误差函数计算器
高精度计算 erf(x)、erfc(x) 及其反函数，适用于统计学、物理学和工程学。
选择函数类型，输入数值，选择小数精度，即可获得结果及公式说明。
误差函数计算器
高精度计算 erf(x)、erfc(x) 及其反函数，适用于统计学、物理学和工程学。
关于误差函数计算器
误差函数记作 erf(x)，是一种特殊数学函数；凡是涉及高斯（钟形）概率分布时，它都会自然出现。它定义为从 0 到 x 的高斯函数积分，并经过缩放，使 erf(∞) = 1。具体而言，erf(x) = (2/√π) ∫₀ˣ e^(−t²) dt。由于这个积分不能用初等函数写成闭式，计算它需要数值方法或级数展开，这正是本计算器所提供的功能。
误差函数与正态分布密切相关。若 X 是标准正态随机变量，则 X 落在 −a 与 a 之间的概率等于 erf(a/√2)。更一般地，对于均值为 μ、标准差为 σ 的正态分布，随机变量落在均值 k 个标准差范围内的概率为 erf(k/√2)。因此，erf 在统计学、假设检验和置信区间计算中频繁出现。
互补误差函数 erfc(x) = 1 − erf(x) = (2/√π) ∫ₓ^∞ e^(−t²) dt 描述尾部概率，即高斯分布在 x 以外尾部的概率质量。x 很大时，erfc(x) 远小于 1；若直接以 1 − erf(x) 计算，会因灾难性消去而损失精度。本计算器使用专用算法计算 erfc(x)，即使 x 很大、在标准浮点运算中 erf(x) 已无法与 1 区分时，仍能保持准确。
反误差函数 erf⁻¹(x) 解方程 erf(y) = x，求得 y。它定义在开区间 (−1, 1) 内。当 x = 0 时，erf⁻¹(0) = 0。随着 x 接近 ±1，erf⁻¹(x) 发散至 ±∞。该反函数用于从均匀分布随机数生成正态分布随机数，以及求解涉及正态概率的方程。反互补误差函数 erfc⁻¹(x) 解 erfc(y) = x，求得 y，定义在开区间 (0, 2) 内。
在实际工程中，误差函数出现在涉及扩散的传热问题中：半无限固体因表面温度突变产生的温度分布遵循 erf 曲线。在半导体物理中，扩散过程后的掺杂分布由 erfc 描述。在通信工程中，多种调制方案的误码率使用 erfc 表示。在质量控制和六西格玛方法中，均值为 μ、标准差为 σ 且具有规格限的过程，其缺陷概率也使用 erfc 计算。
本计算器的数值实现结合有理多项式近似和已知级数展开，在整个定义域内可实现至少 15 位有效数字的结果，精度与 Python 的 math.erf 等标准科学计算器和软件库相当或更高。
误差函数示例
四个实用案例，涵盖全部四种函数类型。
| 输入 | 结果 | 应用 |
|---|---|---|
| erf(1) | ≈ 0.84270079 | 标准正态分布约有 84.3% 位于均值的 1/√2 ≈ 0.707 个标准差以内。 |
| erfc(0.5) | ≈ 0.47950012 | 标准化单位中超过 0.5 的尾部概率；用于信号检测和质量控制。 |
| erf⁻¹(0.5) | ≈ 0.47693628 | 使 erf(x) = 0.5 的 x 值；用于生成正态随机变量。 |
| erfc(2) | ≈ 0.00467773 | 在 2 个标准化单位处，尾部概率小于 0.5%——与六西格玛质量控制相关。 |
如何使用误差函数计算器
- 选择函数类型：erf(x) 表示从中心起的累计概率，erfc(x) 表示尾部概率，erf⁻¹(x) 用于反求 erf，erfc⁻¹(x) 用于反求 erfc。
- 输入 x 值。erf 和 erfc 可使用任意实数；erf⁻¹ 使用 x ∈ (−1, 1)；erfc⁻¹ 使用 x ∈ (0, 2)。
- 在下拉列表中选择小数精度（4、6 或 8 位小数）。
- 点击“计算”查看结果及所用公式。
- 点击“重置”清空表单并计算其他误差函数值。
误差函数常见问题
什么是误差函数 erf(x)？
误差函数 erf(x) = (2/√π) ∫₀ˣ e^(−t²) dt 是一种特殊函数，给出正态随机变量落在对称区间内的概率。其值从 −1（x → −∞ 时），经过 0（x = 0 时），到 1（x → ∞ 时），且是奇函数：erf(−x) = −erf(x)。
erf 和 erfc 有什么区别？
互补误差函数 erfc(x) = 1 − erf(x) 衡量 x 以外的尾部概率。erf 在 x 很大时趋近于 1，而 erfc 趋近于 0。对于较大 x，直接计算 erfc 而不是计算 1 − erf 可避免破坏精度的灾难性消去，因为 1 − erf(3) ≈ 1 − 0.9999779 需要保留许多有效数字才会准确。
误差函数与正态分布有什么关系？
对于标准正态变量 Z，P(−a ≤ Z ≤ a) = erf(a/√2)。对于均值为 μ、标准差为 σ 的一般正态分布，P(μ − kσ ≤ X ≤ μ + kσ) = erf(k/√2)。这意味着 erf(1/√2) ≈ 0.6827 对应一个标准差内的 68.27% 数据。
反函数的有效输入范围是什么？
反误差函数 erf⁻¹(x) 定义于 x ∈ (−1, 1)：在边界处其值发散至 ±∞。反互补误差函数 erfc⁻¹(x) 定义于 x ∈ (0, 2)：x = 0 或 x = 2 时也会发散。计算器会拒绝恰好位于边界的输入，以避免未定义结果。
计算精度如何？
计算器使用 Horner 法求值的 5 次多项式近似（Abramowitz & Stegun 7.1.26），在整个实数轴上的最大绝对误差低于 1.5×10⁻⁷，并对反函数采用 Newton–Raphson 迭代优化。结果至少精确到 6–7 位有效数字，并按所选的 4–8 位小数显示四舍五入值。
哪些现实问题会用到误差函数？
误差函数用于热扩散（半无限固体中的温度曲线）、半导体制造（热扩散后的掺杂浓度曲线由 erfc 描述）、通信工程（BPSK/QPSK 调制的误码率使用 erfc）、六西格玛质量控制（缺陷概率 = erfc(z/√2)/2）和量化金融（Black-Scholes 模型使用可用 erf 表示的正态累积分布函数）。这些领域都依赖一个事实：高斯积分无法写成闭式，因此 erf 函数族提供了从积分定义到实际计算的标准数值桥梁。