2.718 281 828 459 045 235 360 287 471 352 662 497 757 247 093 699 959 574 966 967 627 724 076 630 388 Converted to 64 Bit Double Precision IEEE 754 Binary Floating Point Representation Standard
Convert decimal 2.718 281 828 459 045 235 360 287 471 352 662 497 757 247 093 699 959 574 966 967 627 724 076 630 388(10) to 64 bit double precision IEEE 754 binary floating point representation standard (1 bit for sign, 11 bits for exponent, 52 bits for mantissa)
What are the steps to convert decimal number
2.718 281 828 459 045 235 360 287 471 352 662 497 757 247 093 699 959 574 966 967 627 724 076 630 388(10) to 64 bit double precision IEEE 754 binary floating point representation (1 bit for sign, 11 bits for exponent, 52 bits for mantissa)
1. First, convert to binary (in base 2) the integer part: 2.
Divide the number repeatedly by 2.
Keep track of each remainder.
We stop when we get a quotient that is equal to zero.
- division = quotient + remainder;
- 2 ÷ 2 = 1 + 0;
- 1 ÷ 2 = 0 + 1;
2. Construct the base 2 representation of the integer part of the number.
Take all the remainders starting from the bottom of the list constructed above.
2(10) =
10(2)
3. Convert to binary (base 2) the fractional part: 0.718 281 828 459 045 235 360 287 471 352 662 497 757 247 093 699 959 574 966 967 627 724 076 630 388.
Multiply it repeatedly by 2.
Keep track of each integer part of the results.
Stop when we get a fractional part that is equal to zero.
- #) multiplying = integer + fractional part;
- 1) 0.718 281 828 459 045 235 360 287 471 352 662 497 757 247 093 699 959 574 966 967 627 724 076 630 388 × 2 = 1 + 0.436 563 656 918 090 470 720 574 942 705 324 995 514 494 187 399 919 149 933 935 255 448 153 260 776;
- 2) 0.436 563 656 918 090 470 720 574 942 705 324 995 514 494 187 399 919 149 933 935 255 448 153 260 776 × 2 = 0 + 0.873 127 313 836 180 941 441 149 885 410 649 991 028 988 374 799 838 299 867 870 510 896 306 521 552;
- 3) 0.873 127 313 836 180 941 441 149 885 410 649 991 028 988 374 799 838 299 867 870 510 896 306 521 552 × 2 = 1 + 0.746 254 627 672 361 882 882 299 770 821 299 982 057 976 749 599 676 599 735 741 021 792 613 043 104;
- 4) 0.746 254 627 672 361 882 882 299 770 821 299 982 057 976 749 599 676 599 735 741 021 792 613 043 104 × 2 = 1 + 0.492 509 255 344 723 765 764 599 541 642 599 964 115 953 499 199 353 199 471 482 043 585 226 086 208;
- 5) 0.492 509 255 344 723 765 764 599 541 642 599 964 115 953 499 199 353 199 471 482 043 585 226 086 208 × 2 = 0 + 0.985 018 510 689 447 531 529 199 083 285 199 928 231 906 998 398 706 398 942 964 087 170 452 172 416;
- 6) 0.985 018 510 689 447 531 529 199 083 285 199 928 231 906 998 398 706 398 942 964 087 170 452 172 416 × 2 = 1 + 0.970 037 021 378 895 063 058 398 166 570 399 856 463 813 996 797 412 797 885 928 174 340 904 344 832;
- 7) 0.970 037 021 378 895 063 058 398 166 570 399 856 463 813 996 797 412 797 885 928 174 340 904 344 832 × 2 = 1 + 0.940 074 042 757 790 126 116 796 333 140 799 712 927 627 993 594 825 595 771 856 348 681 808 689 664;
- 8) 0.940 074 042 757 790 126 116 796 333 140 799 712 927 627 993 594 825 595 771 856 348 681 808 689 664 × 2 = 1 + 0.880 148 085 515 580 252 233 592 666 281 599 425 855 255 987 189 651 191 543 712 697 363 617 379 328;
- 9) 0.880 148 085 515 580 252 233 592 666 281 599 425 855 255 987 189 651 191 543 712 697 363 617 379 328 × 2 = 1 + 0.760 296 171 031 160 504 467 185 332 563 198 851 710 511 974 379 302 383 087 425 394 727 234 758 656;
- 10) 0.760 296 171 031 160 504 467 185 332 563 198 851 710 511 974 379 302 383 087 425 394 727 234 758 656 × 2 = 1 + 0.520 592 342 062 321 008 934 370 665 126 397 703 421 023 948 758 604 766 174 850 789 454 469 517 312;
- 11) 0.520 592 342 062 321 008 934 370 665 126 397 703 421 023 948 758 604 766 174 850 789 454 469 517 312 × 2 = 1 + 0.041 184 684 124 642 017 868 741 330 252 795 406 842 047 897 517 209 532 349 701 578 908 939 034 624;
- 12) 0.041 184 684 124 642 017 868 741 330 252 795 406 842 047 897 517 209 532 349 701 578 908 939 034 624 × 2 = 0 + 0.082 369 368 249 284 035 737 482 660 505 590 813 684 095 795 034 419 064 699 403 157 817 878 069 248;
- 13) 0.082 369 368 249 284 035 737 482 660 505 590 813 684 095 795 034 419 064 699 403 157 817 878 069 248 × 2 = 0 + 0.164 738 736 498 568 071 474 965 321 011 181 627 368 191 590 068 838 129 398 806 315 635 756 138 496;
- 14) 0.164 738 736 498 568 071 474 965 321 011 181 627 368 191 590 068 838 129 398 806 315 635 756 138 496 × 2 = 0 + 0.329 477 472 997 136 142 949 930 642 022 363 254 736 383 180 137 676 258 797 612 631 271 512 276 992;
- 15) 0.329 477 472 997 136 142 949 930 642 022 363 254 736 383 180 137 676 258 797 612 631 271 512 276 992 × 2 = 0 + 0.658 954 945 994 272 285 899 861 284 044 726 509 472 766 360 275 352 517 595 225 262 543 024 553 984;
- 16) 0.658 954 945 994 272 285 899 861 284 044 726 509 472 766 360 275 352 517 595 225 262 543 024 553 984 × 2 = 1 + 0.317 909 891 988 544 571 799 722 568 089 453 018 945 532 720 550 705 035 190 450 525 086 049 107 968;
- 17) 0.317 909 891 988 544 571 799 722 568 089 453 018 945 532 720 550 705 035 190 450 525 086 049 107 968 × 2 = 0 + 0.635 819 783 977 089 143 599 445 136 178 906 037 891 065 441 101 410 070 380 901 050 172 098 215 936;
- 18) 0.635 819 783 977 089 143 599 445 136 178 906 037 891 065 441 101 410 070 380 901 050 172 098 215 936 × 2 = 1 + 0.271 639 567 954 178 287 198 890 272 357 812 075 782 130 882 202 820 140 761 802 100 344 196 431 872;
- 19) 0.271 639 567 954 178 287 198 890 272 357 812 075 782 130 882 202 820 140 761 802 100 344 196 431 872 × 2 = 0 + 0.543 279 135 908 356 574 397 780 544 715 624 151 564 261 764 405 640 281 523 604 200 688 392 863 744;
- 20) 0.543 279 135 908 356 574 397 780 544 715 624 151 564 261 764 405 640 281 523 604 200 688 392 863 744 × 2 = 1 + 0.086 558 271 816 713 148 795 561 089 431 248 303 128 523 528 811 280 563 047 208 401 376 785 727 488;
- 21) 0.086 558 271 816 713 148 795 561 089 431 248 303 128 523 528 811 280 563 047 208 401 376 785 727 488 × 2 = 0 + 0.173 116 543 633 426 297 591 122 178 862 496 606 257 047 057 622 561 126 094 416 802 753 571 454 976;
- 22) 0.173 116 543 633 426 297 591 122 178 862 496 606 257 047 057 622 561 126 094 416 802 753 571 454 976 × 2 = 0 + 0.346 233 087 266 852 595 182 244 357 724 993 212 514 094 115 245 122 252 188 833 605 507 142 909 952;
- 23) 0.346 233 087 266 852 595 182 244 357 724 993 212 514 094 115 245 122 252 188 833 605 507 142 909 952 × 2 = 0 + 0.692 466 174 533 705 190 364 488 715 449 986 425 028 188 230 490 244 504 377 667 211 014 285 819 904;
- 24) 0.692 466 174 533 705 190 364 488 715 449 986 425 028 188 230 490 244 504 377 667 211 014 285 819 904 × 2 = 1 + 0.384 932 349 067 410 380 728 977 430 899 972 850 056 376 460 980 489 008 755 334 422 028 571 639 808;
- 25) 0.384 932 349 067 410 380 728 977 430 899 972 850 056 376 460 980 489 008 755 334 422 028 571 639 808 × 2 = 0 + 0.769 864 698 134 820 761 457 954 861 799 945 700 112 752 921 960 978 017 510 668 844 057 143 279 616;
- 26) 0.769 864 698 134 820 761 457 954 861 799 945 700 112 752 921 960 978 017 510 668 844 057 143 279 616 × 2 = 1 + 0.539 729 396 269 641 522 915 909 723 599 891 400 225 505 843 921 956 035 021 337 688 114 286 559 232;
- 27) 0.539 729 396 269 641 522 915 909 723 599 891 400 225 505 843 921 956 035 021 337 688 114 286 559 232 × 2 = 1 + 0.079 458 792 539 283 045 831 819 447 199 782 800 451 011 687 843 912 070 042 675 376 228 573 118 464;
- 28) 0.079 458 792 539 283 045 831 819 447 199 782 800 451 011 687 843 912 070 042 675 376 228 573 118 464 × 2 = 0 + 0.158 917 585 078 566 091 663 638 894 399 565 600 902 023 375 687 824 140 085 350 752 457 146 236 928;
- 29) 0.158 917 585 078 566 091 663 638 894 399 565 600 902 023 375 687 824 140 085 350 752 457 146 236 928 × 2 = 0 + 0.317 835 170 157 132 183 327 277 788 799 131 201 804 046 751 375 648 280 170 701 504 914 292 473 856;
- 30) 0.317 835 170 157 132 183 327 277 788 799 131 201 804 046 751 375 648 280 170 701 504 914 292 473 856 × 2 = 0 + 0.635 670 340 314 264 366 654 555 577 598 262 403 608 093 502 751 296 560 341 403 009 828 584 947 712;
- 31) 0.635 670 340 314 264 366 654 555 577 598 262 403 608 093 502 751 296 560 341 403 009 828 584 947 712 × 2 = 1 + 0.271 340 680 628 528 733 309 111 155 196 524 807 216 187 005 502 593 120 682 806 019 657 169 895 424;
- 32) 0.271 340 680 628 528 733 309 111 155 196 524 807 216 187 005 502 593 120 682 806 019 657 169 895 424 × 2 = 0 + 0.542 681 361 257 057 466 618 222 310 393 049 614 432 374 011 005 186 241 365 612 039 314 339 790 848;
- 33) 0.542 681 361 257 057 466 618 222 310 393 049 614 432 374 011 005 186 241 365 612 039 314 339 790 848 × 2 = 1 + 0.085 362 722 514 114 933 236 444 620 786 099 228 864 748 022 010 372 482 731 224 078 628 679 581 696;
- 34) 0.085 362 722 514 114 933 236 444 620 786 099 228 864 748 022 010 372 482 731 224 078 628 679 581 696 × 2 = 0 + 0.170 725 445 028 229 866 472 889 241 572 198 457 729 496 044 020 744 965 462 448 157 257 359 163 392;
- 35) 0.170 725 445 028 229 866 472 889 241 572 198 457 729 496 044 020 744 965 462 448 157 257 359 163 392 × 2 = 0 + 0.341 450 890 056 459 732 945 778 483 144 396 915 458 992 088 041 489 930 924 896 314 514 718 326 784;
- 36) 0.341 450 890 056 459 732 945 778 483 144 396 915 458 992 088 041 489 930 924 896 314 514 718 326 784 × 2 = 0 + 0.682 901 780 112 919 465 891 556 966 288 793 830 917 984 176 082 979 861 849 792 629 029 436 653 568;
- 37) 0.682 901 780 112 919 465 891 556 966 288 793 830 917 984 176 082 979 861 849 792 629 029 436 653 568 × 2 = 1 + 0.365 803 560 225 838 931 783 113 932 577 587 661 835 968 352 165 959 723 699 585 258 058 873 307 136;
- 38) 0.365 803 560 225 838 931 783 113 932 577 587 661 835 968 352 165 959 723 699 585 258 058 873 307 136 × 2 = 0 + 0.731 607 120 451 677 863 566 227 865 155 175 323 671 936 704 331 919 447 399 170 516 117 746 614 272;
- 39) 0.731 607 120 451 677 863 566 227 865 155 175 323 671 936 704 331 919 447 399 170 516 117 746 614 272 × 2 = 1 + 0.463 214 240 903 355 727 132 455 730 310 350 647 343 873 408 663 838 894 798 341 032 235 493 228 544;
- 40) 0.463 214 240 903 355 727 132 455 730 310 350 647 343 873 408 663 838 894 798 341 032 235 493 228 544 × 2 = 0 + 0.926 428 481 806 711 454 264 911 460 620 701 294 687 746 817 327 677 789 596 682 064 470 986 457 088;
- 41) 0.926 428 481 806 711 454 264 911 460 620 701 294 687 746 817 327 677 789 596 682 064 470 986 457 088 × 2 = 1 + 0.852 856 963 613 422 908 529 822 921 241 402 589 375 493 634 655 355 579 193 364 128 941 972 914 176;
- 42) 0.852 856 963 613 422 908 529 822 921 241 402 589 375 493 634 655 355 579 193 364 128 941 972 914 176 × 2 = 1 + 0.705 713 927 226 845 817 059 645 842 482 805 178 750 987 269 310 711 158 386 728 257 883 945 828 352;
- 43) 0.705 713 927 226 845 817 059 645 842 482 805 178 750 987 269 310 711 158 386 728 257 883 945 828 352 × 2 = 1 + 0.411 427 854 453 691 634 119 291 684 965 610 357 501 974 538 621 422 316 773 456 515 767 891 656 704;
- 44) 0.411 427 854 453 691 634 119 291 684 965 610 357 501 974 538 621 422 316 773 456 515 767 891 656 704 × 2 = 0 + 0.822 855 708 907 383 268 238 583 369 931 220 715 003 949 077 242 844 633 546 913 031 535 783 313 408;
- 45) 0.822 855 708 907 383 268 238 583 369 931 220 715 003 949 077 242 844 633 546 913 031 535 783 313 408 × 2 = 1 + 0.645 711 417 814 766 536 477 166 739 862 441 430 007 898 154 485 689 267 093 826 063 071 566 626 816;
- 46) 0.645 711 417 814 766 536 477 166 739 862 441 430 007 898 154 485 689 267 093 826 063 071 566 626 816 × 2 = 1 + 0.291 422 835 629 533 072 954 333 479 724 882 860 015 796 308 971 378 534 187 652 126 143 133 253 632;
- 47) 0.291 422 835 629 533 072 954 333 479 724 882 860 015 796 308 971 378 534 187 652 126 143 133 253 632 × 2 = 0 + 0.582 845 671 259 066 145 908 666 959 449 765 720 031 592 617 942 757 068 375 304 252 286 266 507 264;
- 48) 0.582 845 671 259 066 145 908 666 959 449 765 720 031 592 617 942 757 068 375 304 252 286 266 507 264 × 2 = 1 + 0.165 691 342 518 132 291 817 333 918 899 531 440 063 185 235 885 514 136 750 608 504 572 533 014 528;
- 49) 0.165 691 342 518 132 291 817 333 918 899 531 440 063 185 235 885 514 136 750 608 504 572 533 014 528 × 2 = 0 + 0.331 382 685 036 264 583 634 667 837 799 062 880 126 370 471 771 028 273 501 217 009 145 066 029 056;
- 50) 0.331 382 685 036 264 583 634 667 837 799 062 880 126 370 471 771 028 273 501 217 009 145 066 029 056 × 2 = 0 + 0.662 765 370 072 529 167 269 335 675 598 125 760 252 740 943 542 056 547 002 434 018 290 132 058 112;
- 51) 0.662 765 370 072 529 167 269 335 675 598 125 760 252 740 943 542 056 547 002 434 018 290 132 058 112 × 2 = 1 + 0.325 530 740 145 058 334 538 671 351 196 251 520 505 481 887 084 113 094 004 868 036 580 264 116 224;
- 52) 0.325 530 740 145 058 334 538 671 351 196 251 520 505 481 887 084 113 094 004 868 036 580 264 116 224 × 2 = 0 + 0.651 061 480 290 116 669 077 342 702 392 503 041 010 963 774 168 226 188 009 736 073 160 528 232 448;
- 53) 0.651 061 480 290 116 669 077 342 702 392 503 041 010 963 774 168 226 188 009 736 073 160 528 232 448 × 2 = 1 + 0.302 122 960 580 233 338 154 685 404 785 006 082 021 927 548 336 452 376 019 472 146 321 056 464 896;
We didn't get any fractional part that was equal to zero. But we had enough iterations (over Mantissa limit) and at least one integer that was different from zero => FULL STOP (Losing precision - the converted number we get in the end will be just a very good approximation of the initial one).
4. Construct the base 2 representation of the fractional part of the number.
Take all the integer parts of the multiplying operations, starting from the top of the constructed list above:
0.718 281 828 459 045 235 360 287 471 352 662 497 757 247 093 699 959 574 966 967 627 724 076 630 388(10) =
0.1011 0111 1110 0001 0101 0001 0110 0010 1000 1010 1110 1101 0010 1(2)
5. Positive number before normalization:
2.718 281 828 459 045 235 360 287 471 352 662 497 757 247 093 699 959 574 966 967 627 724 076 630 388(10) =
10.1011 0111 1110 0001 0101 0001 0110 0010 1000 1010 1110 1101 0010 1(2)
6. Normalize the binary representation of the number.
Shift the decimal mark 1 positions to the left, so that only one non zero digit remains to the left of it:
2.718 281 828 459 045 235 360 287 471 352 662 497 757 247 093 699 959 574 966 967 627 724 076 630 388(10) =
10.1011 0111 1110 0001 0101 0001 0110 0010 1000 1010 1110 1101 0010 1(2) =
10.1011 0111 1110 0001 0101 0001 0110 0010 1000 1010 1110 1101 0010 1(2) × 20 =
1.0101 1011 1111 0000 1010 1000 1011 0001 0100 0101 0111 0110 1001 01(2) × 21
7. Up to this moment, there are the following elements that would feed into the 64 bit double precision IEEE 754 binary floating point representation:
Sign 0 (a positive number)
Exponent (unadjusted): 1
Mantissa (not normalized):
1.0101 1011 1111 0000 1010 1000 1011 0001 0100 0101 0111 0110 1001 01
8. Adjust the exponent.
Use the 11 bit excess/bias notation:
Exponent (adjusted) =
Exponent (unadjusted) + 2(11-1) - 1 =
1 + 2(11-1) - 1 =
(1 + 1 023)(10) =
1 024(10)
9. Convert the adjusted exponent from the decimal (base 10) to 11 bit binary.
Use the same technique of repeatedly dividing by 2:
- division = quotient + remainder;
- 1 024 ÷ 2 = 512 + 0;
- 512 ÷ 2 = 256 + 0;
- 256 ÷ 2 = 128 + 0;
- 128 ÷ 2 = 64 + 0;
- 64 ÷ 2 = 32 + 0;
- 32 ÷ 2 = 16 + 0;
- 16 ÷ 2 = 8 + 0;
- 8 ÷ 2 = 4 + 0;
- 4 ÷ 2 = 2 + 0;
- 2 ÷ 2 = 1 + 0;
- 1 ÷ 2 = 0 + 1;
10. Construct the base 2 representation of the adjusted exponent.
Take all the remainders starting from the bottom of the list constructed above.
Exponent (adjusted) =
1024(10) =
100 0000 0000(2)
11. Normalize the mantissa.
a) Remove the leading (the leftmost) bit, since it's allways 1, and the decimal point, if the case.
b) Adjust its length to 52 bits, by removing the excess bits, from the right (if any of the excess bits is set on 1, we are losing precision...).
Mantissa (normalized) =
1. 0101 1011 1111 0000 1010 1000 1011 0001 0100 0101 0111 0110 1001 01 =
0101 1011 1111 0000 1010 1000 1011 0001 0100 0101 0111 0110 1001
12. The three elements that make up the number's 64 bit double precision IEEE 754 binary floating point representation:
Sign (1 bit) =
0 (a positive number)
Exponent (11 bits) =
100 0000 0000
Mantissa (52 bits) =
0101 1011 1111 0000 1010 1000 1011 0001 0100 0101 0111 0110 1001
Decimal number 2.718 281 828 459 045 235 360 287 471 352 662 497 757 247 093 699 959 574 966 967 627 724 076 630 388 converted to 64 bit double precision IEEE 754 binary floating point representation:
0 - 100 0000 0000 - 0101 1011 1111 0000 1010 1000 1011 0001 0100 0101 0111 0110 1001