基本情報 平成22年度 春期 問2：テクノロジ系に関する問題

答えは a です。

けた落ちは「ほぼ同じ大きさの数を引き算したら、有効な桁が一気に減る」現象。

例：3.14159 − 3.14158 = 0.00001。

7桁あったのに、結果は1桁分しか意味がない！上の桁が全部「打ち消し合って消える」せい。

コンピュータの計算では、有効桁数（信頼できる桁）がガクッと減って精度が落ちる原因になります。

👉 覚え方：「近い数の引き算は危険」=けた落ち。

ほかの選択肢：b オーバーフロー（範囲を超える誤差）／c 丸め誤差（四捨五入による誤差）／d 情報落ち（大きい数+小さい数で下位桁が消える別の誤差）。

なぜこれが正解か

正解は a。けた落ち（cancellation, loss of significance）は、値がほぼ等しい浮動小数点数同士の減算で、上位桁が打ち消され、有効桁数が大幅に減少する現象。例：1.234567 − 1.234566 = 0.000001、本来7桁の有効桁数が結果では1桁になる。

各選択肢の解説

• b「演算結果が最大値を超える」=オーバーフロー。アンダーフロー（最小値未満）と対。
• c「最小桁より小さい部分の四捨五入による誤差」=丸め誤差。
• d「加算で一方の数値の下位桁が結果に反映されない」=情報落ち（loss of trailing digits、桁あふれ前の桁落ち相当）。

覚え方・ひっかけ注意

浮動小数点誤差の4タイプ：けた落ち（近い数の引き算）／情報落ち（大きい数±小さい数で小さい数が消える）／丸め誤差（有限桁化）／打切り誤差（級数等の途中打切り）。「けた落ち=減算で上位が消える」「情報落ち=加算で下位が消える」と対で覚える。

理論的背景

浮動小数点数のIEEE 754標準では単精度（32bit：符号1+指数8+仮数23）、倍精度（64bit：1+11+52）でMaxima仮数桁数は約7桁・約16桁。けた落ちは数学的には自明だが計算機実装で問題となる典型例：二次方程式の解の公式 x = (-b ± √(b²-4ac)) / 2a で、b² ≫ 4ac の時 -b + √(b²-4ac) がけた落ちする。回避策は分子分母の有理化 x = -2c/(b + √(b²-4ac))。Kahanの加算法（補正項で誤差累積を防ぐ）、Welford法（オンライン分散計算）、Neumaier-Kahan-Babuska法は数値解析の重要技法。機械イプシロン（1+ε≠1となる最小ε、倍精度では約2.22×10^-16）が誤差評価の基本。

実務での使われ方

金融工学・物理シミュレーション・機械学習で数値誤差は常時の課題。自動微分（PyTorch、JAX、Tensorflowの基盤）は連鎖律を機械的に計算するが、計算順序により精度が変わる。混合精度学習（FP32とFP16/BF16/FP8の併用）はメモリ削減と速度向上を両立する深層学習の標準技法だが、けた落ち・情報落ちの管理が必須。NVIDIA H100/B100、Google TPUは専用の数値表現（TF32、BF16、FP8、INT8）でAI演算を最適化。Posit算術（Universal Number、John Gustafson提唱）は次世代の浮動小数点候補。

試験での位置づけ

FE科目Aで誤差の種類識別問題が頻出。応用情報・データサイエンティスト試験では具体的な誤差計算、IEEE 754ビット表現、補数表現、誤差伝搬の問題が出る。情報処理安全確保支援士では浮動小数点の脆弱性（CVE系の数値誤差バグ）も題材。

選択肢の発展補足

誤差の発生源と対策：けた落ち対策＝式変形で同符号化、有理化、Taylor展開／情報落ち対策＝小さい数から大きい数の順で加算、対数空間計算、log-sum-exp trick／丸め誤差累積対策＝Kahan加算、二重精度／条件数（Condition Number、入力誤差の出力への増幅率）の評価／安定アルゴリズム選択（後退安定、前進安定）。数値線形代数ではLU分解の部分ピボット選択、QR分解、SVD（特異値分解）が安定計算の基本。FE午後ではマトリクス計算問題、応用情報の理論系問題で頻出。Gradient Vanishing/Explosionは深層学習における誤差伝搬問題の現代版で、ResNetのSkipConnection、Batch Norm、LayerNorm、AdamW最適化等で対処する。