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.
Töötatud näide · 0.1 + 0.2
Samm-sammult
- 0.3 = \frac{3}{10}
Add: 0.1 + 0.2 = 3/10.
- \frac{3}{10} = 0.3
Simplify.
Vastuse avalikustamine
Nüüd sina. Vali probleem, või kirjuta või joonista oma. Iga samm, pilt, vastus peidetud, kuni küsid.
Tasuta konto lisab märkmeid igale õppetunnile, ülestähenduse, oma lahendatud probleemide kohta ühes kohas ja juhendaja kohta, kellelt võid küsida selle lehekülje kohta. Matemaatika ise on avatud kõigile, allkirjastatud või mitte.
Registreeru SisselogimineSiin kasutatavad sümbolid
Koputage kõiki sümboleid, mis on mõeldud täieliku definitsiooni, pildi ja iga tähe all.
Kuidas: Floating point and error
- Add: 0.1 + 0.2 = 3/10.
- Simplify.
Küsimusi, mida inimesed küsivad
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.
Rohkem Numerical Methods
Root finding: bisection and Newton's methodNumerical integration: trapezoid and SimpsonInterpolation and Taylor approximation