Maschinengenauigkeit

Aufgrund der endlichen Mantisse in der Gleitkommadarstellung lassen sich Zahlen auf einem Computer nicht beliebig genau darstellen. Es muss gerundet werden. Statt ${\displaystyle x}$ verwendet der Computer die Zahl ${\displaystyle \operatorname {rd} (x)}$ für die weitere Rechnung.

Falls die Rundung zur nächstgelegenen normalisierten Gleitkommazahl erfolgt (kaufmännisches Runden oder mathematisches Runden), gilt für den dabei auftretenden relativen Rundungsfehler:

${\displaystyle \left|{\frac {x-\operatorname {rd} (x)}{x}}\right|\leq \varepsilon ={\frac {1}{2}}\beta ^{1-t}}$

Dabei wird ${\displaystyle \varepsilon }$ als Maschinengenauigkeit bezeichnet. ${\displaystyle \beta }$ ist die Basis der Gleitkommadarstellung und ${\displaystyle t}$ die Mantissenlänge. Die Maschinengenauigkeit gibt also den maximalen relativen Rundungsfehler an.

Falls die Rundung zu einer der beiden benachbarten normalisierten Gleitkommazahlen erfolgt (Abrunden, Aufrunden, Rundung durch Abschneiden), gilt für den dabei auftretenden relativen Rundungsfehler:

${\displaystyle \left|{\frac {x-\operatorname {rd} (x)}{x}}\right|<2\cdot \varepsilon =\beta ^{1-t}}$

Als Beispiel soll ein Zahlensystem zur Basis 2 mit der Mantissenlänge 3 genommen werden. Das Bild zeigt die entsprechenden Gleitkommazahlen im Bereich 1 bis 8.

Die Zahl 4,2 wird in diesem System auf 4 gerundet werden. Der absolute Rundungsfehler ist dann:

${\displaystyle |x-\operatorname {rd} (x)|=|4,2-{\text{rd}}(4{,}2)|=|4{,}2-4|=0{,}2}$

Der relative Rundungsfehler ergibt sich aus:

${\displaystyle \left|{\frac {x-\operatorname {rd} (x)}{x}}\right|={\frac {0{,}2}{4{,}2}}={\frac {1}{21}}\approx 0{,}05}$

Dieser ist natürlich kleiner als die Maschinengenauigkeit für dieses Beispiel ${\displaystyle \varepsilon ={\tfrac {1}{2}}2^{1-3}={\tfrac {1}{8}}=0{,}125}$. Die Maschinengenauigkeit ist also im Allgemeinen eine sogenannte Worst-Case-Abschätzung.

Das Ergebnis einer Rechnung ist wesentlich von der Maschinengenauigkeit abhängig. Zunächst können die Eingangsdaten nicht beliebig genau dargestellt werden. Daraus resultiert ein Fehler im Ergebnis. Dieser Fehler wird über die Kondition des Problems beschrieben. Multipliziert man die Kondition mit der Maschinengenauigkeit erhält man eine Abschätzung dieses Fehlers. Die zweite Fehlerquelle entsteht aus der Ungenauigkeit des verwendeten Algorithmus. Diese Fehlerverstärkung wird als Stabilität bezeichnet. Auch hierfür lässt sich manchmal die entsprechende Stabilitätskonstante angeben. Ein schlecht konditioniertes Problem oder ein mäßig stabiler Algorithmus erfordern also eine hohe Maschinengenauigkeit oder eine geeignete Problemumformulierung beziehungsweise die Verwendung eines stabileren Algorithmus.

Heutige Computer arbeiten meist nach IEEE 754. Die Maschinengenauigkeit für die dabei verwendeten Datentypen ist ${\displaystyle \varepsilon =2^{-24}\approx 5{,}96\cdot 10^{-8}}$ für einfache Genauigkeit (single precision) und ${\displaystyle \varepsilon =2^{-53}\approx 1{,}11\cdot 10^{-16}}$ für doppelte Genauigkeit (double precision).

In der Praxis wird die Maschinengenauigkeit als kleinste positive Gleitkommazahl ${\displaystyle \varepsilon }$ ermittelt, für die auf der betreffenden Maschine die Bedingung

${\displaystyle 1+\varepsilon >1}$

erfüllt ist. Da die Zwischenergebnisse der folgenden Programme aufgrund der Verwendung von 2er Potenzen, bzw. 1.0 + 2er Potenz, entweder exakt oder gerade nicht mehr darstellbar sind, berechnen die folgenden Programme den relativen Abstand zweier Gleitkommazahlen. Die Maschinengenauigkeit bei symmetrischer Rundung ergibt sich dann aus der Hälfte des Ergebnisses.

   UMACHN = 1.0
10 UMACHN = 0.5*UMACHN
   IF ( 1.0 + 0.5*UMACHN .GT. 1.0 ) GOTO 10

10 E=1.0
20 E=0.5*E
30 IF 1.0 + 0.5*E > 1.0 THEN GOTO 20
40 PRINT "EPSILON=" E

    private static float calculateMachineEpsilonFloat() {
        float machEps = 1.0f;

        do
           machEps /= 2.0f;
        while ((float) (1.0 + (machEps / 2.0)) != 1.0);

        return machEps;
    }

function machine_epsilon: double;
var one_plus_halfepsilon: double;
begin
  Result := 1.0;
  repeat
    Result := 0.5 * Result;
    { damit das Ergebnis der Addition garantiert den richtigen Typ hat,
      wird es einer Variablen zugewiesen }
    one_plus_halfepsilon := 1.0 + 0.5 * Result;
  until one_plus_halfepsilon <= 1.0;
end;

• A. Kielbasinski, H. Schwetlick: Numerische lineare Algebra. Deutscher Verlag der Wissenschaften, 1988
• Alfio Quarteroni, Riccardo Sacco, Fausto Saleri: Numerische Mathematik 1. Springer-Verlag, 2002, ISBN 3-540-67878-6

1. Gisela Engeln-Müllges, Fritz Reutter: Formelsammlung zur Numerischen Mathematik mit Standard-FORTRAN-77-Programmen. 5. Auflage. Bibliographisches Institut, Zürich 1986, ISBN 3-411-03125-5.