Informatique appliquée au calcul scientifique

Alexis Herault
Table des matières

Codage de l’information et algorithmique 3

I Représentation des nombres en informatique 3
1 Représentation des entiers dans une base quelconque . . . . . 3
1.1 La base 10 : écriture décimale . . . . . . . . . . . . . . 4
1.2 La base 2 : écriture binaire . . . . . . . . . . . . . . . . 5
1.3 La base 16 : écriture hexadécimale . . . . . . . . . . . 6
2 Codage des différents types numériques en informatique . . . . 7
2.1 Les entiers . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.1.1 Les entiers naturels . . . . . . . . . . . . . . . 8
2.1.2 Les entiers relatifs ou entiers signés . . . . . . 8
2.2 Les réels ou nombres flottants . . . . . . . . . . . . . . 10
2.2.1 Chiffres significatifs . . . . . . . . . . . . . . . 10
2.2.2 Codage en virgule flottante . . . . . . . . . . 11
2.2.3 La norme IEEE754-1985 . . . . . . . . . . . . 12
2.2.4 Conséquences de ce choix de représentation . 17
2.2.5 Conséquences sur les algorithmes de calcul . . 21
3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

1
Codage de l’information et
algorithmique

2
Chapitre I

Représentation des nombres en

informatique

Quelques soient les moyens de calcul informatiques mis en œuvre, il ap-

partiennent au domaine du discret et du fini. Ainsi il ne peuvent manipuler
et représenter qu’un nombre fini (même s’il est très grand) d’informations.
En revanche, en mathématiques nous utilisons couramment les concepts d’exac-
titude et d’infini. L’utilisation de l’outil informatique impose donc d’adopter
des représentations fines pour les quantités numériques (entier, réels, ...) et
introduit forcément un erreur due à ces représentations.

1 Représentation des entiers dans une base

quelconque
Une fois l’ensemble des entiers naturel construit, cette construction étant
en dehors de l’objet de cours, il est nécessaire d’adopter un représentation
pour les entiers ne serais-ce que pour les écrire et effectuer des calculs.

Proposition 1 : Tout entier naturel n peut s’écrire de manière unique :

n = αp bp + αp−1 bp−1 + · · · + α1 b1 + α0 b0 avec 0 ≤ αi ≤ b − 1
b s’appelle la base de numération et b > 1.

Déf. : αp · · · α1 α0 b constitue le développement de n en base b. Quand il n’y

a pas d’ambiguı̈té possible on peut omettre l’indice b.

3
Proposition 2 : Le digit le moins significatif du développement de n en
base b, α0 est égal au reste de la division de n par b.

Démonstration. Cela résulte immédiatement de la définition de la division

euclidienne de n par b : n = b.q + r = qb1 + rb0 avec 0 ≤ r < b. Par identifica-
tion avec n = αp bp + αp−1 bp−1 + · · · + α1 b1 + α0 b0 on obtient immédiatement
α0 = r.
En appliquant de manière itérative ce résultat au quotient de l’étape
précédente, on obtient de proche en proches tous les termes du développement
de n dans la base b.

Jusqu’à la base 10 les αi peuvent être représentés par des chiffres, au delà de
la base 10 il faudra, pour éviter toute confusion, utiliser des symboles. Dans
ce cas une fois les dix chiffres (0,1,...,9) épuisés, on utilise les lettres A, B, · · · .

Parmi l’infinité de représentations possibles certaines revêtent une impor-

tance particulière dans la vie courante, représentation en base 10, ou en
informatique, représentation binaire (base 2) ou hexadécimales (base 16).
Nous nous intéresserons donc essentiellement à ces trois représentations ainsi
qu’au passages des unes vers les autres.

1.1 La base 10 : écriture décimale

Le développement en base 10, ou écriture décimale, est le système de
numération le plus répandu actuellement et auquel vous êtes tous habitués.
L’utilisation de la base 10 provient très probablement du fait que nous ayons
10 doigts ; si nous avions 12 doigts nous compterions en base 12 !

Il n’en a pas toujours été ainsi et vous trouverez ci dessous une liste, non ex-
haustive, des différents systèmes de numération utilisé à travers les époques
et les peuples :
– le système binaire (base 2) utilisé en d’Amérique du Sud et en Océanie
– le système quinaire (base 5) était utilisé parmi les premières civili-
sations, et jusqu’au xxe siècle par des peuples africains, mais aussi,
partiellement, dans les notations romaine et maya
– le système octal (base 8) utilisé au Mexique.

4
 – le système décimal (base 10) a été utilisé par de nombreuses civilisa-
tions, comme les Chinois dès les premiers temps, et, probablement, les
Proto-indo-européens. Aujourd’hui, il est de loin le plus répandu.
– le système duodécimal (base 12) utilisé au Népal. On le retrouve, à
cause de ses avantages en matière de divisibilité (par 2, 3, 4, 6), pour
un certain nombre de monnaies et d’unités de compte courantes en
Europe au Moyen Âge, partiellement dans les pays anglo-saxons dans le
système d’unité impérial, et dans le commerce. Notre façon de compter
les mois et les heures est un vestige de son utilisation.
– le système sexagésimal (base 60) était utilisé pour la numération ba-
bylonienne, ainsi que par les Indiens et les Arabes en trigonométrie. Il
sert actuellement dans la mesure du temps et des angles.

1.2 La base 2 : écriture binaire

Le binaire, ou base 2, est la base naturelle de représentation d’un nombre
en informatique. En effet, dans un ordinateur, les informations (donc aussi
les nombres) sont stockées sous forme de suites de bit (binary digit), chaque
bit valant 0 ou 1. Le bit est donc l’unité élémentaire d’information en infor-
matique.
D’après la proposition 1, le développement binaire d’un entier naturel n est :
p
X
n= αi 2i avec 0 ≤ αi ≤ 1
i=0
et son écriture binaire est donc :
n = αp · · · α1 α0 2

Passage du binaire au décimal

Dans ce sens le passage d’une écriture à l’autre est immédiat : il suffit d’ef-
fectuer les opérations du développement binaire :
10112 = 1 ∗ 23 + 0 ∗ 22 + 1 ∗ 21 + 1 ∗ 20 = 1110

Passage du décimal au binaire

Le passage du décimal au binaire repose sur l’application itérative de la
proposition 2.

5
 43 = 2 ∗ 21 + 1 → α0 =1
21 = 2 ∗ 10 + 1 → α1 =1
10 =2∗5+0 → α2 =0
5 =2∗2+1 → α3 =1
2 =2∗1+0 → α4 =0
1 =2∗0+1 → α5 =1
donc :
4310 = 1010112

1.3 La base 16 : écriture hexadécimale

Le binaire, ou base 16, est une autre base utilisée fréquemment informa-
tique. L’utilisation de l’hexadécimal permet de représenter les nombres de
manière plus compacte qu’en binaire tout en assurant un passage binaire ↔
hexadécimal très rapide.
De même que pour le binaire, le développement hexadécimal d’un entier na-
turel n est
p
:
X
n= αi 16i avec 0 ≤ αi ≤ 15
i=0
et son écriture héxadécimale est donc :
n = αp · · · α1 α0 16

Pour écrire un nombre en hexadécimal il nous font donc disposer de 16 sym-

boles. Pour les dix premiers symboles on utilise les 10 chiffres 0, 1, · · · , 9 et
pour les six derniers on utilise les six premières lettres de l’alphabet A, B, C,
D, E et F.

Symbole 0 1 2 3 4 5 6 7 8 9 A B C D E F
Valeur 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Table I.1 – Correspondance chiffres hexadécimaux - décimal

Passage du binaire à l’hexadécimal et inversement

Le lien entre le binaire, base 2, et l’hexadécimal, base 16, se voit à partir de
l’égalité 24 = 16. Ceci implique que chaque digit (symbole) hexadécimal se
code sur 4 bits.

6
 Hex. 0 1 2 3 4 5 6 7
Binaire 0000 0001 0010 0011 0100 0101 0110 0111
Hex. 8 9 A B C D E F
Binaire 1000 1001 1010 1011 1100 1101 1110 1111

Table I.2 – Correspondance chiffres hexadécimaux - binaire

Pour passer de l’écriture hexadécimale à l’écriture binaire il suffit donc

de remplacer chaque digit hexadécimal par sa représentation binaire :
1BF16 = 0001 1011 11112
Dans le sens inverse il suffit de découper l’écriture binaire en groupe de 4 bits,
quitte à rajouter des 0 à gauche si le nombre total de bits n’est divisible par 4,
et de remplacer chaque groupe de 4 bits par sa représentation hexadécimale :
10110112 = 0101 1011 = 5B16

Passage de l’hexadécimal au décimal

On procède de la même manière que pour le binaire, en effectuant les opérations
du développement hexadécimal tout en tenant comptes des valeurs des différents
symboles données dans le tableau ci-dessus :
1BF16 = 1 ∗ 162 + 11 ∗ 161 + 15 ∗ 160 = 44710

Passage du décimal à l’hexadécimal

Même si l’on peut procéder par divisions successives par 16 en pratique on
ne le fait pas. En effet la division par 16 est fastidieuse alors que celle par 2
est immédiate et il est très facile de passer du binaire à l’hexadécimal comme
nous l’avons vu ci-dessus. Donc pour passer du décimal à l’hexadécimal on
passe par la représentation binaire que l’on écrit ensuite en hexadécimal :
4310 = 1010112 = 00101011 = 2B16

2 Codage des différents types numériques en

informatique
La représentation des différents types numériques à pendant longtemps
été propre à chaque constructeur. A l’heure actuelle, suite à des efforts de nor-
malisation, quasiment tous les constructeurs utilisent les mêmes représentations.

7
Ce sont celles-ci que nous présenterons ici. De plus, pour des raisons histo-
riques, les bits sont regroupés sous forme d’octet (byte en anglais) comportant
8 bits. Les types numériques ou alphanumériques seront donc codés sur un
ou plusieurs octets.

2.1 Les entiers

2.1.1 Les entiers naturels
La représentation machines des entiers naturel repose naturellement sur
leur écriture binaire. L’ensemble des entiers que l’on peut ainsi représenter
dépend uniquement du nombre de bits utilisés pour le codage. De manière
générale si l’on utilise n bits pour le codage d’un entier on peut représenter
tous les entiers de 0 à 2n − 1. Dans la plupart des cas les entiers naturels sont
codés sur :
– 16 bits (2 octets) permettant de représenter les entiers de l’intervalle
[0, · · · , 65 535]
– 32 bits (4 octets) permettant de représenter les entiers de l’intervalle
[0, · · · , 4 294 967 295]
– 64 bits (8 octets) permettant de représenter les entiers de l’intervalle
[0, · · · , 18 446 744 073 709 551 615]

2.1.2 Les entiers relatifs ou entiers signés

Quelle que soit la représentation adoptée il faudra inclure le signe dans
le codage du nombre, ce qui nous coutera 1 bit et donc en utilisant n bits
nous pourrons représenter les entiers de l’intervalle [−2n−1 , 2n−1 − 1].Il existe
plusieurs méthodes de représentation des entiers signés.

Le binaire signé
L’idée la plus simple pour représenter un entier relatif est de coder le signe
directement sur le bit de poids fort (le bit le plus à gauche de la représentation
binaire) 0 correspondant au signe + et 1 au signe - et de consacrer les bits
restants au codage binaire de la valeur absolue du nombre à représenter.
Par exemple, en utilisant 8 bits pour le codage, on aura :

x = 13 → 0000 1101
x = −13 → 1000 1101

8
Le décalage

Pour un codage sur n bits, une autre idée consiste à décaler le 0 de 2n/2 .
Par exemple, en utilisant 8 bits pour le codage, 0 sera décalé de 24 = 16 et
on aura :

x=0 → 0001 0000

x = −1 → 0000 1111
x=1 → 0001 0001
x = −13 → 0000 0011

Le complément à 2
Malheureusement aussi bien le binaire signé que le décalage du 0 ont un
défaut majeur : ces représentations ne sont pas compatibles avec l’addition.
L’utilisation de la représentation dite de complément à 2 permet d’éliminer
cette difficulté. Soit x un entier relatif à représenter avec n bits :
– si x ≥ 0, x est codé en binaire sur n − 1 bits avec 0 comme bit de poids
fort
– si x < 0
• on code | x | en binaire sur n − 1 bits avec 0 comme bit de poids fort
• on inverse les bits du résultat précédent (NON binaire)
• on ajoute 1 au nombre binaire précédent en ignorant les dépassements
Cette opération correspond au calcul de 2n − | x |, d’où le nom complément
à 2.
Par exemple, pour une représentation sur 4 bits on a les correspondances
suivantes :

9
 Valeur Représentation
-8 1000
-7 1001
-6 1010
-5 1011
-4 1100
-3 1101
-2 1110
-1 1111
0 0000
1 0001
2 0010
.. ..
. .
7 0111
On vérifie sans peine que cette représentation est compatible avec l’addi-
tion. Bien entendu c’est cette représentation qui est effectivement utilisée
actuellement.

2.2 Les réels ou nombres flottants

L’utilisation du terme “réel” dans le cadre de la représentation des nombres
en informatique relève de l’abus de langage. En fait ce terme sous entend
nombre ”avec des chiffres (en nombre fini) après la virgule”, c’est à dire
un rationnel au sens des mathématiques. Au niveau machine, un réel sera
donc toujours approché par un rationnel. Bien entendu, tout comme pour
les entier, on ne pourra représenter qu’un sous ensemble fini et borné des
rationnels.

2.2.1 Chiffres significatifs

C’est la notion importante qui justifie l’écriture en virgule flottante. Le
but de cette représentation est d’obtenir, pour un encombrement mémoire
donné, un éventail de valeurs suffisant avec la plus grande précision possible.

Pour illustrer cette notion et pour plus de commodité nous nous placerons
dans le système de numérotation décimal. Supposons que nous disposions de
8 caractères dont la virgule et le signe pour représenter un décimal. Dans

10
une représentation à virgule fixe, nous ne pourrons écrire que les décimaux
du type suivant :
±123, 456
L’éventail des nombres représentables est très limité. Ainsi le plus petit
décimal, en valeur absolue, représentable est :
+0, 00001
Sur ce dernier exemple 5 caractères sont occupés par la représentation de
0 et le seul chiffre significatif est 1. Il est clair qu’une telle représentation
est d’une part particulièrement inefficace et d’autre part d’une précision très
limitée. L’idée de la représentation en virgule flottante consiste donc à avoir
toujours un maximum de chiffres significatifs.

2.2.2 Codage en virgule flottante

Le principe de la virgule flottante est inspiré de la notation familière aux
scientifiques, qui préfèrent écrire 1, 97.108 plutôt que 197000000.
L’idée va donc être d’exprimer les réels sous la forme :
x = m.be
Où m est la mantisse, b la base et e l’exposant.

D’une manière générale le format flottant est défini par :

• le signe s
• la base b
• le nombre de chiffres de la mantisse, p
• la plage de valeurs possibles pour l’exposant emin , · · · , emax

Ainsi tout flottant s’écrit sous la forme :

x = (−1)s .be . a0 .b0 + a1 .b−1 + · · · + ap .b−p

(I.1)

avec s = ±1, e ∈ [emin , · · · , emax ] et ai ∈ [0, · · · , b − 1].

Si a0 6= 0 l’écriture est dite normalisée, sinon elle est dite dénormalisée.

Les nombre dénormalisés comblent le vide de représentation qui existe entre
0 et le plus petit nombre normalisé, mais cela à un prix : le sacrifice des
chiffres significatifs. Il résulte de cette écriture que le plus petit écart entre
deux mantisses est  = b−p .

Bien entendu une telle représentation ne permet de représenter exactement

11
qu’un nombre fini de réels, ceux qui peuvent s’écrire exactement sous la
forme ci-dessus. Pour tous les autres se pose le problème de l’approximation,
autrement dit de l’arrondi.
Considérons x ∈ C. Choisir une représentation flottante de x revient à
choisir une mantisse m de p chiffres telle que :
(−1)s .m.be = x (1 + b−p α)
b−p α est l’erreur relative sur x. α est appelé erreur d’arrondi normalisée :
– en arrondi au plus près, α ∈ [−0.5, 0.5[
– en arrondi vers 0, α ∈ [0, 1[
– en arrondi vers ±∞, α ∈ [−1, 1[

2.2.3 La norme IEEE754-1985

La norme IEEE754-1985 impose un format particulier pour le codage des
nombres en virgule flottante. Elle est le résultat d’un ensemble de compromis
qui, si ils sont parfois surprenants, permettent d’obtenir un codage puissant
et efficace. Elle correspond en outre à une norme internationale (IEC559).

Principes généraux
Le codage d’un nombre dans la normalisation IEEE754 est légèrement plus
complexe que celui présenté ci-dessus :
– La mantisse m est codée en base 2 avec codage des valeurs négatives
par bit de signe. Elle est normalisée et est donc représenté par un triplet
(S, N, F )(signe, valeur absolue de la partie entière, valeur absolue de
la partie fractionnaire) normalisé de façon à ce que 1 ≤ |m| < 2 (si
|m| 6= 0). La normalisation implique que N = 12 ce qui permet de
coder N de façon implicite (bit caché). C’est donc la longueur de F qui
caractérise la précision relative du code.
– L’exposant e est un entier relatif codé par décalage. e est donc représenté
par une valeur entière E avec e = E − d (avec d décalage). On notera
que, dans la norme IEEE754, les deux valeurs extrêmes de l’exposant
sont réservées au codage de valeurs “non numériques” (voire section
4.4).

On a donc un codage binaire sous la forme d’un triplet (S, F, E) (avec N = 12

implicitement) ce qui donne :

r = S.(1, F ).2(E−d) (I.2)

12
La notation (1,F) exprime le fait qu’il faut rajouter le bit caché (issu de la
normalisation de la mantisse) devant la partie fractionnaire F de la mantisse
pour obtenir la mantisse complète.

Les différents formats

La norme IEEE754 définit quatre formats différents permettant d’obtenir des
précisions et des dynamiques différentes en fonction des besoins :
Simple précision codage sur 32 bits
Double précision codage sur 64 bits
Simple précision étendue codage sur 44 bits
Double précision étendue codage sur 80 bits

En pratique, seuls les types simple précision (float) et double précision

(double) sont couramment utilisés en informatique (les types correspondant
aux “précisions étendues” sont prévus pour permettre le stockage des résultats
temporaires sans propagation d’erreurs d’arrondi). La double précision éten-
due est implémentée dans les microprocesseurs les plus courants (Intel et Mo-
torola en particulier) mais tous les compilateurs ne permettent pas de l’uti-
liser. Ainsi, le compilateur Visual C++ de Microsoft traite les long double
comme des double bien qu’il ne s’agisse pas du même type de donnée. Le
Gnu C Compiler (gcc) autorise l’utilisation du codage en double précision
étendue. On notera par ailleurs que, l’alignement des nombres en double
précision étendue étant difficilement compatible avec l’utilisation des bus et
des registres de 64 bits, un nouveau standard de fait émerge sous l’impulsion
des constructeurs (Sun avec le processeur SPARC V8 et Hewlett Packard
avec le processeur PA-RISC) : la quadruple précision codée sur 128 bits.

Codage binaire
Le codage binaire prévu dans la norme IEEE754 peut paraı̂tre complexe de
prime abord ; il a en effet été conçu pour favoriser la rapidité des calculs
flottants (et non pour faciliter la lecture “humaine”). C’est donc un codage
“orienté processeur” plus qu’un codage “orienté utilisateur”.
Tout nombre flottant est composé d’un bit de signe S, de la valeur absolue
de la partie fractionnaire de la mantisse 1 F et de l’exposant E. Le codage
IEEE normalise le nombre de bits de chacune de ces parties.
1. Du fait de la normalisation, la partie entière, toujours à 1, n’est pas stockée puis-
qu’elle est implicite (bit caché)

13
 Par ailleurs, afin de permettre la comparaison directe de deux nombres
flottants (dans le même format), la mantisse est codée sur les poids faibles
et l’exposant sur les poids forts (le bit de poids le plus fort étant utilisé pour
le signe).
Le nombre de bits utilisés pour représenter chaque champs d’un flottant est
résume dans le tableau I.3 et la position des différents champs sur la figure I.1

Taille Signe Mantisse Exposant

Simple précision 32 1 23 + 1 (caché) 8
Double précision 64 1 52 + 1 (caché) 11
Double précision étendue 80 1 63 + 1 (caché) 16

Table I.3 – Tailles en bits des différents champs d’un flottant




Figure I.1 – Positions des différents champs d’un flottant

Codage du signe :
Le codage du bit de signe est extrêmement simple : par convention, le nombre
est positif si le bit de signe (bit de poids fort) est à 0 et négatif sinon.

Codage de l’exposant :
L’exposant est un nombre entier relatif, codé sur 8 bits en simple précision
et sur 11 bits en double précision. Il est codé par décalage : 127 pour en
simple précision et 1023 en double précision. Cependant, toutes les valeurs
“codables” ne sont pas utilisées car les valeurs extrêmes (-127 et 128 en simple
précision) sont utilisées pour le codage de valeurs spécifiques (voir paragraphe
suivant).

Codage de la mantisse :
La mantisse est un nombre fractionnaire, normalisé, codé sur 24 bits en simple
précision et sur 53 bits en double précision. La normalisation impose que le
premier bit de la mantisse (ici, le premier bit avant la virgule) soit toujours 1

14
(l’exposant est ajusté en conséquence). Cela permet de garantir la précision
maximum. La partie fractionnaire de la mantisse est donc un nombre fraction-
naire compris entre 0.02 et 0.1111111111111111111111112 . La partie entière,
toujours égale à 12 n’est pas codée (bit caché).
On notera que la normalisation, en entraı̂nant la “perte” de la valeur originale
de l’exposant, place délibérément la norme IEEE754 du coté des mathémat-
iciens (qui travaillent sur des nombres libres de sémantiques) et non du coté
des physiciens (pour lesquels la sémantique des nombres est souvent plus im-
portante que les nombres eux-même). Ainsi, pour un physicien :
0,00 années-lumières + 1 cm = 0,00 années-lumières
tandis que, pour un mathématicien (et donc pour un informaticien) :
0,00 années-lumières + 1 cm = 1 cm.
On voit clairement que la normalisation, parce qu’elle perd “l’ordre de gran-
deur” de la valeur, risque d’entrainer une perte de signification lors des trai-
tements.

Codes “spécifiques”
Nous avons déjà vu que les exposants “extrêmes” (E = 0 et E = 255, ou
e=-127 et e = 128, en simple précision) sont réservés à des usages spécifiques
et non au codage des flottants proprement dits. La norme IEEE754 auto-
rise en effet l’utilisation de mantisses “dénormalisées”, le codage de valeurs
spécifiques “non-numériques” (NaN,+∞ et +∞), ainsi que le codage exact
de la valeur zéro.

Valeurs dénormalisées :
Les nombres dénormalisés sont les nombres pour lesquels la partie entière de
la mantisse n’est pas fixée à 1. De façon évidente la dénormalisation entraine
une perte de précision relative (puisque le nombre de chiffres significatifs de
la mantisse n’est plus égal au nombre de chiffres total de la mantisse 2 ). Elle
est cependant utile pour les nombres dont l’exposant est inférieur à emin qui,
sans la dénormalisation ne seraient pas codables. C’est pour cette raison que
l’exposant emin − 1 (correspondant à e = −127 en simple précision, c’est à
dire à E = 0) est réservé au codage de ce type de valeurs. Dans le cas des
valeurs dénormalisées, la formule I.2 n’est plus valide, et est remplacée par :
r = S.0, F.2−d+1 = S.0, F.2emin (I.3)
2. Ainsi, en décimal, avec une mantisse sur trois chiffres, il est évident que la
représentation 3, 14.100 est plus précise que 0, 03.102

15
Attention l’exposant emin − 1 sert au codage des valeurs dénormalisées mais
l’exposant pris en compte dans I.3 est bien emin , ceci afin de garantir la conti-
nuité de cette représentation avec la représentation normalisée I.2.

Codage du zéro :
Pour des raisons de simplicité évidentes, la norme IEEE754 utilise, pour
le codage du zéro, une représentation particulière correspondant au “zéro
binaire”. On notera que cette représentation correspond en pratique à un
nombre dénormalisé “à l’extrême” ce qui permet, dans un calcul, d’arron-
dir automatiquement vers 0 lorsque cela s’avère nécessaire. On notera par
ailleurs, que le codage signé utilisé pour les mantisses (bit de signe) permet
de coder deux valeurs de zéro différentes (+0 et -0).

“Not a Number ” :
La normalisation IEEE754 introduit la notion de “NaN ” (“Not a Number ”)
afin de garantir qu’un calcul donnera toujours
√ un résultat, même si ce résultat
est invalide (par exemple lors du calcul de −1). NaN est représenté, en bi-
naire, par une valeur d’exposant égale à emax + 1 (128 en simple précision) et
de mantisse non nulle 3 . Le codage de NaN est particulièrement intéressant
car il permet de simplifier les formes algorithmiques en “négligeant” les tests
systématiques des valeurs intermédiaires (à condition que toute opération
arithmétique recevant NaN en entrée retourne NaN en sortie). Cette dernière
caractéristique est d’ailleurs imposée dans la norme (par exemple : NaN +
3 = NaN ).

Codage des deux infinis :

√
Si le résultat de −1 est NaN, cela n’est pas le cas de 1/0. En effet, la
norme IEEE754 permet de coder de façon explicite les deux “valeurs” +∞
et −∞. Elle définit de plus une arithmétique spécifique pour leur utilisation
1
(par exemple : ∞ = 0) pour pouvoir les utiliser dans les calculs courants.
La représentation binaire de ±∞ utilise très logiquement l’exposant emax + 1
(128 pour un nombre simple précision) et une mantisse nulle. Le signe est
évidemment utilisé pour différentier +∞ et −∞.

Le tableau I.4 résume les différents cas rencontrés dans le codage binaire
3. Les bits de la mantisse peuvent alors être utilisés pour exprimer le type de l’opération
ayant produit un NaN.

16
des nombres flottants.
Exposant Mantisse fractionnaire Exposant
e = emin − 1 F =0 ±0
e = emin − 1 F 6= 0 ±0, F.2emin
emin ≤ e ≤ emax − ±1, F.2e
e = emax + 1 F =0 ±∞
e = emin − 1 F 6= 0 NaN

Table I.4 – Résumé des valeurs codables

Arrondis
La norme définit quatre modes d’arrondis :
– au plus proche (réel machine le plus proche du réel à coder)
– vers +∞ (réel machine supérieur ou égal au réel à coder)
– vers −∞ (réel machine inférieur ou égal au réel à coder)
– vers 0 (correspond à un arrondi vers +∞ pour les nombres positifs et
vers −∞ pour les nombres négatifs)

Lors d’un calcul, il est possible de choisir le mode d’arrondi. Le mode

d’arrondi par défaut est l’arrondi au plus proche.
Changer le mode d’arrondi a essentiellement deux usages : tester la ro-
bustesse d’un algorithme ou faire du calcul d’intervalle.
Plus un algorithme est robuste, moins il est sensible à des petites différences
des données de départ. On effectue le calcul avec plusieurs modes d’arrondis
et la comparaison des résultats obtenus permet de tester la robustesse de
l’algorithme.
Le calcul d’intervalle consiste à encadrer la valeur exacte d’un calcul en
l’effectuant deux fois, une fois avec arrondis vers +∞ et l’autre avec arrondis
vers −∞.

2.2.4 Conséquences de ce choix de représentation

Etant donné qu’il existe une infinité de nombre réels, et qu’entre deux
d’entre eux il y a aussi une infinité d’autres réels, il est évident que la
représentation des nombres flottants (qui n’autorise que le codage d’un nombre
limité de valeurs) n’est qu’une approximation (on remarquera d’ailleurs que

17
les nombres flottants ne sont, par définition, que des nombres fractionnels
et certainement pas des nombres réels “pûrs”). Il est donc fondamental de
connaı̂tre la précision de la représentation utilisée.

Précision
La précision de la représentation est portée par la mantisse mais l’interprétation
de cette dernière est modifiée par l’exposant. La précision de la représentation
ne peut donc pas être considérée comme absolue : suivant l’ordre de grandeur
de la valeur codée, la précision sera totalement différente. C’est pourquoi on
parle d’erreur relative de codage. Pour une valeur donnée, l’erreur absolue
doit donc être calculée en multipliant l’erreur relative par la valeur de l’ex-
posant.
La précision de la représentation correspond, pour une valeur donnée
de e, à la plus petite différence entre deux valeurs codables, c’est-à-dire à
l’intervalle au sein duquel les valeurs réelles ne sont pas exprimables. Ainsi,
si la mantisse est exprimée sur n bits (n = 23 en simple précision, n = 52 en
double précision et n = 63 en double précision étendue), l’erreur relative du
codage est égale à la précision portée par le chiffre de poids le plus faible :
2−n . Ceci est illustré dans le tableau I.5.

x suivant intervalle
0.0 1.1754944.10−38 1.1754944.10−38
1.0000000 1.0000001 1.1920929.10−7
2.0000000 2.0000002 2.3841858.10−7
1.6000000.101 1.6000002.101 1.9073486.10−6
1.2800000.102 1.2800002.102 1.5258789.10−5
1.0000000.1020 1.0000001.1020 8.7960930.1012
9.9999997.1037 1.0000001.1038 1.0141205.1031

Table I.5 – Intervalle entre deux réels représentés exactement (en

représentation normalisée)

Il est important de bien faire la différence, dans le codage des flottants,

entre l’erreur relative  qui dépend du nombre de bits de la mantisse et le
plus petit réel codable (de l’ordre de 1, 4012.10−45 en simple précision, de
4, 9406.10−324 en double précision et de 3, 6451.10−4951 en double précision

18
étendue).

En simple précision on a donc une erreur relative de :

 = 2−23 ' 10−7
En double précision on a :
 = 2−52 ' 10−16
Enfin, en double précision étendue, on a :
 = 2−63 ' 10−20

En décimal, les nombres flottants sont donc représentables avec sept chiffres
significatifs (en simple précision), seize chiffres significatifs (en double précision)
ou 20 chiffres significatifs (en double précision étendue). L’imprécision des
représentations peut avoir des conséquences importantes sur le codage des
programmes. En effet, du fait de ces approximations, une simple comparaison
peut donner des résultats surprenants.

Plus petite et plus grande valeur codable

Comme nous l’avons vu précédemment nous ne pouvons coder qu’un nombre
fini de valeur, il y a donc, en valeur absolue, une plus petite (différente de
0) et une plus grande valeur codable. Nous donnons ci-dessous leurs valeurs
pour la simple précision.

Le plus petit nombre positif différent de zéro et le plus grand nombre négatif
différent de zéro (représentés par une valeur dénormalisée avec e = emin − 1,
c’est à dire E = 02 , et seul le bit de poids faible de m à 1) sont :
±2−23 .2−126 = 2−149 ' ±1, 4012985.10−45

Le plus petit nombre normalisé positif différent de zéro et le plus grand

nombre normalisé négatif différent de zéro (représentés avec e = emin , c’est
à dire E = 12 , et tous les bits de m à 0) sont :
±2−126 = 2−149 ' ±1, 17549351.10−38

Le plus grand nombre positif fini et le plus grand nombre négatif fini (représentés
avec e = emax , c’est à dire E = 111111112 , et tous les bits de m à 1) sont :
X23
127
2−k = ±2127 2 − 2−23 ' ±3, 4028235.1038


±2
k=0

19
Imperfection des opérations élémentaires
Il est évident que, si le codage en virgule flottante n’est qu’une approxi-
mation des réels, alors les opérations arithmétiques sur les réels ne peuvent
plus être considérées comme exactes. En effet, dans le cas général, le résultat
d’un calcul devra toujours être considéré comme différent de son résultat
théorique : si, en théorie, on a a + b = c, on devra toujours considérer en pra-
tique que a + b = c(1 + ab ) avec ab (erreur d’arrondi) dépendant de a et de b.

Addition :
Outre les problèmes de dépassement de capacité (overflow ) qui peuvent sur-
venir quand l’un des deux opérandes possède l’exposant emax , le principal
problème de l’addition est lié à la dénormalisation (mise au même exposant)
utilisée lors du calcul. En effet, si les deux opérandes sont trop différents (en
ordre de grandeur, c’est-à-dire en exposant), alors la plus petite valeur sera,
au cours de la dénormalisation, confondue avec 0 et donc négligée dans le
calcul : en résumé, si a  b alors a + b = a.

Soustraction :
Le problème de la soustraction est plus important dans la mesure ou la sous-
traction de deux opérandes de valeurs comparables amplifie l’erreur relative :
si a ∼
= b, alors l’erreur relative sur a − b est égale à l’erreur absolue sur a − b
divisée par le résultat soit :
absolu
relatif =
|a − b|
Cette imperfection “fondamentale” de la soustraction - qui ne s’exprime,
heureusement, que lorsque les deux opérandes sont presque égaux - est à l’ori-
gine de beaucoup d’erreurs et d’approximations dans les calculs numériques.

Multiplication/division :
Vu la définition du format flottant, la multiplication et la division sont plus
simples que l’addition et la soustraction. Même si elles sont soumises aux
erreurs d’arrondi, d’overflow et d’underflow (sous-dépassement de capacité :
un nombre est trop petit pour être représenté sera confondu avec zéro), elles
n’entraı̂nent pas de problèmes aussi cruciaux que la soustraction. On restera
cependant particulièrement attentif aux dépassements de capacités (dans les
deux sens). En effet, dès que l’exposant d’un des deux opérandes est supérieur
à emax
2
ou inférieur à 2.eemin , un dépassement de capacité devient possible lors

20
d’une multiplication et/ou d’une division.

2.2.5 Conséquences sur les algorithmes de calcul

L’arithmétique des opérations “machine” étant différente de l’arithmétique
“réelle”, il convient d’être méfiant lors de l’enchainement de plusieurs cal-
culs. Ainsi, d’une façon générale, il n’est plus possible de considérer que
(a + b) + c = a + (b + c). Considérons, par exemple, les deux calculs suivants :
100000
X 1
S1 =
n=1
n2
1
X 1
S1 =
n=100000
n2
En simple précision on obtient S1 = 1.64472532 et S2 = 1.64492404. La
différence est donc de l’ordre de 10−4 bien que la précision relative, en simple
précision, soit de 10−7 . On voit donc que, non seulement le résultat du cal-
cul ne peut pas être considéré exact mais que, de plus, les erreurs peuvent
se cumuler au fil des calculs. En outre, considérant le résultat théorique
S1 = S2 ' 1.64492407 , on voit que l’agencement du calcul permet ou non
d’obtenir des résultats plus ou moins proches du résultat théorique. Il peut
donc être utile de déduire, de ces considérations, des règles d’écriture pour
les algorithmes numériques.

Propagation des erreurs

La plupart des algorithmes numériques sont basés sur des calculs de suites
et/ou de développements récurrents ou non. La conséquence principale d’une
telle structure algorithmique est que les résultats intermédiaires sont réutilisés
à chaque pas de temps ce qui conduit l’algorithme ‘a propager les erreurs
d’arrondi au fur et à mesure de l’avancée des calculs. Dans ce cas, le résultat
final est approximé en fonction des différents arrondis réalisés au cours du
calcul. D‘es lors, la solution idéale serait que les arrondis soient totalement
indépendants entre eux et centrés sur zéro (en d’autres termes, les arrondis
ont autant de chances d’avoir lieu “vers le haut” que “vers le bas”). Dans
ce cas, le résultat final (issu de N opérations
√ d’erreur √moyenne ) sera ap-
proximé avec une erreur de l’ordre de  N (le terme N correspond à la
distance moyenne parcourue après une marche aléatoire de N pas de lon-

21
gueur moyenne  réalisés aléatoirement dans les deux sens). Ce cas idéal est
cependant rare et ne doit être considéré qu’avec une très grande prudence
pour au moins deux raisons :
– Il est très courant que, soit l’algorithme utilisé, soit les particularités
de l’implémentation ne biaise l’orientation des erreurs d’arrondi. Dans
ce cas, l’erreur totale sera de l’ordre de N..
– Dans certaines conditions, particulièrement défavorables mais malheu-
reusement très courantes, les erreurs initiales vont s’accumuler rapide-
ment car elles vont être démultipliées par les calculs ultérieurs. C’est
en particulier le cas lorsque le programme est amené à soustraire deux
nombres très proches puis à réutiliser le résultat de cette soustraction.

Malheureusement de telles situations sont assez courantes dans les algo-

rithmes numériques. Ainsi, la “simple” résolution d’une équation du second
degré par la formule
√ classique :
2
−b ± b − 4ac
x=
2a
peut conduire à des résultats totalement erronés si ac  b2 .

Par exemple la calcul de ex à partir des 2000 premiers termes de son

développement en série entière 4 donne rapidement des résultats totalement
erronés (tab. I.6).

x calcul ex
−1 0.3678793 0.367879 · · ·
−5 0.0067384 0.0067379 · · ·
−10 −0.0000625 0.0000454 · · ·
−20 −2.7566754 0.0000000020612 · · ·
−30 −24368.556 0.000000000000093576 · · ·
−40 −730834432 0.0000000000000000042 · · ·

Table I.6 – Calcul de ex à partir de son développement en série entière

L’explication de la divergence de cet algorithme est relativement simple ;

n
il suffit d’observer l’évolution de xn! pour différentes valeurs de x et pour
les premiers termes du développement en série entière. Les figures I.2 et I.3
x2 xn
4. ex = 1 + x + 2! + ··· + n! + ···

22
 n
montrent que pour des valeurs de x “relativement” grandes, xn! atteint rapi-
dement des valeurs importantes pour n petit. Or, pour des valeurs négatives
de x, on remarque que le développement en série entière comporte alternati-
vement des additions et des soustractions. L’algorithme passe alors par des
soustractions de valeurs proches mais très grandes en regard du résultat final
ce qui amplifie l’erreur relative (voir ci-dessus). Le même algorithme uti-
lisé pour calculer des valeurs positives de x ne poserait donc pas les mêmes
problèmes.

25

20

15

10

0
0 5 10 15 20

xn
Figure I.2 – Valeurs successives de n!
pour x ∈ {1, · · · , 5} (de bas en haut)
et n variant de 0 à 20

Conditionnement d’un algorithme numérique

Le bon conditionnement d’un algorithme permet de limiter la propagation des
erreurs. Soit le calcul y = f (x), on dit que le calcul est mal conditionné si une
petite variation de x entraı̂ne une grande variation de y. Le conditionnement
est caractérisé par le “nombre de condition du calcul”, C défini, pour chaque

23
 107

105

1000

10

0.1
0 5 10 15 20

xn
Figure I.3 – Valeurs successives de n!
pour x ∈ {1, · · · , 20} (de bas en haut)
et n variant de 0 à 20

valeur de x, par :

xf 0 (x)
C= (I.4)
f (x)

Si C est grand (> 1), alors le calcul est “mal conditionné” et risque de pro-
duire des erreurs cumulatives.

En calculant C pour les quatre opérations (addition, soustraction, multi-

plication, division) on s’aperçoit qu’elles sont toutes bien conditionnées ex-
ception faite de la soustraction.

Stabilité d’un algorithme numérique

Le conditionnement d’un calcul n’est qu’une condition nécessaire pour ga-
rantir que les erreurs ne soient pas propagées exagérément (donc que la
réponse soit précise). En effet, il est aussi nécessaire que l’algorithme soit
numériquement stable.

24
 Un algorithme est dit stable si la valeur calculée fcalc (x) est la solu-
tion exacte d’un calcul ftheorique (y) avec y proche de x (donc si fcalc (x) =
ftheorique (y + ) avec  petit).

Exemple
Reprenons l’exemple du calcul de f (x) = ex . Le nombre de condition de ce
x
calcul est C = xe ex
= |x|. Ce calcul est mal conditionné pour x ∈ / [−1, 1]
et comme nous l’avons vu plus n’est pas stable pour les valeurs négatives
inférieures à -1. Ces considérations nous mettent sur la voie d’un algorithme
stable et bien conditionné pour le calcul de l’exponentielle :

– x est décomposé en partie entière N et partie fractionnaire F

– eN est calculé par multiplications successives (la multiplication est
stable et bien conditionnée)
– eF est calculé avec le développement en série entière qui dans ce cas
(F ∈ [0, 1[) est stable et bien conditionné
– enfin ex = e(N +F ) = eN .eF

3 Conclusion
Tout le codage d’information et tout calcul se fait au niveau machine en
utilisant une représentation binaire.
La réalisation d’algorithmes numériques exacts n’est généralement pas
possible puisqu’il est impossible de coder exactement l’ensemble des réels.
Il est donc fondamental de conserver à l’esprit que l’arithmétique machine
n’est pas équivalente à l’arithmétique mathématique. Par conséquent, tout
algorithme numérique (sur les flottants et, dans une moindre mesure sur
les entiers) produit un résultat approximatif (au mieux) voire totalement
faux. Pour éviter de se retrouver dans ce dernier cas (et pour limiter l’im-
portance du premier), quelques règles courantes peuvent être déduites des
considérations présentées dans ce chapitre :
– Il faut choisir avec soin le type des données, d’une part pour
éviter les débordements (dans le cas des entiers), d’autre part pour ga-
rantir une précision suffisante (dans le cas des flottants). D’une façon
générale, le format “simple précision” doit être considéré comme
peu fiable et évité sauf en cas de raison majeure.
– Il faut faire attention aux conversions de type, en particulier aux

25
 réductions (conversion d’un type vers un type plus court) mais aussi
aux élargissements plus ou moins implicites qui peuvent provoquer des
résultats surprenants, par exemple lors des tests (d’autant plus que les
règles de conversion changent suivant les langages).
– Il faut faire attention lors des soustraction, en particulier si les
deux valeurs soustraites peuvent être proches.
– Attention aux tests d’égalité entre flottants qui peuvent donner
des résultats surprenants.
– Ne pas faire une confiance aveugle aux compilateurs mais aussi aux li-
brairies, aux codes récupérés, ... Suivant les cas, il pourra être judicieux
de savoir exactement ce que fait le code ...
Reste que toutes ces précautions ne serviront de toute façon à rien si l’algo-
rithme utilisé entraı̂ne mathématiquement des approximations ... ou s’il est
faux ...

26