maths.free › Numerical Methods › Floating point and error

Floating point and error

Why 0.1 + 0.2 ≠ 0.3 on a computer, and how error propagates.

Computers store numbers in binary with ~16 significant digits; 0.1 is not representable exactly. Round-off accumulates, and subtracting nearly equal numbers destroys digits (cancellation). Picture it: 255 in binary is 11111111, and 0.1 in binary never terminates. Think it: a stable algorithm keeps error growth linear; conditioning is a property of the problem, stability of the method.

Opracovaný příklad · 0.1 + 0.2

Arithmetic · Arithmetic

Evaluate 0.1 + 0.2

0.1 + 0.2

Krok za krokem

  1. 0.3 = \frac{3}{10}

    Add: 0.1 + 0.2 = 3/10.

  2. \frac{3}{10} = 0.3

    Simplify.

Odhalte odpověď
0.3

Teď ty. Vyberte si problém, nebo zadejte nebo nakreslit vlastní. Každý krok, obrázek, odpověď skrytou, dokud se zeptáte.

Udržujte si vlastní práci

Volný účet přidává poznámky k každé lekci, záznam o tom, co jste dokončili, vaše vyřešené problémy na jednom místě, a doučování můžete požádat o tuto stránku. Matematika sama je otevřena pro každého, zaregistrované nebo ne.

Zaregistrovat se Přihlášení

Zde použité symboly

Ťukněte na jakýkoliv symbol pro úplnou definici, obrázek a co každé písmeno v něm znamená.

Jak se: Floating point and error

  1. Add: 0.1 + 0.2 = 3/10.
  2. Simplify.

Otázky, které se lidé ptají

Why not just solve exactly?

Most equations have no closed-form solution at all, and many that do are unusable in practice. A numerical method delivers as many correct digits as you need, and a good one tells you how many that is.

Why can Newton's method fail?

If it starts where the tangent is nearly flat it shoots far away; near a repeated root it slows to a crawl; and with several roots it may land on the wrong one. A bracketing method like bisection is slower but cannot fail.

Více v Numerical Methods

Root finding: bisection and Newton's methodNumerical integration: trapezoid and SimpsonInterpolation and Taylor approximation