Chapitre 1

Généralités sur l’analyse numérique

et le calcul scienti…que

1.1 Motivation
L’analyse numérique (numerical analysis en anglais) est une branche des mathématiques
appliquées s’intéressant au développement d’outils et de méthodes numériques pour le
calcul d’approximations de solutions de problèmes de mathématiques qu’il serait di¢ -
cile, voire impossible, d’obtenir par des moyens analytiques. Son objectif est notamment
d’introduire des procédures calculatoires détaillées susceptibles d’être mises en œuvre par
des calculateurs (électroniques, mécaniques ou humains) et d’analyser leurs caractéris-
tiques et leurs performances. Elle possède des liens étroits avec deux disciplines à la
croisée des mathématiques et de l’informatique. La première est l’analyse des algorithmes
(analysis of algorithmsen anglais), elle-même une branche de lathéorie de la complex-
ité (computational complexity theoryen anglais), qui fournit une mesure de l’e¢ cacité
d’une méthode en quanti…ant le nombre d’opérations élémentaires, ou parfois la quantité
de ressources informatiques (comme le temps de calcul, le besoin en mémoire...), qu’elle
requiert pour la résolution d’un problème donné. La seconde est le calcul scienti…que
(scienti…c computingen anglais), qui consiste en l’étude de l’implémentation de méthodes

1
 1.2. Arithmétique en virgule ‡ottante et erreurs d’arrondis

numériques dans des architectures d’ordinateurs et leur application à la résolution e¤ec-

tive de problèmes issus de la physique, de la biologie, des sciences de l’ingénieur ou encore
de l’économie et de la …nance.

1.2 Arithmétique en virgule ‡ottante et erreurs d’arrondis

La mise en œuvre d’une méthode numérique sur une machine amène un certain nombre
de di¢ cultés d’ordre pratique, qui sont principalement liées à la nécessaire représentation
approchée des nombres réels en mémoire.
Avant de décrire plusieurs des particularités de l’arithmétique à virgule ‡ottante
(‡oating-point arithmetic en anglais) en usage sur la majorité des ordinateurs et cal-
culateurs actuels, les principes de représentation des nombres réels et de leur stockage en
machine sont rappelés.

1.2.1 Représentation des nombres en machine

La mémoire d’une machine étant constituée d’un support physique, sa capacité est, par
construction, limitée. Pour cette raison, le nombre de valeurs (entières, réelles, etc.)
représentables, stockées en machine sous la forme d’ensembles de chi¤res a¤ectés à des
cellules-mémoire portant le nom de mots-mémoire, est …ni. Pour les nombres réels, il
existe essentiellement deux systèmes de représentation : celui des nombres à virgule …xe
et celui des nombres à virgule ‡ottante.

Représentation des réels en virgule …xe

Les nombres réels sont les éléments d’un corps archimédien complet totalement ordonné
noté R, constitué de nombres dits rationnels, comme 76 ou 34 , et de nombres dits irra-
p
tionnels, comme 2 ou . On peut les représenter grâce à un système de numération
positionnel relatif au choix d’une base (base ou encore radix en anglais) , 2 N, 2,

2
 1.2. Arithmétique en virgule ‡ottante et erreurs d’arrondis

en utilisant que: 0 1
B i=p C
BX X
i=+1
C
x 2 R () x = B x i
+ x iC
B i i C;
@ i=0 i=1 A
| {z } | {z }
y z

où p 2 N et les coe¢ cients xi ,x i , prennent leurs valeurs dans l’ensemble f0; :::; 1g.
On écrit alors conventionnellement:

x = ( xp xp 1 :::x0 ; x 1 :::x n :::) ;

où la virgule est le séparateur entre la partie entière y = E (x) et la partie fractionnaire

z 2 [0; 1] du réel x, l’indice …nal précisant simplement que la représentation du nombre
est faite relativement à la base , appellée la représentation en virgule …xe de réel x.
Les bases utilisées couramment sont:
= 2 base binaire, les coe¢ cients bi peuvent prendre les valeurs 0 et 1:
= 8 base octale, les coe¢ cients bi peuvent prendre les valeurs 0; 1; 2; :::; 7:
= 10 base décimale, les coe¢ cients bi sont pris dans l’ensemble f0; 1; 2; :::; 9g :
= 16 base hexadécimale, les coe¢ cients bi 2 f0; 1; 2; :::; 9; A = 10; B = 11; C = 12; D = 13; E = 1

Exemple 1.2.1 (10110)2 = 1 24 + 0 23 + 1 22 + 1 21 + 0 20 = (22)10 .

(3AF )16 = 3 162 + 10 161 + 15 160 = (943)10 .
(10011; 011)2 = 1 24 + 0 23 + 0 22 + 1 21 + 1 20 + 0 2 1
+1 2 2
+1 2 3
=
(19; 375)10 .
(11)10 = (1011)2 :
11 2
1 5 2
- 1 2 2
- 0 1 2
- 1 0
(92)10 = (5C)16 :

3
 1.2. Arithmétique en virgule ‡ottante et erreurs d’arrondis

92 16
12 5 16
5 0
1 1
(2; 75)10 = 2 + + 2 4
= 1 21 + 0 20 + 1 2 1
+1 2 2
= (10; 11)2 :
(0; 375)10 = (0; 011)2 :
zi zi E ( zi )
0; 375 0; 375 0
0; 750 1; 5 1
0; 5 1 1
0
1
3 10
= (0; 333:::)10 = 0; 3 10
= (0; 010101:::)2 = 0; 01 2
:
zi zi E ( zi )
1 2
3 3
0
2 4
3 3
1
1 2
3 3
0
::: ::: :::
1
3 10
= (0; 333:::)10 = 0; 3 10
= (0; 252525:::)8 = 0; 25 8
:
zi zi E ( zi )
1 8
3 3
2
2 16
3 3
5
1 8
3 3
2
::: ::: :::
0; 0011 2
= (0; 2)10 :

3 4 7 8
0; 0011 2
= 2 +2 +2 +2 + :::
X
+1 X
+1
4i 4i+1 4i
= 2 +2 =3 2
i=1 i=1

3 X
+1 i
1 1
= = = (0; 2)10 :
16 i=0 16 5

4
 1.2. Arithmétique en virgule ‡ottante et erreurs d’arrondis

Le dernier des exemples ci-dessus montre qu’à la représentation …nie d’un nombre réel
dans le système décimal peut parfaitement correspondre une représentation in…nie non
triviale dans le système binaire.

Représentation des nombres réels en virgule ‡ottante

Soit 2 une base. tout réel x non nul peut s’écrire sous la forme:
X
+1
e i
x = x i
i=1
e
= m
e
= (0; x 1 :::x n :::) ; avec x 1 6= 0.

e s’appelle l’exposant et m la mantisse. Les chi¤res x 1 ; x 2 ; :::; x n ; ::: sont les chi¤res
signi…catifs de x en base .
Cette écriture est appelée représentation en virgule ‡ottante normalisée (VFN) du réel
x.
On écrira aussi en décalant la virgule d’une position vers la droite:

e 1
x= (x 1 ; x 2 :::x n :::) :

C’est l’écriture scienti…que d’un réel.

Exemple 1.2.2 Le réel x = 61; 123 en base 10 s’écrit

x = (61; 123)10 = 102 (0; 61123)10 = 101 (6; 1123)10 :

Le réel x = 1001; 1011 en base 2 s’écrit

x = (1001; 1011)2 = 24 (0; 10011011)2 = 23 (1; 0011011)2 :

1.2.2 Erreurs d’arrondis

Une machine (ordinateur, calculatrice,...) ne peut stocker qu’un nombre …ni de chi¤res
pour représenter un réel donné. On utilise pour cele la représentation en virgule ‡ottante
normalisée, en arrondissant ou en tronquant la mantisse à t chi¤res.

5
 1.2. Arithmétique en virgule ‡ottante et erreurs d’arrondis

Les réels en virgule ‡ottante normalisée à t chi¤res

Trancature et arrondi en base 10: Soit x un réel quelconque (en V.F.N)

x= 10e (0; x 1 x 2 :::x n :::)10 :

Alors sa représentation en virgule ‡ottante normalisée à t chi¤res en troncature est

le nombre:
b=
x 10e (0; x 1 x 2 :::x t )10 :

Sa représentation machine en virgule ‡ottante normalisée à t chi¤res en arrondi est

le nombre:
f l (x) = 10e m:

où 8
< 0; x 1 x 2 :::x t ; si x <5
t 1
m=
: 0; x 1 x 2 :::x t + 10 t ; si x t 1 5
Dans le deuxième cas, on renormalisera si nécessaire l’écriture de f l (x).
L’arrondi est en fait le nombre le plus proche de x dont la mantisse possède t chi¤res.

Exemple 1.2.3 soit t = 3. Alors, en arrondi

x = (1976)10 ; f l(x) = 104 (0; 198)10 ;

x = (1962)10 ; f l(x) = 104 (0; 196)10 ;

x = (1435)10 ; f l(x) = 104 (0; 144)10 ;

x = (1995)10 ; f l(x) = 104 (0; 2)10

En troncature

x = (1976)10 ; b = 104
x (0; 197)10 ;

x = (1962)10 ; b = 104
x (0; 196)10 ;

6
 1.2. Arithmétique en virgule ‡ottante et erreurs d’arrondis

Trancature et arrondi en base : Soit x un réel quelconque (en V.F.N)

e
x= (0; x 1 x 2 :::x n :::) :

Alors sa représentation en virgule ‡ottante normalisée à t chi¤res en troncature est

le nombre:
e
x= (0; x 1 x 2 :::x t ) :

Sa représentation machine en virgule ‡ottante normalisée à t chi¤res en arrondi est

le nombre:
e
f l (x) = m:

où 8
< 0; x 1 x 2 :::x t ; si x <
t 1 2
m=
: 0; x 1 x 2 :::x t + t
; si x t 1 2

Dans le deuxième cas, on renormalisera si nécessaire l’écriture de f l (x).

Exemple 1.2.4 soit t = 4. Alors, en arrondi

x = (10111)2 = 25 (0; 10111)2 ; f l(x) = 25 (0; 1100)2 ;

x = (1111001111)2 = 210 (0; 1111001111)2 ; f l(x) = 210 (0; 1111)2 ;

3 3
x = (0; 0001011001)2 = 2 (0; 1011001)2 ; f l(x) = 2 (0; 1011)2 ;

En troncature

x = (10111)2 = 25 (0; 10111)2 ; b = 25

x (0; 1011)2 ;

x = (1111001111)2 = 210 (0; 1111001111)2 ; b = 210

x (0; 1111)2 ;
3 3
x = (0; 0001011001)2 = 2 (0; 1011001)2 ; b=2
x (0; 1011)2 ;

Les formats machine ‡oat et double En pratique, la plupart des ordinateurs

utilise la base 2. La norme actuelle retient deux formats standards de représentation des
réels :
Le format double (‡ottants en double précision)

7
 1.2. Arithmétique en virgule ‡ottante et erreurs d’arrondis

Pour un réel x non nul donné, on considère son écriture en virgule ‡ottante normalisée
arrondie à 53 chi¤res
f l (x) = 2e (a0 ; a 1 a 2 :::a t )2 ;

avec a0 6= 0, t = 52.
La mantisse a son premier chi¤re a0 di¤érent de 0, donc nécessairement égal à 1 en
base 2 et il n’est pas nécessaire de le représenter en machine. C’est la convention du "bit
implicite". On ne mémorisera donc que la partie fractionnaire de la mantisse

f = a 1 a 2 :::a 52 :

Pour représenter l’exposant en base 2 avec 11 chi¤res, on impose

210 + 2 = 1022 e 1023 = 210 1;

et on représentera l’exposant biaisé

eb = 1023 + e

compris entre 1 et 2046. (Les exposants biaisés 0 et 2047 sont utilisés pour représenter
des nombres dénormalisés, notamment 0 et inf ).
En…n le signe sera mémorisé à l’aide d’un bit s égal à 1 si le nombre x est négatif, égal
à 0 si x est positif.
Avec ces notations, le nombre x sera représenté sur 64 bits répartis ainsi:

s
|{z} e f
| {zb }| {z }
1 11 52

Le format ‡oat (‡ottants en simple précision)

Pour ce format, les réels sont stockés sur 32 bits, 1 pour le signe, 8 pour l’exposant et
23 pour la mantisse, suivant le même principe.

Valeurs approchées et type d’erreurs

Dé…nition 1.2.1 On appelle valeur approchée d’un nombre réel x tout nombre réel x~
voisin de x, on écrit x~ ' x ou x~ x:

8
 1.2. Arithmétique en virgule ‡ottante et erreurs d’arrondis

Si x~ > x, x~ est dite valeur approchée par excès.

Si x~ < x, x~ est dite valeur approchée par défaut.

2
p
Exemple 1.2.5 3
' 0; 6666, ' 3; 14, 5 ' 2; 23, sont des approximations par défaut
mais e ' 2; 72 est une approximation par excès.

Dé…nition 1.2.2 L’erreur associée à la valeur approchée x~ du réel x est le réel x =

x x~.
L’erreur absolue associée à la valeur approchée x~ du réel x est le réel x = jx x~j.
jx x ~j x
L’erreur relative associée à la valeur approchée x~ du réel x est le réel x = jxj
= jxj
:

Remarque 1.2.1 x est souvent exprimé en pourcentage.

Exemple 1.2.6 pour x = 1; 25, on considère la valeur approchée x~ = 1; 2. Alors:

x 0;05 2
x = jx x~j = 0; 05 et x = jxj
= 1;25
= 0; 04 = 4 10 = 4%:

Erreur d’arrondi Etant donné un nombre réel x, si on note f l (x) sa représentation

machine en virgule ‡ottante normalisée à t chi¤res en arrondi dans une base donnée, on
appelle erreur d’arrondi le nombre

x = jx f l (x)j

110
Exemple 1.2.7 Soit x = 3
; la valeur arrondi à t = 5 chi¤res en base 10 de x est:

110
x= = 102 (0; 366666:::)10 :
3

On a f l (x) = 102 (0; 36667)10 ; et x = jx f l (x)j = 102 (0; 0000033:::)10 :

Majoration des erreurs: Si la valeur exacte n’est pas connue donc les erreurs devien-
nent inconnues et pour les précisées on introduit la notion de majoration des erreurs.

Dé…nition 1.2.3 On appelle majoration de l’erreur absolue d’une va leur approchée x~,
tout réel positif x véri…ant: jx x~j x:

9
 1.2. Arithmétique en virgule ‡ottante et erreurs d’arrondis

e
Il résulte bien-sûr de ces dé…nitions que l’on a alors x ' x e (1
x et x ' x x) :

Exemple 1.2.8 Dans l’exemple ci-dessus, on obtient une majoration de l’erreur, jx f l (x)j =
102 (0; 0000033:::)10 102 (0; 000004)10 = 102 4 10 6
=4 10 4 :

1 1
On obtient aussi une majoration de l’erreur relative en remarquant que: jxj
= 102 (0;366666:::)10 :
1
102 (0;3)10 :
= 102 31 10 1 ;
102 4 10 6
d’où jx jxjf l(x)j
102 4 10 1 = 4
3
10 5 :

e
Théorème 1.2.1 Soit le réel positif x = (0; x 1 x 2 :::x n :::)

et f l (x) les nombres en virgule ‡ottante normalisée à t chi¤res et en arrondi, on a :

1 t+1
jx f l (x)j 2
jxj 10 (en base = 10).

1 t+1
jx f l (x)j 2
jxj 2 (en base = 2).

Le théorème ci-dessus permet d’obtenir, en base quelconque, la majoration

jx f l (x)j 1 t+1
= "mach
jxj 2

Ce nombre "mach s’appelle "epsilon machine".

Remarque 1.2.2 L’erreur relative due à l’approximation d’un nombre par sa représen-
tation binaire en machine est :

jx f l(x)j 1 53+1 53 16
jxj 2
2 =2 ' 1; 1 10 (au format double).

jx f l(x)j 1 24+1 24 8
jxj 2
2 =2 '6 10 (au format ‡oat).

On retiendra en particulier pour les calculs numériques avec Matlab, qui se font au
format double, que
53
"mach = 2 :

On pourra véri…er que ce nombre 2 "mach est égal à la constante eps de Matlab .

10
 1.3. Conditionnement d’un problème et Stabilité des méthodes numériques

Propagation des erreurs par les opérations arithmétiques: Soit a et b deux réel
et a, b, a, b les erreurs absolues et relatives de a et de b respectivement.
Opération Erreur absolue Erreur relative
a+ b
a b a+ b ja bj
a b
a b jbj a + jaj b jaj
+ jbj
a jbj a+jaj b a b
b b2 jaj
+ jbj

1.3 Conditionnement d’un problème et Stabilité des

méthodes numériques

1.3.1 Problème bien posé:

Dé…nition 1.3.1 Considérons le problème suivant: connaissant d, trouver x tel que

F (d; x) = 0;

où F désigne une relation fonctionnelle liant la solution x à la donnée d du problème,

ces dernières variables étant supposées appartenir à des espaces vectoriels normés sur R
ou C.
Un tel problème est dit bien posé au sens de Hadamard si, pour une donnée d …xée,
une solution x existe, qu’elle est unique et qu’elle dépend continûment de la donnée d.

La première de ces conditions semble être la moindre des choses à exiger du problème
que l’on cherche à résoudre : il faut qu’il admette au moins une solution. La seconde
condition exclut de la dé…nition les problèmes possédant plusieurs, voire une in…nité de,
solutions, car une telle multiplicité cache une indétermination du modèle sur lequel est
basé le problème. La dernière condition, qui est la moins évidentea priori, est absolument
fondamentale dans la perspective de l’utilisation de méthodes numériques de résolution.
En e¤et, si de petites incertitudes sur les données peuvent conduire à de grandes variations
sur la solution, il sera quasiment impossible d’obtenir une approximation valable de cette
dernière par un calcul dans une arithmétique en précision …nie.

11
 1.4. Les TP

1.3.2 Conditionnement d’un problème et stabilité des méthodes

numériques:
Le fait que certains nombres ne soient pas représentés de façon exacte dans un ordinateur
entraine que l’introduction même de donnée d’un problème en machine modi…e quelque
peu le problème initial; Il se peut que cette petite variation des données entraine une
variation importante des résultats. C’est la notion de conditionnement d’un problème.
On dit qu’un problème est bien (ou mal) conditionné, si une petite variation des données
entraine une petite (une grande) variation sur les résultats.
Cette notion de conditionnement est liée au problème mathématique lui même et est
indépendante de la méthode utilisée pour le résoudre. Une autre notion importante en
pratique est celle de stabilité numérique.
Un problème peut être bien conditionné et la méthode utilisée pour le résoudre peut
être sujette à une propagation importante des erreurs numériques. Ces notions de con-
ditionnement d’un problème et de stabilité numérique d’une méthode de résolution sont
fondamentales en analyse numérique. Si un problème est mal conditionné alors la solution
exacte du problème tronqué ou arrondi à t digits pourra être très di¤érente de la solution
exacte du problème initial. Aucune methode ne pourra rien; il faudra essayer de donner
une autre formulation au problème.

1.4 Les TP

1.4.1 TP 0: Rappels sur le langage MATLAB

1.4.2 TP 1: Systèmes de numérotation et gestion d’erreur

Exercice 1.4.1 Schéma de Horner
Pour convertir un nombre x = (xp xp 1 :::x1 x0 ) ; en base 10, il su¢ t d’évaluer dans
cette base
2 p
x = x0 + x1 + x2 + :: + xp :

12
 1.4. Les TP

Cette évaluation peut se faire en utilisant le schéma de Horner

x = ([::: (xp + xp 1 ) + :::] + x1) + x0:

1. Ecrire une fonction

xDec = Horner (x; betha)

qui applique le schéma de Horner pour convertir en base 10 l’entier dont la suite des
chi¤res en base est donnée dans le tableau x. Tester cette fonction.

2. E¤ectuer les véri…cations à l’aide des fonctions prédé…nies bin2dec et base2dec.

Exemple 1.4.1 Schéma de Horner

(567)8 = (5 8 + 6) 8 + 7 = (375)10 :
(101101)2 = ((((1 2 + 0) 2 + 1) 2 + 1) 2 + 0) 2 + 1 = (45)10 :

Solution 1.4.1 Schéma de Horner

Selon le schéma de Horner, la valeur décimale xDec s’obtient en répétant pour les n
chi¤res donnés dans le tableau x l’opération xDec = xDec + x(i); pour i 2 f1; 2; :::; ng
Programme en Matlab:
function xDec=Horner(x,betha)
xDec=0 ;
for i=1 :1 :length(x)
xDec=xDec*betha+x(i) ;
end
Application:
>> Horner([1 0 1 1 0 1],2)
ans = 45
>> Horner([5 6 7],8)
ans = 375

13
 1.4. Les TP

Exercice 1.4.2 Convertir le nombre décimal x en base

On obtient successivement la suite (x0 ; x1 ; x2 ; ::; xp ) des chi¤res d’un entier x dans la
base de la manière suivante:
- Le terme x0 est le reste de la division euclidienne de x par car: x = x0 +
p 1
x1 + x2 + :: + xp
p 1
On note: q1 = x1 + x2 + :: + xp ; le quotient de cette division euclidienne.
- Le terme x1 est alors le reste de la division euclidienne de q1 par .
- Plus généralement les termes xi pour i = 1; :::; p 1, sont les restes de la division
euclidienne par des quotients successifs.

1. Ecrire une fonction:

y = cnvDec_betha(x; betha);

qui convertit le nombre décimal x en base . Tester cette fonction.

1. E¤ectuer les véri…cations à l’aide des fonctions prédé…nies dec2bin et dec2base.

Solution 1.4.2 Convertir le nombre décimal x en base

Programme en Matlab:
function y=cnvDec_betha(x,betha)
% La fonction cnvdec_betha permmet de convertir l’entier décimal x
% en base bétha.
% A chaque itération, on calcule les quotients q(i+1) et le reste r(i)
% dans la division euclidienne de q(i) par bétha. On initialise q(1) à x.
q(1)=x; i=1;
while q(i)~=0
q(i+1)=…x(q(i)/betha); r(i)=q(i)-betha*q(i+1);
i=i+1;
end
% Le résultat s’obtient en inversant l’ordre des restes obtenus.
n=length(r); y=r(n:-1:1);

14
 1.4. Les TP

Fonctions prédé…nies de Matlab: Les fonctions dec2bin, dec2hex et dec2base per-

mettent de convertir un entier donné en une chaîne de caractères représentant cet entier
dans la base choisie. Les fonctions bin2dec, hex2dec et base2dec e¤ectuent la conver-
sion inverse. Ainsi :
>> dec2bin(55)
ans=110111
>> bin2dec(0 101110 )
ans=23
>> base2dec(0 770 ,8)
ans=63
Les fonctions prédé…nies de conversion (dec2bin, bin2dec, etc...) ne s’appliquent qu’à
des entiers.

Exercice 1.4.3 Conversion d’un nombre à virgule

Ecrire une fonction:
s = f racDec_Bin(f rac; n);

qui calcule en base 2 les n premiers chi¤res de la partie fractionnaire f rac d’un réel donnée
en base 10 . On obtient le résultat sous forme d’une chaîne de caractères s. Tester cette
fonction.

Solution 1.4.3 Conversion d’un nombre à virgule

On utilise la variable Z qui contiendra à chaque itération la partie fractionnaire z i

et la variable X qui contiendra la partie entière x i . Suivant la valeur de X, on ajoute le

caractère ’0’ou ’1’à la chaîne s.
Programme en Matlab:
function s=fracDec_Bin(frac,n)
Z=frac ;
for i=1 :n,
v=2*Z ; X=‡oor(v) ;
Z=v-X ; %Z est la nouvelle partie fractionnaire

15
 1.4. Les TP

if X==1,s(i)=1;else s(i)=0;end
end

Exercice 1.4.4 Conversion d’un nombre à virgule

Ecrire une fonction:
x = f racBin_Dec(s);

qui convertit en valeur décimale x la chaîne de caractères s représentant la partie frac-

tionnaire (s 1 s 2 :::s n) d’un nombre en base 2. Tester cette fonction.

Solution 1.4.4 Conversion d’un nombre à virgule

Pour s = (s 1 s 2 :::s n ), on doit calculer

X
i=n
1 2 n i
s=s 1 2 +s 2 2 + ::: + s n 2 = s i 2
i=1

On utilisera une variable P qui contient les valeurs successives de 2 i : On initialise la

i
valeur de x à 0 et, à chaque itération, on lui ajoute la valeur 2 seulement si s(i) = 1
Programme en Matlab:
function x=fracBin_Dec(s)
x=0;P =1/2 ;
for i = 1 :length(s)
if s(i)==’1’, x = x+P ; end
P = P/2 ;
end

Exercice 1.4.5 Erreur d’a¤ ectation

Que se passe-t-il si on exécute avec Matlab les instructions suivantes ?
» disp(’On ajoute 10 fois 0.1 ’)
» S=0;
» for n=1:10, S=S+0.1;end
» if S==1
disp(’et on trouve exactement 1’)

16
 1.4. Les TP

else
disp(’mais on ne trouve pas exactement 1’)
end
Justi¢ er

Solution 1.4.5 Erreur d’a¤ ectation

On obtient pour réponse :
On ajoute 10 fois 0.1
mais on ne trouve pas exactement 1
Lorsqu’on remplace le réel 0; 1 par sa représentation machine, on commet une erreur
due à la conversion en base 2 puis à l’arrondi

Exercice 1.4.6 Erreur d’opérations

1. Estimer l’erreur absolue commise lorsqu’on e¤ectue la somme:

S = 0; 1 + 0; 1 + ::: + 0; 1
| {z }
1000 termes

2. Véri…er en e¤ectuant le calcul de cette somme avec Matlab , et en comparant avec

le résultat exact.

Solution 1.4.6 Erreur d’opérations

1. Le nombre décimal 0; 1 est converti et stocké en machine, avec une erreur relative
53
majorée par "machine = 2 . L’erreur absolue sur la somme de 1000 nombres égaux
à 0; 1 est donc estimée par

1000 "machine (j0; 1j + j0; 1j + ::: + j0; 1j) = 10002 2 53

0; 1

>> epsMachine=2^-53

epsMachine =1.1102e-016

>> DeltaS=1000^2*epsMachine*0.1

DeltaS = 1.1102e-011

17
 1.4. Les TP

2. On e¤ectue le calcul de S, puis de jS 100j avec Matlab:

>> S=0;

>> for i=1:1000, S=S+0.1; end

>> errObserv=abs(100-S)

errObserv = 1.4069e-012

L’erreur observée est bien inférieure à la majoration d’erreur DeltaS trouvée.

Exercice 1.4.7 Non associativité de l’addition machine

On considére les trois nombres x = 1, y = 253 , z = 253 .

Donner les résultats des calculs pour :

s1 = (x + y) + z et s2 = x + (y + z)

Expliquer les résultats obtenus

Solution 1.4.7 Non associativité de l’addition machine

>> x=1; y=2^53; z=-2^53;
>> s1=(x+y)+z
s1 = 0
>> s2=x+(y+z)
s2 = 1
Dans le calcul de s1 il y a eu absorption de x par y. Lorsqu’on ajoute z un phénomène
de cancellation se produit. Dans le calcul de s2 ; le phénomène de cancellation n’a pas lieu
car on calcule y + z avec les valeurs exactes de y et z.

18