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.
ឧទាហរណ៍ដែលបានធ្វើ · 0.1 + 0.2
ជំហានដោយជំហាន
- 0.3 = \frac{3}{10}
Add: 0.1 + 0.2 = 3/10.
- \frac{3}{10} = 0.3
Simplify.
បង្ហាញចម្លើយ
ឥឡូវអ្នក ជ្រើសបញ្ហា ឬវាយបញ្ចូល ឬគូររបស់អ្នកផ្ទាល់ ។ ជំហាននីមួយៗ រូបភាព ចម្លើយត្រូវបានលាក់រហូតដល់អ្នកសួរ ។
គណនីឥតគិតថ្លៃបន្ថែមចំណាំលើមេរៀននីមួយៗ កំណត់ហេតុនៃអ្វីដែលអ្នកបានបញ្ចប់ បញ្ហាដែលអ្នកបានដោះស្រាយនៅកន្លែងមួយ និងគ្រូដែលអ្នកអាចសួរអំពីទំព័រនេះ ។ គណិតវិទ្យាដោយខ្លួនវាគឺបើកចំហសម្រាប់អ្នកទាំងអស់គ្នា ចុះឈ្មោះចូល ឬមិនចុះឈ្មោះចូល ។
ចុះឈ្មោះ ចូលនិមិត្តសញ្ញាដែលបានប្រើនៅទីនេះ
ចុចនិមិត្តសញ្ញាណាមួយសម្រាប់ការកំណត់ពេញលេញ រូបភាព និងតួអក្សរនីមួយៗមានន័យអ្វី ។
របៀប: Floating point and error
- Add: 0.1 + 0.2 = 3/10.
- Simplify.
សំណួរដែលមនុស្សសួរ
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.
បន្ថែមទៀតក្នុង Numerical Methods
Root finding: bisection and Newton's methodNumerical integration: trapezoid and SimpsonInterpolation and Taylor approximation