Aritmética de Ponto Flutuante

texto redigido por Márcia A Gomes–Ruggiero

Entre 1970 e 1980 um grupo formado por cientistas e engenheiros de diferentes em-
presas de computação realizou um trabalho intenso na tentativa de encontrar um padrão
de representação dos números, que deveria ser adotado por todas as indústrias na cons-
trução de seus computadores. A necessidade desta padronização tinha como principal
objetivo uniformizar os resultados obtidos por um mesmo programa computacional exe-
cutado em diferentes máquinas, [1].

Esta discussão teve inı́cio em 1976, e este grupo de trabalho ficou conhecido como
IEEEp754, pois foi organizado pelo Institute for Electrical and Electronics Engineers
IEEE. Entre os fabricantes estavam Apple, Zilog, DEC, Intel, Hewlett-Packard, Motorola
e National Semiconductor. O prof. William Kahan liderava o grupo de cientistas e pelo
trabalho desenvolvido neste projeto, recebeu o prêmio Turing Prize em 1989, [1].

Este projeto tinha como metas principais:

• especificar como representar os números em precisão simples e dupla;

• padronizar o arredondamento nas operações neste sistema;

• estabelecer critérios para padronizar situações como divisão por zero, operações
envolvendo infinito.

Em 1985 o resultado deste trabalho foi publicado e ficou conhecido oficialmente como
ANSI/IEEE Std 754-1985, [2].

Representação em precisão simples e dupla

A base numérica no padrão IEEE754 é a binária. Neste padrão são adotados dois
formatos para representação de números: precisão simples e precisão dupla. (Na base
binária, um dı́gito binário é denominado bit e um byte é um conjunto de 8 bits).

Ficou estabelecido que no padrão IEEE754, em precisão simples, um número real

seria representado por 32 bits, (4 bytes), sendo que:

1
1 bit é reservado para o sinal do número (positivo ou negativo);
8 bits são reservados para o expoente da base, que é um número inteiro;
23 bits são reservados para a mantissa:

± e1 e2 . . . e8 d1 d2 . . . d23

Sobre a representação do expoente e:

os 8 bits reservados para representar o expoente devem conter também a informação do
sinal deste expoente. No padrão IEEE754, a sequência de 8 bits armazena o número
s = e + 127. Desta forma, evita–se o teste sobre o valor do bit para saber se o número
é positivo ou negativo e para recuperar o expoente, é realizada a operação e = s − 127.

Alguns exemplos: (lembrando que (127)10 = (1111111)2 ):

e = (1)10 = (1)2 é armazenado como: (1111111)2 + (1)2 = (10000000)2 ;
e = (3)10 = (11)2 é armazenado como: (1111111)2 + (11)2 = (10000010)2 ;
e = (−3)10 = −(11)2 é armazenado como: (1111111)2 − (11)2 = (01111100)2 ;
e = (52)10 = (110100)2 é armazenado como: (1111111)2 + (110100)2 = (10110011)2 .

Para obter a forma como o expoente será armazenado podemos também trabalhar
na base 10 e depois converter o resultado final. Por exemplo, se e = (52)10 iremos
armazenar (127)10 + (52)10 = (179)10 = (10110011)2 .

É importante destacar que as sequências de bits para o expoente: (00000000) e

(11111111) são reservadas para representar o zero, e infinito ou ocorrência de erro (NaN:
not a number) respectivamente.

O maior expoente é representado pela sequência (11111110)2 que, na base 10, repre-
senta o número (256 − 2)10 = (254)10 . Então o maior expoente é: 127 + e = 254 ⇒ e =
254 − 127 = 127.

O menor expoente é representado pela sequência (00000001)2 = (1)10 . Daı́ temos

que o menor expoente é: 127 + e = 1 ⇒ e = 1 − 127 = −126.

Considerando agora a representação da mantissa. Vimos que no sistema normalizado

d1 6= 0. Dado que a base é dois, teremos que o primeiro dı́gito no sistema normalizado
será sempre igual a 1 e por esta razão não é armazenado. É o denominado bit escon-
dido. Esta normalização permite um ganho na precisão, pois podemos considerar que a
mantissa é armazenada em 24 bits.

2
 Por exemplo, o número (1/8)10 = (0.125)10 = (0.001)2 será assim armazenado:

0 01111100 0000 . . . 0

pois, o expoente −3 é representando pela sequência (01111100)2 conforme vimos

anteriormente, e a mantissa tem apenas um dı́gito significativo, que é armazenado no bit
escondido, pois o sistema é normalizado. Logo, os 23 bits para a mantissa ficam iguais
a zero.

Considerando agora o número:

(0.1)10 = (0.00011001100110011 . . .)2 = (1.1001100110011 . . .)2 ∗ 2−4 .
Temos que o expoente e = (−4)10 = (100)2 será assim representado: (127)10 + (−4)10 =
(123)10 = (01111011)2 . O número (0.1)10 será armazenado como:

0 01111011 10011001100110011001100

A menor mantissa é 0.1 e o menor expoente (00000001)2 , então o menor número

positivo que pode ser armazenado é (1.000000 . . .)2 ∗ 2−126 = 2−126 ∼ 1.2 ∗ 10−38 . No
formato IEEE754 teremos este número assim representado:

0 00000001 00000000000000000000000

O maior número positivo terá como mantissa um número com 24 bits iguais a um e
como expoente (11111110)2 = (1.1111 . . . 11)2 ∗2127 = (2−2−23 )∗2127 ≈ 2128 ≈ 3.4∗1038 .
No formato IEEE754 teremos este número assim representado:

0 11111110 11111111111111111111111

Qualquer resultado acima de +3.4 ∗ 1038 ou abaixo de −3.4 ∗ 1038 resultará em ±∞

(overflow) e serão representados por:

3
 1 11111111 00000000000000000000000

0 11111111 00000000000000000000000

O zero é representado com as sequências de bits todos nulos tanto para o expoente
quanto para a mantissa:

0 00000000 00000000000000000000000

Se a sequência de bits para o expoente for nula e a sequência de bits para a mantissa
for não nula então, temos a ocorrência de números menores que 2−126 ≈ 1.2 ∗ 10−38 , que
não estarão na forma normalizada, isto é, o primeiro dı́gito da mantissa não será igual
a 1. Por exemplo:

0 00000000 1000000000000000000000

representa (2−1 ∗ 2−126 ) = 2−127 e

0 00000000 00000000000000000000001

representa (2−23 ∗ 2−126 ) = 2−149 .

Se a sequência de bits para o expoente for composta por todos dı́gitos iguais a um e a
sequência de bits para a mantissa for não nula então temos o ocorrência dos denominados
NaN: Not a Number, que representam resultados de expressões inválidas como:
0 ∗ ∞;
0/0;
∞/∞;
∞ − ∞.

Há um consenso que certas expressões, ainda que envolvam ∞ ou zero, tenham um
resultado plausı́vel, tais como:
z ∗ 0 = 0;
z/0 = +∞, se z > 0;

4
z/0 = −∞, se z < 0;
z ∗ ∞ = ∞.
∞ + ∞ = ∞.

Observamos que a justificativa para a convenção em se adotar NaN para ∞−∞ segue
do estudo de limite de sequências. Por exemplo, se duas sequências, zk e wk divergem
para +∞, então, a adição dos termos de sequência, resultará em outra sequência, tk =
zk + wk , que também diverge para +∞. Porém, se subtrairmos os termos das sequências,
tk = zk − wk , nada poderemos afirmar sobre a sequência resultante, pois o seu limite
dependerá da rapidez de convergência de cada sequência envolvida.

Em alguns casos, pode ser necessário trabalhar com precisões maiores, ou ainda,
pode ser necessário trabalhar com números bastante grandes ou muito pequenos. Para
estes casos, é conveniente trabalhar com o sistema de precisão dupla, que permite uma
precisão maior para a mantissa e também intervalos maiores para o expoente.

No sistema de precisão dupla, são reservados 64 bits (8 bytes) para armazenar um

número real, sendo que:

1 bit é reservado para o sinal do número (positivo ou negativo);

11 bits são reservados para o expoente da base, que é um número inteiro;
52 bits são reservados para a mantissa:

± e1 e2 . . . e11 d1 d2 . . . d52

Analisando os bits reservados para o expoente, e seguindo a convenção descrita an-

teriormente para a representação deste expoente, teremos que no sistema de precisão
dupla o expoente é representado por s = 1023 + e, uma vez que a sequência de 10 bits
iguais a 1 corresponde a 210 − 1 = 1023. O menor expoente no sistema de precisão dupla
é representado pela sequência de bits: 00000000001 e, portanto, e = 1 − 1023 = −1022.

E, o maior expoente representado neste sistema será dado pela sequência de bits,
11111111110, que corresponde ao número 211 −2 = 2046. Daı́, teremos 2046 = 1023+e ⇒
e = 2046 − 1023 = 1023.

O menor número positivo será: 1.00000...0∗2−1022 ≈ 2.3332∗10−302 e o maior número

positivo será: 1.1111.....1 ∗ 21023 ≈ (2 − 2−52 ) ∗ 21023 ≈ 1.7977 ∗ 10308 .

5
 Operações em Aritmética de Ponto Flutuante

Para simplificar o entendimento sobre a forma como são realizadas as operações em

ponto flutuante, vamos supor um sistema de aritmética em ponto flutuante que trabalha
com 4 dı́gitos na mantissa, na base 10, expoente e no intervalo e ∈ [−5 5].

Considerando que x = 0.9370 ∗ 104 e y = 0.1272 ∗ 102 estão representados exatamente

vamos realizar a adição de x com y e representar o valor resultante neste sistema.

A adição em ponto flutuante requer que as parcelas tenham o mesmo expoente para
que as mantissas possam ser adicionadas. Para isto, a mantissa do número de menor
expoente deve ser deslocada para a direita. Este deslocamento deve ser de um número
de casas decimais iguais à diferença entre os dois expoentes.

Considerando os números acima, temos que alinhar a mantissa de y de modo a

escrevê–lo com expoente igual a 4, desta forma, y = 0.1272 ∗ 102 = 0.001272 ∗ 104 .
Observe que neste caso, a mantissa de y não está normalizada (primeiro dı́gito é nulo) e
o número de digı́tos na mantissa é maior que 4. Por esta razão, temporariamente, y será
armazenado num acumulador de precisão dupla, pois assim, garante–se uma precisão
maior no resultado. Teremos então:

z = x + y = 0.93700000 ∗ 104 + 0.00127200 ∗ 104 = 0.93827200 ∗ 104 .

Este é o resultado exato desta operação. Dado que no sistema adotado o número de
dı́gitos na mantissa é igual a 4, o resultado z deverá ser armazenado neste sistema. Se
for usado o arredondamento, teremos, z = 0.9383 ∗ 104 e se for usado o truncamento,
teremos, z = 0.9382 ∗ 104 .

Consideremos agora a operação x + y, com x = 0.127 ∗ 103 e y = 0.97 ∗ 10−1 . A

mantissa de y deve ser deslocada 4 casas para a direita:

z = x + y = 0.12700000 ∗ 103 + 0.00009700 ∗ 103 = 0.12709700 ∗ 103 .

Armazenando z no sistema da máquina (4 dı́gitos), teremos: z = 0.1271 ∗ 103 no

arredondamento. No truncamento o resultado armazenado será z = 0.1270 ∗ 103 = x
e, neste caso, podemos constatar que a parcela y não contribuiu para o resultado final,
isto é, y atuou como elemento neutro nesta adição.

6
 A propriedade do elemento neutro na adição de números reais: (existe e é único o
número real ē tal que a + ē = 0, ∀a ∈ R), não se verifica na adição em ponto flutuante,
pois cada número representado exatamente no sistema admite um conjunto de elementos
neutros.

Considerando novamente, x = 0.9370 ∗ 104 e y = 0.1272 ∗ 102 vamos realizar a

multiplicação x∗y e armazenar o resultado neste sistema . Na operação de multiplicação,
realizamos o produto das mantissas e o expoente final da base é obtido, adicionando os
expoentes de cada parcela. Então, teremos z = (0.9370 ∗ 0.1272) ∗ 106 = 0.1191864 ∗ 106 .
E, finalmente, z = 0.1192 ∗ 106 se for efetuado o arrendodamento e z = 0.1191 ∗ 106 se
for efetuado o truncamento.

Observamos que a propriedade associativa não se verifica em aritmética de ponto

flutuante. Para exemplificar, consideremos o cálculo de w = (a ∗ b)/c onde a = 0.1000 ∗
103 , b = 0.3500 ∗ 104 e c = 0.7000 ∗ 101 .

Calculando w através da sequência de operações: t = (a ∗ b) e w = t ∗ (1/c) teremos:

a ∗ b = (0.1000 ∗ 0.3500) ∗ 103 ∗ 104 = 0.03500 ∗ 107 = 0.3500 ∗ 106 . Porém, o expoente
da base é 6, que ultrapassa o limite para o maior expoente, que é 5. Portanto, esta
sequência de operações conduz à ocorrência de overflow.

No entanto, se efetuarmos primeiramente uma divisão, por exemplo, r = b/c, tere-

mos:
r = b/c = (0.3500/0.7000) ∗ 104 ∗ 10−1 = 0.5000 ∗ 103
e, em seguida a multiplicação:

a ∗ r = (0.1000 ∗ 0.5000) ∗ 103 ∗ 103 = 0.0500 ∗ 106 = 0.5000 ∗ 105 .

Neste caso, o overflow é evitado.

7
Referências Bibliográficas

[1] M. L. Overton, Numerical Computing with IEEE Floating Point Arithmetic,

SIAM, Philadelphia, 2001.

[2] IEEE standard for binary floating–point arthmetic: ANSI/IEEE std

754–1985, 1985. Reprinted in SIGPLAN Notices, 22, pp. 9–25, 1987.
http://grouper.ieee.org.groups/754/