Université des Sciences et de Technologie Houari Boumediene

USTHB

MASTER ELECTRONIQUE DES SYSTÈMES EMBARQUÉS

LA REPRÉSENTATION
DES NOMBRES
 Représentation des nombres entiers
• Il existe deux types d’entiers :

– les entiers non signés ( positifs )

– et les entiers signés ( positifs ou négatifs )

• Problème : Comment indiquer à la machine qu’un nombre est négatif ou positif ?

• Il existe 3 méthodes pour représenter les nombres négatifs :

1- Signe / valeur absolue

2- Complément à 1( complément restreint )
3- Complément à 2 ( complément à vrai )
 Représentation signe / valeur absolue ( S/VA )

• Si on travail sur n bits , alors le bit du poids fort est utilisé pour indiquer le signe :
1 : signe négatif
0 : signe positif
• Les autres bits ( n -1 ) désignent la valeur absolue du nombre.

• Exemple : Si on travail sur 4 bits.

1 001 0 001

Signe Valeur absolue Signe Valeur absolue

1001 est la représentation de - 1 0001 est la représentation de + 1

 Représentation signe / valeur absolue ( S/VA )
Sur 3 bits on obtient :
• Les valeurs sont comprises
signe VA valeur entre -3 et +3
0 00 +0
0 01 +1 -3 ≤ N ≤ +3
0 10 +2 - ( 4-1 ) ≤ N ≤ + (4 -1 )
0 11 +3 -(22 -1) ≤ N ≤ +(22-1 )
-(2 (3 -1) -1) ≤ N ≤ +(2 (3 -1) -1 )
1 00 -0
1 01 -1
Si on travail sur n bits , l’intervalle des valeurs
1 10 -2
qu’on peut représenter en S/VA :
1 11 -3
-(2 (n -1) -1) ≤ N ≤ +(2 (n -1) -1 )
 Représentation signe / valeur absolue ( S/VA )
AVANTAGES ET INCONVÉNIENTS DE LA REPRÉSENTATION SIGNE/VALEUR
ABSOLUE
• C’est une représentation assez simple .
• On remarque que le zéro possède deux représentations +0 et -0 ce qui
conduit à des difficultés au niveau des opérations arithmétiques.
• Pour les opérations arithmétiques il nous faut deux circuits : l’un pour
l’addition et le deuxième pour la soustraction .

L’idéal est d’utiliser un seul circuit pour faire les deux opérations,
puisque a- b =a + ( -b )
Représentation en complément à un ( complément restreint )

1 0 1 0
+
0 1 0 1
1 1 1 1
 Représentation en complément à un ( complément restreint )

Remarque 1 :
• Pour trouver le complément à un d’un nombre, il suffit d’inverser tous les bits
de ce nombre : si le bit est un 0 mettre à sa place un 1 et si c’est un 1 mettre à
sa place un 0
• Exemple :
Sur 4 Bits Sur 5 Bits

1 0 1 0 0 1 0 1 0

0 1 0 1 1 0 1 0 1
 Représentation en complément à un ( complément restreint )
Remarque 2
• Dans cette représentation , le bit du poids fort nous indique le signe ( 0 : positif , 1 :
négatif ).
• Le complément à un du complément à un d’un nombre est égale au nombre lui même .
CA1(CA1(N))= N
• Exemple :
Quelle est la valeur décimale représentée par la valeur 101010 en complément à 1 sur 6
bits ?
• Le bit poids fort indique qu'il s'agit d'un nombre négatif.
• Valeur = - CA1(101010)
= - (010101)2= - ( 21)10
 Représentation en complément à un ( complément restreint )
Si on travail sur 3 bits :

•Dans cette représentation , le bit du poids fort nous indique le signe .

•On remarque que dans cette représentation le zéro possède aussi une double
représentation ( +0 et – 0 )
Complément à 2 ( complément à vrai )
 Complément à 2 ( complément à vrai )
Exemple
• Trouver le complément à vrai de : 01000101 sur 8 bits ?

CA2(01000101)= CA1(01000101)+ 1
CA1(01000101)= (10111010)
CA2(01000101)=(10111010)+ 1 = (10111011)

• Remarque 1 :
Pour trouver le compétemment à 2 d’un nombre : il faut parcourir les bits de ce nombre à partir du poids faible
et garder tous les bits avant le premier 1 et inverser les autres bits qui viennent après.

0 1 0 0 0 1 0 1 1 1 0 1 0 1 0 0

1 0 1 1 1 0 1 1 0 0 1 0 1 1 0 0
 Complément à 2 ( complément à vrai )
Remarque 2
• Dans cette représentation , le bit du poids fort nous indique le signe ( 0 : positif , 1 : négatif ).
• Le complément à deux du complément à deux d’un nombre est égale au nombre lui même .
CA2(CA2(N))= N
• Exemple :
Quelle est la valeur décimale représentée par la valeur 101010 en complément à deux sur 6 bits ?
• Le bit poids fort indique qu'il s'agit d'un nombre négatif.
• Valeur = - CA2(101010)
= - (010101 + 1)
= - (010110)2= - ( 22)
 Complément à 2 ( complément à vrai )

La représentation en complément à deux ( complément à vrai )

est la représentation la plus utilisée pour la représentation des
nombres négatifs dans la machine.
 Complément à 2 ( complément à vrai )
OPÉRATIONS ARITHMÉTIQUES EN CA2
Effectuer les opérations suivantes sur 5 Bits , en utilisant la représentation en CA2

0 1 0 0 1
0 1 0 0 1
+9 +
+9 +
1 1 1 0 0
0 0 1 0 0 -4
+4
+5 1 0 0 1 0 1
+ 13 0 1 1 0 1

Report
Le résultat est positif
(01101)2= ( 13)10
Le résultat est positif
(00101)2= ( 5)10
 Complément à 2 ( complément à vrai )
1 0 1 1 1 -9 1 0 1 1 1
-9
+ +
-4 1 1 1 0 0 +9 0 1 0 0 1
- 13 1 1 0 0 1 1 +0 1 0 0 0 0 0

Report Report

Le résultat est négatif : Le résultat est positif

Résultat = - CA2 (10011)= -( 01101) (00000)2= ( 0)10
= - 13
 Complément à 2 ( complément à vrai )
LA RETENUE ET LE DÉBORDEMENT
• On dit qu’il y a une retenue si une opération arithmétique génère un
report .
• On dit qu’il y a un débordement (Over Flow ) ou dépassement de
capacité: si le résultat de l’opération sur n bits et faux .
– Le nombre de bits utilisés est insuffisant pour contenir le résultat
– Autrement dit le résultat dépasse l’intervalle des valeurs sur les n
bits utilisés.
 Complément à 2 ( complément à vrai )
CAS DE DÉBORDEMENT
0 1
0 1 0 0 1 1 0
+9 + 1 0 1 1 1
0 1 0 0 0 -9 +
+8 1 1 0 0 0
-8
+ 17 1 0 0 0 1
- 17
0 1 1 1 1

Négatif
Positif

•Nous avons un débordement si la somme de deux nombres positifs donne un nombre négatif .
•Ou la somme de deux nombres négatifs donne un Nombre positif
•Il y a jamais un débordement si les deux nombres sont de signes différents.
 Données numériques

Entiers positifs ou nuls

– Changements de base

– Binaire-décimal :
1000 11102 = (1 × 27) + (0 × 26) + (0 × 25) + (0 × 24) + (1 × 23) + (1 × 22)
+ (1 × 21) + (0 × 20)

= 27 + 23 + 22 + 21
= 12810 + 8 + 4 + 2 = 14210
 Données numériques

Entiers positifs ou nuls

•Changements de base
•Binaire-décimal (algorithme R = b + 2R)

•1000 1110 R=0

1+2×0=1
• 0+2×1=2
• 0+2×2=4
• 0+2×4=8
• 1 + 2 × 8 = 1710
• 1 + 2 × 1710 = 3510
• 1 + 2 × 3510 = 7110 Arithmétique BCD
• 0 + 2 × 7110 = 14210
 Données numériques

Entiers positifs ou nuls

•Changements de base
•Exemples : Convertir 2710 en base 4 :

2710 27 / 4 = 6, reste 3

6 / 4 = 1, reste 2

1 / 4 = 0, reste 1 ∴ 2710 = 123 4

20
 Données numériques
Nombres fractionnaires
•Changements de base
•0,562510

0, 5625 x 2
1, 125 x 2
0, 25 x 2
0, 5 x 2
1, 0 x 2
0, 0
•Réponse : 0,100100002
•Pour passer du décimal à une autre base, il suffit de multiplier par
la base en question au lieu de 2.

21
 Données numériques

Nombres fractionnaires
–Changements de base
–Pour un nombre constitué d’une partie entière et d’une partie fractionnaire, on
convertit les deux parties séparément, la partie entière avec l’une des méthodes de
conversion des entiers, la partie fractionnaire avec les méthodes présentées dans la
présente section.
–Exemple: convertir 123,214 en décimal
–1234 = 1 × 42 + 2 × 4 + 3 = 2710
–0,214 = 2 × 4-1 + 1 × 4-2 = 2 x 0,25 + 1 × 0,0625 = 0,562510
–Réponse : 27,562510
 Données numériques
Nombres fractionnaires
•Changements de base
•Convertir 27,562510 en base 4 :

•27 / 4 = 6, reste 3
•6 / 4 = 1, reste 2
•1 / 4 = 0, reste 1 -> 1234
•0, 5625 x 4
•2, 25 x 4
•1, 0x4
•0, 0

•Réponse : 123,2100004
 La représentation des nombres réels

• Un nombre réel est constitué de deux parties : la partie entière et la

partie fractionnelle ( les deux parties sont séparées par une virgule )
• Problème : comment indiquer à la machine la position de la virgule ?
• Il existe deux méthodes pour représenter les nombre réel :
– Virgule fixe : la position de la virgule est fixe
– Virgule flottante : la position de la virgule change ( dynamique )
 Types de processeur
• Floating-Point Processors
• Unité de matériel interne pour prendre en charge les opérations en virgule flottante
• Examples: Intel’s Pentium Series , Texas Instruments C6000 DSP
• Plage dynamique élevée pour le calcul numérique
• Généralement plus cher
• Integer / Fixed-Point Processors
• Unité arithmétique en virgule fixe
• Presque tous les contrôleurs embarqués sont des machines à point fixe
• Examples: all microcontroller families, e.g. Freescale S12X, Infineon C166, Texas
Instruments MSP430, Atmel AVR
• Prix le plus bas par MIPS
 La représentation des nombres réels
LA VIRGULE FIXE
• Dans cette représentation la partie entière est représentée sur n bits et la
partie fractionnelle sur p bits , en plus un bit est utilisé pour le signe.
• Exemple : si n=3 et p=2 on va avoir les valeurs suivantes

Signe P.E P.F valeur

0 000 00 + 0,0 Dans cette représentation les
0 000 01 + 0,25 valeurs sont limitées et nous
0 000 10 + 0,5
n’avons pas une grande
0 000 11 + 0,75
0 001 .00 + 1,0 précision
. . . .
. . . .
 La représentation des nombres réels
Codage en virgule fixe
Ce codage peut s’écrire sous forme :
[partie entière en binaire, partie décimale en binaire]
La partie entière d’un nombre se traduisait par des puissances positives de 2
25, 375

25 = 1 x +1x +0x +0x +1x

La partie décimale va se traduire par des puissances négatives de 2

0,375 = 0 x +1x +1x

Exemple : 25, 375 11001 , 011

 La représentation des nombres réels
Exemple : ,

0,625 x 2 = 1,250 poids binaire 1(x )

0,250 x 2 = 0,500 poids binaire 1(x )
0,500 x 2 = 1,00 poids binaire 1(x )

Quand il ne reste plus de partie fractionnaire on s’arrête.

Ainsi : , = 0.

Cette méthode à l’inconvénient d’utiliser beaucoup de bits après la

virgule si le nombre à céder comporte beaucoup de chiffre après la
virgule.
La représentation des nombres réels
Exercice :
Convertir en binaire 3 ,

307 / 2 = 153 reste 1

153 / 2 = 76 reste 1 0,18 x 2 = 0,36 0
76 / 2 = 38 reste 0 0,36 x 2 = 0,72 0
38 / 2 = 19 reste 0 0,72 x 2 = 1,44 1
19 / 2 = 9 reste 1 0,44 x 2 = 0,88 0
9 /2 = 4 reste 1 0,88 x 2 = 1,76 1
4 /2 = 2 reste 0 0,76 x 2 = 1,52 1
2 / 2 = 1 reste 0
1 / 2 = 0 reste 1

3 , = 100110011 . ……
 La représentation des nombres réels
La représentation en virgule fixe occupe cependant une place importante quand on utilise de grands
nombres et on lui préférera alors une autre forme de représentation dite en virgule flottante.

Elle consiste à représenter un nombre par un signe s (égal à -1 ou 1), une mantisse m
(aussi appelée significande) et un exposant e (entier relatif, généralement borné). Un
tel triplet représente un réel s.m.be où b est la base de représentation. En faisant
varier e, on fait « flotter » la virgule.

La mantisse m est représentée par une suite de chiffres en base b, généralement de

taille fixée, dans laquelle on choisit de placer une virgule à une position fixe : juste
avant ou juste après le premier chiffre, ou juste après le dernier chiffre ; dans ce
dernier cas, la mantisse est un entier naturel
 La représentation des nombres réels
REPRÉSENTATION EN VIRGULE FLOTTANTE
• Chaque nombre réel peut s’écrire de la façon suivante :
N= ± M * b e
– M : mantisse ,
– b : la base ,
– e : l’exposant

• Exemple :
- 15,6 = 0,156 * 10+2
- ( 110,101)2 = - (0,110101)2 * 2+3
- (0,00101)2= ( 0,101)2 * 2-2

Remarque :
on dit que la mantisse est normalisée si le premier chiffre après la virgule est différent de
0 et le premier chiffre avant la virgule est égale à 0.
 La représentation des nombres réels
REPRÉSENTATION EN VIRGULE FLOTTANTE
• La standard IEEE définit trois formats de représentations de nombres en virgule
flottante :IEEE 754
La simple précision sur 32 bits
(E : 8bits ; SM : 1 bit ; M : 23bits)

1 bit 8 bits 23 bits

Signe Exposant Mantisse

- La double précision sur 64 bits

(E : 11 bits ; SM : 1 bit ; M : 52 bits)
- La précision étendue sur 80 bits
(E : 15 bits ; SM : 1 bit ; M : 64 bits)
32
 La représentation des nombres réels
REPRÉSENTATION EN VIRGULE FLOTTANTE

Prenons un exemple, on veut représenter en virgule flottante (10,50)10

La base utilisée dans cette norme est la base 16, il faut donc dans un premier temps transcrire
(10,50)10 en base 16, ce qui donne (A,8)16 (10 A et 0,5 x 16 = 8)
(1010,1)2
Ensuite, il faut normaliser (décaler la virgule vers la gauche de façon à trouver une forme
normalisée), ce qui donne donc : 1.0101 E2 +3

Dans la norme IEEE, l’exposant est codé en décalage par rapport à l’exposant de référence, à savoir
(127)10

On a donc :
Exposant de référence + Décalage = Exposant décalé
Ici, (127)10 + (3)10 = (130)10 soit (10000010)2

Le signe du nombre étant positif, le bit représentatif du signe sera positionné à zéro.
Il y a un bit caché (la partie entière)
La représentation des nombres réels
Représenter un nombre en virgule flottante
Ce qui donne au final

Exposant décalé Mantisse

Signe (130)10 0101
positif (10000010)2

00100 0001 0 010 1000 0000 0000 0000 0000

(10,50)10 = ( 4 1 2 8 0 0 0 0 )16
Exposant et Signe Mantisse
(7 + 1) = 8 bits 24 bits
 La représentation des nombres réels
Représentation d’un nombre réel NORME IEEE 754 (virgule flottante) – type float
Exemple avec un réel positif

coder 525,5 en simple précision

sa représentation en base 2 est

: 1000001101,1 La représentation du nombre 525,5 en
binaire avec la norme IEEE 754
en normalisant, on trouve :
1,0000011011 x 29 0 1000 1000 00000110110000000000000

ajout de 127 à l'exposant qui vaut 9

ce qui donne 136, soit en base 2 : en regroupant les quartets :
10001000 0100 0100 0000 0011 0110 0000 0000 0000
La mantisse est composée de la partie ou 0x44036000 en hexadécimal
décimale de 525,5 en base 2 normalisée,
c'est-à-dire 0000011011
codée sur 23 bits, il est nécessaire
d'ajouter des zéros pour la compléter :
00000110110000000000000
 La représentation des nombres réels
Représentation d’un nombre réel NORME IEEE 754 (virgule flottante) – type float

Exemple avec un réel négatif

coder -0,625 en simple précision

sa représentation en base 2 est La représentation du nombre -0,625
: 0,101 en binaire avec la norme IEEE
en normalisant, on trouve :
1 0111 1110 01000000000000000000000
1,01 x 2-1

ajout de 127 à l'exposant qui vaut -1 en regroupant les quartets :

ce qui donne 126, soit en base 2 : 1011 1111 0010 0000 0000 0000 0000 0000
01111110
La mantisse sur 23 bits est ou 0xBF200000 en hexadécimal
01000000000000000000000
 La représentation des nombres réels
STANDARD IEEE-754 SINGLE PRECISION FLOATING-POINT

31 30 23 22 0
s eeeeeeee fffffffffffffffffffffff
1 bit sign 8 bit exponent 23 bit mantissa (fraction)

Avantage Exposant donne une grande plage dynamique

Inconvénient La précision d'un nombre dépend de son exposant

 La représentation des nombres réels
Floating-Point ne résout pas tout!
Example: x = 10.0 (0x41200000)
+ y = 0.000000240 (0x3480D959)
z = 10.000000240 WRONG!
Vous ne pouvez pas représenter 10.000000240 avec virgule flottante simple précision
0x412000000 = 10.000000000
10.000000240 ⇐ ne peut pas représenter!
0x412000001 = 10.000001000

Donc, z est arrondi à 10.000000000

les nombres entiers ne se comportent pas bien lorsqu'ils sont multipliés.

 La représentation des nombres réels
Multiplication d'entiers à quatre bits 0100 4
x 1101 x -3
les nombres entiers ne se
00000100
comportent pas bien lorsqu'ils 0000000
sont multipliés. 000100
+ 11100
11110100 -12
Accumulator 11110100

Data Memory ?
Existe-t-il un autre système de numérotation (supérieur)?
 La représentation des nombres réels
BINARY FRACTIONS (FRACTIONS BINAIRES)
1 0 1 1

-1
• 1/2 1/4 1/8

= -1 + 1/4 + 1/8 = -5/8

Les fractions ont la belle propriété que fraction x fraction = fraction

 La représentation des nombres réels
Lorsque le DSP effectue une multiplication d’entier, le processus est identique pour
tous les opérateurs, entiers ou fractions. Par conséquent, l'utilisateur doit déterminer
comment interpréter les résultats.

Comme précédemment, considérons l'exemple de multiplication 4 bits:

Les nombres sont maintenant divisés en deux parties: une partie entière (I- «entier»)
(I-“integer”) et une partie fractionnaire (Q- «quotient») (Q-“quotient”).

Ces types de nombres à virgule fixe sont souvent appelés nombres «IQ» ou, pour
simplifier, il suffit parfois de Q-nombres (Q-numbers) .
L'exemple ci-dessous montre 2 nombres saisis au format I1Q3. Une fois multiplié, la
longueur du résultat ajoutera les deux parties I et Q:

I1Q3 * I1Q3 = I2Q6

 La représentation des nombres réels
FOUR-BIT IQ – MULTIPLICATION (IQ 4 BITS – MULTIPLICATION)
0100
. 1/2
x 1101
. x - 3/8
00000100
0000000
000100
11100
11110100 -3/16
Accumulator 11110100

Data Memory 1110 -1/4

 La représentation des nombres réels
FOUR-BIT IQ – MULTIPLICATION (IQ 4 BITS – MULTIPLICATION)
Avantage: Avec les fractions binaires, nous allons gagner beaucoup de
vitesse dans les calculs en boucle fermée.
Inconvénient: le résultat pourrait ne pas être exact. Comme vous pouvez
le voir sur la diapositive, nous nous retrouverons avec (-4/16) dans la
mémoire de données. Les bits à sont tronqués. Le résultat correct
aurait été (-3/16).
Dans la plupart des cas, nous ne tronquerons que le bruit. Cependant, dans certaines
applications de réaction telles que les Filtres Réponse Impulsionnelle Infinie (IIR), les
petites erreurs peuvent s’ajouter et conduire à un degré d’instabilité donné. Il incombe
au concepteur de reconnaître cette source potentielle d’échec lors de l’utilisation de
fractions binaires.
 La représentation des nombres réels
FRACTIONAL REPRESENTATION (REPRÉSENTATION FRACTIONNELLE)
Jusqu'ici, nous n'avons discuté que de l'option d'utiliser des nombres fractionnaires avec le point binaire
du côté MSB du nombre. En général, nous pouvons placer ce point n'importe où dans la représentation
binaire. Cela nous donne la possibilité d’échanger la plage dynamique contre la résolution.
31 0
S IIIIIIII fffffffffffffffffffffff
32 bit mantissa

.
-2I + 2I-1 + … + 21 + 20 2-1 + 2-2 + … + 2-Q
“IQ” – Format
“I” ⇒ INTEGER (ENTIER) – Fraction (Fraction)
“Q” ⇒ QUOTIENT – Fraction

Avantage ⇒ Précision identique pour tous les nombres au format IQ

Inconvénient ⇒ Plage dynamique limitée par rapport à la virgule flottante
La représentation des nombres réels
IQ - EXAMPLES
3 0
I1Q3 – Format: S fff
Nombre décimal le plus négatif: -1.0 = 1.000 B

Nombre décimal le plus positif: + 0.875 = 0.111 B

Plus petit nombre décimal négatif: -1*2-3 (-0.125) = 1.111 B

Plus petit nombre décimal positif: 2-3 (+0.125) = 0.001 B

Intervalle: -1.0 …. 0.875 (≈ + 1.0)

Résolution: 2-3
 La représentation des nombres réels
IQ - EXAMPLES
I3Q1 – Format: 3 0
SII f
Nombre décimal le plus négatif: -4.0 = 100.0 B

Nombre décimal le plus positif: + 3.5 = 011.1 B

Plus petit nombre décimal négatif: -1 * 2-1 (- 0.5) = 111.1 B

Plus petit nombre décimal positif: 2-1 (+0.5) = 000.1 B

Intervalle : -4.0 …. +3.5 (≈ + 4.0)

Résolution : 2-1
 La représentation des nombres réels
I1Q31 – Format: IQ - EXAMPLES
31 0
S fff ffff ffff ffff ffff ffff ffff ffff
Nombre décimal le plus négatif: -1.0
1.000 0000 0000 0000 0000 0000 0000 0000 B

Nombre décimal le plus positif: ≈ + 1.0

0.111 1111 1111 1111 1111 1111 1111 1111 B

Plus petit nombre décimal négatif: -1*2-31

1.111 1111 1111 1111 1111 1111 1111 1111 B

Plus petit nombre décimal positif: 2-31

0.000 0000 0000 0000 0000 0000 0000 0001 B

Intervalle: -1.0 …. (+1.0)

Résolution: 2-31
 La représentation des nombres réels
I8Q24 – Format: IQ - EXAMPLES
31 0
S III IIII ffff ffff ffff ffff ffff
Nombre décimal le plus négatif: -128
1000 0000. 0000 0000 0000 0000 0000 0000 B

Nombre décimal le plus positif: ≈ + 128

0111 1111. 1111 1111 1111 1111 1111 1111 B

Plus petit nombre décimal négatif: -1*2-24

1111 1111. 1111 1111 1111 1111 1111 1111 B

Plus petit nombre décimal positif: 2-24

0000 0000. 0000 0000 0000 0000 0000 0001 B

Intervalle: -128 …. (+128)

Résolution: 2-24
 La représentation des nombres réels
IQ-MATH PEUT FAIRE MIEUX!
Reprenons maintenant l’exemple de Floating-Point qui a échoué depuis le début;
IQ-Math peut faire beaucoup mieux:

I8Q24 Example: x = 10.0 (0x0A000000)

+ y = 0.000000240 (0x00000004)

z = 10.000000240 (0x0A000004)

Résultat exact (cet exemple)

 La représentation des nombres réels
Si vous êtes maintenant convaincu que les données fractionnaires
présentent des avantages par rapport aux autres représentations
numériques, la question suivante est de savoir comment coder les
fractions dans un environnement ANSI-C.

La norme ANSI-C ne définit pas de type de données dédié, tel que

«fractionnel».

Une nouvelle norme ANSI, appelée «embedded C», utilisera

éventuellement ce type.
 COMMENT UNE FRACTION EST-ELLE CODÉE?
~1 ~ 32K 7FFF

½ 16K 4000

0
⇒ 0 0000
*32768

–½ –16K C000

–1 –32K 8000
Fractions Integers Hex

• Example: représenter le nombre de fractions 0.707

void main(void) {
int coef = 32768 * 707 / 1000;
}
 FRACTIONNAIRE VS ENTIER

• Range (Intervalle)
• Les entiers ont une plage maximale déterminée par le nombre de bits
• Les fractions ont une plage maximale de ± 1
• Precision (Précision)
• Les entiers ont une précision maximale de 1
• La précision fractionnelle est déterminée par le nombre de bits
 …THE END!

See You Next Week!