Chapitre 3: Représentation des nombres à virgule

Nous avons appris à encoder des nombres entiers naturels, et relatifs, et nous avons vu que les limites physiques des machines imposaient des limites sur l'étendue des valeurs. Par exemple, sur un octet on dispose de $2^8 = 256$ valeurs distinctes qui permettent d'encoder:

• des nombres entiers naturels entre 0 et 255.
• des nombres entiers relatifs entre -128 et 127.

Maintenant que nous allons tenter de coder les réels, les limites de notre machine vont encore entraîner des limites sur l'étendue des valeurs, mais également sur la précision des valeurs.

Ainsi, si on effectue le calcul $0.2 +0.1$ en Python, on obtient:

>>> 0.2 + 0.1
0.30000000000000004

Et contre toute attente, certains tests que l'on aurait cru positifs renvoient des valeurs négatives(ce que l'on appelle un faux négatif):

>>> 0.2 + 0.1 == 0.3
False

Ainsi un calcul avec des nombres à virgule ne peut-être qu'approximatif. Cependant plus on augmente la taille du registre du processeur et plus nous pourrons représenter de valeurs, et plus nos calculs gagneront en précision.

Virgule fixe et virgule flottante

Il existe deux façons de coder les nombres à virgule:

• Le codage en virgule fixe qui consiste à garder un nombre fixe de chiffes après la virgule.

• Dans le codage en virgule flottante, on garde un nombre fixe de chiffres significatifs et on réserve l'autre partie du codage à l'exposant. C'est une méthode semblable à la notation scientifique utilisée en physique par exemple.

C'est cette deuxième méthode qui est utilisée dans les ordinateurs et smartphones et que nous allons étudier cette année.

Principe du codage en virgule flottante

On représente un nombre à virgule flottante sous la forme:

« IEEE754 Format General » par GMjeanmatt — Travail personnel. Sous licence CC BY-SA 3.0 via Wikimedia Commons.

Supposons un nombre flottant codé sur un octet utilisant 1 bit de signe, 3 bits pour l'exposant et 4 bits pour la mantisse: 1 101 1011

• $s$ est le signe représenté par le bit de poids fort:

  • $s=0$: signe $+$
  • $s=1$: signe $-$

Notre codage représente donc un nombre négatif.

• $n$ est l'exposant représenté par un entier relatif décalé et non en complément à deux, afin de faciliter la comparaison des exposants. Ce décalage est de $2^{e-1} - 1$ (e représente le nombre de bits utilisé pour coder l'exposant)

L'exposant a pour valeur 101 codé sur 3 bits, il doit être décalé de $2^{2} - 1 = 3$. Ainsi, puisque $101_2 = 5_{10}$, l'exposant 101 correspond à un exposant de 5-3=2.

• $m$ est la mantisse qui est un nombre binaire à virgule compris entre 1 inclus et 2 exclus. Le seul chiffre avant la virgule étant toujours 1, il n'est pas représenté(on le dit implicite), et le codage binaire de la mantisse représente donc uniquement les chiffres après la virgule qui sont en base 2 des demis, des quarts, des huitièmes...

Dans notre exemple, la mantisse est: 1011, elle représentera le nombre:

Le code 1 101 1011 sur un octet utilisant 1 bit de signe, 3 bits pour l'exposant et 4 bits pour la mantisse représente donc:

La norme IEEE 754

L’IEEE 754 est une norme pour la représentation des nombres à virgule flottante en binaire. Elle est la norme la plus employée actuellement pour le calcul des nombres à virgule flottante dans le domaine informatique. Source Wikipedia

Cette norme définit notamment 2 formats pour représenter des nombres à virgule flottante:

• simple précision (32 bits : 1 bit de signe, 8 bits d'exposant (-126 à 127), 23 bits de mantisse),

Image par GMjeanmatt — Travail personnel, CC BY-SA 3.0, Lien

• double précision (64 bits : 1 bit de signe, 11 bits d'exposant (-1022 à 1023), 52 bits de mantisse).

Image par GMjeanmatt — Travail personnel, CC BY-SA 3.0, Lien

Tests d'égalité sur les flottants

Comme nous sommes limités sur la précision des flottants, on transforme les tests d'égalités en tests d'inégalités à une précision donnée.

Ainsi:

>>> 0.2 + 0.1 == 0.3
False

Par contre, en utilisant une précision du millionième:

>>> import math # pour utiliser la fonction valeur absolue  fabs()
>>> precision = 1E-6
>>> math.fabs((0.2 + 0.1) - 0.3)  < precision
True

D'ailleurs la bibliothèque math de Python inclut à cet effet la fonction math.isclose().

>>> from math import isclose
>>> isclose(0.2 + 0.1, 0.3)
True