误差函数表计算器

误差函数表计算器

增长中 AI Skill PRO

输入计算

数学公式

xi=初始值 x+i·步长(增量),i=0,1,…,行数−1erf(xi)=2π∫0xie−t2dt,erfc(xi)=1−erf(xi)\begin{gathered} x_i = {{\text{初始值 }x}} + i \cdot \text{步长(增量)}, \quad i = 0,1,\dots,\text{行数}-1 \\[1.5em] \operatorname{erf}(x_i) = \frac{2}{\sqrt{\pi}} \int_{0}^{x_i} e^{-t^{2}}\,dt, \qquad \operatorname{erfc}(x_i) = 1 - \operatorname{erf}(x_i) \end{gathered}
使用统计

广告

结果

误差函数表已生成
1
行  |  x 从 1 到 1
x erf(x) erfc(x)
1 0.8427007 0.1572993

报告本页错误

什么是误差函数表计算器?

这款工具可以针对一组连续的 x 值,生成高斯误差函数 \(\operatorname{erf}(x)\) 与互补误差函数 \(\operatorname{erfc}(x)\) 的数值表。误差函数广泛出现在概率论、统计学、热传导和扩散问题中。它是一个纯数学的特殊函数工具,因此在任何国家和场景下计算结果都完全一致。

两条 S 形曲线:erf 从 -1 升到 1,erfc 从 2 降到 0
erf(x) 从 -1 升到 1,而互补函数 erfc(x) 从 2 降到 0。

使用方法

只需输入三个数字:x 的初始值(即第一行的取值)、每一行依次累加的步长(增量),以及迭代次数(行数)。计算器按照 $$x_i = \text{Initial }x + i \cdot \text{Increment}, \quad i = 0,1,\dots,\text{Rows}-1$$ 依次生成各行,并输出每一行对应的 \(\operatorname{erf}(x)\) 与 \(\operatorname{erfc}(x)\)。步长可以为负数(生成递减表格),也可以为零(此时各行数值完全相同)。

计算公式

$$\operatorname{erf}(x) = \frac{2}{\sqrt{\pi}} \int_{0}^{x} e^{-t^{2}}\,dt, \qquad \operatorname{erfc}(x) = 1 - \operatorname{erf}(x)$$ 本工具采用 Abramowitz & Stegun 手册 7.1.26 节的有理函数近似公式进行计算(最大误差约为 \(1.5\times10^{-7}\));对于负数参数,则利用奇对称性 \(\operatorname{erf}(-x) = -\operatorname{erf}(x)\) 求值。

广告
钟形曲线,从 0 到 x 的曲线下面积被填充
erf(x) 与高斯曲线 e^(-t²) 从 0 到 x 之间的面积成正比。

计算示例

若初始值取 0、步长取 0.5、行数取 5,则会得到 \(x = 0、0.5、1.0、1.5、2.0\)。此时 \(\operatorname{erf}(1.0) \approx 0.8427008\),\(\operatorname{erfc}(1.0) \approx 0.1572992\),且 \(\operatorname{erf}(1.0) + \operatorname{erfc}(1.0) = 1\),正好验证了二者之和恒等于 1 的关系。

常见 erf(x) 与 erfc(x) 参考值

高斯误差函数为 \(\operatorname{erf}(x) = \frac{2}{\sqrt{\pi}}\int_0^x e^{-t^2}\,dt\),互补误差函数为 \(\operatorname{erfc}(x) = 1 - \operatorname{erf}(x)\)。下表列出了广泛使用的数值,四舍五入至 7 位小数。您可以用起始值 = 0、步长 = 0.5 和 7 行来重现该表。

x erf(x) erfc(x)
0 0.0000000 1.0000000
0.5 0.5204999 0.4795001
1 0.8427008 0.1572992
1.5 0.9661051 0.0338949
2 0.9953223 0.0046777
2.5 0.9995930 0.0004070
3 0.9999779 0.0000221

对称性:erf 是奇函数,因此 \(\operatorname{erf}(-x) = -\operatorname{erf}(x)\),进而 \(\operatorname{erfc}(-x) = 1 + \operatorname{erf}(x) = 2 - \operatorname{erfc}(x)\)。随着 x 增大,erf(x) 趋近于 1,erfc(x) 趋近于 0。

广告

erf 与 erfc 数值的解读

与正态分布的联系。 标准正态累积分布函数为

$$\Phi(z) = \tfrac{1}{2}\left[1 + \operatorname{erf}\left(\frac{z}{\sqrt{2}}\right)\right]$$

对于均值为 μ、标准差为 σ 的正态变量 X,erf(x) 是其落在均值 x·σ·√2 范围内的概率:

$$P\left(|X-\mu| \le x\,\sigma\sqrt{2}\right) = \operatorname{erf}(x)$$

示例:

  • \(\operatorname{erf}(1/\sqrt{2}) \approx 0.6827\):约 68.27% 的取值位于 ±1σ 之内。
  • \(\operatorname{erf}(2/\sqrt{2}) \approx 0.9545\):约 95.45% 的取值位于 ±2σ 之内。
  • \(\operatorname{erf}(3/\sqrt{2}) \approx 0.9973\):约 99.73% 的取值位于 ±3σ 之内。

erfc 作为尾部概率。 erfc(x) 是落在该中心区间之外的概率,即两侧尾部概率之和。以 Q(z) = 1 − Φ(z) 作为上尾概率,则 \(\operatorname{erfc}(x) = 2\,Q(x\sqrt{2})\)。例如,erfc(1/√2) ≈ 0.3173,即落在 ±1σ 之外的双侧概率。

精度说明。 许多快速实现使用有理逼近(例如 Abramowitz 和 Stegun 公式),其最大绝对误差约为 1.5×10⁻⁷。对于 erf(x) 本身,这已经足够;但当 x 较大时,erfc(x) = 1 − erf(x) 会变得非常小(erfc(3) ≈ 2.2×10⁻⁵,erfc(5) ≈ 1.5×10⁻¹²)。绝对误差 10⁻⁷ 因此会使远尾值中的大部分甚至全部有效数字失效。对于大 x 时的极小 erfc 值,应视为近似值;如果需要精确的极端尾部概率,请使用专门的高精度 erfc 例程。

常见问题

erf 的取值范围是多少? \(\operatorname{erf}(x)\) 的取值落在 \((-1, 1)\) 之间;其中 \(\operatorname{erf}(0) = 0\),\(\operatorname{erf}(+\infty) = 1\),\(\operatorname{erf}(-\infty) = -1\)。

那 erfc 呢? \(\operatorname{erfc}(x)\) 的取值落在 \((0, 2)\) 之间:\(\operatorname{erfc}(0) = 1\),\(\operatorname{erfc}(+\infty) = 0\),\(\operatorname{erfc}(-\infty) = 2\)。

最多可以生成多少行? 行数必须为正整数;为了保证输出结果便于查看,表格最多支持 2000 行。

最后更新:

数学和统计热门计算器

查看全部数学和统计计算器