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.

Voorbeeld van werk · 0.1 + 0.2

Arithmetic · Arithmetic

Evaluate 0.1 + 0.2

0.1 + 0.2

Stap voor stap

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

    Add: 0.1 + 0.2 = 3/10.

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

    Simplify.

Onthul het antwoord
0.3

Nu jij. Kies een probleem, type of teken je eigen. Elke stap, een foto, het antwoord verborgen totdat je het vraagt.

Blijf jezelf aan het werk

Een gratis account voegt notities toe bij elke les, een record van wat je klaar bent, je problemen opgelost op één plaats, en een leraar die je kunt vragen over deze pagina. De wiskunde zelf is open voor iedereen, ingelogd of niet.

Aanmelden Aanmelden

Hier gebruikte symbolen

Tik op elk symbool voor de volledige definitie, een afbeelding en wat elke letter erin betekent.

Hoe: Floating point and error

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

Vragen die mensen stellen

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.

Meer in Numerical Methods

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