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.
လုပ်ဆောင်ခဲ့သောဥပမာ · 0.1 + 0.2
ခြေလှမ်းတစ်လှမ်း
- 0.3 = \frac{3}{10}
Add: 0.1 + 0.2 = 3/10.
- \frac{3}{10} = 0.3
Simplify.
အဖြေကို ဖော်ပြပါ
အခုတော့သင် ပြဿနာတစ်ခု Pick, သို့မဟုတ် type သို့မဟုတ်သင့်ကိုယ်ပိုင်ဆွဲ. အားလုံးအဆင့်, ဓာတ်ပုံ, သင်မေးသောအခါအထိအဖြေကိုပုန်း.
တစ်ဦးအခမဲ့အကောင့်ကိုအားလုံးသင်ခန်းစာအပေါ်မှတ်စုများ adds, သင်ပြီးဆုံးခဲ့သည်ဘာ၏မှတ်တမ်း, တစ်နေရာတည်းတွင်သင်၏ဖြေရှင်းပြဿနာများကို, နှင့်သင်ဤစာမျက်နှာအကြောင်းကိုမေးနိုင်ပါတယ်ဆရာ. သင်္ချာကိုယ်လူတိုင်းအတွက်ဖွင့်, သို့မဟုတ်မဟုတ်ခဲ့.
မှတ်ပုံတင် ဝင်ရောက်မှုဒီနေရာမှာ သုံးစွဲတဲ့ သင်္ကေတများ
ပြည့်စုံသောအဓိပ္ပါယ်ဖွင့်ဆိုချက်အတွက်မည်သည့်အက္ခရာကိုမဆိုနှိပ်ပါ၊ ဓာတ်ပုံနှင့်၎င်းတွင်စာလုံးတိုင်းကိုဆိုလိုသည်ကို။
ဘယ်လို: Floating point and error
- Add: 0.1 + 0.2 = 3/10.
- Simplify.
လူတွေမေးတဲ့မေးခွန်းတွေ
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.
ပိုပြီး Numerical Methods
Root finding: bisection and Newton's methodNumerical integration: trapezoid and SimpsonInterpolation and Taylor approximation