Floating-point numbers
Introducido| English | Significado |
|---|---|
| floating-point/ˈfləʊtɪŋ pɔɪnt/ | punto flotante |
| mantissa/mænˈtɪsə/ | mantis |
| exponent/ekˈspəʊnənt/ | exponente |
| normalised/ˈnɔːməlaɪzd/ | normalizado |
| precision/prɪˈsɪʒn/ | precisión |
| rounding errors/ˈraʊndɪŋ ˈerəz/ | errores de redondeo |
| fixed-point/fɪkst pɔɪnt/ | punto fijo |
| overflow/ˌəʊvəˈfləʊ/ | desbordamiento |
| underflow/ˌʌndəˈfləʊ/ | desbordamiento inferior |
Un misil que falló por 600 metros
- El 25 de febrero de 1991, una batería Patriot en Dhahran no interceptó un misil entrante. Veintiocho soldados murieron.
- El sistema contaba el tiempo en décimas de segundo, y 0.1 no tiene representación binaria exacta: es una fracción repetitiva, truncada al ancho del registro. Cada tick perdió una fracción de un microsegundo.
- Después de cien horas funcionando, el error acumulado fue de un tercio de segundo, y en un tercio de segundo el objetivo se movió 600 metros. La aritmética era correcta en cada paso individual.
- Esta lección trata sobre el formato de punto flotante 浮点, la normalización 规格化, y los errores de aproximación que hacen posibles casos como este.
El formato
- Para almacenar números reales de tamaños muy diferentes, un ordenador utiliza una forma binaria de notación científica con dos campos: una mantisa 尾数, los dígitos significativos, y un exponente 指数, la potencia de 2 por la que multiplicar. Ambos se almacenan como complemento a dos.
- Lee la mantisa como una fracción binaria: el primer bit después del punto vale $\tfrac12$, el siguiente $\tfrac14$, luego $\tfrac18$. Por lo tanto,
0.1010000es $\tfrac12 + \tfrac18 = 0.625$. - Con exponente
00000010, eso es $+2$, el valor es $0.625 \times 2^2 = 2.5$.

Una fracción y una potencia de dos
Build a floating-point number
Flip the mantissa and exponent bits to make a value, and check whether it is normalised.
A floating-point number is stored as:
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
value = mantissa × 2^exponent — binary scientific notation, with both parts stored in two's complement.
Match each part of floating-point representation to its role.
Dificultad 2/5 · 140 monedas + un pequeño bono en el primer intento de hoy
value = mantissa × 2^exponent; normalising maximises precision; money uses fixed-point/BCD to avoid rounding.
Ejercicio resuelto: binario a decimal
- Un número tiene mantisa
10110000y exponente00000011. Encuentra su valor decimal. - El exponente es $+3$. La mantisa comienza con 1, por lo que es negativa y se lee siguiendo las reglas del complemento a dos: como
1.0110000el bit de signo vale $-1$ y los bits de fracción suman $\tfrac14 + \tfrac18 = 0.375$, por lo que la mantisa es $-1 + 0.375 = -0.625$. - $\text{number} = -0.625 \times 2^3 = -5.0$.
- El error más común es leer una mantisa negativa como si fuera positiva. Comprueba el primer bit antes de cualquier otra cosa.
A floating-point number has mantissa 10110000 and exponent 00000011. What is its denary value?
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
The mantissa starts with 1, so it is negative: $-1 + \dfrac{1}{4} + \dfrac{1}{8} = -0.625$. Times $2^{3}$ gives $-5.0$. Reading it as positive is the usual error.
Ejercicio resuelto: decimal a binario
- Almacena $+2.5$ en el mismo formato de mantisa de 8 bits y exponente de 8 bits.
- En binario, $2.5 = 10.1$. Escrito como una fracción multiplicada por una potencia de dos: $2.5 = 0.101 \times 2^2$.
- Por lo tanto, la mantisa es
01010000, un bit de signo de 0 seguido de.101rellenado con ceros, y el exponente es00000010. - Siempre escríbelo primero en la forma normalizada; luego los dos campos se leen directamente.
Written as a normalised fraction times a power of two, $2.5 = 0.101 \times 2^{n}$ (the fraction in binary). The exponent $n$ is ____.
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
$2.5$ es $10.1$ in binary; sliding the point two places left gives $0.101$, so the exponent is $2$ and the mantissa is 01010000.
Normalización
- Un número está normalizado cuando el primer bit significativo se sitúa inmediatamente después del punto binario, de modo que no hay ceros iniciales desperdiciados. Para un número positivo, la mantisa comienza con
0.1; para uno negativo, con1.0. - Por qué: maximiza la precisión 精度, porque cada bit de la mantisa transporta información en lugar de un cero inicial.
- Para normalizar, desplaza la mantisa hacia la izquierda y disminuye el exponente en el mismo número de posiciones, o desplázala hacia la derecha y aumentalo. El valor no cambia; solo su representación.

Desplazar los bits, ajustar el exponente, mantener el valor
Intercambio de bits de mantisa contra bits de exponente
- El número total de bits es fijo, por lo que los dos campos compiten.
- Más bits de mantisa significa mayor precisión: cada valor se almacena con más exactitud, con un error de redondeo menor.
- Más bits de exponente significa mayor rango: se pueden representar magnitudes mucho mayores y mucho menores, pero cada una con menos precisión.
- Una pregunta sobre el efecto de mover un bit de un campo a otro busca exactamente este intercambio: rango frente a precisión.
Normalising a floating-point number
Step through normalisation. Shifting the mantissa to remove wasted leading zeros — and adjusting the exponent to match — keeps the value the same but spends every bit on precision.
Normalising a floating-point number:
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
Normalisation shifts the mantissa so the first significant bit follows the point — every bit then carries information, and the value is unchanged.
Which are true of normalising a floating-point number? Select todos that apply.
Dificultad 2/5 · 140 monedas + un pequeño bono en el primer intento de hoy
Normalising changes only the representation. The value is unchanged; that is what adjusting the exponent guarantees.
Aproximación y sus consecuencias
- Muchas reales decimales no se pueden almacenar exactamente en binario. $0.1$ es la fracción recurrente $0.000110011\ldots$, por lo que debe truncarse: el valor almacenado es cercano a $0.1$ pero nunca igual a él.
- Los errores de redondeo 舍入误差 se acumulan a lo largo de muchas operaciones, por eso
0.1 + 0.2no es exactamente0.3y por qué el reloj del Patriot se desvió. - Así que nunca pruebes la igualdad de dos reales: escribe
ABS(x - 0.3) < 1e-9en lugar dex = 0.3. Y cuidado al restar dos valores casi iguales, ya que esto elimina la mayoría de los dígitos significativos. - Para valores que deben ser exactos, especialmente la moneda, utiliza punto fijo 定点 o BCD en su lugar.
Match each change in the bit allocation to its effect.
Dificultad 2/5 · 140 monedas + un pequeño bono en el primer intento de hoy
The word size is fixed, so precision and range trade against each other; overflow and underflow are the exponent field running out at each end.
Desbordamiento e insuficiencia
- Desbordamiento 溢出 ocurre cuando un resultado es demasiado grande para el rango del exponente, por lo que no puede representarse en absoluto.
- Insuficiencia 下溢 ocurre cuando un resultado es demasiado pequeño, tan cercano a cero que el exponente no puede bajar lo suficiente, y se redondea a cero.
- Ambas son propiedades del tamaño del campo del exponente, que es la otra mitad del intercambio anterior.
0.1 cannot be stored exactly in binary (it is a repeating fraction), so 0.1 + 0.2 does not give exactly 0.3 on a computer.
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
The tiny approximation errors add up — which is why money is handled with fixed-point or BCD, not floating-point.
For exact money calculations you should use:
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
Floating-point rounding errors are unacceptable for currency; fixed-point or BCD store decimal values exactly.
Puntos que se pierden fácilmente
- La mantisa es una fracción, no un entero: el primer bit después del punto es un medio.
- Una mantisa que comienza con 1 es negativa y sigue las reglas del complemento a dos. Verifica ese bit primero.
- La normalización maximiza la precisión; no cambia el valor, ni hace que el número sea más grande.
- Más mantisa significa precisión, más exponente significa rango. El desbordamiento es demasiado grande, la insuficiencia es demasiado pequeña.
Lo has entendido
- el punto flotante almacena $\text{mantissa} \times 2^{\text{exponent}}$, ambos en complemento a dos; la mantisa es una fracción binaria fracción
- convertir leyendo la mantisa como una fracción (complemento a dos si comienza con 1) y multiplicando por dos elevado al exponente
- normalizado significa que el primer bit significativo está inmediatamente después del punto, lo que maximiza la precisión; desplazar a la izquierda reduce el exponente
- más bits de mantisa dan precisión, más bits de exponente dan rango; el binario no puede almacenar muchas reales exactamente, así que espera errores de redondeo, compara con una tolerancia y usa punto fijo o BCD para la moneda