CH 2 - Représentation Interne

15/10/2019
CHAPITRE II –
REPRÉSENTATION INTERNE
DES INFORMATIONS
Par :
Khaled Hassine
Khaled.hassine@fsg.rnu.tn
10/10/2019 Khaled Hassine 1 Khaled Hassine 2

10/10/2019
1 2
PLAN PLAN
Représentation interne des entiers Représentation interne des entiers
Représentation interne des réels Représentation interne des réels
Représentation interne des caractères Représentation interne des caractères
Informations multimédias Informations multimédias
Exercices d’application Exercices d’application
10/10/2019 Khaled Hassine 3 10/10/2019 Khaled Hassine 4
3 4
15/10/2019
Les entiers Les entiers

 Les entiers non signés  Les entiers non signés
 Les entiers signés  Les entiers signés
 Signe et valeur absolue  Signe et valeur absolue
 Complément à deux  Complément à deux
 Représentation biaisée  Représentation biaisée
 DCB  DCB
5 6
Les entiers non signés Entier non signé : Exemples

 Les entiers non signés (unsigned) sont représentés en  Soit à représenter l’entier non signé 53 sur
interne sous format binaire sur 2 à 4 octets.
 Approche de représentation :
16 bits :
 Convertir l’entier en binaire selon les algorithmes présentés  Conversion : 53 = 35H = 1101012.
précédemment.
 0000 0000 0011 0101 = 0035H
 Mapper le résultat de la conversion sur les bits du format en
commençant de droite vers la gauche,  Inversement, les valeurs décimales des entiers
Complèter les cases vides par des 0.
non signés représentés en interne par :

 Remarque : Sur n bit, le plus grand entier qu’on peut

représenter est 2n-1 et le plus petit est 0.  000CH est 12
Exemple : Sur 8 bits l’entier non signé maximal est : 255  0023H est 35
7 8
15/10/2019
Entier signé
 Pour les entiers signés, il suffit de rajouter
Les entiers un bit de signe.
 Les entiers non signés
 Par convention, on représente :
 le signe + par 0
 Les entiers signés
 le signe - par 1.
 Signe et valeur absolue  Le bit de poids fort est le bit de signe.
 Complément à deux
 Représentation biaisée  L'évaluation se fait selon deux approches :
 DCB  En signe et valeur absolue
 En complément à 2 : la plus utilisée et la plus intéressante.
9 10
Signe et Valeur Absolue

 Cette convention est aussi dite : représentation classique.
 Dans cette convention, pour une représentation sur n bits, on
Les entiers utilise :
 un bit pour représenter le signe
 Les entiers non signés  n- 1 bits pour représenter la valeur absolue du nombre codé en base
2.
 Les entiers signés  La valeur absolue du nombre étant un entier non signé, il obéit
 Signe et valeur absolue par conséquent aux règles de conversion précédemment
 Complément à deux décrites.
 Représentation biaisée  Le remplissage se fait dans l’ordre suivant :
 DCB  Le bit de signe (le bit d’extrême gauche, bit de poids fort),
 L’entier de droite vers la gauche et on complète les cases vides
par des 0.
11 12
15/10/2019
S&VA : Exemples Remarques

 Soit à représenter l’entier signé 53 sur 16 bits selon la  La représentation interne d’un entier positif est identique à
convention S&VA : sa représentation comme entier non signé selon la
 Conversion : 53 = 35H = 1101012. convention signe et valeur absolue.
 0000 0000 0011 0101 = 0035H  Sur n bit,
 Soit à représenter l’entier -53 sur 16 bits selon la  le plus grand entier positif est 2n-1-1
convention S&VA :  le plus petit entier négatif est –(2n-1-1).
 1000 0000 0011 0101 = 8035H  La représentation en signe et valeur absolue présente
 Inversement, les valeurs décimales des entiers signés deux inconvénients :
représentés en interne selon la convention S&VA par:  Il existe un +0 et un -0.
 0002H est +2  Les circuits de calcul sont complexes.
 8003H est -3
13 14
Représentation en complément à 2
 Sur n bits, on peut représenter un entier positif dont la
valeur est comprise entre 0 et 2n-1.
Les entiers  Le complément d'un mot de n bits (noté A ) est obtenu
par le complément de chacun des n bits.
 Ainsi : A + A = 2 n − 1
 Signe et valeur absolue
 Nous pouvons encore écrire : − A = A + 1 − 2 n
 Complément à deux  Or sur n bits, l'entier 2n est égal à 0. Il est alors possible
 Représentation biaisée d’écrire un nombre entier négatif comme le
 DCB "Complément à 2" de sa valeur absolue :
− A = A + 1
15 16
15/10/2019
Représentation en complément à 2 C à 2 : Exemples

 Le complément à 2 ne concerne que les nombres négatifs s'effectue  Soit à représenter l’entier signé -53 sur 16 bits selon la
par complémentation de sa valeur absolue à 2n, où n est le nombre de convention C à 2 :
bits sur lequel est fait le codage.  Conversion : 53 = 35H = 1101012 soit 00000000001101012
 La représentation des nombres positifs est identique à la convention  C à 1 : 11111111110010102
S&VA. Le Cà2 ne prend sens qu’avec les nombres négatifs.  Ajout de 1 : 11111111110010112 soit FFCBH
 La représentation standard des nombres entiers est sur 16 bits en
 Inversement, les valeurs décimales des entiers signés
complément à 2 (le type int en C ou integer en Pascal).
représentés en interne selon la convention C à 2 par :
 N est compris entre -32768 et 32767.
 Certains langages offrent la possibilité de définir des entiers dits longs
 0002H est +2
autorisant une plage de valeurs plus large. Leur codage est généralement  8003H est :
effectué sur 32 bits (le type long int en C, le type longint en Pascal).  C à 1 de 8003H est 7FFCH
 Ajoute 1 : 7FFDH dont la valeur décimale est : 32765
 La valeur décimale de 8003H en c à 2 est : -32765
17 18
Remarques Avantages du cà2

 Sur n bit :  Transformer l’opération de soustraction en addition.
 le plus grand entier est 2n-1-1  Palier à l’inconvénient de la complexité des circuits
 le plus petit est –2n-1.  Avec un additionneur, on peut réaliser les quatre opérations
arithmétiques de base.
 Astuces pour retrouver le complément à 2 d’un nombre,
 la multiplication est une succession d’additions
 parcourir la suite binaire de droite à gauche jusqu'à
 la division est une succession de soustractions
rencontrer le premier élément à 1.
 A partir de ce bit, on complémente tous les bits à sa  Dans le cas des entiers codés en complément à 2, les
gauche. dépassements de capacité (ou overflows) ne sont plus du tout
liés à l'apparition d'un bit surnuméraire. En réalité, dans ce cas
 Il est plus astucieux de travailler en hexadécimal qu’en
très précis d'addition-soustraction d'entiers codés en
binaire : complément à 2, ils se produisent lorsque deux entiers de
 le complément à 1 dans la base 2 est égal au complément même signe donnent un résultat de signe opposé.
à F dans la base 16.
19 20
15/10/2019
Représentation biaisée
 En binaire, avec n+1 bits, nous pouvons représenter 2n+1 entiers
compris entre 0 et 2n+1-1.
Les entiers  Si nous soustrayons à chacun des nombres ainsi représentés la valeur
médiane de cet intervalle, soit 2n, nous obtenons des entiers signés
compris entre -2n et 2n-1.
 Cela correspond à la représentation biaisée ou décalée.
 Sur n+1 bits, le biais à soustraire est 2n :
 Complément à deux n
 Représentation biaisée A =  ak 2 k − 2 n
 DCB
k =0
21 22
Représentation biaisée … Représentation biaisée

 Sur 3 bits  La représentation biaisée est utilisée particulièrement pour
représenter les exposants dans la représentation des
 Biais = 4 réels en virgule flottante.
 La représentation biaisée inverse la convention du bit
 Valeur de signe % au complément à 2 :
 an = 0 pour les valeurs négatives
 an = 1 pour les valeurs positives ou nulles (en particulier, le bit de
signe du zéro est 1).
n −1
Représentée n
A =  a k 2k − 2n =  a k 2k − (1 − a n )2n

k =0 k =0
23 24
15/10/2019
Limites (sur n+1 bits, biais 2n) Représentation biaisée : Exemple

 Max : correspond à tous les ai à 1.  Soit à représenter l’entier signé 53 sur 16 bits selon la
n n représentation biaisée par rapport à 2 :
A =  ak 2k − 2n =  2 k − 2n = 2 n +1 − 2n − 1 = 2 n − 1  Sur 16 bits donne la médiane est : 2
k =0 k =0  53 + 2 = 0035H + 8000H = 8035H
 Soit à représenter l’entier signé -53 sur 16 bits selon la
 Min : correspond à tous les ai à 0. représentation biaisée par rapport à 2 :
n  2 -53 = 8000H – 0035H = 7FCBH
A =  a k 2 k − 2 n = −2 n  Inversement, les valeurs décimales des entiers signés
k =0 représentés en interne selon la convention biaisée par
rapport à 215 :
 0002H est un nombre négatif : 2 – 32768 = -32766
 8003H est un nombre positif : 8003H – 8000H = 3
25 26
Principe de base
 DCB (Décimal Codé Binaire) ou en Anglais BCD
(Binary Coded Decimal).
Les entiers  Chaque chiffre décimal est codé par sa conversion binaire
sur quatre bits.
 Utilisée dans les calculatrices de poche et les langages
dédiés à la gestion tel que COBOL.
 Complément à deux
 Permet de passer plus facilement du code usuel
 Représentation biaisée
(décimal) d'un nombre à sa représentation interne.
 DCB
27 28
15/10/2019
Exemple de IBM série 360 Avantages et inconvénients

 Dans ces machines, la représentation DCB a le format  Avantage : les opérations d'entrées-sorties sont
suivant : grandement facilitées (un caractère par digit).
dizaine de Centaines
Millions Centaine
milliers
Milliers Dizaine Unités Signe  Inconvénients :
de milliers
Octet 4 Octet 3 Octet 2 Octet 1  Traitement interne (opérations arithmétiques) en BCD est
plus complexe :
 Par convention, le signe + est codé par 11002 (soit C16) et  Pour l'addition par exemple, il faut ajouter 6 à chaque fois que le
le signe - par 11012 (soit D16). résultat est supérieur à 9.
 -497604 est codé en DCB 0497604D16  Obligation lors du traitement de séparer les unités du signe, les
 +847555 est codé en DCB 0847555C16. centaines des dizaines, etc.
 Pour prendre l'opposé d'un nombre, il suffit de rajouter 1 à

l'octet de poids faible.
29 30
Exemple d'opérations arithmétiques en

DCB. DCB Étendu
 En décimal, 15 + 18 = 33.  DCB étendu (ou unpacked, étalé ou non compacté,
15 1111 Extended BCD, noté E-BCD).
 Coder un digit sur un octet où les quatre bits de gauche (dits bits
+ 18 + 10010 de zone) ne servent à rien.
= 33 = 100001 (33)  Signe : la partie zone de l'octet le moins significatif.
 En DCB, si le résultat est supérieur à 9, il faut rajouter 6 (on dit  31 en BCD étendu est présentée par :
qu’il faut l'ajuster).
Octet 1 Octet 2
0001 0101
0000 0011 0000 0001
+ 0001 1000
= 0010 1101 (>9)
 Avantage - remédier à l’inconvénient de la représentation
en BCD : éviter la séparation.
+ 0110 (+6)
 Inconvénients : Doubler la taille de la mémoire nécessaire
= 0011 0011 (=33)
31 32
15/10/2019
Additionneur DCB PLAN
A3 B3 A2 B2 A1 B1 A0 B0 Représentation interne des entiers

FA FA FA FA
8 4 2 1
Représentation interne des réels
Représentation interne des caractères

0
HA HA HA
Informations multimédias
S3 S2 S1 S0 Exercices d’application
Cout
10/10/2019
33 34

 Deux approches :
Représentation en virgule fixe : pratiquement inutilisée

 Représentation en virgule flottante : Les Réels

 Plus intéressante
 Plus utilisée  Représentation en virgule fixe
 Norme IEEE 754 utilisée dans la majorité des processeurs actuels  Représentation en virgule flottante
 Norme IEEE 754
 La représentation du processeur VAX
35 36
15/10/2019
Principe de base
 Pour le codage des entiers, on attribue un poids 1 au bit
de poids le plus faible. Si nous lui attribuons un poids 2-m,
Les Réels avec n bits nous pouvons écrire
n −1 :
n −1 a k 2k
A
 Représentation en virgule fixe F = ak 2 k −m
= k =0
=
k =0 2m 2m
 Représentation en virgule flottante
 Deux parties :
 Norme IEEE 754
 Les m bits de poids faibles représentent la partie décimale du
 La représentation du processeur VAX nombre
 les n-m bits de poids forts sa partie entière.
 La position de la virgule est fixée par le choix de m.
 C’est aussi applicable aux représentations signées.
37 38
Exemple Inconvénients et Limites

 Soit les conventions de représentations en virgule fixe  Convenir une fois pour toute d'une position immuable
suivante (n=16 – m = 8) : (constante-permanente) et tacite (implicite) de la virgule,
15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0 d’où l'appellation VIRGULE FIXE (Fixed Point)
SR  La réalisation des opérations ne sont pas faciles.
Partie entière Partie décimale
 Si n est le nombre total de bits et m est le nombre de bits
Représentation interne : Inversement : de partie décimale, en valeur absolue,
• 20.375 • 0380H  la plus petite valeur (en valeur absolue) représentée correspond à
•= 10100.0112 •3.5 2-m, (c’est la valeur la plus précise)
•1460H •FD00H  la plus grande à : 2n-1-m – 2-m,
• - 0.375 •-125  soit une gamme dynamique (rapport entre ces deux valeurs
• = - 0.0112 extrêmes) de 2n-1-1.
• 8060H
39 40
15/10/2019
Principe de base
 Dite aussi représentation scientifique (Floating Point)
Principe : on utilise la notation exponentielle :
Les Réels 
A = ± M BE
 Représentation en virgule fixe  B : la base
 M est la mantisse
 Représentation en virgule flottante
 E est l'exposant
 Norme IEEE 754
 Mantisse est normalisée selon l’une de deux formes
 La représentation du processeur VAX suivantes :
 B-1 ≤ M < 1
 1≤M<B
 Le codage revient à évaluer Signe, Mantisse, Exposant.
41 42
Cas de la base 2 Bit caché : Hidden bit

 Signe : 0 pour positif et 1 pour négatif.  Normalisation : 0.1XXX ou 1.XXX
 Mantisse :  pas besoin de le faire apparaître dans la représentation.
 Permet de gagner un bit (au niveau de la précision).
 déterminé par normalisation (0.1XXX ou 1.XXX).
 Cette normalisation impose des décalages par multiplication ou  La représentation du zéro dévient impossible :
division par 2.  Solution : définir une configuration interdite de la mantisse ou
de l’exposant (tous les bits à 0 ou à 1).
 La compensation de ces décalages fixe la valeur finale de
l’exposant.  Il faut aussi définir une configuration interdite pour
une infinité positive ou négative ou une valeur non
 Exposant : un entier signé
 Signe et valeur absolue,
numérique (NaN : Not a Number, NAV : Not a Value).
 Complément à 2,  Ces configurations interdites doivent généralement être
 Représentation biaisée. l’une des valeurs limites : la plus petite ou la plus grande.
43 44
15/10/2019
Remarques Comparaison virgule fixe et flottante

 Précision et grandeurs des réels :
 plus on alloue de bits au champ Mantisse et plus on gagne en
précision
 plus on alloue de bits à l’exposant et plus on aura des réels
infiniment petits et des réels infiniment grands.
 Double précision :
 Doubler la taille globale
 Augmenter les tailles des champs mantisse et exposant
 De par le nombre fixe de bits que l'ordinateur accorde à la
représentation des nombres, des approximations sont
inévitables
 troncature,
http://www.arcanapercipio.com/lessons/codage_binaire_des_nombres/...
 arrondi,
 ... La figure montre les différentes valeurs codables en virgule fixe (en haut) et en
virgule flottante (en bas). On remarque la plage plus importante de valeurs pour la
convention virgule flottante.
Khaled Hassine 45 10/10/2019 Khaled Hassine 46

10/10/2019
45 46
Les limites Exemple

 Maximum positif (Minimum négatif) :  Conventions de représentation en virgule flottante (n=16)
 Signe à 0 (à 1) :
 Maximiser la mantisse (tous les bits à 1 outre les configurations
interdites) 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0
 Maximiser l’exposant (la plus grande valeur positive de l’exposant SM SE
outre les configurations interdites)
 Minimum positif (Maximum négatif) : S E M
Exposant (c à 2) Mantisse (normalisée : 0.1XXXX)
 Signe à 0 (à 1)
0111111 représente le 0 absolue
 Minimiser la mantisse (tous les bits à 0 outre les configurations Avec bit caché
1000000 représenté NaN
interdites) Approximation: troncature
 Minimiser l’exposant (la plus petite valeur négative de l’exposant outre
les configurations interdites)
 Attention aux configurations interdites
R = ( − 1 ) S
× 0 .1 M × 2 E
47 48
15/10/2019
Représentation interne Représentation interne

 20.375  -0.375
 20.375 = 10100.0112  0.375 = 0.0112
 Normalisation : 0.101000112 25  Normalisation : 0.112 2-1
 S Re = + S =0  S Re = −  S Re p = 1
 
 M Re = 0.10100011  M Re p = 01000112
 M Re = 0.112  M Re p = 12
E = 5  ERe p = 1012  E = −1
 Re  Re  ERe p = 11111112
15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0
0 0 0 0 0 1 0 1 0 1 0 0 0 1 1 0 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0
Exposant (c à 2) Mantisse Exposant (c à 2) Mantisse
0546H est la représentation interne de 20.375 FF80H est la représentation interne de -0.375
49 50
Valeur à partir d’une représentation Valeur à partir d’une représentation

interne interne
 0380H  FD00H
15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0
0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 1 1 1 1 1 1 0 1 1 0 0 0 0 0 0 0
 S Re p = 0  S Re = +  S Re p = 1  S Re = −
 
 M Re p = 12  M Re = 0.112
 M Re p = 0 2  M Re = 0.12

 ERe p = 112  ERe = 3 
 ERe p = 11111012  ERe = −3
R = +0.112 x 23 R = - 0.12 x 2-3
0380H est la représentation interne de 6 FD00H est la représentation interne de -2-4
51 52
15/10/2019
Limites : Maximum positif Limites : Minimum négatif

 Maximiser la mantisse et l’exposant  Maximiser la mantisse et l’exposant et signe à 1
15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0
0 0 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 0 1 1 1 1 1 1 1 1
SRe p = 0  SRe = + SRe p = 1  SRe = −

 
MRe p = 111111112  MRe = 0.1111111112 MRe p = 111111112  MRe = 0.1111111112
E = 0111110 E = 0111110  ERe = 62
 Re p 2  ERe = 62  Re p 2
3EFFH est la représentation du maximum positif BEFFH est la représentation du minimum négatif
Max+ = +0.1111111112 x 262=262(1-2-9) Max+ = -0.1111111112 x 262=-262(1-2-9)
53 54
Limites : Minimum positif Limites : Maximum négatif

 Minimiser la mantisse et l’exposant  Minimiser la mantisse et l’exposant et signe à 1
15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0
0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0
SRe p = 0  SRe = + SRe p = 1  SRe = −

 
MRe p = 02  MRe = 0.12 MRe p = 02  MRe = 0.12
E = 1000001  E = −63 E = 1000001  E = −63
 Re p 2 Re  Re p 2 Re
4100H est la représentation du minimum positif C100H est la représentation du maximum négatif
Min+ = +0.12 x 2-63=2-64 Max- = -0.12 x 2-63=2-64
55 56
15/10/2019
Opérations arithmétiques en virgule

flottante
 Multiplication (Division) en virgule flottante :
additionner (soustraire) les exposants,
Les Réels

 multiplier (diviser) les mantisses (avec détermination de signe)

 normaliser le résultat.
 Addition (Soustraction) en virgule flottante : exige que les  Représentation en virgule fixe
exposants aient la même valeur :  Représentation en virgule flottante
Aligner les exposants : décaler la mantisse du plus petit nombre à
 Norme IEEE 754

droite de [exposant 1 - exposant 2].

 Additionner (soustraire) les mantisses avec détermination du signe  La représentation du processeur VAX
 normalisation.
 Ces opérations sont confiées à une unité spécialisée appelée
coprocesseur arithmétique (Floating Point Unit).
57 58
Présentation générale Présentation générale

 IEEE : Institute of Electrical and Electronic Engineers
 Définit deux formats normalisés de codage des réels. Format Simple précision Double précision
Taille totale 32 bits (4 octets) 64 bits (8 octets)
 Simple précision (single precision)
Taille de l'exposant 8 bits 11 bits
 Double précision (double precision)
Taille de la mantisse (sans le bit caché) 23 bits 52 bits
Plus grand entier codable (en valeur absolue) 3,4 1038 1.8 10308
Plus petit entier codable (en valeur absolue) 1.2 10-38 2.2 10-308
Précision approximative 10-7 10-15
Type de variable correspondante en langage C "float" "double"

10/10/2019
59 60
15/10/2019
Les arrondis de la norme IEEE 754 Les arrondis dans la norme IEEE 754
 Arrondi vers +∞, noté Δ(x), retourne pour tout réel x le
plus petit réel machine supérieur ou égal à x. C’est un
arrondi par excès en bonne et due forme.
 Arrondi vers -∞, noté ∇(x), retourne pour tout réel x le
plus petit réel machine inférieur ou égal à x. C’est un
arrondi par défaut,
 Arrondi vers zéro, noté Ζ(x), retourne Δ(x) pour les
réels négatifs et ∇(x) pour les réels positifs.
 Arrondi au plus près, noté o(x), retourne le réel
machine le plus proche du réel à coder.
61 62
Norme IEEE 754 – simple

précision Conventions de la norme IEEE-754
 Un nombre réel en simple précision est représenté en virgule flottante
Exposant E7-E0 sur 32 bits :
Biaisée % 127 Mantisse M22-M0  Exposant :
S  les bits 23 à 30 (les 8 bits E0 à E7).
Exposant nul : 0 Normalisée : 1.XXXX avec bit caché  Il est biaisé par rapport à 127.
Exposant à 1 : NaN  Mantisse
 23 bits de 0 à 22 (M0 à M22).
 La mantisse est normalisée sous la forme 1.xxx… (Le 1 est le bit caché).
 Le bit 31 (noté S) est le bit de signe de la mantisse (du réel).
 Le zéro ne peut pas être représenté, il correspond à une configuration où
l'exposant est nul.
 Un réel avec tous les exposants à 1 correspond à une infinité positive ou
négative ou valeur non numérique (NaN value, Not a Number Value).
 La valeur du nombre ainsi codé est calculée comme suit :
Valeur = (-1)Signe * 2Exposant - 127 * 1.Mantisse.
63 64
15/10/2019
Exemple Représentation interne : 16.875

 Donner la représentation interne selon la norme IEEE-754  16.875 = 10000.1112
des réels suivants :  Normalisation : 1.00001112 24
 16.875 ;
0.5 ; SRe = + S = 0


 1; MRe =1.0000111  MRe p = 00001112

-1 ; 
ERe = 4  ERe p = 4 +127 =100000112

 256.
 Préciser toutes les étapes qui amènent au résultat et le
représenter à la fin en hexadécimale. 41870000H est la représentation interne de
16.875
65 66
Représentation interne : 0.5 Représentation interne : 1

 0.5 = 0.12  1 = 12
 Normalisation : 1.02 2-1  Normalisation : 1.02 20
SRe = + S = 0 SRe = + S = 0
 
MRe =1.0  MRe p = 02 MRe =1.0  MRe p = 02
E = −1  ERe p = −1+127 = 011111102 E = 0  ERe p =127 = 011111112
 Re  Re
3F000000H est la représentation interne de 0.5 3F800000H est la représentation interne de 1
BF800000H est la représentation interne de -1
67 68
15/10/2019
Représentation interne : 256 Représentation interne : récapitulatif

 256 = 1000000002
Réel dans la base 10 Forme binaire Forme hexadécimale
 Normalisation : 1.02 28
1 0 0111 1111 0000 0000 0000 00...0 3F80 0000H
SRe = + S = 0
 256 0 1000 0111 0000 0000 0000 00...0 4380 0000H
MRe =1.0  MRe p = 02
-1 1 0111 1111 0000 0000 0000 00...0 BF80 0000H
E = 8  ERe p =127 + 8 =100001112
 Re 0.5 0 0111 1110 0000 0000 0000 00...0 3F00 0000H
43800000H est la représentation interne de 256 96.875 0 1000 0101 1000 0011 1000 00...0 42C1 C000H
-544.0625 1 1000 1000 0001 0000 0000 10...0 C408 0400H
16.875 0 1000 0011 0000 0111 0000 00...0 4187 0000H
69 70
Exemple Valeur de R1 : C0400000H

 Donner les valeurs décimales de deux réels représentés en  1100 0000 0100 0000 0000 0000 0000 0000
interne selon les conventions citées ci-dessus
respectivement par : SRe p = 1 SRe = −
 
 C0400000H MRe p =12  MRe =1.12
C3800000H. E =128 
ERe =128 −127 =1

 Re p
R1 = −1.12 ×21 = −112 = −3
71 72
15/10/2019
Valeur de R2 : C3800000H Exemple

 1100 0011 1000 0000 0000 0000 0000 0000  Calculer :
 la somme S,
 la différence D,
SRe p =1 SRe = −  le produit P,
 
MRe p = 02  MRe =1.02  le quotient Q
E =10000111 E =135 −127 = 8  de deux réels trouvés et représenter le résultat selon les
 Re p 2  Re conventions indiquées.
 Donner le résultat en hexadécimale.
R2 = −12 ×28 = −256
73 74
Calcul de la somme : S = R1 + R2 Calcul de la différence : D = R1 - R2
R1 = −1.12 × 21 = −0.000000112 × 28 R1 = −1.12 × 21 = −0.000000112 × 28
S = R1+ R2 = −(0.000000112 +1.02 ) ×28 = S = R1− R2 = (−0.000000112 +1.02 ) × 28 =
= −1.000000112 ×28 = 0.111111012 ×28 =1.11111012 ×27

SRe = − SRe p =1 SRe = + SRe p = 0
   
MRe =1.00000112  MRe p = 000000112 MRe =1.11111012  MRe p =11111012
E = 7  E = 7 
 Re ERe p =127 + 7 =134 =100001102  Re ERe p =127 + 7 =134 =100001102
C3818000H est la représentation interne de S 437D0000H est la représentation interne de D
75 76
15/10/2019
Calcul de la différence : D’ = R2 – R1 Calcul du Produit : P = R1 x R2
R1 = −1.12 × 21 = −0.000000112 × 28
R1× R2 = (−1)1 ×1.12 × 21 × (−1)1 ×1.02 × 28 = (−1)0 ×1.12 × 29
S = R1− R2 = (+0.000000112 −1.02 ) × 2 = 8
= −0.111111012 ×28 = −1.11111012 × 27 SRe = + SRe p = 0

 
SRe = − SRe p =1 MRe =1.12  MRe p =12
  E = 9 
MRe =1.11111012  MRe p =11111012  Re ERe p =127 + 9 =136 =100010002
E = 7 
 Re ERe p =127 + 7 =134 =100001102
Le produit P est représenté par 44400000H
C37D0000H est la représentation interne de D’
77 78
Limites : Maximum positif/Minimum

Calcul du Quotient : Q = R1 / R2 Négatif
 Maximiser la mantisse et l’exposant en évitant les
R1 (−1)1 ×1.12 × 21 représentations interdites
= = (−1)0 ×1.12 × 2−7
R2 (−1) ×1.02 × 2
1 8
SRe p = 0  SRe = +

SRe = + SRe p = 0 M Re p = 111L112  M Re = 1.11L112 = 2 − 223
   E = 11111110
MRe =1.12  MRe p =12  Re p 2  ERe = 254 − 127 = 127
E = −7 
ERe p =127 − 7 =120 = 011110002
 Re 7F7FFFFFH est la représentation du maximum positif
Max+ = +1.111…112 x 2127=2127(2-2-23)
Le quotient Q est représenté par 3C400000H
FF7FFFFFH est la représentation du minimum négatif
Min- = -2127(2-2-23)
79 80
15/10/2019
Limites : Minimum positif/Maximum

Négatif Limites : Récapitulatif
 Minimiser la mantisse et l’exposant en évitant les
représentations interdites Représentation Hexadécimale Valeur décimale (2x)
Plus grand nombre

0 1111 1110 11....1 = 7F7FFFFFH (2 - 223) 2127
SRe p = 0  SRe = + positif

M Re p = 000L 002  M Re = 1.00L 002 = 1 Plus petit nombre positif 0 0000 0001 00....0 = 00800000H 2-126
 E = 00000001  ERe = 1 − 127 = −126 Plus grand nombre

 Re p 2
négatif
1 0000 0001 00....0 = 80800000H - 2-126
00800000H est la représentation du minimum positif
Min+ = +1.02 x 2-126=2-126 Plus petit nombre négatif 1 1111 1110 11....1 = FF7FFFFFH -(2 - 223 ) 2127
80800000H est la représentation du maximum négatif

Max- = -2-126
81 82
Exercice (extrait d’un examen) Solution : 35.1

 Donner la représentation interne de 35.1 selon la norme  Conversion en binaire :  35.110 =
IEEE 754. 1.000110(0011)2 x 25
0.1 x 2 = 0.2
 Donner les valeurs décimales de deux réels représentés en
interne selon la norme IEEE 754 respectivement par :
0
 43800000H 0.2 x 2 = 0.4
 BF000000H 0
 Calculer le produit de deux réels précédents et représenter 0.4 x 2 = 0.8 0
le résultat selon les conventions citées. Le résultat final
doit être donné en hexadécimale. 0.8 x 2 = 1.6 1
0.6 x 2 = 1.2 1
0.2 ….
83 84
15/10/2019
Valeur d’une représentation interne :

Solution : 35.1 43800000H
SRe p = 0  SRe = +
SRe = + S = 0 
MRe p = 02  MRe = 1.02
 E = 1000111
MRe =1.000110(0011)2  MRe p = 000110(0011)2
 Re p 2  ERe = 135 −127 = 8

ERe = 5  ERe p = 5 +127 =100001002
420C6666H est la représentation R1 = (−1)0 ×1.02 × 28 = 256

interne de 35.1

10/10/2019
85 86
Valeur d’une représentation inetrne :

BF000000H Représentation du produit
SRe p = 1  SRe = − R1 × R2 = (−1)0 ×1.02 × 28 (−1)1 ×1.02 × 2−1 =


MRe p = 02  MRe = 1.02 = (−1)1 ×12 × 27
E = 01111110  ERe = 126 −127 = −1
 Re p 2 SRe = −  SRe p = 1

MRe =1.02  MRe = 02
E = 7  ERe = 134 = 100001102
R2 = (−1)1 ×1.02 × 2−1 = −0.5  Re
Le produit est représenté par C3000000H
87 88
15/10/2019
Principe d e représentation
Poids fort de la
Poids faible de la mantisse S Exposant
mantisse
Les Réels
 La valeur du nombre ainsi codé est :
 Représentation en virgule fixe Valeur = (-1)Signe * 2(Exposant - 128) * 0.1Mantisse.
 Représentation en virgule flottante  où
 Exposant est codée en représentation biaisée par rapport à 128,
 Norme IEEE 754
 Signe est le bit de signe
 La représentation du processeur VAX  Mantisse est l'association du poids fort puis du poids faible de la mantisse.
 La normalisation se fait sous la forme 0.1... Le premier bit après la
virgule est le bit caché.
89 90
PLAN
Représentation interne : 16.875
 16.875 = 10000.1112
Représentation interne des entiers
 Normalisation : 0.100001112 25
SRe = + S = 0 Représentation interne des réels


MRe =1.0000111  MRe p = 00001112
 Représentation interne des caractères
ERe = 5  ERe p = 5 +128 =100001012
00004287H est la représentation interne de
16.875 Exercices d’application
91 92
15/10/2019
Le code ASCII : American Standard Représentation interne des caractères : le

Code for Information Interchange code ASCII
 Proposé par ANSI : American National Standard Institute
 Utilise 7 bits pour le caractère et un 8ème bit pour le contrôle de parité.
 Les lettres sont rangées dans l'ordre alphabétique :
 les majuscules à partir de 41H puis les minuscules à partir de 61H
 Pour passer du majuscule au minuscule, il suffit d'ajouter 20H. Ceci correspond à une
inversion du bit 5.
 Les chiffres sont rangés dans l'ordre croissant (à partir de 30H) et les
4 bits de poids faibles définissent la valeur en binaire du chiffre.
 Les deux premières colonnes (les codes 0 à 1FH) sont réservées aux
caractères de contrôle
 Des commandes vers les terminaux, la fin de transmission, la fin d'un fichier, etc.
 Le caractère de code 7, noté BEL, correspond à la sonnerie d'un terminal.
93 94
Exemple Exercice
 Donner le texte représenté en interne selon le code ASCII  Donner le texte représenté en interne selon le code ASCII
(tableau suivant) par la séquence hexadécimale : (tableau suivant) par la séquence hexadécimale qui
42H 72H 61H 76H 6FH 20H 21H 21H représente un proverbe français :
Bravo !!  54 65 73 20 65 72 72 65 75 72 73 20 64 65 76 72
 Représenter en ASCII : 61 69 65 6E 74 20 C3 AA 74 72 65 20 74 61 20 6D
LARI 1 - Fsg 2012-2013 6F 74 69 76 61 74 69 6F 6E 20 65 74 20 6E 6F 6E 20
4CH 41H 52H 49H 20H 31H 20H 2DH 20H 46H 73H 74 65 73 20 65 78 63 75 73 65 73 20 21 21 21
67H 20H 32H 30H 31H 32H 2DH 32H 30H 31H 33H  Tes erreurs devraient être ta motivation et non tes
LFSI 1 - Fsg 2013-2014 excuses !!!
4CH 46H 53H 49H 20H 31H 20H 2DH 20H 46H 73H
67H 20H 32H 30H 31H 33H 2DH 32H 30H 31H 34H
95 96
15/10/2019
Exercice - Donner la codage ASCII des Exercice - Donner la chaîne associée à

chaînes suivantes : chacun des codes suivants :
 'PARIS 13’  F9 :
 5041524953  Pas de sens
 '+128’  FFFF :
 2B313238  pas de sens
 '-255’  445554 :
 2D323535  DUT
 3439 :
 49
 4F5546 :
 OUF
97 98
0H 10H 20H 30H 40H 50H 60H 70H 80H

0H ► Espace 0 @ P ` p €
1H ☺ ◄ ! 1 A Q a q PLAN
2H ☻ ↕ " 2 B R b r é
3H ♥ ‼ # 3 C S c s â
4H ♦ ¶ $ 4 D T d t Représentation interne des entiers
5H ♣ § % 5 E U e u à
6H ♠ ▬ & 6 F V f v
7H • ↨ ' 7 G W g w ç Représentation interne des réels
8H ◘ ↑ ( 8 H X h x ê
9H ○ ↓ ) 9 I Y i y ë
AH ◙ → * : J Z j z è
BH ♂ ← + ; K [ k { ï
CH ♀ ∟ , < L \ l | î Informations multimédias
DH ♪ ↔ - = M ] m }
EH ♫ ▲ . > N ^ n ~
FH ☼ ▼ / ? O _ o Exercices d’application
99 100
15/10/2019
Origine du Multimédia Origine du Multimédia …

 À l’origine « Multimédia » est un adjectif qui appartient au  Le multimédia est devenue un nom vers la fin des années
vocabulaire de la publicité. 1980, lorsque les supports de stockage optique se
 Une « compagne multimédia » désigne le recours sont développés comme les CD-ROM.
complémentaires à plusieurs médias (presse écrite,  Il désignait alors les applications qui, grâce à la mémoire
affiches, radio et télévision) pour assurer la promotion du CD et aux capacités de l'ordinateur, pouvaient générer,
auprès du grand public d’un nouveau produit, d’un utiliser ou piloter différents médias simultanément :
événement culturel, politique, etc.  texte,
 Origine latine du mot « Multimédia » :  audio : *musique, *voix, *séquence sonore, …
 multus (latin) = pluralité  image : *image fixe ou animée, *graphique,
 media (latin, sing. medium) = milieu  vidéo : *audiovisuel, *séquence mixte, *montage,
101 102
Définition : Multimédia Composantes multimdias

 Assemblage des technologies destinées à gérer les
données, le son et l'image sur un même support ; Données informatiques
 Ensemble de techniques permettant d'utiliser des
informations de type texte, image fixe, image animée et Textes graphiques
son sur un même support ;
 Caractérise un système de traitement, un ordinateur, un MULTIMEDIA
logiciel, etc., permettant l'exploitation simultanée de
données numériques, de textes, d'images fixes ou
Sons vidéos photos
animées, de sons.

10/10/2019
103 104
15/10/2019
Chaine d’exploitation des objets

Théorème d'échantillonnage de Nyquist-
multimédias Shannon
 Le théorème d'échantillonnage de Nyquist-Shannon,
échantillonnage nommé d'après Harry Nyquist et Claude Shannon, énonce
numérisation restitution que pour permettre la reconstitution d'un signal, la
analogique fréquence d'échantillonnage d'une forme discrète
codage
(discontinue dans le temps) de représentation doit être
compression décodage
supérieure au double de la fréquence maximale contenue
décompression distribution dans ce signal afin d'éviter le phénomène de repliement
protection de spectre. Ce théorème est notamment à la base de
reproduction la conversion analogique-numérique des signaux.
Sélection  Si on veut utiliser un signal échantillonné, il faut s'assurer
Traitement que l'ensemble des échantillons permettent de conserver
la majeure partie de l'information du signal analogique
d'origine.
10/10/2019
105 106
Numérisation du signal :
Dispositif de numérisation échantillonnage temporel du signal
t continue
x(t) continue
x(n)
• Scanner à plat t continue
x(t) discrète
• Scanner à diapos & négatifs 4
Codage
3 2bits=4niveaux
• Copieur multifonctions
2 3bits=8niveaux
8bits=256
1
t 16bits=65448
0
Erreurs = bruit de quantification
107 108
15/10/2019
Numérisation du signal : théorème de

shannon Numérisation du signal : résumé
 Exemple d ’une sinusoïde de fréquence fo  Théorème de shannon:
 Shannon : Fe>2fo, ie, il faut au minimum 2 échantillons  fréquence d ’échantillonnage minimum à respecter pour éviter un
par période repliement de spectre et perdre de l ’information.
 Quantification:
 introduit un bruit de quantification. Important d ’en tenir compte
1
quand le codage est à faible nombre de bits
0 . 8
0 . 6
 analyseur spectraux du commerce. 16 bits et plus.
0 . 4
0 . 2
-0 . 2
-0 . 4
-0 . 6
-0 . 8
-1
0 5 0 1 0 0 1 5 0 2 0 0 2 5 0 3 0 0 3 5 0 4 0 0
109 110
Échantillonnage/Codage Compresser
Le passage d'un signal analogique à un signal numérique se fait via

une conversion analogique - numérique, par échantillonnage (prises des valeurs  La numérisation des données génère d’énormes fichiers
du signal analogique à intervalles de temps constants) et par quantification de qui occupent beaucoup de place en mémoire et exigent
chacune des valeurs échantillonnées. Dit autrement : à chaque top d'horloge
(selon une fréquence choisie), on mesure la valeur du signal analogique (par pour leur transport en un temps acceptable des débits que
exemple les volts issus d'un micro ou d'une tête de lecture de disque vinyle) et on
lui donne une valeur numérique. la plupart des réseaux ne peuvent offrir.
 Par exemple pour les CD (disques compacts audio), la fréquence est fixée à 44,1
kilohertz, la valeur numérique est codée sur 16 bits et prend donc une valeur  Exemples :
entière entre -32 768 et +32 767.
 Pour connaître la qualité numérique d'un enregistrement, il faut connaître ces deux
 1 page moyenne de texte (en ASCII) représente 2 à 3 Ko.
valeurs : la fréquence d'échantillonnage et le nombre de bits. Une fréquence trop  1 image bitmap (640 x 480 pixels et 24 bits/pixel) occupe 900 Ko.
faible coupera tous les aigus, un codage sur trop peu de bits diminuera la
« finesse » de l'enregistrement. Tout dépend de l'utilisation a posteriori du signal  1 séquence vidéo d’ 1 seconde (soit 25 images/s) occupe ~22 Mo.
(musique, dictaphone, radio, etc.). On peut faire un parallèle avec les images
numériques, la fréquence s'approchant de la résolution et le nombre de bits du  Nécessité de compresser les données
nombre de couleurs possibles ; la taille de l'image en pixel se rapprochant de la
longueur du morceau enregistré.
111 112
15/10/2019
Résumé
Types d’images
Image compressée
Image couleur  Images matricielles
Prétraitement Transformation
Quantification Codage
 Images vectorielles
de l’image de l’image
Transformée en couleur DWT QV Huffman

vers l’espace YCrCb
113 114
Image vectorielle Exemple

 Le principe des images vectorielles est de représenter les
données de l’image à l’aide de formules mathématiques. Cela
permet alors d’agrandir l’image indéfiniment sans perte de
qualité et d’obtenir un faible encombrement.
 Par exemple pour décrire un cercle dans une image il suffit de
noter la position de son centre et la valeur de son rayon plutôt
que l’ensemble des points de son contour. Ce type est
généralement obtenu à partir d’une image de synthèse créée
par logiciel (exemple : Autocad) et non pas à partir d’un objet
réel.
 Ce type est donc particulièrement adapté pour le travail de
redimensionnement d’images, la cartographie ou l’infographie.
 Chaque objet graphique est créé à partir d’une définition
géométrique des formes (lignes, cercles, courbes )
 Les images vectoriels nécessite moins d’espace de stockage
115 116
15/10/2019
L’image Matricielle (Bitmap) Formats usuels des images

 L ’image est constituée d’une mosaïque de points (pixels)
Compression Nombre Affichage
identifiés par leur position et leur couleur. Format Type
données couleurs progressif
Usage
 Chaque image numérique est constituée d’un nombre BMP matriciel non
de 2 à 16
non
Image non dégradée ;
donné de lignes. Chaque ligne comporte un nombre de millions Taille fichier importante.
point donnés. L’ensemble constitue une matrice. Ces Taux de compression
points sont dénommés pixel (de l’anglais picture element JPG Matriciel oui 16 millions oui réglable ;
et noté souvent px). Chaque « case » de cette matrice Perte de qualité.
De 2 à 256 Pas de perte de qualité ;
contient des nombres caractéristiques à la couleur GIF Matriciel oui oui
couleurs Usage pour Internet.
attribuée au pixel.
TIFF Matriciel oui 16 millions non Pas d’usage Internet
 Ce type d’image est adapté à l’affichage sur écran mais de 2 à 16 Recommandé pour
peu adapté pour l’impression (72 à 150 ppp ) ou pour la PNG Matriciel oui
millions
Oui
Internet
transmission sur le web. SVG Vectoriel oui 16 millions non
Usage cartographie,
animations

10/10/2019
117 118
Résolution Taille de l’image

 La résolution d’une image est définie par le nombre de pixels  La résolution de l’image influe directement sur la taille du fichier
par unité de longueur. Usuellement, on compte le nombre de de sauvegarde de celle-ci. Par exemple, dans le cadre de la
pixels par pouce (1 pouce = 2,54 cm, noté ppp ou dpi) ou par télévision, on a :
centimètre. Dans notre exemple, nous avons 180 ppp soit 70  la télévision à définition standard SD 576 a 768 pixels par ligne
points/cm. et 576 lignes par image soit un total de 442 368 pixels par
 Plus le nombre de pixels par unité de longueur est élevé, plus la image ;
quantité d’information décrivant l’objet est importante donc la  la télévision haute définition HD 1080 a 1920 pixels par ligne et
résolution est grande. Son corolaire est une taille de fichier de 1080 lignes par image, soit un total de 2 073 600 pixels par
plus importante. image.
 Ce paramètre est défini souvent lors de l’acquisition de l’image  Ainsi si la résolution est environ multipliée par 2, les nombre de
(réglage de l’appareil photo, résolution du logiciel du scanner…) pixels l’est par 4 (structure bidimensionnelle de l’image) ce qui
ou ultérieurement dans les logiciels de traitement d’image. peut engendrer un temps de traitement plus long. Il faut donc
 La publication d’image sur Internet correspond souvent à une trouver un compromis entre la qualité attendue de l’image en
résolution de 90 ppp et dans la presse écrite de 150 ppp. termes de résolution et la taille de son fichier de sauvegarde.
119 120
15/10/2019
Image noir et blanc

Codages des couleurs
 Nous l’avons vu une image apparait comme une matrice  Le noir et blanc est le plus
où chaque case contient des nombres associés à une simple. Le contenu de
chaque case de la matrice est
couleur. Usuellement on distingue 3 grands types de soit un 0 (noir) soit 1 (blanc).
couleurs pour une image numérique : Le nombre de couleurs n’est
que de 2 et le rendu de
 Le noir et blanc ; l’image le moins performant
 Les niveaux de gris ; mais parfois suffisant dans le
 La couleur. cadre par exemple de
documents scripturaux.
 Ces types sont généralement à choisir lors d’une  La taille du fichier obtenu,
numérisation par scanner ou lors de la configuration d’un avec la même résolution
(507x676) que celle de
appareil photographique. l’image initiale, est de 42,3
ko (au lieu de 980 ko !).
121 122
Exemples
Niveaux de gris
 Le codage dit en niveaux de gris permet d’obtenir plus de Image 'fleur' 256 niveaux Image 'fleur' 16 niveaux de
nuances que le simple noir et blanc. Il offre des de gris (taille : 336 ko) gris (taille : 170 ko)
possibilités supplémentaires pour coder le niveau de
l’intensité lumineuse. La couleur est codée souvent sur un
octet soit 8 bits ce qui offre la possibilité d’obtenir 256
niveau de gris (0 pour le noir et 255 pour le blanc). On
peut aussi le faire avec 16 niveaux de gris (4 bits).
 Plus le niveau de gris est élevé, meilleur est la distinction
des détails sur l’image. L’usage de ce codage est utilisé
fréquemment pour la presse écrite ou l’envoi par
messagerie électronique de fichier d’image de taille réduite
avec une perte de lisibilité de l’image moindre.
123 124
15/10/2019
Image couleur : codage RVB RVB

 La couleur d’un pixel est obtenue par le mélange de ROUGE VERT BLEU COULEUR
couleurs fondamentales.
0 0 0 NOIR
 Le principe consiste à mélanger les 3 couleurs : rouge,
vert et bleu (noté RVB ou RGB en anglais). A l’aide de ces 0 0 1 NUANCE DE NOIR
3 couleurs, on obtient toute une palette de nuances allant 255 0 0 ROUGE
du noir au blanc. A chaque couleur est associé un octet
(donc 256 niveaux de luminosité) de chacune des couleurs 0 255 0 VERT
fondamentales. 0 0 255 BLEU
128 128 128 GRIS
255 255 255 BLANC

10/10/2019
125 126
Pixellisation PLAN
La pixellisation d’une image, Représentation interne des entiers

appelée aussi définition, est le
nombre de points la composant.
Ainsi, toute image est constituée de
la juxtaposition de points.
Exercices d’application

10/10/2019
127 128
15/10/2019
Représentation interne des entiers Valeur des représentations internes

 Donner la représentation interne des nombres suivants sur  Donner les valeurs (dans la base 10) correspondantes aux
16 bits, quand cela est possible, selon la convention en représentations internes des entiers de la première
complément à 2. Donner la réponse dans le tableau ci- colonne données dans le cas de la représentation en
dessous en hexadécimal. complément à 2.
Base 10 Complément à 2 Représentation interne Complément à 2
58
FFFFH
-2
0041H
-32
8000H
32768
-32768 9100H
95000 A001H
700FH
129 130
Représentation interne des réels : Norme

IEEE 754. Norme IEEE 754
 Un nombre réel en simple précision est représenté en virgule flottante  La figure suivante résume les conventions précédemment
selon la norme IEEE-754 (Institute of Electrical and Electronics décrites :
Engineers) sur 32 bits selon les conventions suivantes :
 L'exposant est représenté sur les bits 23 à 30 (les 8 bits E0 à E7). Il est biaisé S Exposant E7-E0 Mantisse M22-M0
par rapport à 127.
 La mantisse est représentée sur 23 bits de 0 à 22 (M0 à M22). La mantisse est
normalisée sous la forme 1.xxx… (Le 1 est le bit caché).
 La valeur du nombre ainsi codé est calculée comme suit :
 Le bit 31 (noté S) est le bit de signe de la mantisse (du réel).
 Le zéro ne peut pas être représenté, il correspond à une configuration où  Valeur = (-1)S * 2(Exposant - 127) * 1.Mantisse.
l'exposant est nul. Un réel avec tous les exposants à 1 correspond à une  On suppose que dans le cas où le nombre de bits significatifs
infinité positive ou négative ou valeur non numérique (NaV : Not a value,
NAN : Not a Number Value). (non nuls) de la mantisse est supérieur à la taille de la mantisse,
une erreur de troncature est adoptée.
131 132
15/10/2019
Questions Représentation interne des caractères

 Donner la représentation interne selon les conventions ci-dessus des  Donner la représentation interne de "Architecture des
nombres suivants : 1 256 -1 0.5 16.875. Préciser toutes les étapes qui
amènent au résultat et le représenter à la fin en hexadécimale. Ordinateurs" selon le code ASCII. Donner votre réponse
 Donner les valeurs décimales de deux réels représentés en interne en hexadécimal.
selon les conventions citées ci-dessus respectivement par :  Donner le texte représenté en interne selon le code ASCII
C0400000H et C3800000H.
 Ecrire les algorithmes de l'addition, de la soustraction, de la
par la séquence hexadécimale suivante : 41H 2EH 20H
multiplication et de la division de deux réels positifs représentés par 55H 2EH 20H 3AH 20H 31H 30H 2DH 31H 31H
M1 be1 et M2 be2 où b est la base, M1 et M2 sont les mantisses
normalisées et e1 et e2 sont les exposants.
 Appliquer les algorithmes écrits dans la question précédente, pour
calculer le produit des deux réels trouvés en dans la deuxième
question et représenter le résultat selon les conventions indiquées.
Donner le résultat en hexadécimale.
133 134
10/10/2019 Khaled Hassine 135
135

CH 2 - Représentation Interne

Transféré par

Droits d'auteur :

Formats disponibles

CH 2 - Représentation Interne

Transféré par

Informations du document

Description originale:

Titre original

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

CH 2 - Représentation Interne

Transféré par

Droits d'auteur :

Formats disponibles

15/10/2019

10/10/2019 Khaled Hassine 1 Khaled Hassine 2

Représentation interne des entiers Représentation interne des entiers

Représentation interne des réels Représentation interne des réels

Représentation interne des caractères Représentation interne des caractères

Informations multimédias Informations multimédias

Exercices d’application Exercices d’application

10/10/2019 Khaled Hassine 3 10/10/2019 Khaled Hassine 4

Les entiers Les entiers

10/10/2019 Khaled Hassine 5 15/10/2019 Khaled Hassine 6

Les entiers non signés Entier non signé : Exemples

 Remarque : Sur n bit, le plus grand entier qu’on peut

10/10/2019 Khaled Hassine 7 10/10/2019 Khaled Hassine 8

15/10/2019 Khaled Hassine 9 10/10/2019 Khaled Hassine 10

Signe et Valeur Absolue

15/10/2019 Khaled Hassine 11 10/10/2019 Khaled Hassine 12

S&VA : Exemples Remarques

10/10/2019 Khaled Hassine 13 10/10/2019 Khaled Hassine 14

15/10/2019 Khaled Hassine 15 10/10/2019 Khaled Hassine 16

Représentation en complément à 2 C à 2 : Exemples

10/10/2019 Khaled Hassine 17 10/10/2019 Khaled Hassine 18

Remarques Avantages du cà2

10/10/2019 Khaled Hassine 19 10/10/2019 Khaled Hassine 20

15/10/2019 Khaled Hassine 21 10/10/2019 Khaled Hassine 22

Représentation biaisée … Représentation biaisée

10/10/2019 Khaled Hassine 23 10/10/2019 Khaled Hassine 24

Limites (sur n+1 bits, biais 2n) Représentation biaisée : Exemple

10/10/2019 Khaled Hassine 25 10/10/2019 Khaled Hassine 26

15/10/2019 Khaled Hassine 27 10/10/2019 Khaled Hassine 28

Exemple de IBM série 360 Avantages et inconvénients

 Pour prendre l'opposé d'un nombre, il suffit de rajouter 1 à

10/10/2019 Khaled Hassine 29 10/10/2019 Khaled Hassine 30

Exemple d'opérations arithmétiques en

10/10/2019 Khaled Hassine 31 10/10/2019 Khaled Hassine 32

Additionneur DCB PLAN

A3 B3 A2 B2 A1 B1 A0 B0 Représentation interne des entiers

Représentation interne des caractères

Représentation interne des réels

 Représentation en virgule flottante : Les Réels

10/10/2019 Khaled Hassine 35 10/10/2019 Khaled Hassine 36

10/10/2019 Khaled Hassine 37 10/10/2019 Khaled Hassine 38

Exemple Inconvénients et Limites

10/10/2019 Khaled Hassine 41 10/10/2019 Khaled Hassine 42

Cas de la base 2 Bit caché : Hidden bit

10/10/2019 Khaled Hassine 43 10/10/2019 Khaled Hassine 44

Remarques Comparaison virgule fixe et flottante

Khaled Hassine 45 10/10/2019 Khaled Hassine 46

Les limites Exemple

10/10/2019 Khaled Hassine 47 10/10/2019 Khaled Hassine 48

Représentation interne Représentation interne

10/10/2019 Khaled Hassine 49 10/10/2019 Khaled Hassine 50

Valeur à partir d’une représentation Valeur à partir d’une représentation

10/10/2019 Khaled Hassine 51 10/10/2019 Khaled Hassine 52

Limites : Maximum positif Limites : Minimum négatif

SRe p = 0  SRe = + SRe p = 1  SRe = −

10/10/2019 Khaled Hassine 53 10/10/2019 Khaled Hassine 54

Limites : Minimum positif Limites : Maximum négatif

SRe p = 0  SRe = + SRe p = 1  SRe = −