Cours 01 Erreurs

Analyse Numérique
ENSEM ISN 1A, Ana Num
Didier Schmitt
IECL
Printemps 2022
Didier Schmitt IECL

Analyse Numérique
Les erreurs en Analyse Numérique
Chapitre 1 : Les erreurs en Analyse Numérique
Didier Schmitt IECL

Analyse Numérique
Introduction
Introduction
Didier Schmitt IECL

Analyse Numérique
Introduction
Introduction
Attention, ici le mot erreur n’est pas à prendre au sens de faute :

raisonnement faux dans la méthode ou instruction fausse dans le
programme.
Il ne concerne que des erreurs inévitables.
Didier Schmitt IECL

Analyse Numérique
Introduction
On peut classer ces erreurs inévitables en trois catégories :
Didier Schmitt IECL

Analyse Numérique
Introduction
Les erreurs sur les données
Didier Schmitt IECL

Analyse Numérique
Introduction

Elles peuvent être dues à : l’imprécision des mesures physiques ou au
fait que les données proviennent elles mêmes d’un calcul approché.
Didier Schmitt IECL

Analyse Numérique
Introduction

Elles sont donc en quelque sorte, imposées de l’extérieur et nous ne
pouvons agir pas sur elles.
Didier Schmitt IECL

Analyse Numérique
Introduction

Néanmoins, il est important de comprendre comment elles se
propagent au cours des calculs.
Didier Schmitt IECL

Analyse Numérique
Introduction

Néanmoins, il est important de comprendre comment elles se
propagent au cours des calculs.
L’analyse de cette propagation est liée aux notions de
conditionnement et de stabilité.
Didier Schmitt IECL

Analyse Numérique
Introduction
Les erreurs d’arrondi
Didier Schmitt IECL

Analyse Numérique
Introduction

Ce sont les erreurs dues au fait que la machine ne peut représenter
les nombres réels qu’avec un nombre fini de chiffres.
Didier Schmitt IECL

Analyse Numérique
Introduction

À chaque opération mathématique élémentaire, il pourra y avoir une
perte de chiffres significatifs.
Didier Schmitt IECL

Analyse Numérique
Introduction

À chaque opération mathématique élémentaire, il pourra y avoir une
perte de chiffres significatifs.
Nous devons donc être vigilant en particulier quand le nombre
d’opérations est très important.
Didier Schmitt IECL

Analyse Numérique
Introduction
Les erreurs d’approximation ou de discrétisation
Didier Schmitt IECL

Analyse Numérique
Introduction

Ce sont les erreurs liées à la méthode employée
Didier Schmitt IECL

Analyse Numérique
Introduction

Exemples :
Par exemple, lorsqu’on calcule une intégrale à l’aide d’une somme finie
Didier Schmitt IECL

Analyse Numérique
Introduction

Exemples :
Par exemple, lorsqu’on calcule une intégrale à l’aide d’une somme finie
Z b n−1
(b − a) X 2k + 1
f (x)dx ' f a+ (b − a)
a n 2n
k=0
Didier Schmitt IECL

Analyse Numérique
Introduction

Exemples :
ou si on calcule une dérivée à l’aide de différences finies
f (x + h) − f (x)
f 0 (x) '
h
Didier Schmitt IECL

Analyse Numérique
Introduction
Remarque :
Un des buts de l’analyse numérique consiste à évaluer ces erreurs
d’approximation et de discrétisation pour chaque algorithme mis en
place
Didier Schmitt IECL

Analyse Numérique
Introduction
erreurs sur les données

erreurs d’arrondi
erreurs d’approximation ou de discrétisation
Didier Schmitt IECL

Analyse Numérique
Introduction
erreurs sur les données

erreurs d’arrondi
erreurs d’approximation ou de discrétisation
C’est donc un souci qui nous accompagnera tout au long des

enseignements d’analyse numérique et chaque fois que nous ferons (vous
ferez) des calculs !
Didier Schmitt IECL

Analyse Numérique
Arithmétique machine
l’Arithmétique machine
Didier Schmitt IECL

Analyse Numérique
Représentation machine des nombres réels : les flottants
Les nombres à virgule flottante

Dès qu’il faut écrire un nombre très grand ou très petit en valeur absolue, on
utilise les nombres à virgule flottante (ou encore la notation scientifique).
Didier Schmitt IECL

Analyse Numérique

Exemples
A = 6, 02252 1023 , le nombre d’Avogadro
h = 6, 626 10−34 [joule seconde], la constante de Planck
Didier Schmitt IECL

Analyse Numérique

Exemples
A = 6, 02252 1023 , le nombre d’Avogadro
h = 6, 626 10−34 [joule seconde], la constante de Planck
On distingue deux parties (en fait trois avec le signe) :

la mantisse (ici 6, 02252 et 6, 626) ;
la partie exposant (23 et −34, le 10 correspond en fait à la base choisie
pour écrire la mantisse et l’exposant).
Didier Schmitt IECL

Analyse Numérique
Représentation normalisée
La représentation est dite normalisée quand la mantisse est de la forme :
c0 , c1 c2 c2 c3 . . . avec c0 6= 0
Didier Schmitt IECL

Analyse Numérique
c0 , c1 c2 c2 c3 . . . avec c0 6= 0
Remarques
Tout nombre réel, sauf 0, peut s’écrire avec cette notation en virgule
flottante normalisée avec en général un nombre infini de chiffre pour
la mantisse
Didier Schmitt IECL

Analyse Numérique
c0 , c1 c2 c2 c3 . . . avec c0 6= 0
Remarques
Tout nombre réel, sauf 0, peut s’écrire avec cette notation en virgule
flottante normalisée avec en général un nombre infini de chiffre pour
la mantisse
Certains nombres peuvent s’écrire de deux façons par exemple
1, 999 · · · = 2
Didier Schmitt IECL

Analyse Numérique
Remarque
Ici, nous travaillons implicitement en base 10
Didier Schmitt IECL

Analyse Numérique
Remarque
Ici, nous travaillons implicitement en base 10
Mais cette représentation se généralise à toute base β ≥ 2
Didier Schmitt IECL

Analyse Numérique
Écriture en virgule flottante en base β

Tout nombre x peut s’écrire sous la forme
∞
!
X
x =± ci β −i βe
i=0
avec 0 ≤ ci ≤ β − 1 pour tout i ≥ 0.
Didier Schmitt IECL

Analyse Numérique

∞
!
X
i=0
Remarque
(0, 2)10 = (0, 0011 0011 0011 . . .)2
Didier Schmitt IECL

Analyse Numérique

∞
!
X
i=0
Ainsi pour représenter un nombre réel en virgule flottante, nous devons

connaitre, la base β, le signe, la suite (ci ) et e.
Didier Schmitt IECL

Analyse Numérique
Dans un ordinateur, on se donne :

une base d’écriture β (en général 2),
un nombre de chiffres p pour la mantisse
des exposants mini emin et maxi emax
Didier Schmitt IECL

Analyse Numérique

Remarques
Les paramètres p, emin et emax dépendent du choix de la taille des
emplacements mémoires alloués au type réel
Didier Schmitt IECL

Analyse Numérique

Remarques
Les paramètres p, emin et emax dépendent du choix de la taille des
emplacements mémoires alloués au type réel
la base β = 2 est la plus fréquemment utilisée par les constructeurs
d’ordinateurs. Cela signifie, que tous les calculs internes sont faits en
base 2 et seul le résultat affiché est traduit en base 10.
Didier Schmitt IECL

Analyse Numérique
On peut ainsi représenter tous les réels (en fait des rationnels) qui
s’écrivent :

p−1  s = ±1 le signe
!
X
x =s ci β −i β e , où 0 ≤ ci ≤ β − 1, ∀i
emin ≤ e ≤ emax

i=0
la représentation étant normalisée si c0 6= 0.
Didier Schmitt IECL

Analyse Numérique
s’écrivent :

!
X
x =s ci β −i β e , où 0 ≤ ci ≤ β − 1, ∀i
emin ≤ e ≤ emax

i=0
Pour représenter 0, on utilise une écriture spéciale en ne mettant que

des 0 dans la mantisse (ce qui est logique) et un exposant de
emin − 1.
Didier Schmitt IECL

Analyse Numérique
s’écrivent :

!
X
x =s ci β −i β e , où 0 ≤ ci ≤ β − 1, ∀i
emin ≤ e ≤ emax

i=0
Pour représenter 0, on utilise une écriture spéciale en ne mettant que

des 0 dans la mantisse (ce qui est logique) et un exposant de
emin − 1.
Dans les systèmes flottants actuels, on ajoute des nombres spéciaux
comme +inf , −inf et NaN (exposant emax + 1).
Didier Schmitt IECL
Analyse Numérique
s’écrivent :

!
X
x =s ci β −i β e , où 0 ≤ ci ≤ β − 1, ∀i
emin ≤ e ≤ emax

i=0
Remarque
on peut donc représenter en machine seulement un sous ensemble des
nombres réels ; cet ensemble sera noté F(β, p, emin , emax ) ;
Didier Schmitt IECL

Analyse Numérique
Simple précision, double précision

Une norme (IEEE 754) définit en particulier deux ensembles de ce type :
l’un sur 4 octets, la simple précision :
β = 2, p = 24, emin = −126, emax = 127
l’autre sur 8 octets la double précision :
β = 2, p = 53, emin = −1022, emax = 1023
ainsi qu’un ensemble de règles pour les calculs (dont la principale dit que
les calculs doivent se faire avec la précision maximale possible).
Didier Schmitt IECL

Analyse Numérique
Approximation d’un nombre réel par un flottant

On a utilisé longtemps uniquement les nombres flottants normalisés
+ 0.
Didier Schmitt IECL

Analyse Numérique

+ 0.
Toutefois cela laisse un écart entre le plus petit nombre normalisé et
0.
Didier Schmitt IECL

Analyse Numérique

+ 0.
Toutefois cela laisse un écart entre le plus petit nombre normalisé et
0.
Pour aller vers 0 plus graduellement, on utilise aussi des nombres
dénormalisés.
Didier Schmitt IECL

Analyse Numérique

On note M le plus grand nombre flottant positif
M = (1 − β −p )β emax +1
Didier Schmitt IECL

Analyse Numérique

M = (1 − β −p )β emax +1
On note m le plus petit nombre flottant positif normalisé
m = β emin
Didier Schmitt IECL

Analyse Numérique

M = (1 − β −p )β emax +1
On note m le plus petit nombre flottant positif normalisé
m = β emin
on note µ le plus petit nombre flottant positif dénormalisé
µ = β 1−p+emin
Didier Schmitt IECL

Analyse Numérique

étant donné x ∈ R, en général x ∈
/ F(β, p, emin , emax ).
Didier Schmitt IECL

Analyse Numérique

étant donné x ∈ R, en général x ∈
/ F(β, p, emin , emax ).
on lui associe alors une approximation fl(x) ∈ F(β, p, emin , emax ) :
fl(x) est le flottant le plus proche de x.
si x est à égal distance de deux flottants, on choisit alors celui dont

le dernier chiffre est pair.
Didier Schmitt IECL

Analyse Numérique
Approximation d’un nombre réel par un flottant : overflow

a priori cette règle ne fonctionne pas si |x| > M.
Didier Schmitt IECL

Analyse Numérique

a priori cette règle ne fonctionne pas si |x| > M.
˜
dans la pratique il faut d’abord considérer fl(x), obtenu comme
précédemment, mais dans F(β, p, emin , +∞) :
˜
si |fl(x)| > M alors fl(x) = sign(x) inf : on parle d’overflow
˜
sinon fl(x) = fl(x)
Didier Schmitt IECL

Analyse Numérique

seuil d’overflow : avec cette règle M ne correspond pas exactement
au seuil d’overflow
Didier Schmitt IECL

Analyse Numérique

dans F(β, p, emin , +∞), le flottant juste après M est β emax +1 dont le
dernier chiffre est pair.
Didier Schmitt IECL

Analyse Numérique

ainsi le seuil d’overflow est exactement :

M + β emax +1 β
M̃ = = M + β −p β emax .
2 2
Didier Schmitt IECL

Analyse Numérique

ainsi le seuil d’overflow est exactement :

M + β emax +1 β
M̃ = = M + β −p β emax .
2 2
donc tout réel x vérifiant |x| < M̃ est codé par un flottant usuel et
fl(M̃) = +inf .
Didier Schmitt IECL

Analyse Numérique
Erreur entre un réel et son représentant flottant : le epsilon machine
Didier Schmitt IECL

Analyse Numérique

soit x ∈ R tel que |x| ∈ [m, M̃]
Didier Schmitt IECL

Analyse Numérique

Si |x| ∈ [β e , β e+1 ] son représentant fl(x) s’écrit :
p chiffres
fl(x) = ± co , c1 . . . cp−1 × β e
z }| {
Didier Schmitt IECL

Analyse Numérique

Si |x| ∈ [β e , β e+1 ] son représentant fl(x) s’écrit :
p chiffres
fl(x) = ± co , c1 . . . cp−1 × β e
z }| {
l’erreur entre x et fl(x) est alors :
p chiffres
z }| { β
ea = |x − fl(x)| ≤ 0 , 0 . . . 0 × βe
2
1 1−p+e
ea = |x − fl(x)| ≤ β
2
Didier Schmitt IECL

Analyse Numérique
1 1−p+e
ea = |x − fl(x)| ≤ β
2
cette majoration est constante pour tout les |x| ∈ [β e , β e+1 ]
Didier Schmitt IECL

Analyse Numérique
1 1−p+e
ea = |x − fl(x)| ≤ β
2
cette majoration est constante pour tout les |x| ∈ [β e , β e+1 ]

l’erreur relative commise peut être majorée en divisant ea par le plus
petit nombre de cet intervalle soit β e :
|x − fl(x)| ea 1
er = ≤ e = β 1−p
|x| β 2
Didier Schmitt IECL

Analyse Numérique
|x − fl(x)| 1
er = ≤ β 1−p
|x| 2
Didier Schmitt IECL

Analyse Numérique
|x − fl(x)| 1
er = ≤ β 1−p
|x| 2
cette majoration est indépendante de x et de e
Didier Schmitt IECL

Analyse Numérique
|x − fl(x)| 1
er = ≤ β 1−p
|x| 2

c’est un nombre caractéristique de l’ensemble des flottants considéré
qui porte le nom de epsilon machine
Didier Schmitt IECL

Analyse Numérique
|x − fl(x)| 1
er = ≤ β 1−p
|x| 2

1 1−p
m = β
2
Didier Schmitt IECL

Analyse Numérique
|x − fl(x)| 1
er = ≤ β 1−p
|x| 2

1 1−p
m = β
2
si |x| ∈ [m, M̃] alors on a :
fl(x) = x(1 + ), avec || ≤ m
Didier Schmitt IECL

Analyse Numérique
Valeurs caractéristiques des flottants IEEE

ensembles de flottants simple précision double précision
m 5.9604645 10−8 1.1102230246251565 10−16
m 1.1754944 10−38 2.2250738585072014 10−308
M 3.4028235 1038 1.7976931348623157 10308
Didier Schmitt IECL

Analyse Numérique
conclusion
l’erreur entre un nombre et son représentant machine est
systématiquement présente dans tout calcul arithmétique sur nombre
réel effectué par un ordinateur
Didier Schmitt IECL

Analyse Numérique
conclusion
l’erreur entre un nombre et son représentant machine est
systématiquement présente dans tout calcul arithmétique sur nombre
réel effectué par un ordinateur
conséquence : l’arithmétique numérique n’a pas la précision de
l’arithmétique mathématique
Didier Schmitt IECL

Analyse Numérique
Conséquences sur les calculs
opérations
On suppose que
les 4 opérations de base (+, −, ∗, /) sont réalisées avec la précision
maximum possible :
Didier Schmitt IECL

Analyse Numérique
opérations
On suppose que
les 4 opérations de base (+, −, ∗, /) sont réalisées avec la précision
maximum possible :
si · est l’une des 4 opérations et l’opération machine
correspondante, et si u et v sont deux nombres flottants tels que
|u · v | ∈ [m, M] alors on doit obligatoirement obtenir :
u v = fl(u · v ) = (u · v )(1 + ) avec || ≤ m
Didier Schmitt IECL

Analyse Numérique
Pour faciliter la compréhension, nous nous placerons pour cette

section dans l’environnement rassurant de la base 10, les
phénomènes étant du même type dans toute base
Didier Schmitt IECL

Analyse Numérique
Pour faciliter la compréhension, nous nous placerons pour cette

section dans l’environnement rassurant de la base 10, les
phénomènes étant du même type dans toute base
on pose donc β = 10, p = 8
Didier Schmitt IECL

Analyse Numérique
Perte de chiffres significatifs

on souhaite calculer la quantité x = π − 3.1415
(où π = 3.141592653589793 . . .)
Didier Schmitt IECL

Analyse Numérique

(où π = 3.141592653589793 . . .)
le calcul exact donne x = 9.2653589793 . . . 10−5
Didier Schmitt IECL

Analyse Numérique

(où π = 3.141592653589793 . . .)
on attend donc que la machine nous donne le résultat
fl(x) = 9.2653589 10−5
Didier Schmitt IECL

Analyse Numérique

(où π = 3.141592653589793 . . .)
fl(x) = 9.2653589 10−5
on a fl(π) = 3.1415927 et fl(3.1415) = 3.1415, donc
fl(π) fl(3.1415) = 3.1415927 3.1415 = 0.0000927 = 9.27 10−5
Didier Schmitt IECL

Analyse Numérique

(où π = 3.141592653589793 . . .)
fl(x) = 9.2653589 10−5
on a fl(π) = 3.1415927 et fl(3.1415) = 3.1415, donc
fl(π) fl(3.1415) = 3.1415927 3.1415 = 0.0000927 = 9.27 10−5
il y a donc une perte sèche de 5 chiffres significatifs !
Didier Schmitt IECL

Analyse Numérique
l’addition n’est plus associative !
(u ⊕ v ) ⊕ w 6= u ⊕ (v ⊕ w )
Didier Schmitt IECL

Analyse Numérique
(u ⊕ v ) ⊕ w 6= u ⊕ (v ⊕ w )
exemple :
(1.1111113 107 ⊕ −1.1111111 107 ) ⊕ 7, 5111111 = 9, 5111111
où le résultat est exact, alors que :
1.1111113 107 ⊕ (−1.1111111 107 ⊕ 7, 5111111) = 1.0 101
Didier Schmitt IECL

Analyse Numérique
(u ⊕ v ) ⊕ w 6= u ⊕ (v ⊕ w )
exemple :
(1.1111113 107 ⊕ −1.1111111 107 ) ⊕ 7, 5111111 = 9, 5111111
où le résultat est exact, alors que :
1.1111113 107 ⊕ (−1.1111111 107 ⊕ 7, 5111111) = 1.0 101
la deuxième façon de mener le calcul conduit à une erreur relative

d’environ 0, 05 alors qu’ici m = 5. 10−8 !
Didier Schmitt IECL

Analyse Numérique
(u ⊕ v ) ⊕ w 6= u ⊕ (v ⊕ w )
l’erreur a été générée du fait que :
−1.1111111 107 ⊕ 7, 5111111 = −1.1111103 107
or
−11111111 + 7, 5111111 = −11111103, 4888889
Didier Schmitt IECL

Analyse Numérique
(u ⊕ v ) ⊕ w 6= u ⊕ (v ⊕ w )
l’erreur a été générée du fait que :
−1.1111111 107 ⊕ 7, 5111111 = −1.1111103 107
or
−11111111 + 7, 5111111 = −11111103, 4888889
pourtant chaque opération individuelle est menée avec une précision
relative d’au moins m !
Didier Schmitt IECL

Analyse Numérique
on retiendra que :
Didier Schmitt IECL

Analyse Numérique
on retiendra que :
La principale source d’instabilité numérique avec les calculs flottants
provient de la soustraction de deux nombres proches
Didier Schmitt IECL

Analyse Numérique
on retiendra que :
La soustraction de deux nombres très proches, pourtant effectuée
exactement, révèle, en les amplifiant, les erreurs commises lors des
calculs précédents ou lors de l’introduction de données
Didier Schmitt IECL

Analyse Numérique
on retiendra que :
La soustraction de deux nombres très proches, pourtant effectuée
exactement, révèle, en les amplifiant, les erreurs commises lors des
calculs précédents ou lors de l’introduction de données
Dans les calculs où interviennent des nombres d’ordres de grandeur
différents, il est en général préférable d’effectuer les opérations en
groupant ceux d’ordres de grandeur similaires pour éviter les pertes
de chiffres significatifs
Didier Schmitt IECL

Analyse Numérique
Conditionnement et stabilité
Notions de conditionnement et de stabilité

Ces deux notions, toujours présentes en analyse numérique, sont relatives
à la propagation plus ou moins importante des erreurs (d’arrondi ou des
données) dans un calcul donné. Nous les étudirons ici pour le calcul d’une
fonction.
x ∈ R 7−→ f (x) ∈ R.
Didier Schmitt IECL

Analyse Numérique
Conditionnement
le problème :
Didier Schmitt IECL

Analyse Numérique
Conditionnement
le problème :
On veut mesurer la sensibilité de f au voisinage de x, c’est à dire si
y = f (x), et si on a une perturbation ∆x sur x, xp = x + ∆x, on
souhaite mesurer la variation de la sortie yp = f (xp ) = y + ∆y
Didier Schmitt IECL

Analyse Numérique
Conditionnement
le problème :
On veut mesurer la sensibilité de f au voisinage de x, c’est à dire si
y = f (x), et si on a une perturbation ∆x sur x, xp = x + ∆x, on
souhaite mesurer la variation de la sortie yp = f (xp ) = y + ∆y
Un développement de Taylor au voisinage de x donne :
yp − y = ∆y = f 0 (x)∆x + o(∆x).
Si la perturbation ∆x est suffisamment petite, le reste est

négligeable et alors :
∆y ' f 0 (x)∆x
La dérivée de f en x est donc notre coefficient d’amplification pour
l’erreur absolue
Didier Schmitt IECL

Analyse Numérique
Conditionnement
faire dessin
Didier Schmitt IECL

Analyse Numérique
Conditionnement
Comme on s’intéresse plutôt à l’erreur relative, on obtient, en

supposant que y 6= 0 et x 6= 0
∆y xf 0 (x) ∆x

'
y f (x) x
Didier Schmitt IECL

Analyse Numérique
Conditionnement
Comme on s’intéresse plutôt à l’erreur relative, on obtient, en

supposant que y 6= 0 et x 6= 0
∆y xf 0 (x) ∆x

'
y f (x) x
Définition
On appelle conditionnement au point x 6= 0 d’une fonction f dérivable
en x et telle que f (x) 6= 0, la quantité :
0
xf (x)
cond(f )x =
f (x)
Didier Schmitt IECL

Analyse Numérique
Conditionnement
Exemple 1
√
f (x) = x
0
xf (x) x 1
cond(f )x =
= √ √ = .

f (x) 2 x x 2
Ceci correspond à un bon conditionnement, puisque l’erreur relative

sur f sera au plus moitié d’une erreur relative sur x.
Didier Schmitt IECL

Analyse Numérique
Conditionnement
Exemple 2
f (x) = a − x
0
xf (x) x
cond(f )x =
= .
f (x) a − x
Ici, le conditionnement est très mauvais si x est voisin de a.
Didier Schmitt IECL

Analyse Numérique
Conditionnement
Exemple 2
f (x) = a − x
0
xf (x) x
cond(f )x =
= .
f (x) a − x
Ici, le conditionnement est très mauvais si x est voisin de a.
le problème sera dit bien conditionné si le conditionnement est petit et

mal conditionné si le conditionnement est grand
Didier Schmitt IECL

Analyse Numérique
Stabilité
La stabilité décrit la sensibilité d’un algorithme numérique pour le calcul
d’une fonction f (x).
Didier Schmitt IECL

Analyse Numérique
Stabilité
Exemple
√ √
calcul de f (x) = x +1− x.
Didier Schmitt IECL

Analyse Numérique
Stabilité
Exemple
√ √
conditionnement
0 √ √
xf (x) x x − x + 1 1 1r x
= / √ √ =

p
f (x) 2 x (x + 1) x +1− x 2 x +1
1
Cond(f )x est proche de 2 pour x grand, donc le conditionnement de
f est bon pour x grand
Didier Schmitt IECL

Analyse Numérique
Stabilité
Exemple
√ √
Didier Schmitt IECL

Analyse Numérique
Stabilité
Exemple
√ √
un calcul à 6 chiffres significatifs donne :
√ √
f (12345) = 12346 − 12345 = 1.11113 102 − 1.11108 102
= 5 10−3
Didier Schmitt IECL

Analyse Numérique
Stabilité
Exemple
√ √
√ √
f (12345) = 12346 − 12345 = 1.11113 102 − 1.11108 102
= 5 10−3
or un calcul précis donne f (12345) = 4.50003 10−3
Didier Schmitt IECL

Analyse Numérique
Stabilité
Exemple
√ √
√ √
f (12345) = 12346 − 12345 = 1.11113 102 − 1.11108 102
= 5 10−3
or un calcul précis donne f (12345) = 4.50003 10−3

soit une erreur absolue de l’ordre de 5 10−4 et une erreur relative de
l’ordre de 10−1 ! (ici m = 5. 10−6 )
Didier Schmitt IECL

Analyse Numérique
Stabilité
Exemple
√ √
Ceci est dû à l’algorithme utilisé dans ce calcul que l’on peut expliciter
comme suit :
x0 : = 12345 l’algorithme fait intervenir

x1 : = x0 + 1 quatre fonctions
√
x2 : = x1 le conditionnement de f est
√ bon
x3 : = x0
x4 : = x2 − x3 mais le conditionnement de
x3 7−→ x4 = x2 − x3 est mauvais
quand x3 est voisin de x2
Didier Schmitt IECL
Analyse Numérique
Stabilité
Exemple
√ √
toutefois on peut utiliser l’algorithme suivant :
1
f (x) = √ √
x +1+ x
Didier Schmitt IECL

Analyse Numérique
Stabilité
Exemple
√ √
1
f (x) = √ √
x +1+ x
un calcul avec cet algorithme toujours à 6 chiffres significatifs donne
f (12345) = 1./(1.11113 102 + 1.11108 102 )

= 4.50002 10−3
Didier Schmitt IECL

Analyse Numérique
Stabilité
Exemple
√ √
1
f (x) = √ √
x +1+ x
un calcul avec cet algorithme toujours à 6 chiffres significatifs donne
f (12345) = 1./(1.11113 102 + 1.11108 102 )

= 4.50002 10−3
soit une erreur absolue de l’ordre de 10−8 et une erreur relative de

l’ordre de 2 10−6 !
Didier Schmitt IECL
Analyse Numérique
Stabilité
Exemple
√ √
erreur relative en échelle logarithmique

2
−2
Erreur relative commise en utilisant
−4
le premier algorithme et en prenant
−6
comme valeur de référence la valeur
erreur
−8
obtenue avec le second algorithme
−10
−12
−14
−16
0 2 4 6 8 10 12 14 16
x
Didier Schmitt IECL

Analyse Numérique
Stabilité
Un autre exemple
1 1
calcul de f (x) = −
x x +1
0
xf (x) 2x + 1
cond(f )x = = ≤ 2.
f (x) x + 1
Cette fonction ne devrait pas poser de problème
Didier Schmitt IECL

Analyse Numérique
Stabilité
Un autre exemple
1 1
calcul de f (x) = −
x x +1
0
xf (x) 2x + 1
cond(f )x = = ≤ 2.
f (x) x + 1
Cette fonction ne devrait pas poser de problème
pourtant cet algorithme est instable lorsque x devient grand et il est
préférable d’utiliser l’algorithme suivant :
1
f (x) =
x(x + 1)
Didier Schmitt IECL

Analyse Numérique
Stabilité
Un autre exemple
1 1 1
calcul de f (x) = − =
x x +1 x(x + 1)
erreur relative en échelle logarithmique

2
−2
Erreur relative commise en utilisant
−4
le premier algorithme et en prenant
−6
comme valeur de référence la valeur
erreur
−8
obtenue avec le second algorithme
−10
−12
−14
−16
0 2 4 6 8 10 12 14 16
x
Didier Schmitt IECL

Analyse Numérique
Stabilité
Exemple d’instabilité :
Calcul de e −12 à l’aide de sa série de Taylor
N
X xn
e x ' SN (x) = pour N grand.
n=0
n!
Rappel :
e −12 = 0, 0000061442...
Didier Schmitt IECL

Analyse Numérique
Exemple d’instabilité :
Voici les valeurs successives de cette somme en fonction de N pour
x = −12. Les calcul sont faits avec 10 chiffres significatifs.
N SN N SN N SN
2 −11, 0... 19 1629, 87... 36 −0, 001432...
3 61, 0... 20 −996, 45... 37 0, 000472...
4 −227, 0... 21 579, 34... 38 −0, 0001454...
5 637, 0... 22 −321, 11... 39 0, 000049726...
6 −1436, 6... 23 170, 04... 40 −0, 000010319...
7 2710, 6... 24 −86, 20... 41 0, 000007694...
8 −4398, 88... 25 41, 91... 42 0, 000002422...
9 6265, 34... 26 −19, 58... 43 0, 000003928...
10 −7953, 62... 27 8, 80... 44 0, 000003508...
11 9109, 137... 28 −3, 8130... 45 0, 000003623...
12 −9504, 78... 29 1, 5937... 46 0, 000003592...
13 9109, 13... 30 −0, 6435... 47 0, 000003600...
14 −8072, 94... 31 0, 2513... 48 0, 000003598...
15 6654, 55... 32 −0, 0950... 49 0, 000003599...
16 −5127, 44... 33 0, 0348... 50 0, 000003598...
17 3709, 05... 34 −0, 01238...
18 −2528, 47... 35 0, 004283...
La formule e −x = e1x donne lieu à un calcul plus stable, même si e x est

calculé comme ci-dessus.
Didier Schmitt IECL
Analyse Numérique
Conclusion
Conclusion
Afin de limiter la propagation des erreurs d’arrondi, il faut essayer
d’anticiper en utilisant des algorithmes dont la stabilité est optimisée
par un choix d’opérations intermédiaires à bon conditionnement
Didier Schmitt IECL

Analyse Numérique
Conclusion
Conclusion
Afin de limiter la propagation des erreurs d’arrondi, il faut essayer
d’anticiper en utilisant des algorithmes dont la stabilité est optimisée
par un choix d’opérations intermédiaires à bon conditionnement
Les phénomènes soulignés dans ce chapitre ne pouvant être, en tout
état de cause, complètement éliminés, on peut essayer d’évaluer
l’erreur totale à laquelle un algorithme est susceptible de donner
lieu :
en faisant un calcul en double précision et en confrontant le résultat
au même calcul fait en simple précision.
en faisant une analyse mathématique de l’erreur. Des méthodes
statistiques peuvent être également utilisées.
Didier Schmitt IECL

Analyse Numérique
Conclusion
Un dernier exemple à méditer
Soit la suite (un ) définie par :
11 61
u0 = , u1 =
2 11
1130 3000
un+1 = 111 − + , ∀n ≥ 1
un un un−1
Didier Schmitt IECL

Analyse Numérique
Conclusion
11 61
u0 = , u1 =
2 11
1130 3000
un+1 = 111 − + , ∀n ≥ 1
un un un−1
voici un programme qui calcule les premiers termes de la suite
Didier Schmitt IECL

Analyse Numérique
Conclusion
11 61
u0 = , u1 =
2 11
1130 3000
un+1 = 111 − + , ∀n ≥ 1
un un un−1

d’après notre simulation cette suite converge vers 100
Didier Schmitt IECL

Analyse Numérique
Conclusion
11 61
u0 = , u1 =
2 11
1130 3000
un+1 = 111 − + , ∀n ≥ 1
un un un−1

étudions maintenant cette suite ”à la main” en posant
an+1
un =
an
Didier Schmitt IECL

Analyse Numérique
Conclusion
11 61
u0 = , u1 =
2 11
1130 3000
un+1 = 111 − + , ∀n ≥ 1
un un un−1

étudions maintenant cette suite ”à la main” en posant
an+1
un =
an
cette suite converge donc vers 6 !
Didier Schmitt IECL
Analyse Numérique

Cours 01 Erreurs

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours 01 Erreurs

Transféré par

Droits d'auteur :

Formats disponibles

Analyse Numérique

ENSEM ISN 1A, Ana Num

Didier Schmitt IECL

Chapitre 1 : Les erreurs en Analyse Numérique

Didier Schmitt IECL

Didier Schmitt IECL

Attention, ici le mot erreur n’est pas à prendre au sens de faute :

Didier Schmitt IECL

On peut classer ces erreurs inévitables en trois catégories :

Didier Schmitt IECL

On peut classer ces erreurs inévitables en trois catégories :

Les erreurs sur les données

Didier Schmitt IECL

On peut classer ces erreurs inévitables en trois catégories :

Les erreurs sur les données

Didier Schmitt IECL

On peut classer ces erreurs inévitables en trois catégories :

Les erreurs sur les données

Didier Schmitt IECL

On peut classer ces erreurs inévitables en trois catégories :

Les erreurs sur les données

Didier Schmitt IECL

On peut classer ces erreurs inévitables en trois catégories :

Les erreurs sur les données

Didier Schmitt IECL

On peut classer ces erreurs inévitables en trois catégories :

Les erreurs d’arrondi

Didier Schmitt IECL

On peut classer ces erreurs inévitables en trois catégories :

Les erreurs d’arrondi

Didier Schmitt IECL

On peut classer ces erreurs inévitables en trois catégories :

Les erreurs d’arrondi

Didier Schmitt IECL

On peut classer ces erreurs inévitables en trois catégories :

Les erreurs d’arrondi

Didier Schmitt IECL

On peut classer ces erreurs inévitables en trois catégories :

Les erreurs d’approximation ou de discrétisation

Didier Schmitt IECL

On peut classer ces erreurs inévitables en trois catégories :

Les erreurs d’approximation ou de discrétisation

Didier Schmitt IECL

On peut classer ces erreurs inévitables en trois catégories :

Les erreurs d’approximation ou de discrétisation

Didier Schmitt IECL

On peut classer ces erreurs inévitables en trois catégories :

Les erreurs d’approximation ou de discrétisation

Didier Schmitt IECL

On peut classer ces erreurs inévitables en trois catégories :

Les erreurs d’approximation ou de discrétisation

Didier Schmitt IECL

On peut classer ces erreurs inévitables en trois catégories :

Les erreurs d’approximation ou de discrétisation

Didier Schmitt IECL

On peut classer ces erreurs inévitables en trois catégories :

erreurs sur les données

Didier Schmitt IECL

On peut classer ces erreurs inévitables en trois catégories :

erreurs sur les données

C’est donc un souci qui nous accompagnera tout au long des

Didier Schmitt IECL

Didier Schmitt IECL

Représentation machine des nombres réels : les flottants