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.
Przykład pracownika · 0.1 + 0.2
Krok po kroku
- 0.3 = \frac{3}{10}
Add: 0.1 + 0.2 = 3/10.
- \frac{3}{10} = 0.3
Simplify.
Odkryj odpowiedź
Teraz ty Wybierz problem, albo wpisz lub narysuj swój własny. Każdy krok, obraz, odpowiedź ukryta, dopóki nie zapytasz.
Darmowe konto dodaje notatki na każdej lekcji, zapis tego, co zakończyłeś, rozwiązane problemy w jednym miejscu, a także korepetytor, którego możesz zapytać o tę stronę. Matematyka sama jest otwarta dla wszystkich, zapisana lub nie.
Podpisz ZalogowanieSymbole używane tutaj
Dotknij dowolny symbol pełnej definicji, obrazu i co oznacza każda litera.
Jak to zrobić?: Floating point and error
- Add: 0.1 + 0.2 = 3/10.
- Simplify.
Pytania, które ludzie zadają
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.
Więcej w Numerical Methods
Root finding: bisection and Newton's methodNumerical integration: trapezoid and SimpsonInterpolation and Taylor approximation