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.

Δουλεμένο παράδειγμα · 0.1 + 0.2

Arithmetic · Arithmetic

Evaluate 0.1 + 0.2

0.1 + 0.2

Βήμα προς βήμα

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

    Add: 0.1 + 0.2 = 3/10.

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

    Simplify.

Αποκάλυψέ την.
0.3

Τώρα εσύ. Επιλέξτε ένα πρόβλημα, ή πληκτρολογήστε ή σχεδιάστε το δικό σας.

Να δουλεύεις μόνος σου.

Ένας δωρεάν λογαριασμός προσθέτει σημειώσεις σε κάθε μάθημα, ένα αρχείο του τι έχετε τελειώσει, λύθηκαν προβλήματα σας σε ένα μέρος, και ένας δάσκαλος που μπορείτε να ρωτήσετε για αυτή τη σελίδα.

Υπογράψτε Σύνδεση

Σύμβολα που χρησιμοποιούνται εδώ

Χτυπήστε οποιοδήποτε σύμβολο για τον πλήρη ορισμό, μια εικόνα, και τι σημαίνει κάθε γράμμα σε αυτό.

Πώς να: Floating point and error

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

Ερωτήσεις που κάνουν οι άνθρωποι

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.

Περισσότερα σε Numerical Methods

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