2.

Représentation des données

2.2 Représentation des

nombres entiers
avec signe
(signés, « signed »)

M1103 2019-2020 154

 2. Représentation des données

• Représentation usuelles des entiers signés

• Avec bit de signe

• Avec décalage
• Décimal codé binaire (BCD = Binary Coded Decimal)
• Complément à 1
• Complément à 2

M1103 2019-2020 155

 2. Représentation des données
Représentation usuelle des entiers signés

• Avec bit de signe

• Le signe = information binaire (+ ou -)

 possibilité de représentation par 1 bit : 0 ou 1

• Le nombre de bits réservés au nombre à représenter
est raccourci de 1 bit

• Avec n bits, seuls (n-1) bits peuvent être utilisés pour
représenter la valeur absolue du nombre

• Sur n bits, on peut représenter de (-2n-1-1) à (2n-1-1)
M1103 2019-2020 156
 2. Représentation des données
Représentation usuelle des entiers signés

• Avec bit de signe

• Problème : on peut représenter le zéro de deux manières :

+ 0 et - 0 !
• Exemple sur un octet (n = 8) : deux représentation possibles
0000 0000
1000 0000

X +(-X) ne donne pas la représentation du zéro !

M1103 2019-2020 157

 2. Représentation des données
Représentation usuelle des entiers signés

• Avec décalage

• Sur n bits, on représente le 0 au milieu de la pleine échelle

• Exemple sur 1 octet (8 bits) :
Valeur Représentation
-128 0000 0000
-127 0000 0001
….
0 1000 0000
1 1000 0001
…
127 1111 1111

M1103 2019-2020 158

 2. Représentation des données
Valeur Représentation
-128 0000 0000
Représentation usuelle -127 0000 0001

des entiers signés ….

• Avec décalage 0
1
1000 0000
1000 0001
…

• Sur n bits, on peut représenter de (-2n-1) à (2n-1-1) : 127 1111 1111

• Si le bit de poids fort est égal à 0, le nombre est négatif

• Si le bit de poids fort est égal à 1, le nombre est positif

• Pour représenter (« coder ») le nombre X sur n bits:

il suffit de représenter X+ 2n-1 comme un nombre positif

• Pour «décoder » un nombre codé sur n bits :

on décode le nombre comme un nombre positif,
puis on lui soustrait 2n-1
M1103 2019-2020 159
 2. Représentation des données
Représentation usuelle des entiers signés

• Complément à 2
• En fait, il s’agit du complément à 2n de X : Xcpl = 2n-X

• Pour représenter – X sur n bits :

• On calcule le complément à 1 de X
• On ajoute 1

• Exemple sur 8 bits :

• Représentation de -11
11 : 00001011
Complément à 1 : 11110100
+1: + 1
11110101
M1103 2019-2020 160
 2. Représentation des données
Représentation usuelle des entiers signés

• Intérêts du complément à 2

• Les opérations arithmétiques fonctionnent normalement

• Représentation « normale » du zéro : 0 0 0 0 0 0 0 0

• Il s’agit de la représentation des entiers signés la plus répandue

• Sur n bits, on peut représenter l’intervalle [-2n-1; 2n-1-1]

M1103 2019-2020 161

 2. Représentation des données
Représentation usuelle des entiers signés

• Décodage du complément à 2
• Le complément à 2 du complément à 2 donne le nombre initial :
X = 2n - (2n - X)  on fait le complément à 1 et on rajoute 1

• Exemple :
Que représente le nombre 1 0 1 1 0 1 1 0 2 ?
• C’est un nombre négatif car le bit le + significatif = 1
• Complément à 1 de 1 0 1 1 0 1 1 0
01001001
• On ajoute 1 + 1
0 1 0 0 1 0 1 0 = 7410
• Donc, 1 0 1 1 0 1 1 0 2 = - 7410
M1103 2019-2020 162
 2. Représentation des données
Représentation usuelle des entiers signés

• Complément à 2
Changement de taille :

• Dans le sens entier taille n  entier taille m > n

• Si nombre positif : on rajoute des 0
• Si nombre négatif : on rajoute des 1

• Dans le sens entier taille n  entier taille m < n :

• Cela ne fonctionne que si le nombre est suffisamment
petit…

M1103 2019-2020 163

 2. Représentation des données
Représentation usuelle des entiers signés

• Décimal Codé Binaire (Binary Coded Decimal)

• Chaque chiffre est codé indépendamment

• Les chiffres allant de 0 à 9, il faut 4 bits
• Le signe est également codé sur 4 bits (à droite) :
 1100 pour le +
 1101 pour le -

• Utilisation : afficheurs 7 segments

M1103 2019-2020 164

 2. Représentation des données

2.3 Représentation des

nombres
non entiers

M1103 2019-2020 165

 2. Représentation des données

Nombres décimaux
• Nombre décimal = nombre qui s'écrit avec une quantité
quelconque, mais finie, de chiffres derrière la virgule en base 10
• Exemples : 10 ; -15,3 ; 1,666
• Remarque : 1,6666… n’est pas un nombre décimal car il n’a pas un
nombre fini de chiffres derrière la virgule ! C’est un nombre réel
non entier.
• Nombres décimaux entiers : représentation selon les manières vues
précédemment (base 2/16 avec codage du signe ou pas…)
• Nombres décimaux ou réels non entiers : 2 types de représentation :
• Représentation dite « en virgule fixe » (« Fixed Point »)
• Représentation dite « en virgule flottante » (« Floating Point »)

M1103 2019-2020 166

 2. Représentation des données

Nombres décimaux non entiers

• Représentation en virgule fixe (« Fixed Point »)

• On représente séparément la partie entière et la partie décimale

• Exemple : Représentation d’un nombre sur n bits :
• Partie entière sur m bits (puissances positives de 2)
• Partie décimale sur k bits (puissance négatives de 2)
• n=m+k

am 1am 2 ...a1a0 , a1a2 ...a k  am 1  2m 1  am 2  2m 2  ...  a1  2  a0

 a1  2 1  ...  a k  2  k

M1103 2019-2020 167

 2. Représentation des données

Nombres décimaux non entiers

• Représentation en virgule fixe (« Fixed Point »)

• Pratiquement : comment faire pour convertir ?

• Méthode 1 :
En utilisant la table des multiples de 2 négatifs

2-1 2-2 2-3 2-4 2-5 2-6 2-7 2-8

0,5 0,25 0,125 0,0625 0,03125 0,015625 0,0078125 0,00390625

M1103 2019-2020 168

 2. Représentation des données
Nombres décimaux non entiers
• Représentation en virgule fixe (« Fixed Point »)
• Méthode 1 : En utilisant la table des multiples de 2 négatifs
2-1 2-2 2-3 2-4 2-5 2-6 2-7 2-8

0,5 0,25 0,125 0,0625 0,03125 0,015625 0,0078125 0,00390625

• Exemple : représenter 14,42 sur 2 octets (m = 8, k = 8)

• 14,42 = 14 + 0,42
• 1410 = (0 0 0 0 1 1 1 0)2
• 0,4210 = 0,25 + 0,125 + 0,03125 + 0,007825 + 0,00390625
= (0, 0 1 1 0 1 0 1 1)2
• Donc 14,4210 = (0 0 0 0 1 1 1 0, 0 1 1 0 1 0 1 1)2
M1103 2019-2020 169
 2. Représentation des données
Nombres décimaux non entiers
• Représentation en virgule fixe (« Fixed Point »)
• Autre méthode pour représenter facilement la partie décimale:
par multiplications successives de la partie décimale
• Exemple pour 0,4210 0,42 * 2 = 0,84
sur 8 bits : 0,84 * 2 = 1,68
0,68 * 2 = 1,36
0,36 * 2 = 0,72
0,72 * 2 = 1,44
0,44 * 2 = 0,88
0,88 * 2 = 1,76
0,76 * 2 = 1,52

• Donc, 0,4210 = (0, 0 1 1 0 1 0 1 1)2

M1103 2019-2020 170
 2. Représentation des données
Nombres décimaux non entiers
• Représentation en virgule fixe (« Fixed Point »)
• Intervalle de représentation : [-2(n-k)-1 ; 2(n-k)-1-1]
• Précision :  2-k/2
• Donc, pour n fixe : n (nb total bits) = m (nb bits partie entière) + k (nb bits partie décimale)
• Si l’on souhaite une grande précision
 il faut k grand, donc m petit
 on ne peut l’avoir que pour des
nombres petits
• Si l’on veut convertir un nombre grand
 il faut m grand  k sera petit
 précision faible
• Question : comment faire pour avoir une
même précision relative pour tous les nb. ?
M1103 2019-2020 171
 2. Représentation des données
Nombres réels
• Généralités sur la représentation des réels

• Il est impossible représenter tous les réels car :

• Il existe une infinité de nombre réels
• Un nombre réel non entier peut avoir une
infinité de chiffres après la virgule

• Exemple :
1/3 = 0,33333….
= 0,1 + 310-1+ 310-2+310-3+…
M1103 2019-2020 172
 2. Représentation des données
Nombres réels
• Généralités sur la représentation des réels
• On ne peut donc représenter un nombre réel
qu’avec une erreur plus ou moins grande
• Rappels :
Erreur absolue  Valeur exacte  Valeur representee

Valeur exacte  Valeur representee

Erreur relative 
Valeur exacte

Valeur exacte  Valeur representee

Erreur relative  %    100
Valeur exacte
M1103 2019-2020 173
 2. Représentation des données
Nombres réels
• Ecriture scientifique = représentation d’un
nombre réel sous la forme  a  10n
• a = mantisse = nb. décimal [1, 10)
• n = exposant = nb. entier

• Exemple : 12456,35 = +1,245635  104

Signe : +
Mantisse : 1,2345635
Exposant : 4
M1103 2019-2020 174
 2. Représentation des données
Nombres réels
• Ecriture scientifique  a  10n
• Exemple : 12456,35 = +1,245635  104

• Il n’y a donc qu’un seul chiffre non nul à gauche de

la virgule, puis un nombre variable de décimales
qui dépend de la précision

• Intérêt :
 Connaître rapidement l’ordre de grandeur du nombre
 Simplifier les multiplications (divisions)
en procédant à des multiplications (divisions)
des mantisses et à des additions (soustractions)
des exposants M1103 2019-2020 175
 2. Représentation des données

Nombres réels
• Représentation en virgule flottante
(« Floating Point ») – Norme IEEE 754
= Représentation sur 32 ou 64 bits
d’un nombre réel en écriture scientifique, dont :
• 1 bit pour le signe (0 = nb +, 1 = nb -)
• 8 ou 11 bits pour l’exposant
• 23 ou 52 bits pour la mantisse
• Intérêt : avoir la même précision relative pour
tous les nombres, du plus petit au plus grand

M1103 2019-2020 176

 2. Représentation des données
Nombres réels
• Représentation en virgule flottante
(« Floating Point »)

• Décalage de l’exposant :

• L’exposant peut être + ou - !!!

• Pour éviter sa représentation en complément à 2,
l’exposant est décalé, ce qui lui permet d’être
représenté sous la forme d’un nombre non signé
• Le décalage est de 2e-1-1,
avec e = nb. de bits de l’exposant
• Exemple : exposant représenté sur 8 bits (e = 8)
 décalage de 28-1-1 = 127
M1103 2019-2020 177
 2. Représentation des données
Nombres réels
• Représentation en virgule flottante (« Floating Point »)

• Interprétation d’un nombre représenté

en virgule flottante selon la norme IEEE
754 (décodage) :

Valeur = signe  1,mantisse  2(exposant – décalage)

Signe =  1
Décalage = 2(nb bits exposant-1) - 1
M1103 2019-2020 178
 2. Représentation des données
Nombres réels
• Représentation en virgule flottante (« Floating Point »)
• Interprétation d’un nombre représenté en virgule flottante selon la
norme IEEE 754 (décodage)
• Exemple sur 32 bits (1 bit signe + 8 bits exposant + 23 bits mantisse)
signe exposant mantisse
0 10000001 11010000000000000000000
• Signe = 0  nb positif
• Exposant : 10000001 = 128 + 1 = 129
• Remarque : exposant représenté sur 8 bits
 l’exposant est en fait décalé de 28-1-1 = 127
• Mantisse : 11010000000000000000000 = 1/2 + 1/4 + 1/16 = 0,8125
• Donc valeur : + 1,81252129-127 = + 1,812522 = 7,25
M1103 2019-2020 179
 2. Représentation des données
Nombres réels
• Représentation en virgule flottante (« Floating Point »)

• Représentation (« codage ») d’un nombre en virgule flottante

1) On détermine le signe du nombre

2) On représente le nombre réel en représentation binaire,
en virgule fixe
3) On compte le décalage nécessaire
pour qu’il ne reste qu’un seul chiffre à gauche de l’exposant
4) On calcule le codage de l’exposant = décalage + 127
(si exposant sur 8 bits)
ou = décalage + 1023 (si exposant sur 11 bits)
5) On recopie la mantisse, en enlevant le « 1 »
M1103 2019-2020 180
 2. Représentation des données
Nombres réels
• Représentation en virgule flottante (« Floating Point »)
• Représentation (« codage ») d’un nombre en virgule flottante
• Exemple 1 : représenter -12,5 en virgule flottante sur 32 bits
(1 bit signe + 8 bits exposant + 23 bits mantisse)

M1103 2019-2020 181

 2. Représentation des données
Nombres réels
• Représentation (« codage ») d’un nombre en virgule flottante
• Exemple 2 : représenter 1/3 = 0,333333…
en virgule flottante sur 32 bits (1 bit signe + 8 bits exposant + 23 bits mantisse)

M1103 2019-2020 182

 2. Représentation des données
Nombres réels
• Représentation en virgule flottante (« Floating Point »)
• Valeurs particulières
• Les valeurs où tous les chiffres de l’exposant
sont à 0 ou à 1 servent à représenter
des nombres particuliers :

 Exposant = 0 et mantisse = 0  nombre = 0

 Exposant = 11111111 et mantisse = 0  nombre 
 Exposant = 11111111 et mantisse  0  Not a Number (NaN)
 Exposant = 0 et mantisse  0  nombre dénormalisé
(valeur absolue très petite – on abandonne ici la notation
scientifique : valeur = signe × mantisse × 2-décalage + 1
= signe × mantisse × 2-126)
M1103 2019-2020 183
 2. Représentation des données
Nombres réels
• Représentation en virgule flottante (« Floating Point »)
• Précision en représentation sur 32 bits
(« simple precision ») :
23 bits de mantisse  7 chiffres décimaux
• Exemple : si l’on souhaite représenter 
 = 3,1415926535897932384626433832795.....
• On peut le représenter soit :
 Par 3,141592 (en tronquant)
 Par 3,141593 (en arrondissant)

 Pour une précision + grande 

représentation sur 64 bits (dont 52 bits de mantisse)
= « double precision »
M1103 2019-2020 184
 2. Représentation des données
Nombres réels
• IEEE 754 standard : simple & double precision
floating point representations

M1103 2019-2020 185

 2. Représentation des données
Nombres réels
• IEEE 754 standard : simple precision (32 bits)

• Plus petit nombre :

1 00000001 00000000000000000000000
• Plus grand nombre :
0 11111110 11111111111111111111111
• Echelle : de 2-126 à 2128
• Plus petit écart : mantisse = 1  2-24

M1103 2019-2020 186

 2. Représentation des données

2.4 Représentation des

caractères

(valeurs dites
« alphanumériques »)
M1103 2019-2020 187
 2. Représentation des données

Caractères
• Dans l’alphabet français, il y a 26 lettres
 il faut 5 bits pour les « coder »
• Il faut également rajouter les majuscules, minuscules +
ponctuation  une centaine de caractères
 il faut au moins 7 bits

• On fait correspondre à chaque caractère un nombre : code ASCII

pour American Standard Code for Information Interchange
• Avec 7 bits, on peut représenter jusqu’à 128 caractères
= table ASCII de base
• En pratique, on utilise un codage sur 1 octet (8 bits)
= table ASCII étendue
M1103 2019-2020 188
 2. Représentation des données
Caractères
• Table ASCII de base

M1103 2019-2020 189

 2. Représentation des données
Caractères
• Table ASCII étendue

• L’apparence exacte des caractères dépend du périphérique utilisé

(type d’écran, d’imprimante etc)
M1103 2019-2020 190
 2. Représentation des données
Caractères
• Exemple :
Données
présentes
sur un
disque dur

M1103 2019-2020 191

 2. Représentation des données

Caractères
• Si on veut représenter des caractères chinois, arabes, russes… on
est vite à court de place…

• Unicode : un code standard (sorte de ASCII sur 16 bits) pour
couvrir toutes les langues du monde

• Lorsque ça ne suffit pas (ex. : symboles mathématiques)

 en mode graphique, on utilise des « polices » de caractères
= tables faisant correspondre à une valeur du code, pour chaque
police, une « image » du caractère
• Le même code correspond donc à un caractère différent en
fonction de la police utilisée  possibilité d’utiliser
une infinité de caractères en définissant
différentes polices M1103 2019-2020 192
 2. Représentation des données

2.5 Représentation du
son

M1103 2019-2020 193

 2. Représentation des données

Son
• Comme pour les nombres réels, on ne peut pas représenter tous
les sons présents dans la nature car il y en a une infinité
• On ne peut pas non plus représenter tous les niveaux sonores…
pour les mêmes raisons
• Le son est donc un signal analogique (continu)
• Enfin, les espaces de stockage sont limités

• Avant d’enregistrer le son, on procède à sa conversion en un
signal électrique analogique, qui subit ensuite un
« échantillonnage » = conversion analogique/numérique (CA/N)
• Dans le temps  période d’échantillonnage
• Au niveau de la valeur (écart entre deux valeurs
successives de l’intensité sonore  résolution
M1103 2019-2020 194
 2. Représentation des données

Son
• Echantillonnage et période (fréquence) d’échantillonnage

M1103 2019-2020 195

 2. Représentation des données

Son
• Echantillonnage et période (fréquence) d’échantillonnage

M1103 2019-2020 196

 2. Représentation des données

Son
• Echantillonnage et période (fréquence) d’échantillonnage

M1103 2019-2020 197

 2. Représentation des données

Son
• Résolution

M1103 2019-2020 198

 2. Représentation des données

Son
• Résolution

M1103 2019-2020 199

 2. Représentation des données
Son
• Quelques valeurs numériques
• Résolutions :
• Téléphone fixe : 8 bits
• Téléphone mobile : 13 bits
• CD : 16 bits/canal
• MP3 : flux d’entrée 16 ou 24 bits/échantillon + compression
 flux de sortie ~ 1,33 bits/échantillon
• Fréquences d’échantillonnage :
• Téléphone fixe : 8 kHz
• CD : 44,1 kHz
• MP3 : fréquence d’entrée 32 kHz, 44,1 kHz, 48 kHz, 96 kHz
+ compression  débit de sortie 32 à 384 kbps

• Débit et vitesse de transmission : Exemple du CD

Une minute (60 s) de musique stéréo nécessite:
44100 * 60 * 16 * 2 = 84,672*106 bits ~10 Mo
M1103 2019-2020 200
 2. Représentation des données

2.6 Représentation des

images fixes

M1103 2019-2020 201

 2. Représentation des données

Images
• Deux types de représentations :

• Représentation matricielle • Représentation vectorielle

(« bitmaps ») (tracé de courbes définies
par leurs expressions
JPEG, GIF, TIFF, BMP, PNG mathématiques)
PS/EPS, SVG, AI,
FLA/SWF, PDF
M1103 2019-2020 202
 2. Représentation des données

Images
• Images de type « bitmap »

• Paramètres
nécessaires à la représentation :
• Nb de colonnes
• Nb de lignes
• Nb de bits/pixel

M1103 2019-2020 203

 2. Représentation des données

Images
• Images de type « bitmap »

• Représentation couleur/noir et blanc

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

M1103 2019-2020 204

 2. Représentation des données

Images
• Images de type « bitmap »

• Représentation couleur/niveaux de gris/noir et blanc

M1103 2019-2020 205

 2. Représentation des données
Images
• Images de type « bitmap »
• Représentations graphiques les plus courantes :
• Image en N/B : 1 bit/pixel
• Image en niveaux de gris : 8 bits/pixel
• Image en couleurs de base : 8 bits/pixel
• Image en couleur : 3*8 = 24 bits/pixel

N/B Couleur,
Niv. gris, 8 bits/pixel 24 bits/pixel
1 bit/pixel M1103 2019-2020 206
 2. Représentation des données
Images
• Images de type « bitmap »
• Représentation RVB (Rouge-Vert-Bleu) RGB
• L’addition des 3 couleurs (avec divers niveaux d’intensité)
permet de reproduire toutes les couleurs
• Affichage sur écran : de type RVB
• Addition des 3 couleurs au max de luminosité  blanc

M1103 2019-2020 207

 2. Représentation des données
Images
• Images de type « bitmap »

• Représentation RVB (Rouge-Vert-Bleu)

• Avec 3 x 1 octet, on peut coder : 256*256*256 = 16,7 millions

de couleurs (l’œil humain en perçoit max. 500 000)
M1103 2019-2020 208
 2. Représentation des données
Images
• Images de type « bitmap »

• Définition de l’image : nb. de pixels = nb colonnes*nb lignes

• Résolution : exprimée en PPP = Pixels Par Pouce
ou DPI = Dots Per Inch
• 1 inch (pouce) = 2,54 cm

18 DPI 72 DPI
M1103 2019-2020 209