Rechengenauigkeit

Eine Gleitkommazahl (auch Gleitpunktzahl oder Fließkommazahl; engl. floating point number) ist eine approximative Darstellung einer reellen Zahl. Die Menge der Gleitkommazahlen ist eine endliche Teilmenge der rationalen Zahlen. Zusammen mit den auf ihnen definierten Operationen bilden die Gleitkommazahlen eine endliche Arithmetik, die vor allem im Hinblick auf numerische Berechnungen mit Computern entwickelt wurde.

Idee

Alle (mechanischen oder elektronischen) Rechenhilfsmittel vom Abakus bis zum Computer verwenden als einfachste Form der Zahldarstellung Festkommazahlen. Dabei wird eine meistens begrenzte Ziffernfolge gespeichert und an festgelegter Stelle das Komma angenommen. Bei größeren Rechnungen treten unweigerlich Überläufe auf, die eine Skalierung der Werte und eine erneute Durchrechnung erforderlich machen, um Endergebnis und alle Zwischenergebnisse in den erlaubten Wertebereich zu bringen. Diese Skalierung ist zeitraubend und muss automatisiert werden.

Ein naheliegender und direkt zu Gleitkommazahlen führender Gedanke ist dabei, bei jedem Wert die genaue Stelle des Kommas zusätzlich zu speichern. Das bedeutet mathematisch nichts anderes als die Darstellung der Zahl x mit zwei Werten, der Mantisse m und dem Exponenten e: $x = m \cdot 10^e$. Die Freiheit bei der Wahl des Exponenten kann genutzt werden, um die Mantisse in einen festgelegten Wertebereich, zum Beispiel $1 \le m < 10$ zu bringen. Dieser Schritt heißt Normalisierung der Mantisse.

Beispiel: Die Lichtgeschwindigkeit im Vakuum beträgt c = 299.792.458 m/s = 299.792,458 · 10³ m/s = 0,299792458 · 10⁹ m/s = 2,99792458 · 10⁸ m/s. Nur die Mantisse der letzten Darstellung ist auf den Wertebereich [1, 10[ normalisiert.

Diese Schreibweise wurde von Physikern und Mathematikern schon seit langem verwendet, um sehr große und sehr kleine Zahlen angeben zu können. Noch heute wird deshalb die Gleitkommaschreibweise auf Taschenrechnern speziell als wissenschaftliches Format (sci) bezeichnet.

Bei Rechnungen mit Gleitkommazahlen wird jede Zahl und jedes Zwischenergebnis individuell skaliert (im Gegensatz zu einer globalen Skalierung). Die Skalierung (Berechnung des Exponenten) jedes Zwischenergebnisses erfordert zusätzlichen Rechenaufwand und wurde deshalb bis weit in die 1980er Jahre nach Möglichkeit vermieden. So hatten die damaligen PCs standardmäßig keinen Gleitkommaprozessor. Ein weiterer Faktor war der höhere Speicherbedarf von Gleitkommazahlen, der nur durch Verzicht auf höhere Genauigkeit eingeschränkt werden konnte. Dementsprechend hatten zunächst nur die Höchstleistungsrechner (number cruncher) eine Gleitkommaarithmetik oder wenigstens eine Hardwareunterstützung einer Software-Gleitkommaarithmetik.

Die Wahl der Basis 10 ist willkürlich und nur dem üblichen Zehnersystem geschuldet. Gleitkommazahlen können mit beliebigen Basen dargestellt werden, im allgemeinen gilt $x = m \cdot b^e$ mit einer beliebig gewählten Basis b. Rechenanlagen verwenden b = 2 (vorherrschend), b = 16 (heute selten) oder b = 10 (z. B. für Finanzmathematik, siehe unten). Bei beliebiger Basis ist die Bedingung für normalisierte Zahlen $1 \le m < b$.

Die erste dokumentierte Verwendung der Gleitkommaschreibweise liegt etwa 2700 Jahre zurück: Im Zweistromland wurden wissenschaftliche Rechnungen mit der Basis b = 60 durchgeführt und der Exponent (eine meistens kleine ganze Zahl) einfach im Kopf mitgeführt. Dasselbe Vorgehen war bis vor kurzer Zeit bei Berechnungen mit einem Rechenschieber üblich.

Die Gleitkommadarstellung wurde in Rechenautomaten erstmals von Konrad Zuse für seine Computer Z1 und Z3 verwendet.

Darstellung

Im letzten Abschnitt wurden die grundlegenden Parameter einer Gleitkommazahl bereits vorgestellt. Es sind Basis b, Anzahl der Mantissenstellen p und Anzahl der Exponentenstellen r. Hinzu kommen weitere Parameter, die beim Rechnen die Rechenoperationen erleichtern sollen. In diesem Abschnitt werden Parameter und Bitfelder einer allgemeinen Gleitkommazahl kurz beschrieben.

Basis ${\color{Red}b}$

$2{,}997.924.58 \cdot {\color{Red}10}^8$

Ein Parameter ist die gewählte Basis b. Zahlen, die von Menschen direkt verarbeitet werden, verwenden entweder b = 10 oder b = 1000. In diesem speziellen Fall verwendet man für den Exponenten die Vorsätze Kilo=1, Mega=2, Giga=3, Tera=4 und milli=−1, mikro=−2, nano=−3, piko=−4 des internationalen Einheitensystems. Die Entfernungsangabe von Regensburg nach Würzburg mit 220 km kann daher auch in der Form 220,0 · 1000¹ m dargestellt werden.

Im Computer haben sich das Dualsystem und seine Verwandten durchgesetzt und es sind die Basen b = 2, b = 8 und b = 16 üblich. Seit der Norm für Gleitkommazahlen IEEE 754 wird in modernen Computern fast ausschließlich die Basis b = 2 verwendet.

Für die externe Schreibweise von Gleitkommazahlen im Dezimalsystem beim Computer hat sich eine Form durchgesetzt, bei der der Exponent mit dem Buchstaben e, bei einem double-Format manchmal auch mit d markiert wird.

Beispiel: Die Lichtgeschwindigkeit im Vakuum beträgt c = 2,997.924.58 · 10⁸ m/s = 2,997.924.58e8 m/s.

Mantisse ${\color{Red}m}$

${\color{Red}2{,}997.924.58} \cdot 10^8$

Die Mantisse enthält die Ziffern der Gleitkommazahl. Speichert man mehr Ziffern ab, so erhöht sich die Genauigkeit. Die Anzahl p der Mantissenziffern drückt also aus, wie exakt die Zahl approximiert wird. Dieser Gleitkommaparameter wird entweder direkt angegeben oder auch in Form der kleinsten Zahl ε beschrieben, die zu 1 addiert werden kann und ein von 1 verschiedenes Ergebnis liefert (1 + ε > 1; ε minimal!) (s. u. bei Eigenschaften).

Beispiel: Bei IEEE-754-Zahlen vom Typ Single mit der Basis b = 2 ist die Mantisse p = 23 Stellen lang. Hier ist ε = 1,19209289551e−0007.

Exponent ${\color{Red}e}$

$2{,}997.924.58 \cdot 10^{\color{Red}8}$

Der Exponent speichert die genaue Stelle des Kommas und damit die Größenordnung der Zahl. Die Anzahl r der Exponentenziffern beschränkt die Variationsmöglichkeiten des Kommas und beschreibt damit den Wertebereich der dargestellten Gleitkommazahlen. Um ein System von Gleitkommazahlen zu beschreiben, gibt man den kleinsten und den größten möglichen Exponenten an oder auch die Anzahl der Exponenten und die Verschiebung zur 0 (Bias).

Beispiel: Bei IEEE-754-Zahlen vom Typ Single mit der Basis b = 2 ist der kleinste mögliche Exponent −126 und der größte 127. Damit ist die größte in diesem System darstellbare Gleitkommazahl $\max = 1{,}1111\ldots \cdot 2^{127} \approx 3{,}4 \cdot 10^{+38}$ und die kleinste normalisierte Gleitkommazahl $\operatorname{minpos} = 1{,}00000\ldots \cdot 2^{-126} \approx 1{,}175 \cdot 10^{-38}$. Diese Größen, $\max = 3{,}4 \cdot 10^{+38}$ und $\operatorname{minpos} = 1{,}175 \cdot 10^{-38}$, beschreiben den zulässigen Wertebereich.

Normalisierung

${\color{Red}2{,}}997.924.58 \cdot 10^8$

Die Darstellung einer Gleitkommazahl ist zunächst nicht eindeutig bestimmt. Die Zahl 2 kann als $2{,}0 \cdot 10^0$ oder auch $0{,}2 \cdot 10^1$ geschrieben werden. Um die Benutzung einer eindeutig bestimmten Darstellung zu erzwingen, werden daher oft normalisierte Gleitkommazahlen verwendet, bei denen die Mantisse in einen definierten Bereich gebracht wird. Die beiden natürlichen Normalisierungsbedingungen sind $1/b \le m < 1$ und $1 \le m < b$. Die Zahl 2 würde man also bezüglich der ersten Normalisierungsbedingung als $0{,}2 \cdot 10^1$ schreiben, die Darstellung $2{,}0 \cdot 10^0$ wäre dann nicht erlaubt. Die Zahl 0 kann allerdings nicht normalisiert dargestellt werden. Das Rechnen mit normalisierten Zahlen ist einfacher, weshalb fast alle Implementatoren einer Gleitkommaarithmetik nur normalisierte Zahlen zulassen.

IEEE verwendet bei normalisierten Zahlen die Normalisierungsbedingung 1 ≤ m < 2 und erlaubt zwischen 0 und minpos zusätzlich denormalisierte (subnormale) Zahlen.

Darstellung des Exponentenvorzeichens mit oder ohne Bias B

In Gleitkommasystemen ist der Exponent eine Zahl mit Vorzeichen. Das verlangt vom Implementierer eine zusätzliche ganzzahlige Arithmetik mit Vorzeichen für Exponentenberechnungen. Dieser zusätzliche Aufwand kann vermieden werden, wenn zum Exponenten e eine feste Zahl B, der Biaswert oder Exzess, addiert wird und statt des Exponenten e die Summe E = e + B gespeichert wird. Diese Summe ist dann eine vorzeichenfreie positive Zahl. Meistens wird die Verwendung eines Bias B mit der Darstellung der 0 durch e = 0 kombiniert.

Eine heute selten anzutreffende Alternative ist die Darstellung des Exponenten im Zweierkomplement, im Einerkomplement oder als Betrags-Vorzeichenzahl.

Der Vorteil der Biased-Darstellung besteht darin, dass auf diese Weise ein Größenvergleich zwischen zwei positiven Gleitkommazahlen erleichtert wird. Es genügt, die Ziffernfolgen em, also jeweils Exponent e gefolgt von Mantisse m, lexikografisch miteinander zu vergleichen. Eine Gleitkomma-Subtraktion mit anschließendem Vergleich auf Null wäre weitaus aufwändiger. Der Nachteil der Biased-Darstellung gegenüber der Zweierkomplement-Darstellung besteht darin, dass nach einer Addition zweier Biased-Exponenten der Bias subtrahiert werden muss, um das richtige Ergebnis zu erhalten.

IEEE verwendet die Darstellung mit B=127 bei Single und B=1023 bei Double.

Vorzeichen der Zahl

Das Vorzeichen v einer Gleitkommazahl (+ oder −; auch +1 oder −1) kann immer in einem Bit kodiert werden. Meistens wird das Bit S = 0 für positive Zahlen (+) und das Bit S = 1 für negative Zahlen (−) verwendet. Mathematisch kann man schreiben v = ( − 1)^S

Kurzdarstellung der Parameter

In den letzten Jahren hat sich die folgende Kurzdarstellung der wesentlichen Parameter b, p, r und B eines Gleitkommasystems durchgesetzt. Dabei schreibt man durch Punkte getrennt die Größen 1, r, p, B und b in genau dieser Reihenfolge auf. Die 1 ist dabei die Anzahl der Vorzeichenbits. Eine IEEE-754-Single-Zahl mit 1 Vorzeichenbit, 8 Exponentenbits und 23 Mantissenbits ist also eine 1.8.23.127.2 Gleitkommazahl. Geht die Basis b und der Bias B aus dem Zusammenhang hervor, kann beides weggelassen werden und man spricht von einer 1.8.23-Gleitkommazahl.

Eine zweite gängige Schreibweise lässt das Vorzeichenbit weg und gibt nur Mantissenlänge und Exponentenlänge an: s23e8.

IEEE-754-Double-Zahlen sind 1.11.52.1023.2- oder kurz 1.11.52- oder s52e11-Gleitkommazahlen.

Hidden Bit

Bei der Darstellung normalisierter Mantissen im Binärsystem kann ein Bit eingespart werden. Da die erste Stelle einer normalisierten Zahl immer ungleich 0 ist, ist diese Stelle im Binärsystem immer gleich 1. Eine Ziffer mit dem festen Wert 1 muss nicht mehr explizit gespeichert werden, da sie implizit bekannt ist. Wird diese Möglichkeit genutzt, spricht man von einem hidden bit. Das erwähnte IEEE-Format für Gleitkommazahlen macht von dieser Einsparungsmöglichkeit Gebrauch, nicht jedoch das interne 80-Bit-Format der Intel-CPUs.

Allerdings erzwingt die Verwendung eines Hidden Bit eine gesonderte Darstellung der Null, da jede Mantisse aufgrund des Hidden Bit einen Wert >0 repräsentiert.

Eigenschaften einer Gleitkommaarithmetik

Gleitkommazahlen warten besonders für den mathematischen Laien mit einigen Überraschungen auf, die auch oft das Ergebnis von Taschenrechner- und Computerrechnungen beeinflussen. Am wichtigsten sind außer Kraft gesetzte geläufige mathematische Rechenregeln. Wer intensiv mit einem Rechenhilfsmittel arbeitet, muss diese Eigenschaften kennen. Sie gehen auf die begrenzte Genauigkeit zurück, mit der Mantisse und Exponent gespeichert werden. Die Konsequenz dieser Begrenzung wird klar, wenn man sich überlegt, dass die unendlich vielen reellen Zahlen durch sehr viele, aber in jedem Fall nur noch endlich viele Werte dargestellt werden. Man kann sich Gleitkommazahlen als lange Tabelle fester Werte vorstellen. Eine Gleitkommafunktion ordnet dann jedem Wert dieser Tabelle in ihrem Definitionsbereich einen anderen Wert dieser Tabelle zu. Analoges gilt für zwei- und mehrstellige Operationen. Im Artikel Minifloats sind diese Tabellen grafisch dargestellt.

Daraus resultiert die leichte bis absolute Ungenauigkeit der Rechnungen und die außer Kraft gesetzte Gültigkeit geläufiger mathematischer Rechenregeln.

Auslöschung

Unter Auslöschung (engl. cancellation) versteht man den Effekt, dass bei der Subtraktion fast gleich großer Zahlen das Ergebnis falsch wird.

Beispiel:

Subtrahiert man $\pi=3{,}141592653589793\ldots$ und die exakte Zahl 3,141 in einer vierstelligen Gleitkommaarithmetik (b = 10, p = 4) so erwartet der unbefangene Laie als korrekt gerundetes Ergebnis $\pi - 3{,}141 = 0{,}000592653589793 = 5{,}927\cdot 10^{-4}$.

Tatsächlich erhält man als Ergebnis $1{,}0000 \cdot 10^{-3}$: Der vierstellige gerundete Wert von $\pi=3{,}141592653589793\ldots$ ist $\pi=3{,}142\$, damit wird das Ergebnis der Rechnung zu $3{,}142 - 3{,}141 = 0{,}001 = 1{,}0000 \cdot 10^{-3}$. Zu diesem Ergebnis kommt es, da schon die Ausgangsgrößen, insbesondere π in der Gleitkommaarithmetik dargestellt sind und eben nicht exakt vorliegen. Dass das Wunschergebnis $5{,}927\cdot 10^{-4}$ und das Gleitkommaergebnis $1{,}0000 \cdot 10^{-3}$ nicht sehr viel miteinander zu tun haben, kann man sofort erkennen.

Zahlen verschiedener Größenordnung (engl.: absorption)

Die Addition bzw. Subtraktion einer betragsmäßig viel kleineren Zahl ändert die größere Zahl nicht.

Im Beispiel der vierstelligen Dezimalarithmetik (b = 10, p = 4) ändert die Addition von 1e−3 zu 1e2 am größeren Operanden nichts. Dasselbe gilt für die Subtraktion.

• 1e2 + 1e−3 = 1e2

oder

• $1{,}000\cdot 10^2 + 1{,}000\cdot 10^{-3} = 1{,}000\cdot 10^2 + 0{,}000|010\ldots \cdot 10^{2} = 1{,}000\cdot 10^2 + 0{,}000\cdot 10^{2} = 1{,}000\cdot 10^2$

Unterlauf

Da es in der Gleitkommadarstellung eine kleinste positive Zahl gibt, unterhalb derer kein Wert mehr dargestellt werden kann, wird ein Ergebnis in diesem Bereich meistens durch 0 repräsentiert. In diesem Fall spricht man von einem Unterlauf (engl. underflow). Ist das Ergebnis ein Zwischenergebnis, so wird dabei natürlich ein Wert, der verschieden von 0 ist, durch 0 ersetzt. Im Grunde ist dadurch jede Information über das Ergebnis verloren gegangen. In manchen Fällen wird die Genauigkeit des Endergebnisses davon nicht berührt, aber in anderen Fällen kann das resultierende Endergebnis auch komplett falsch sein.

Ungültigkeit des Assoziativgesetzes

• $(x + y) + z \neq x + (y + z)$ z. B.: $(10^8-10^8)+5 \neq 10^8+(-10^8+5)$
• $(x \cdot y) \cdot z \neq x \cdot (y \cdot z)$

Ungültigkeit des Distributivgesetzes

• $x \cdot (y + z) \neq (x \cdot y) + (x \cdot z)$

Lösbarkeit von Gleichungen

In einer Gleitkommaarithmetik haben manche normalerweise unlösbare Gleichungen eine Lösung. Dieser Effekt wird sogar ausgenutzt, um ein solches Gleitkommasystem zu beschreiben.

Beispiel:

Im Bereich der reellen Zahlen hat die Gleichung (1 + x) = 1 für $x\ne0$ keine Lösung.

In einer Gleitkommaarithmetik hat diese Gleichung viele Lösungen, nämlich alle Zahlen, die zu klein sind, um bei der Summe noch einen Effekt zu ergeben. Wieder mit dem Beispiel vierstelliger Dezimalzahlen (b = 10, p = 4) gilt (Der Strich | markiert die bei der Addition entfallenden Stellen):

• 1 + 1e−3 = 1,000 + 0,001|000000… = 1,000 + 0,001 = 1,001 > 1
• 1 + 1e−4 = 1,000 + 0,000|10000… = 1,000 + 0,000 = 1,000 = 1
• 1 + 2,3e−5 = 1,000 + 0,000|023000… = 1,000 + 0,000 = 1,000 = 1

Die schon oben erwähnte kleinste Zahl ε, die zu 1 addiert werden kann und ein von 1 verschiedenes Ergebnis liefert (1 + ε > 1; ε minimal!) nennt man Maschinengenauigkeit.

Konversionen

Wenn die Basis verschieden von 10 ist, müssen die Zahlen zwischen dem Gleitkommasystem der Anlage und dem Dezimalsystem konvertiert werden, um eine menschenlesbare Darstellung zu erhalten. Das wird meist schnell (und oft ungenau) programmiert. Eine schon alte und wichtige Forderung an diese Konversion ist ihre bitgenaue Umkehrbarkeit. Ein im Dezimalsystem dargestelltes Ergebnis soll wieder eingelesen werden können und bitgenau dieselbe Darstellung im Gleitkommasystem reproduzieren.

Diese Forderung ist einfach zu verstehen, einfach zu implementieren und wird trotzdem meist nicht beachtet. Eine rühmliche Ausnahme ist hier Java, das den folgenden Satz beachtet:

Satz: Man kann zeigen, dass es nicht ausreicht, die aufgrund der Mantissengenauigkeit berechnete Anzahl der Dezimalstellen aufzurunden und diese Dezimalstellen gerundet zu produzieren. Eine einzige weitere Stelle reicht jedoch aus. (Theorem 15 in [1]) Das ist der Grund, warum in der Darstellung reeller Zahlen, die von Java-Programmen produziert werden, immer eine zusätzliche und scheinbar überflüssige Stelle erscheint.

Dezimalzahlen

Schon einfache Dezimalzahlen, z. B. 0,1, können nicht mehr exakt als binäre Gleitkommazahlen dargestellt werden, da viele im Dezimalsystem abbrechende Kommazahlen im Binärsystem nicht abbrechende, periodische Zahlen sind; von diesen werden nur die ersten p Ziffern gespeichert, wodurch Ungenauigkeit entsteht. Dezimal 0,1 ist binär 0,0001100110011… In einem binären Gleitkommasystem ist also 10 · 0,1 < 1, da die 0,1 abgerundet wird und nicht den exakten Wert approximiert.

Finanzmathematik

Im großen und ganzen verhalten sich Gleitkommazahlen sehr ähnlich wie die mathematischen reellen Zahlen, die durch Gleitkommazahlen approximiert werden. Computernutzer sind heute bei abnehmendem Wissen über Numerik deshalb oft überrascht, wenn sich leichte oder gravierendere Diskrepanzen ergeben. Speziell in der Finanzmathematik werden oft Ergebnisse verlangt, die mit einer Handrechnung exakt übereinstimmen. Das geht nur mit einer dezimalen Gleitkommaarithmetik^[1] oder (bei einigen Problemen) mit einer Festkommaarithmetik.

IEEE 754 und andere Normen

Das heute häufigste und bekannteste Gleitkommasystem wurde 1985 von IEEE konzipiert und ist in den meisten Computern als Hardware- oder Softwarearithmetik vorhanden. Allerdings wurden manchmal nicht alle Forderungen der Norm IEEE 754 erfüllt (Java).

Strenggenommen sind nur die normalisierten Zahlen aus IEEE 754 Gleitkommazahlen. Die denormalisierten Zahlen sind eigentlich Festkommazahlen; diese Sonderfälle wurden für spezielle numerische Zwecke geschaffen.

IEEE 854 ist eine Norm für Gleitkomma-Dezimalzahlen. Beide Normen werden in der Revision IEEE 754r zusammengeführt und erweitert.

Gleitkommazahlen in der Digitaltechnik

Die oben erwähnten Beispiele sind im Dezimalsystem angegeben, das heißt mit einer Basis b = 10. Computer verwenden stattdessen das Binärsystem mit einer Basis b = 2. Gleitkommazahlen werden in Computern normalerweise als Folgen von 32 Bit („einfache Genauigkeit“) oder 64 Bit („doppelte Genauigkeit“) dargestellt. Manche Prozessoren erlauben auch längere Gleitkommazahlen, so kennen die von der Intel x86 Serie abgeleiteten Prozessoren (u. a. Intel Pentium und AMD Athlon) eine Gleitkommazahldarstellung mit 80 Bit für Zwischenergebnisse. Manche Systeme erlauben auch Gleitkommazahlen mit 128 Bit. Einige ältere Systeme verwendeten auch noch andere Längen wie zum Beispiel 40 Bit.

Die IEEE hat die Darstellung von Gleitkommazahlen in ihrem Standard IEEE 754 seit 1985 reglementiert; beinahe alle modernen Prozessoren folgen diesem Standard. Ausnahmen sind einige IBM-Großrechnersysteme, die VAX-Architektur und einige Supercomputer wie die von Cray.

Der Power6 von IBM ist einer der ersten Prozessoren, welche dezimale Gleitkommaarithmetik hardwaremäßig implementiert haben; die Basis ist also 10. Im folgenden wird aber nur die Basis 2 behandelt.

Die tatsächliche Darstellung im Computer besteht also aus einem Vorzeichen-Bit, einigen Mantissen-Bits und einigen Exponenten-Bits. Wobei die Mantisse meistens normiert ist und Zahlen im Intervall [1; 2[ darstellt. (Da in diesem Intervall das erste Bit mit der Wertigkeit Eins stets gesetzt ist, wird es meistens implizit angenommen und nicht gespeichert.) Der Exponent wird meistens im Biased-Format, oder auch im Zweierkomplement dargestellt. Des Weiteren werden zur Darstellung besonderer Werte (Null, Unendlich, Keine Zahl) meistens einige Exponentenwerte, zum Beispiel der größtmögliche und der kleinstmögliche Exponent, reserviert.

Eine Zahl f wird demzufolge als f = s · m · 2^e dargestellt, wobei s 1 oder −1 ist.

	IEEE 754		S/390
	Mantisse (in Bit)	Exponent (in Bit)	Mantisse (in Bit)	Exponent (in Bit)
Single	23	8	24	7
Double	52	11	56	7
Extended	nicht exakt definiert		112	7

Durch die unterschiedliche binäre Darstellung der Zahlen kann es in beiden Systemen zu Artefakten kommen. Das heißt: Zahlen, die im Dezimalsystem „rund“ erscheinen, zum Beispiel 12,45, können im Binärsystem nicht exakt dargestellt werden. Statt dessen wird ihre Binärdarstellung abgeschnitten, so dass man bei der Rückumwandlung ins Dezimalsystem den Wert 12,44999999900468785 erhält. Dieses kann in nachfolgenden Berechnungen zu unvorhergesehenen Ab- oder Aufrundungsfehlern führen.

Die oben erwähnten Artefakte sind im Binärsystem unvermeidlich, da viele Zahlen, die im Dezimalsystem exakt dargestellt werden können, im Binärsystem periodische Zahlen mit unendlich vielen Nachkommastellen sind. Sie könnten nur durch die Verwendung von BCD-kodierten Festkommazahlen vermieden werden. Binäre Gleitkommazahlen werden jedoch nach wie vor aus verschiedenen Gründen eingesetzt.

Beispiel Berechnung Gleitkommazahl

 18,410 soll in eine Gleitkommazahl umgewandelt werden, dabei nutzen wir den Single IEEE-Standard 

1. Berechnung des Exzesses

Exzess = 2(n-1)-1 (dabei ist n die Anzahl der Bits im Exponenten der Gleitkommazahl)
       = 2(8-1)-1
       = (27)-1
       = 128-1
       = 127

2. Umwandlung der Dezimalzahl in eine duale Festkommazahl ohne Vorzeichen

 Gleitkommazahl = 18,4
 
 Vorkommaanteil = 18
  18 / 2 = 9 Rest 0 (Least-Significant Bit)
   9 / 2 = 4 Rest 1
   4 / 2 = 2 Rest 0
   2 / 2 = 1 Rest 0
   1 / 2 = 0 Rest 1 (Most-Significant-Bit)
         = 10010
 
 Nachkommaanteil = 0.4
 0,4 * 2 = 0,8 → 0 (Most-Significant-Bit)
 0,8 * 2 = 1,6 → 1
 0,6 * 2 = 1,2 → 1
 0,2 * 2 = 0,4 → 0
 0,4 * 2 = 0,8 → 0
 0,8 * 2 = 1,6 → 1 (Least-Significant-Bit)
         •
         •
         •
         = 0,0110011001100110011...
 
 18,4  = 10010,011001100110011...

3. Normieren

 10010,01100110011... * 2^0 = 1,0010011001100... * 2^4

4. Berechnung des dualen Exponenten

 da 2^4 → Exponent=4
 Exponent+Exzess
        4+127 = 131
 
 131/2 = 65 Rest 1 (Least-Significant-Bit)
  65/2 = 32 Rest 1
  32/2 = 16 Rest 0
  16/2 =  8 Rest 0
   8/2 =  4 Rest 0
   4/2 =  2 Rest 0
   2/2 =  1 Rest 0
   1/2 =  0 Rest 1 (Most-Significant-Bit)
       = 10000011

5. Vorzeichen-Bit bestimmen

 Das Vorzeichen errechnet sich aus der Formel (-1)^s:
 positiv → 0
 negativ → 1
       = 0

6. Die Gleitkommazahl bilden

 1 Bit Vorzeichen + 8 Bit Exponent + 23 Bit Mantisse
 0 10000011 00100110011001100110011 → die Vorkomma-Eins wird als Hidden Bit weggelassen, da 
                                       dort immer eine 1 steht braucht man diese nicht speichern

Gleitkommazahlen in der Mathematik

In der Mathematik ist eine Gleitkommazahl ein Tupel $\left(d, [e_{\rm min}, e_{\rm max}], l \right)$, wobei d die Basis, $\left[ e_{\rm min}, e_{\rm max} \right]$ den Bereich des Exponenten und l die Länge der Mantisse darstellt.

Damit ist eine reelle Zahl x ≠ 0 darstellbar durch ein a und ein e, so dass: $a = \sum_{i=1}^l a_i \cdot d^{-i}$ und x = ad^e mit $e\in \left[e_{\rm min}, e_{\rm max} \right]$.

Hiermit ist eine mathematische Betrachtung des Rundungsfehlers möglich. Die obige Darstellung realisiert eine Projektion

$fl\colon\mathbb{R}\to \{x \in \mathbb{R}\mid\exists a, e\colon x = a d^e\}$

und damit ist der Rundungsfehler definiert als

$\frac{|x - fl(x)|}{|x|} \le \varepsilon := \frac{1}{2} d^{1-l}.$

Bei double-Werten entspricht $\varepsilon$ gerade 2 ^{− 53} (ungefähr $1{,}1 \cdot 10^{-16}$).

Berechnung einer IEEE single precision Gleitkommazahl (32-Bit-Gleitkommazahl)

Hier werden die genauen Rechenschritte vorgestellt, um eine Dezimalzahl in eine binäre Gleitkommazahl vom Typ Single nach IEEE 754 umzuwandeln. Dazu müssen nacheinander die drei Werte (Vorzeichen v (1 bit), Mantisse m und Exponent e) berechnet werden, aus denen sich die Zahl x zusammensetzt:

$x = (-1)^v \cdot m \cdot 2^e$

Vorzeichen

Je nachdem, ob die Zahl positiv oder negativ ist, ist das Vorzeichen v +1 oder −1. Ein positives Vorzeichen wird mit einem Vorzeichenbit 0 gespeichert, negative Zahlen werden durch eine 1 im Vorzeichenbit gekennzeichnet.

Alle weiteren Berechnungen erfolgen mit dem Betrag der Zahl.

Exponent

Als nächstes wird der Exponent gespeichert. Beim IEEE single-Datentyp sind dafür 8 Bit vorgesehen. Der Exponent muss so gewählt werden, dass die Mantisse einen Wert zwischen 1 und 2 erhält:

$e = \left \lfloor \log_2(|x|) \right \rfloor$

Wenn hierbei ein Wert für den Exponenten heraus kommt, der kleiner −126 oder größer 127 ist, kann die Zahl mit diesem Datentyp nicht gespeichert werden. Statt dessen wird die Zahl als 0 (Null) oder als „unendlich“ abgespeichert.

Der Wert für den Exponenten wird jedoch nicht direkt gespeichert, sondern um einen Bias-Wert erhöht, um negative Werte zu vermeiden. Bei IEEE single ist der Bias-Wert 127. Somit werden die Exponentenwerte −126…+127 als so genannte „Charakteristik“ zwischen 1…254 gespeichert. Die Werte 0 und 255 als Charakteristik sind reserviert für die speziellen Zahlenwerte „Null“, „Unendlich“ und „NaN“.

Mantisse

Die Mantisse wird nun in den verbleibenden 23 Bit abgespeichert:

$m = \left( \frac{|x|}{2^e} - 1 \right) \cdot 2^{23}$

Zahlenbeispiel mit der Zahl 11,25

Zahl = +11,25

Vorzeichen = + → 0_binär

$\mathrm{Exponent} = \left \lfloor \log_2(11{,}25) \right \rfloor = \left \lfloor 3{,}49 \right \rfloor = 3$ → 3 + 127 = 130 → 10000010_binär

$\mathrm{Mantisse} = \left( \frac{11{,}25}{2^3} - 1 \right) \cdot 2^{23} = (1{,}40625 - 1) \cdot 2^{23} = 3407872$ → 01101000000000000000000_binär

Damit ergibt sich folgende Gleitkommazahl einfacher Genauigkeit:

0 10000010 01101000000000000000000

Umkehrung

Will man aus einer Gleitkommazahl im Maschinenwort (32 Bit) eine Dezimalzahl errechnen so kann man dieses mit folgender Formel recht schnell erledigen:

$Z=(-1)^{VZ}\cdot(1{,}0+M/2^{23})\cdot 2^{E - 127}$

Berechnung einer IEEE double precision Gleitkommazahl (64-Bit-Gleitkommazahl)

Umkehrung:

Will man aus einer Gleitkommazahl im Maschinenwort (64 Bit) eine Dezimalzahl errechnen so kann man dieses mit folgender Formel recht schnell erledigen:

$Z=(-1)^{VZ}\cdot(1{,}0+M/2^{52})\cdot 2^{E - 1023}$

Beispiel:

Folgende Binärzahl mit 64-Bit soll als Gleitkommazahl interpretiert werden:

0 10001110100 0000101001000111101011101111111011000101001101001001

(das Bit ganz links ist Bit 63 und das Bit ganz rechts ist Bit 0)

Das 63. Bit repräsentiert das Vorzeichen (1 Bit), also

    VZ = 0binär = 0

Bit 62 bis 52 repräsentieren den Exponenten (11 Bit), also:

   E = 10001110100binär = 1140

Bit 51 bis 0 repräsentieren die Mantisse (52 Bit), also:

    M = 0000101001000111101011101111111011000101001101001001binär = $1{,}80848 \cdot 10^{14}$

Eingesetzt in die Formel ergibt sich als Ergebnis (Rundungswerte):

   $Z=(-1)^{0}\cdot(1{,}0+1{,}80848 \cdot 10^{14}/2^{52})\cdot 2^{1140 - 1023}=1\cdot(1{,}040156305)\cdot 2^{117}=1{,}72826 \cdot 10^{35}$

Siehe auch

• Minifloats
• Einfache Genauigkeit
• Doppelte Genauigkeit
• Vierfache Genauigkeit
• Integer (Datentyp)
• IEEE 754
• IEEE 854
• IEEE 754r
• Gleitkommazahlen in digitaler Audioanwendung

Weblinks

• Binärformate reeller Zahlen
• Robert Munafo: Survey of Floating-Point Formats – Übersicht über historische Gleitkommaformate (engl.)
• Chris Hecker: Let’s Get to the (Floating) Point – Kommen wir auf den (Gleit)punkt (engl.)
• DAVID GOLDBERG: What Every Computer Scientist Should Know About Floating-Point Arithmetic
• Gleitkommazahlen/ Binäre Zahlen in der Informatik (relativ vereinfachte Darstellung)
• Ein Applet zum Üben
• Gleitpunktzahlen-Applets

Einzelnachweise

1. ↑ IBM Corporation: General Decimal Arithmetic