C ha p i tr e 1

Analyse d’erreurs

Sommaire
1.1 Sources d’erreurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.1.1 Erreur absolue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.1.2 Erreur relative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.1.3 Propagation des erreurs . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.2 Représentation des nombres réels . . . . . . . . . . . . . . . . . . . . 4

1.2.1 Virgule flottante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.2.2 Représentation décimale . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.2.3 Arrondi d’un nombre . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.2.4 Évaluation des polynômes . . . . . . . . . . . . . . . . . . . . . . . . . 8

L’analyse numérique est une branche des mathématiques appliquées s’intéressant aux méthodes
permettant de résoudre, par des calculs numériques, des problèmes d’analyse mathématique.

L’étude des erreurs forme une partie importante de l’analyse numérique. Dans ce premier
chapitre, nous introduisons quelques définitions essentielles sur la notion d’erreurs.

1
 1.1. Sources d’erreurs

1.1 Sources d’erreurs

Les solutions de problèmes calculées par une méthode numérique sont affectées par des erreurs,
qui proviennent de trois sources principales :

• les erreurs de modélisation, qui proviennent de l’étape de mathématisation du phénomène

physique auquel on s’intéresse. Par exemple en négligeant certains termes physiques.

• les erreurs d’arrondi, qui proviennent des erreurs de représentation dues au fait que tout
1
calculateur travaille en précision finie. Par exemple, la fraction 3
n’a pas de représentation
binaire finie, pas plus qu’elle ne possède de représentation décimale finie. On ne pourra
donc pas représenter exactement cette fraction, ce qui introduit une erreur.

• les erreurs de troncature, proviennent principalement de l’utilisation du développement de

Taylor, qui permet par exemple de remplacer une équation différentielle par une équation
algébrique.

Pour mesurer l’erreur entre la solution fournie par une méthode numérique et la solution du
problème que l’on cherche à résoudre, on introduit les notions d’erreur absolue et relative.

1.1.1 Erreur absolue

Soit x un nombre, et x∗ une approximation de ce nombre (valeur approchée ou approximative

de x).

- Si x∗ > x, x∗ est dite valeur approchée par excès.

- Si x∗ < x, x∗ est dite valeur approchée par défaut.

Dans les deux cas on note

x ' x∗ ou x ≈ x∗ .
Exemple 1
1
√
3
' 0.33, π ' 3.14 et 2 ' 1.41 sont des approximations par défaut mais e ' 2.72 est une
approximation par excès.

2
 1.1. Sources d’erreurs

Définition 1 (Erreur absolue)

Soit x un nombre, et x∗ une approximation de ce nombre. L’erreur absolue est définie par

Ea (x∗ ) = |x − x∗ | . (1.1)

Plus l’erreur absolue est petite, plus x est précis.

Dans le cas de quantités mesurées expérimentalement dont on ne connaı̂t que la valeur ap-
proximative, on dispose souvent d’une borne supérieure pour l’erreur absolue qui dépend de la
précision des instruments de mesure utilisés. Alors qu’en fait on a

Ea (x∗ ) = |x − x∗ | ≤ ∆x,

ce qui peut également s’écrire

x∗ − ∆x ≤ x ≤ ∆x + x∗

et que l’on note parfois

x = x∗ ± ∆x.

Par abus de langage, on confondra la borne ∆x avec Ea (x∗ ).

1.1.2 Erreur relative

Définition 2 (Erreur relative)

Soit x un nombre non nul, et x∗ une approximation de ce nombre. L’erreur relative est définie
par
|x − x∗ | ∆x
Er (x∗ ) = ' ∗ . (1.2)
|x| |x |
De plus, en multipliant Er par 100, on obtient l’erreur relative en pourcentage.

En pratique, il est difficile d’évaluer les erreurs absolue et relative, car on ne connaı̂t généralement
∆x
pas la valeur exacte de x et l’on n’a que x∗ . C’est pourquoi on utilise l’approximation ∗ pour
|x |
∆x
l’erreur relative et on note δx = ∗ .
|x |
L’erreur absolue donne une mesure quantitative de l’erreur commise et l’erreur relative en
mesure l’importance.

3
 1.2. Représentation des nombres réels

Exemple 2
• x = π = 3.141592 · · · , x∗ = 3.1419
Erreur absolue = 3.073464102070211 × 10−4
Erreur relative = 9.783140085199355 × 10−5 .

• y = 106 , y ∗ = 999996
Erreur absolue = 4.0 × 100
Erreur relative = 4.0 × 106 .

• z = 0.000012, z ∗ = 0.000009
Erreur absolue = 3.0 × 10−6
Erreur relative = 25.0 × 10−2 .

1.1.3 Propagation des erreurs

Soient x et y deux valeurs positives, x∗ et y∗ deux valeurs approchées de x et y respectivement.

Alors on a les propriétés suivantes.

∆ (x + y) = ∆x + ∆y, δ (x + y) ≤ max (δx, δy) ,

x∗ + y ∗
∆ (x − y) = ∆x + ∆y, δ (x − y) ≤ max (δx, δy) ,
x∗ − y ∗
∆ (xy) = x∗ ∆y + y ∗ ∆x, δ (xy) = δx + δy,
x∗ ∆y + y ∗ ∆x
   
x x
∆ = , δ = δx + δy.
y (y ∗ )2 y

1.2 Représentation des nombres réels

1.2.1 Virgule flottante

La virgule flottante est une méthode d’écriture de nombres réels fréquemment utilisée dans les
ordinateurs. Elle consiste à représenter un nombre réel par :

- un signe (égal à −1 ou 1),

- une mantisse (aussi appelée significande),

- et un exposant (entier relatif, généralement borné).

4
 1.2. Représentation des nombres réels

Un tel triplet représente le nombre réel :

signe × mantisse × bexposant ,

où b est la base de représentation, généralement 2 sur ordinateur, mais aussi 8 ou 16 sur certaines
anciennes machines, 10 sur de nombreuses calculatrices, ou éventuellement toute autre valeur.
En faisant varier l’exposant, on fait flotter la virgule.
Exemple 3
Le nombre 1.3254 peut être représenté en virgule flottante comme suit
exposant
z}|{
−4 .
{z } × 10
1.3254 = |13254
mantisse

1.2.2 Représentation décimale

Tout nombre réel positif x peut être représenté sous la forme d’une représentation décimale (en
base 10) de développement fini ou infini

x = am 10m + am−1 10m−1 + · · · + am−n+1 10m−n+1 + · · · ,

avec ai ∈ {0, 1, · · · , 9} pour i 6= m et am 6= 0 où m est le rang supérieur de x (la plus grande
puissance de 10).
Exemple 4
Cas d’un développement fini :

1404.1978 = 1 × 103 + 4 × 102 + 0 × 101 + 4 × 100 + 1 × 10−1 + 9 × 10−2 + 7 × 10−3 + 8 × 10−4 .

Cas d’un développement infini :

1
= 0.14286 · · · = 1 × 10−1 + 4 × 10−2 + 2 × 10−3 + 8 × 10−4 + 6 × 10−5 + · · · .
7

Dans la pratique on n’utilise que des approximations par des nombres qui ont des représentations
décimales de développement fini

x ' x∗ = am 10m + am−1 10m−1 + · · · + am−n 10m−n , am 6= 0.

Pour mesurer la précision d’une approximation, on introduit la notion de chiffres significatifs

(c.s), qui sont les chiffres conservés ai .

5
 1.2. Représentation des nombres réels

Chiffres significatifs

Définition 3 (Chiffre significatif )

On appelle chiffre significatif d’un nombre approché, tout chiffre dans sa représentation
décimale différent de zéro, et un zéro s’il se trouve entre deux chiffres significatifs, ou s’il
constitue un chiffre conservé.

Exemple 5
Une approximation à 5 décimales de 0.02010 est

0.02010

• Les zéros soulignés ne sont pas significatifs car ils ne servent qu’à indiquer les rangs des
autres chiffres.

• Le zéro double souligné étant placé entre les chiffres significatifs 2 et 1, zéro est lui même
un chiffre significatif.

• Le zéro triple souligné traduit le fait que le nombre approché a conservé la décimale 10−5
est un chiffre significatif.

Remarque 4
L’écriture en virgule flottante détermine le nombre des chiffres significatifs, par exemple 3.52×
104 a trois chiffres significatifs mais 3.5200 × 104 a cinq chiffres significatifs.

Définition 5 (Chiffre significatif exact)

Un chiffre significatif d’un nombre approché x∗ est dit exact (c.s.e) si l’erreur absolue de x∗
vérifie
∆x ≤ 0.5 × 10k

avec k est le rang de ce chiffre significatif.

Ainsi : Le nième chiffre significatif après la virgule est exact si ∆x ≤ 0.5 × 10−n . Le nième
chiffre significatif avant la virgule est exact si ∆x ≤ 0.5 × 10n−1 .

Exemple 6
Soit x = 35.97 et x∗ = 36.00. Ici m = 1 car x = 3 × 101 + 6 × 100 + 0 × 10−1 + 0 × 10−2 . On a

∆x = |x − x∗ | = |35.97 − 36.00| = 0.03 ≤ 0.5 × 10−1 .

6
 1.2. Représentation des nombres réels

Alors m − n + 1 = k = −1 qui donne n = m + 2 = 3 et donc x∗ est une approximation de x

avec trois chiffres significatifs exacts.

Remarque 6

• Si un chiffre significatif est exact, tous les chiffres significatifs à sa gauche sont exacts.
• Si un chiffre significatif n’est pas exact, tous ceux à sa droite ne le sont pas.

1.2.3 Arrondi d’un nombre

Un arrondi d’un nombre est une valeur approchée de ce nombre obtenue, à partir de son
développement décimal, en réduisant le nombre de chiffres significatifs.

Pour arrondir un nombre jusqu’à n chiffres significatifs, il faut éliminer les chiffres à droite du
nième chiffre significatif conservé si on se trouve après la virgule, sinon on remplace par des
zéros, puis on procède de la manière suivante :

1. Si le (n + 1)ième chiffre significatif est > 5, on ajoute 1 au nième chiffre significatif.

2. Si le (n + 1)ième chiffre significatif est < 5, les chiffres retenus restent inchangés.

3. Si le (n + 1)ième chiffre significatif est égale à 5 alors deux cas sont possibles :

a) Tous les chiffres rejetés, situés après le (n + 1)ième chiffre significatif, sont des zéros :
On applique la règle du chiffre pair, i.e. : le nième chiffre reste inchangé s’il est pair.
On lui ajoute 1 s’il est impair.

b) Parmi les chiffres rejetés, situés après le (n + 1)ième chiffre significatif, il existe au
moins un qui soit non nul : On ajoute 1 au nième chiffre significatif.
Exemple 7

1. L’arrondi de x = 0.254 à 2 chiffres significatifs est x∗ = 0.25 car 4 < 5.

2. L’arrondi de x = 0.4368 à 3 chiffres significatifs est x∗ = 0.437 car 8 > 5.

3. L’arrondi de x = 1.534500 à 4 chiffres significatifs est x∗ = 1.534 car tous les chiffres
rejetés sont des zéros et le 4ième chiffre étant pair.

4. L’arrondi de x = 1.5347500 à 5 chiffres significatifs est x∗ = 1.5348 car tous les chiffres
rejetés sont des zéros et le 5ième chiffre étant impair.

7
 1.2. Représentation des nombres réels

5. L’arrondi de x = 23.6050420 à 4 chiffres significatifs est x∗ = 23.61 car parmi les chiffres
rejeté il existe au moins un qui soit non nul.

1.2.4 Évaluation des polynômes

Il est très fréquent d’avoir à évaluer des polynômes de degré élevé en analyse numérique. Il
est donc important de pouvoir les évaluer rapidement et de la façon la plus stable possible du
point de vue de l’arithmétique flottante. C’est ce que permet l’algorithme de Horner appelé
aussi algorithme de multiplication imbriquée. Pour évaluer un polynôme de la forme

p (x) = a0 + a1 x + a2 x2 + a3 x3 + · · · + an xn

en un point x quelconque, il suffit de regrouper les termes de la façon suivante

p (x) = a0 + x (a1 + x (a2 + x (a3 + · · · + x (an−1 + an x) · · · ))) .

Exemple 8
Soit le polynôme p (x) = 2 + 4x + 5x2 + 3x3 qui nécessite 6 multiplications et 3 additions.
En suivant le mode de regroupement suivant l’algorithme de Horner, on obtient p (x) = 2 +
x (4 + x (5 + 3x)) qui nécessite seulement 3 multiplications et 3 additions. On réduit donc le
nombre d’opérations nécessaires.

Algorithme 1 : Schéma de Horner pour évaluer un polynôme p.

Données : 1) Les coefficients ai de p dans l’ordre décroissant des exposants des xi .
2) Un point x en lequel à évaluer le polynôme p.
1 début
2 n := degré du polynôme p
3 Q := an
4 pour i ← 1 à n faire
5 Q := Q ∗ x + an−i

Résultat : Q qui est égal à p(x) sous la forme d’un polynôme de Horner.

Code Matlab 1 : Évaluation d’un polynôme par la méthode de Horner

1 function f = horner(a,x)
2 %Entrée:

8
 1.3. Exercices

3 % a=[a n a {n-1}... a 0] coefficients d'un polynôme p de degré n dans ...

l'ordre des puissances décroissantes de x.
4 % x : un point en lequel à évaluer le polynôme p.
5 %Sortie:
6 % f : la valeur du polynôme p en x par la méthode de Horner.
7 n = length(a)-1;
8 m = n+1;
9 g = a(1);
10 for j = 2:m
11 g = g*x + a(j);
12 end
13 f = g;