ARITMETICA DE PUNTO FLOTANTE EN C++

CHOQUE ESTEVEZ ANDRES

MAT 156 ANALISIS MATEMATICO
PARALELO “A”; HRS: 10:00 – 12:00; MAR-JUE

RESUMEN

En esta nota se describen números en formato de punto flotante, siguiendo las especificaciones
la Norma 754 de la IEEE. Las verificaciones se realizan con c ++. En esta nota las operaciones
se realizan con valores en punto flotantes en simple precisión, es decir, que cada número se
representa con 32 bits.

ABSTRACTO

They describe numbers in format of floating point in this note, following specifications the Standard
754 of her IEEE. Verifications come true with c + +. The operations come true with floating-point
moral values in simple precision, that is, in this note that each number imagines with 32 bits.

KEY WORDS: epsilon, mantissa, representable en binario, Norma IEEE 754.

1.0. Introducción.

El estándar de la IEEE para aritmética en punto flotante (IEEE

754) es el estándar más ampliamente usado en las
operaciones computacionales de punto flotante, y es utilizada
por muchas de las implementaciones de CPU y FPUi. El
estándar define formatos para la representación de números
en punto flotante (incluyendo el cero) y valores des
normalizados. También especifica cuatro modos de
redondeo y cinco excepciones (incluyendo cuando dichas
excepciones ocurren, y que sucede en dichos momentos).
En C y C++ ofrecen una amplia variedad de tipos aritméticos.
El formato de doble precisión no es requerido por los
estándares de estos lenguajes, también, es utilizado el
formato float (excepto por el Anexi F opcional de C99 que
cubre la aritmética de la norma IEEE 754), pero en la mayoría
de los sistemas el tipo de variable double corresponde a la
doble precisión. Sin embargo, en procesadores x86 de 32 bits
con precisión extendida por defecto,
algunos compiladores pueden no cumplir con el estándar C
y/o la aritmética puede sufrir problemas de doble redondeo.
1.0.1. Objetivo general.
Estudio de la aritmética punto flotante con c++.
1.0.2. Objetivo específico.
Comprender la funcionalidad de punto flotante.
Notar la funcionalidad de punto flotante en c++.
2.0. Marco teórico.
2.0.1. Convenciones de Bit.
Figura 2.0.2.1.- Se aprecia en la figura la forma de
almacenar 32bits.
Donde S es el bit de signo y Exp es el campo exponente.
(Para el signo: 0 = Positivo; 1= Negativo). El exponente se
desplaza un bit a la derecha, ya que tiene un bit de signo.
El valor almacenado es el offset (desplazado 127) del valor
actual. El desplazamiento se realiza porque los exponentes
pueden ser valores con signo, para permitir la representación
de números pequeños (menores a 1) y grandes (mayores a
1).]
Para resolver esto, se desplaza el exponente antes de
almacenarlo, ajustando su valor en un rango sin signo para
poder compararlo con otro. Así, para un número en precisión
simple, un exponente en el rango −126 a +127 se desplaza
mediante la suma del número 127 para obtener un valor en
el rango de 1 a 254 (0 y 255 tienen significados especiales
descritos más adelante). Una vez que se realizan las
operaciones deseadas en punto flotante, se vuelve a
desplazar el número para obtener el exponente real con
signo.

Los Bits dentro de una palabra de tamaño W están indexados

por enteros en el rango 0 a W−1 inclusive. El bit cuyo índice
es 0 se sitúa a la derecha. El menor bit indexado es
normalmente el menos significativo.

2.0.2. Precisión simple 32-bits. Tabla 2.0.2.1.- Se observa en la tabla la forma

de acomodar los 32 bits.
Un número en punto flotante de precisión simple se
almacena en una palabra de 32 bits.
Las clases se distinguen principalmente por el valor del
campo Exp, siendo modificada esta por el campo fracción. Se
consideran Exp y Fracción como campos de números
binarios sin signo (Exp se encuentra en el rango 0–255):
Tabla 2.0.2.2.- Se observa en la tabla la
clasificación de valores
El valor decimal V de un número en punto flotante viene
dado por:
V = (−1) S * 2 E * M
Donde:
S = 0 (números positivos) o S = 1 (números negativos).
E = Exp − 127 (para normalizados) o E = -126 (para des
normalizados).
M = 1,Fracción (en binario para normalizados) ; en este
caso 1 ≤ M < 2,
o M = 0,Fracción (en binario para des normalizados)con lo
cual M < 1.
2.0.3. Características importantes de la Norma de punto
flotante.
1. −126 es el menor exponente para un número normalizado.
2. Hay dos ceros. +0 (S es 0) y −0 (S es 1).
3. Hay dos infinitos +∞ (S es 0) y −∞ (S es 1).
4. Los NaNs pueden tener un signo y un significando, pero
estos no tienen otro significado que el que puedan aportar en
pruebas de diagnostico; el primer bit del significando es a
menudo utilizado para distinguir los NaNs señalizados
(SnaN: Signalling Not a Number) de los NaNs silenciosos
(QNaN: Quiet Not a Number). Los primeros es utilizado
cuando el dato ingresado al sistema no tiene el formato de un
número válido especificado por la norma de punto flotante.
Los QNaN especifican que la operación realizada con las
cifras ingresadas produce un valor numérico no válido.
5. Los NaNs y los infinitos tienen todos los bits puestos a 1
en el campo Exp.
Ejemplo:
Para entender mejor lo antes dicho se codifica el número
decimal -118.625 usando el sistema de la IEEE 754. Para
esto se debe obtener el signo, el exponente y la fracción.
• Dado que es un número negativo, el signo es "1".
• Se escribe el número (sin signo) usando notación
binaria. El resultado es 1110110.101.
• Se mueve el punto decimal a la izquierda, dejando
solo un 1 a su izquierda.
1110110.101=1.110110101·26, este es un número en
punto flotante normalizado.
• La fracción es la parte que está a la derecha del punto
decimal, se llena con ceros a la derecha hasta obtener
todos los 23 bits. Es decir
11011010100000000000000.
• El exponente es 6, pero se lo debe convertir a binario
y desplazarlo (de forma tal que todos los exponentes
son solamente números binarios sin signo). Para el
formato IEEE-754 de 32 bits, el desplazamiento es
127, así es que 6 + 127 = 133. En binario, esto se
escribe como 10000101
Poniendo todo junto se tiene el número en punto flotante
normalizado:
Figura 2.0.3.1.- Se aprecia en la figura un
número en punto flotante normalizado.
2.0.4. Comparación de números en punto flotante
La comparación de números en punto flotante se realiza
generalmente usando instrucciones de punto flotante. Sin
embargo esta representación (IEEE 754) hace la
comparación de determinados subconjuntos posible byte-
por-byte, si comparten el mismo orden de bytes y el mismo
signo, y los NaN s son excluidos. Por ejemplo, para dos
números positivos a y b, a < b es cierto siempre que los
enteros binarios sin signo con los mismos patrones de bits y
el mismo orden de bytes que a y b, son también ordenados
de forma a < b. En otras palabras, dos números positivos (que
se sabe que no son NaN s) pueden ser comparados con una
comparación entre enteros binarios sin signo entre los
mismos grupos de bits, teniendo como base que los números
tienen el mismo orden de bytes.
2.0.4. Redondeo de números en punto flotante
El estándar de la IEEE tiene cuatro formas diferentes de
redondeo:
• Unbiased que redondea al número más cercano, si el
número cae en medio, este es redondeado al valor más
cercano con un valor par (cero) en su menos significativo.
Este modo es el requerido como por defecto.
• Hacia el cero
• Hacia el infinito positivo
• Hacia el infinito negativo
Operaciones matemáticas en punto flotantes. Como se ha
visto, los números en punto flotante se representan por tres
campos: significando ó fracción del significando, signo del
significando y el exponente. Las operaciones de
multiplicación y división son más fáciles de efectuar que las
de suma y resta [3], como veremos a continuación.
2.0.5. Épsilon

El épsilon es el número decimal más pequeño que, sumado

a 1, la computadora nos arroja un valor diferente de 1, es
decir, que no es redondeado.

Representa la exactitud relativa de la aritmética del

computador. La existencia del épsilon de la máquina es una
consecuencia de la precisión finita de la aritmética en coma
flotante.

Figura 3.0.2.1.- Se aprecia en la figura

el código para hallar el épsilon
Figura 2.0.5.1.- Se observa en la figura el
algoritmo para calcular el épsilon de la
máquina.[chapra,2011]

3.0. Marco experimental.

3.0.1. Introducción.

Emplearemos un lenguaje de programación para realizar las

pruebas de punto flotante, en este caso se realizara con c++
como lenguaje y Code-Blocks, como se observa en la en la
figura 3.0.1.1.

Figura 3.0.2.2.- Se aprecia la ejecución

del épsilon

El tipo de dato flotante en lenguaje C++ sólo tiene dos

tamaños: el float y el double , que son 4 bytes y 8 bytes
respectivamente. Se los puede utilizar tanto para representar
números decimales, como para representar números enteros
con un orden de magnitud muy grande.
La forma de declarar una variable flotante es escribiendo en
una línea uno de los tipos de datos flotantes y a continuación
el nombre de la variable y tal vez algún valor que se les quiera
dar.

Figura 3.0.1.1.- Se aprecia en la figura el

lenguaje y editor a utilizar.

3.0.2. Resultados y análisis.

El épsilon de la máquina (en este caso en c++) se emplea al

formular criterios de paro o de convergencia. Esto asegura
que los programas sean portátiles, es decir, que no sean
dependientes de la computadora sobre la cual se hayan
implementado. En la figura 3.0.2.1 se presenta un código que
automáticamente determina el épsilon de la máquina en una Figura 3.0.2.3.- Se observa los tipos de
computadora binaria. datos flotante (float) y doble (double)
Hay que tener en cuenta que aunque los valores flotantes son Los formatos en coma flotante sacrifican precisión en favor
más convenientes para algunas aplicaciones, hay casos en de tamaño.
los que se prefieren los enteros. Esto se debe a que los
números flotantes no necesariamente tienen soporte de 4.0. Conclusiones
hardware, en particular en las plataformas integradas. Una
alternativa que se utiliza en estas situaciones es interpretar Se pudo verificar
los enteros como decimales de forma que 150 se interprete
como 1.5 y 2345 como 23.45. 6.0. Bibliografía
Para el caso de los flotantes de 4 bytes, se utiliza 1 bit para
el signo, 7 bits para el exponente y 24 bits para el valor del
número. El procedimiento para almacenar un número en una
variable flotante es el siguiente:

1. Se convierte a binario la parte entera.

2. Se coloca el signo en el bit más significativo de la misma
manera que en los enteros (1 para el - y 0 para el +).
3. Se mueve la coma (en la representación binaria de la
parte entera) hasta que esté a la derecha del primer uno
y éste se descarta (el uno más significativo). El valor del
exponente será el número de posiciones que se movió
la coma. El exponente usa la representación de un
entero con complemento a dos.
4. Se convierte en binario la parte decimal del número. Esto
usando el peso de los bits. el bit decimal más significativo
vale 1/2, el siguiente vale 1/4, el otro 1/8, el otro 1/16 y
así hasta completar lo que falta para los 23bits del valor.
5. Se concatena todo y ese es el valor flotante
representado en memoria.

Las variables de este tipo almacenan números en formato de

coma flotante, esto es, contienen un valor de mantisa y otro
de exponente, que, para entendernos, codifican números con
decimales.
Aunque el formato en que se almacenan estos números en
un ordenador es binario, podemos ver cómo es posible
almacenar números muy grandes o muy pequeños mediante
dos enteros relativamente pequeños, usando potencias en
base 10. Por ejemplo, tenemos para la mantisa un valor
entero, m, entre -0.99 y 0.99, y para el exponente un
valor, e entre -9 y 9.

Los números se interpretan como m x 10e.

Este formato nos permite almacenar números entre -0.99 x

109 y 0.99 x 109. Es decir, entre -990000000 y 99000000.

Y también números tan pequeños como 0.01 x 10 -9 ó -0.01 x

10-9. Es decir, como 0,00000000001 ó -0,00000000001.

Esto sólo con tres dígitos decimales, más los signos. Pero en
un ordenador se usa aritmética binaria. Por ejemplo, para un
tipo float típico de 32 bits, se usa un bit de signo para la
mantisa y otro para el exponente, siete bits para el exponente
y 23 para la mantisa.

Estas variables son aptas para variables de tipo real, como

por ejemplo el cambio entre euros y dólares. O para números
muy grandes, como la producción mundial de trigo, contada
en granos.
Pero el fuerte de estos números no es la precisión, sino el
orden de magnitud, es decir lo grande o pequeño que es el
número que codifica.