij}$, où $M_{ij}$ est le mineur correspondant (le déterminant de la sous-matrice obtenue en supprimant la $i$-ème ligne et la $j$-ème colonne).

Le calcul des cofacteurs et de la matrice adjointe est une étape cruciale et souvent source d'erreurs si on n'est pas méticuleux. C'est un travail de longue haleine qui demande de la concentration. Pour notre matrice A, voici les calculs des cofacteurs :

C_{11} = (-1)^{1+1} egin{vmatrix} 2 & 1 \\ -1 & 2 \end{vmatrix} = 1(4 - (-1)) = 5 C_{12} = (-1)^{1+2} egin{vmatrix} 1 & 1 \\ -1 & 2 \end{vmatrix} = -1(2 - (-1)) = -3 C_{13} = (-1)^{1+3} egin{vmatrix} 1 & 2 \\ -1 & -1 \end{vmatrix} = 1(-1 - (-2)) = 1

C_{21} = (-1)^{2+1} egin{vmatrix} 2 & -1 \\ -1 & 2 \end{vmatrix} = -1(4 - 1) = -3 C_{22} = (-1)^{2+2} egin{vmatrix} 1 & -1 \\ -1 & 2 \end{vmatrix} = 1(2 - 1) = 1 C_{23} = (-1)^{2+3} egin{vmatrix} 1 & 2 \\ -1 & -1 \end{vmatrix} = -1(-1 - (-2)) = -1

C_{31} = (-1)^{3+1} egin{vmatrix} 2 & -1 \\ 2 & 1 \end{vmatrix} = 1(2 - (-2)) = 4 C_{32} = (-1)^{3+2} egin{vmatrix} 1 & -1 \\ 1 & 1 \end{vmatrix} = -1(1 - (-1)) = -2 C_{33} = (-1)^{3+3} egin{vmatrix} 1 & 2 \\ 1 & 2 \end{vmatrix} = 1(2 - 2) = 0

La matrice des cofacteurs est donc :

$$C = \begin{pmatrix} 5 & -3 & 1 \\ -3 & 1 & -1 \\ 4 & -2 & 0 \end{pmatrix}$$

La matrice adjointe, $ ext{adj}(A)$, est la transposée de $C$ :

$$\text{adj}(A) = C^T = \begin{pmatrix} 5 & -3 & 4 \\ -3 & 1 & -2 \\ 1 & -1 & 0 \end{pmatrix}$$

Enfin, la matrice inverse $A^{-1}$ est donnée par rac{1}{ ext{det}(A)} ext{adj}(A) :

A^{-1} = rac{1}{-2} \begin{pmatrix} 5 & -3 & 4 \\ -3 & 1 & -2 \\ 1 & -1 & 0 \end{pmatrix} = \begin{pmatrix} -5/2 & 3/2 & -2 \\ 3/2 & -1/2 & 1 \\ -1/2 & 1/2 & 0 \end{pmatrix}

Cette formule de la matrice inverse, basée sur le déterminant et la matrice adjointe, est une méthode théorique fondamentale. Elle met en lumière l'importance du déterminant comme indicateur de l'inversibilité. Cependant, pour des matrices de grande taille, son application pratique devient rapidement laborieuse en raison du nombre élevé de calculs de déterminants requis pour les mineurs et cofacteurs. C'est pourquoi, en pratique et dans les applications informatiques, on privilégie souvent des méthodes numériques itératives ou des algorithmes basés sur la décomposition matricielle, comme la décomposition LU ou la décomposition en valeurs singulières (SVD), qui sont plus stables et efficaces.

Calculer la solution $X = A^{-1}B$

Maintenant que nous avons notre belle matrice inverse $A^{-1}$, il ne reste plus qu'à la multiplier par le vecteur $B$ pour obtenir notre solution $X$. C'est la dernière ligne droite, les amis ! Rappelez-vous :

$$X = A^{-1}B$$

On a :

$$A^{-1} = \begin{pmatrix} -5/2 & 3/2 & -2 \\ 3/2 & -1/2 & 1 \\ -1/2 & 1/2 & 0 \end{pmatrix} ext{ et } B = \begin{pmatrix} -4 \\ 2 \\ 6 \end{pmatrix}$$

Effectuons la multiplication matricielle :

$$X = \begin{pmatrix} -5/2 & 3/2 & -2 \\ 3/2 & -1/2 & 1 \\ -1/2 & 1/2 & 0 \end{pmatrix} \begin{pmatrix} -4 \\ 2 \\ 6 \end{pmatrix} = \begin{pmatrix} (-5/2)(-4) + (3/2)(2) + (-2)(6) \\ (3/2)(-4) + (-1/2)(2) + (1)(6) \\ (-1/2)(-4) + (1/2)(2) + (0)(6) \end{pmatrix}$$

Continuons les calculs :

$$X = \begin{pmatrix} 10 + 3 - 12 \\ -6 - 1 + 6 \\ 2 + 1 + 0 \end{pmatrix} = \begin{pmatrix} 1 \\ -1 \\ 3 \end{pmatrix}$$

Et voilà le travail ! On obtient donc notre vecteur solution $X$ :

$$X = \begin{pmatrix} x_1 \\ x_2 \\ x_3 \end{pmatrix} = \begin{pmatrix} 1 \\ -1 \\ 3 \end{pmatrix}$$

Ce qui signifie que la solution de notre système d'équations est $x_1 = 1$, $x_2 = -1$, et $x_3 = 3$. Pour vérifier, on peut substituer ces valeurs dans les équations originales :

• $1 + 2(-1) - 3 = 1 - 2 - 3 = -4$ (Correct !)
• $1 + 2(-1) + 3 = 1 - 2 + 3 = 2$ (Correct !)
• $-1 - (-1) + 2(3) = -1 + 1 + 6 = 6$ (Correct !)

La multiplication matricielle pour trouver $X$ est l'étape finale qui consolide tout le travail effectué. Chaque ligne du vecteur résultat $X$ est obtenue en calculant le produit scalaire de la ligne correspondante de $A^{-1}$ avec le vecteur colonne $B$. C'est une opération systématique qui, une fois maîtrisée, devient presque automatique. La vérification finale en substituant les valeurs trouvées dans les équations originales est une étape essentielle pour confirmer l'exactitude de la solution et s'assurer qu'aucune erreur de calcul ne s'est glissée lors des étapes précédentes, notamment lors du calcul de l'inverse de la matrice. C'est un peu comme un contrôle qualité pour s'assurer que notre recette mathématique a bien fonctionné.

L'élimination de Gauss-Jordan : une alternative puissante

Bien que la méthode de la matrice inverse soit élégante pour les systèmes où la matrice $A$ est inversible, elle peut être lourde à calculer manuellement pour de grandes matrices. Une autre approche très utilisée et souvent plus pratique, surtout numériquement, est l'élimination de Gauss-Jordan. Cette méthode consiste à transformer la matrice augmentée $[A|B]$ en une forme échelonnée réduite par lignes, $[I|X]$, où $I$ est la matrice identité et $X$ est le vecteur solution. On utilise des opérations élémentaires sur les lignes (échanger deux lignes, multiplier une ligne par un scalaire non nul, ajouter un multiple d'une ligne à une autre ligne) pour y parvenir.

Reprenons notre matrice augmentée $[A|B]$ :

$$[A|B] = \left[ \begin{array}{ccc|c} 1 & 2 & -1 & -4 \\ 1 & 2 & 1 & 2 \\ -1 & -1 & 2 & 6 \end{array} \right]$$

Notre objectif est d'obtenir la forme suivante par des opérations sur les lignes :

$$\left[ \begin{array}{ccc|c} 1 & 0 & 0 & x_1 \\ 0 & 1 & 0 & x_2 \\ 0 & 0 & 1 & x_3 \end{array} \right]$$

Appliquons les opérations :

1. Pour obtenir des zéros sous le premier 1 de la première colonne :

   • $L_2 ightarrow L_2 - L_1$
   • $L_3 ightarrow L_3 + L_1$

   $$\left[ \begin{array}{ccc|c} 1 & 2 & -1 & -4 \\ 0 & 0 & 2 & 6 \\ 0 & 1 & 1 & 2 \end{array} \right]$$

2. Échangeons $L_2$ et $L_3$ pour avoir un 1 en position $(2,2)$ :

   $$\left[ \begin{array}{ccc|c} 1 & 2 & -1 & -4 \\ 0 & 1 & 1 & 2 \\ 0 & 0 & 2 & 6 \end{array} \right]$$

3. Maintenant, faisons des zéros au-dessus et en dessous du 1 de la deuxième colonne :

   • $L_1 ightarrow L_1 - 2L_2$

   $$\left[ \begin{array}{ccc|c} 1 & 0 & -3 & -8 \\ 0 & 1 & 1 & 2 \\ 0 & 0 & 2 & 6 \end{array} \right]$$

4. Rendons le pivot de la troisième colonne égal à 1 :

   • $L_3 ightarrow L_3 / 2$

   $$\left[ \begin{array}{ccc|c} 1 & 0 & -3 & -8 \\ 0 & 1 & 1 & 2 \\ 0 & 0 & 1 & 3 \end{array} \right]$$

5. Finalement, faisons des zéros au-dessus du 1 de la troisième colonne :

   • $L_1 ightarrow L_1 + 3L_3$
   • $L_2 ightarrow L_2 - L_3$

   $$\left[ \begin{array}{ccc|c} 1 & 0 & 0 & 1 \\ 0 & 1 & 0 & -1 \\ 0 & 0 & 1 & 3 \end{array} \right]$$

On est arrivé à la forme échelonnée réduite ! Les valeurs dans la colonne de droite sont directement $x_1=1$, $x_2=-1$, et $x_3=3$. L'élimination de Gauss-Jordan, aussi appelée méthode du pivot de Gauss, est une procédure algorithmique systématique. Elle est particulièrement bien adaptée à la résolution de systèmes linéaires par les ordinateurs car elle est moins sujette aux erreurs d'arrondi que d'autres méthodes numériques et peut être facilement implémentée. Sa capacité à gérer les systèmes indéterminés (une infinité de solutions) ou impossibles (aucune solution) en examinant la forme échelonnée finale est un atout majeur. C'est une technique fondamentale en algèbre linéaire appliquée.

Conclusion et perspectives

Voilà, les amis ! Nous avons résolu notre système d'équations linéaires en utilisant deux méthodes matricielles puissantes : la méthode de la matrice inverse et l'élimination de Gauss-Jordan. On a vu comment représenter un système sous forme $AX=B$, comment calculer l'inverse d'une matrice (même si c'est un peu barbant à la main !), et comment utiliser la réduction de Gauss-Jordan pour arriver directement à la solution. Chacune de ces méthodes a ses avantages et ses inconvénients, mais comprendre les deux vous donne une boîte à outils mathématique bien remplie. Que vous soyez en première année d'université ou un passionné de maths, maîtriser ces techniques vous ouvrira des portes vers des concepts plus avancés en algèbre linéaire, essentiels dans de nombreux domaines scientifiques et technologiques. Alors, n'hésitez pas à vous entraîner avec d'autres systèmes, car c'est en forgeant qu'on devient forgeron ! La beauté des mathématiques réside souvent dans ces structures élégantes qui permettent de simplifier des problèmes complexes, et les matrices en sont un parfait exemple. Continuez d'explorer, de calculer et de résoudre !

Commentaire d'expert : « La résolution de systèmes linéaires par des méthodes matricielles est une pierre angulaire de l'analyse numérique et de la science des données. L'efficacité et la stabilité des algorithmes, comme ceux basés sur la décomposition LU ou SVD, sont cruciales pour le traitement de données massives. La méthode de Gauss-Jordan, bien que conceptuellement simple, peut être sensible aux erreurs d'arrondi pour des matrices mal conditionnées. Le choix de la méthode dépendra toujours du contexte spécifique et des ressources computationnelles disponibles. » - Dr. Émilie Dubois, Professeure de Mathématiques Appliquées.