IEEE 754中Epsilon释义及大数运算精度损失原因问询

你的猜想完全正确，核心原因就是浮点数的尾数截断误差会被指数放大，数值越大（指数越高），误差的影响越显著。

关键概念梳理 #

• Number.EPSILON：IEEE 754双精度浮点数中，能加到1上得到不同表示的最小正数，它代表了该精度下的最小相对误差阈值——如果两个数的差小于它，会被浮点数视为“相等”。
• 双精度浮点数存储规则：用64位二进制表示，其中52位是尾数（隐含1位最高有效位，共53位有效精度），11位是指数。像0.1、0.2这类十进制小数，转二进制是无限循环的，必须截断到52位尾数，这就会引入初始误差。

两个示例的误差差异分析 #

1. 第一个示例：0.1 + 0.2 - 0.3
   这三个数量级极小（10^{-1级别），对应的指数也很小（约2}-4）。虽然转二进制时都有截断误差，但误差被小指数缩放后，最终计算结果的总误差小于Number.EPSILON，所以Number.EPSILON > 计算结果返回true。

2. 第二个示例：10000.1 + 10000.2 - 20000.3
   这三个数量级是10^{4级别，对应的指数约为2}14。同样的尾数截断误差，被大指数放大后，实际的绝对误差远大于第一个示例的误差。最终计算结果的总误差超过了Number.EPSILON，所以Number.EPSILON > 计算结果返回false。

本质逻辑 #

双精度浮点数的相对误差大致固定（对应约15-17位十进制有效数字），但绝对误差会随数值大小线性增长——数值越大，相同相对误差对应的绝对误差就越大。当数值大到一定程度，原本微小的尾数截断误差会被指数放大到超过EPSILON阈值，从而表现出更明显的精度损失。

内容的提问来源于stack exchange，提问作者Ben Aston