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.
പ്രവര്‍ത്തിപ്പിച്ച ഉദാഹരണം · 0.1 + 0.2
പടിയിലൂടെ
- 0.3 = \frac{3}{10}
Add: 0.1 + 0.2 = 3/10.
- \frac{3}{10} = 0.3
Simplify.
ഉത്തരം വെളിപ്പെടുത്തുക
ഇപ്പോള്‍ നീ ഓരോ പടിയും ഒരു ചിത്രം ചോദിക്കുന്നതുവരെ മറഞ്ഞിരിക്കുന്ന ഉത്തരം ഒളിപ്പിച്ചുവെക്കുക.
ഒരു സ്വതന്ത്ര അക്കൗണ്ട്, നിങ്ങൾ പഠിച്ച കാര്യങ്ങൾ, നിങ്ങളുടെ പ്രശ്‌നങ്ങൾ പരിഹരിച്ചിരിക്കുന്ന പ്രശ്‌നങ്ങൾ, ഒരു സ്ഥലത്ത്‌ ഒരു ടീച്ചർ, ഈ പേജിനെ കുറിച്ച് ചോദിക്കാവുന്നതാണ്‌.
മുകളില്‍ ഒപ്പ് വയ്ക്കുക ലോഗിന്ഇവിടെ ഉപയോഗിച്ചിരിക്കുന്ന ചിഹ്നങ്ങള്‍
ഒരു പ്രത്യേക പത്രികയിൽ, ഒരു ചിത്രത്തിന്‍റെ പ്രതീകം, അതിലുള്ള എല്ലാ അക്ഷരങ്ങൾ എന്നിവയ്‌ക്കും വേണ്ടിയുള്ളതാണ്‌.
എങ്ങനെ: Floating point and error
- Add: 0.1 + 0.2 = 3/10.
- Simplify.
ആളുകൾ ചോദിക്കുന്നു
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.
കൂടുതല്‍ Numerical Methods
Root finding: bisection and Newton's methodNumerical integration: trapezoid and SimpsonInterpolation and Taylor approximation