Teoria Degli Errori PDF

Appunti di
Teoria degli Errori

Novembre 2005 - Febbraio 2006

Pier Francesco Costantini

Dispensa: Teoria degli Errori Autore: Pier Francesco Costantini
2
Nella stesura dei capitoli 1, 2 e 3 ho seguito limpostazione, per me molto efficace,
proposta dal prof. Ugo Bartorelli, insigne collaboratore dellI.G.M. e docente di Geodesia e
Topografia nelle Universit di Roma e Padova, nel suo trattato di Topografia. Al suo testo, peraltro
non facilmente reperibile a distanza di una trentina di anni, rimando per ulteriori approfondimenti.
Il capitolo 4 ha, invece, unimpostazione originale, nel senso che non lho trovata da
nessunaltra parte (non che lho inventata io), ma efficace nellapplicazione delle tecniche di
soluzione numerica oggi facilmente implementabili in codici di calcolo automatico. Trattazioni
diverse sono reperibili nel testo gi citato.
Mi aspetto che in Internet si trovi qualcosa, anche se io non ho trovato nulla che non siano
banalit o articoli o molto superficiali o estremamente settoriali; trattati di Teoria degli Errori sono
reperibili nelle librerie universitarie.
Il capitolo 5 in realt unappendice: contiene una serie di formule per la determinazione
della propagazione degli errori di misura in casi geometrici semplici.

1
Sommario

0. Premessa 0-1
1. Nozioni di calcolo delle probabilit 1-1
1.1. Definizioni ......................................................................................................................... 1-1
1.1.1. Probabilit ........................................................................................................................ 1-1
1.1.2. Frequenza ........................................................................................................................ 1-3
1.2. Prove ripetute................................................................................................................... 1-5
1.3. Curva di Gauss................................................................................................................. 1-7
1.3.1. Caratteristiche della curva di Gauss................................................................................. 1-7
1.4. Dispersione degli scarti .................................................................................................. 1-10
2. Trattamento dei dati osservati 2-1
2.1. Classificazione degli errori................................................................................................ 2-1
2.1.1. Errori delle osservazioni ................................................................................................... 2-1
2.1.1.1. Errori grossolani ............................................................................................................... 2-2
2.1.1.2. Errori sistematici ............................................................................................................... 2-2
2.1.1.3. Errori accidentali............................................................................................................... 2-3
2.1.2. Analogia tra un sistema di osservazioni e un'esperienza di prove ripetute....................... 2-4
2.2. Caso delle misure della stessa classe.............................................................................. 2-6
2.2.1. Valore pi probabile della misura diretta di una grandezza.............................................. 2-6
2.2.2. Attendibilit del valore pi probabile della misura diretta di una grandezza...................... 2-7
2.2.2.1. In funzione degli errori veri ............................................................................................... 2-8
2.2.2.2. In funzione degli scarti.................................................................................................... 2-10
2.2.2.3. Tolleranza....................................................................................................................... 2-13
2.2.3. Precisione ed esattezza ................................................................................................. 2-14
2.2.4. Presentazione del risultato di una misura....................................................................... 2-16
2.3. Caso delle misure di classe diversa ............................................................................... 2-19
2.3.1. Valore pi probabile della misura diretta di una grandezza............................................ 2-20
2.3.1.1. Primo modo.................................................................................................................... 2-20
2.3.1.2. Secondo modo ............................................................................................................... 2-21
2.3.2. Attendibilit del valore pi probabile della misura diretta di una grandezza.................... 2-22
3. Misura indiretta delle grandezze 3-1
3.1. Errore medio di una grandezza funzione lineare di altre grandezze................................. 3-1
3.2. Errore medio di una grandezza funzione qualsiasi di altre grandezze.............................. 3-4
2
4. Trattamento di misure sovrabbondanti 4-1
4.1. Caso di funzioni tutte lineari ............................................................................................. 4-3
4.2. Caso di funzioni qualsiasi ................................................................................................. 4-6
5. APP. 1: Formulario per il calcolo della propagazione degli errori 5-1
5.1. Formula generale nella teoria dei minimi quadrati ............................................................ 5-1
5.2. Formule per problemi specifici .......................................................................................... 5-1
5.2.1. Somma algebrica.............................................................................................................. 5-1
5.2.2. Teorema dei seni.............................................................................................................. 5-1
5.2.2.1. Dati 1 lato e 2 angoli......................................................................................................... 5-1
5.2.2.2. Dati 2 lati e 1 angolo adiacente ........................................................................................ 5-2
5.2.3. Teorema di Carnot............................................................................................................ 5-2
5.2.3.1. Dati i tre lati ...................................................................................................................... 5-2
5.2.3.2. Dati 2 lati e langolo compreso ......................................................................................... 5-2
5.2.4. Calcolo dellarea............................................................................................................... 5-2
5.2.4.1. Dati 2 lati e langolo compreso ......................................................................................... 5-2
5.2.4.2. Dati 1 lato e i 2 angoli adiacenti........................................................................................ 5-3
5.2.4.3. Mediante la formula di Erone............................................................................................ 5-3
5.2.4.4. Mediante la formula di Gauss........................................................................................... 5-3
5.2.5. Conversione coordinate.................................................................................................... 5-4
5.2.5.1. Polari > Cartesiane......................................................................................................... 5-4
5.2.5.2. Cartesiane > Polari ......................................................................................................... 5-4
5.3. Soluzione completa di un triangolo................................................................................... 5-5
5.3.1. Dati i 3 lati......................................................................................................................... 5-5
5.3.2. Dati 2 lati e langolo compreso.......................................................................................... 5-6
5.3.3. Dati 2 lati e 1 angolo adiacente ........................................................................................ 5-7
5.3.4. Dati 2 lati e 1 angolo adiacente ........................................................................................ 5-7
5.3.5. Dati 1 lato e 2 angoli non adiacenti................................................................................... 5-8
5.3.8. Esempio numerico.......................................................................................................... 5-10
0-1
0. 0. 0. 0. Premessa Premessa Premessa Premessa
Misurare un'operazione assai corrente nella nostra vita; consente di associare ad una
certa grandezza un numero per averne una valutazione matematica e quindi obiettiva.
Ma nell'eseguire una misura siamo consapevoli di commettere errori di varia natura che
approfondiremo nel seguito: utilizzando una terminologia ancora generica si va da imprecisioni, per
esempio dovute agli strumenti o all'imperizia dell'operatore, a veri e propri sbagli da parte dell'ope-
ratore.
Parallelamente alla valutazione numerica della grandezza siamo interessati ad un'altra
valutazione che nella pratica tecnica riveste una notevolissima importanza: l'attendibilit della valu-
tazione predetta. Si tratta, intuitivamente, di una nozione di fiducia da assegnare all'orologio, al
metro, alla bilancia, ai pi diversi strumenti e condizioni di misura.
Per rispondere a queste necessit stata formulata la Teoria degli Errori (T.d.E.) che:
studia la natura degli errori che ricorrono nella pratica applicativa;
deduce i procedimenti e le caratteristiche degli strumenti per ridurli al minimo
considerando, ovviamente, gli scenari operativi ed economici (minimo impegno per
ottenere valutazioni sufficienti allo scopo della misura);
sviluppa le tecniche per il trattamento dei dati misurati al fine di pervenire a:
misura della grandezza;
attendibilit della misura fornita.
La Teoria degli Errori si suddivide in tre macro capitoli, corrispondentemente alle situazioni
correnti:
trattamento di dati osservati: si tratta delle operazioni pi comuni e ricorrenti da
effettuare quando di una grandezza sono state effettuate pi misure (e questo
sempre raccomandabile). A questo capitolo necessario premettere un lungo capitolo
dedicato al calcolo delle probabilit che si rivela fondamentale per la comprensione
delle tecniche di trattamento dei dati osservati;
trattamento di misure indirette: da espletare tutte le volte che una grandezza
determinata mediante relazioni matematiche avendo come dati di partenza misure
dirette di cui sono noti i valori e l'attendibilit; questo capitolo si occupa essenzialmente
della propagazione degli errori delle misure rilevate nelle misure derivate;
trattamento di misure condizionate: tutte le volte che in un insieme di misure
disponiamo di dati sovrabbondanti, per cui sono note a priori relazioni tra i dati
0-2
(relazioni che non sono sicuramente soddisfatte in modo esatto dalle misure
disponibili), sorge il problema di derivare, considerando tutte le informazioni disponibili,
il valore e l'attendibilit di ogni grandezza in relazione alle altre note.

Una conseguenza non irrilevante di questo studio l'acquisizione di un linguaggio non
ambiguo e pienamente significante per concetti e situazioni reali e una sensibilit fisico-matematica
per l'operazione di misura, gli strumenti e gli oggetti; entrambe queste caratteristiche devono essere
possedute e coltivate dal tecnico.

1-1
1. 1. 1. 1. Nozioni di calcolo delle probabilita Nozioni di calcolo delle probabilita Nozioni di calcolo delle probabilita Nozioni di calcolo delle probabilita
necessario premettere alcuni paragrafi sul calcolo delle probabilit in quanto sugli svi-
luppi di questa branca della Matematica poggeranno gran parte delle tecniche di trattamento dei dati
osservati.

Prevedere l'evento che si verifica in conseguenza di un atto o di un insieme di circostanze
una delle massime aspirazioni dell'uomo; la conoscenza di leggi, matematicamente dimostrate o
statisticamente provate, consente talvolta di prevedere l'esito (e anche di modificarlo); ma molto pi
spesso le cause agenti sono talmente tante e tali da rendere praticamente impossibile ogni predizio-
ne: si dice allora che il fenomeno governato dal caso.
1.1. Definizioni
Premettiamo alcune definizioni da ben ricordare per il seguito.
Ci limiteremo a considerare solo quegli eventi il cui esito possibile in numero finito, ov-
viamente intero, che chiameremo numero di casi possibili. Tra tutti i casi possibili, alcuni saranno
definiti eventi attesi e sono quelli che chiameremo casi favorevoli, e che attendiamo si verifichino
nell'eseguire fisicamente una prova.
1.1.1. Probabilit
La probabilit matematica p di un evento il rapporto tra il numero dei casi favorevoli, o
eventi attesi, a e quello dei casi possibili n:
p = a / n
essendo ovviamente a n ed entrambi positivi, si avr sempre:
0. p 1.
ovviamente se a = 0 anche p = 0. e si ha l'impossibilit dell'evento;
al contrario se a = n allora p = 1. e si ha la certezza dell'evento.
Nei casi intermedi si usano altre locuzioni: inverosimile, incerto e verosimile, rispettiva-
mente, per p < 1/2, p = 1/2 e p > 1/2.

1-2
Esempio:
Evento: lancio di una dado: n = 6 (facce del dado)
esaminiamo diversi eventi attesi:
1. evento atteso: uscita del numero 3 a = 1 (solo la faccia 3)
2. probabilit matematica: p = 1 / 6 = 0.167 evento inverosimile
3. evento atteso: uscita di un numero pari a = 3 (facce possibili 2, 4, 6)
4. probabilit matematica: p = 3 / 6 = 0.5 evento incerto
5. evento atteso: uscita di un numero 4 a = 3 (facce possibili 1, 2, 3, 4)
6. probabilit matematica: p = 4 / 6 = 0.667 evento verosimile
7. evento atteso: uscita del numero 9 a = 0 (nessuna faccia possibile)
8. probabilit matematica: p = 0 / 6 = 0. evento impossibile
9. evento atteso: uscita di un numero 10 a = 6 (tutte le facce possibili)
10. probabilit matematica: p = 6 / 6 = 1. evento certo

L'evento atteso non si verifica solo quando si presenta almeno uno dei casi sfavorevoli b
che sono in numero di (n a). Si dice allora che si presentato l'evento contrario o caso sfavore-
vole. La probabilit matematica q dell'evento contrario vale dunque:
q = (n a) / n
essendo anche b n e positivo, si avr sempre:
0. q 1.
e anche:
p + q = 1.
ossia:
q = 1. - p
Anche intuitivamente, infatti, abbiamo la certezza a priori che in ogni prova o si presenta
l'evento atteso o l'evento contrario, essendo tra loro incompatibili e insieme esaustivi di tutte le pos-
sibilit.
La probabilit composta pc di un evento, il cui verificarsi condizionato dal verificarsi di s
eventi tutti necessari e tra loro indipendenti, ciascuno di probabilit pi, dato da:
pc = p1 p2 p3 ... ps
La probabilit totale pt di un evento, il cui verificarsi condizionato dal verificarsi di uno
qualsiasi di r eventi tra loro indipendenti, ciascuno di probabilit pi, dato da:
pt = p1 + p2 + p3 + ... + pr
1-3
Quest'ultima espressione cade in difetto quando pt 1. Per esprimere correttamente la
probabilit totale necessario considerare la probabilit composta dell'evento contrario:
pt = 1. - qc
Poich, manifestamente, il presentarsi dell'evento contrario condizionato dal fatto che in
ogni prova non si verifichi l'evento atteso. Possiamo dunque scrivere:
qc = q1 q2 q3 ... qr
pt = 1. - (1 p1) (1 p2) (1 p3) ... (1 pr)
ed sempre:
pt 1

Esempio:
Evento: lancio di una dado 3 volte:
esaminiamo diversi eventi attesi:
1. evento atteso: uscita del numero 1 per tutti i lanci a = 1 (solo la faccia 1)
2. probabilit matematica per ciascun lancio: pi = 1 / 6
pc = p1 p2 p3 = 1 / 6 1 / 6 1 / 6 = 1 / 216 = 0.00463 evento molto inverosimile;
3. evento atteso: uscita di un numero pari per tutti i lanci a = 3 (facce possibili 2, 4, 6)
4. probabilit matematica per ciascun lancio: pi = 1 / 2
pc = p1 p2 p3 = 1 / 2 1 / 2 1 / 2 = 1 / 8 = 0.125 evento inverosimile, ma non tanto pi che l'uscita di un dato
numero in 1 lancio;
5. evento atteso: uscita almeno una volta del numero 2 a = 1 (solo la faccia 2)
probabilit matematica dell'evento atteso per ciascun lancio: pi = 1 / 6
pt = p1 + p2 + p3 = 1 / 6 + 1 / 6 + 1 / 6 = 1 / 2 = 0.5
probabilit matematica dell'evento contrario per ciascun lancio: qi = 5 / 6
pt = 1. - (1 p1) (1 p2) (1 p3) = 1. - (1 1 / 6) (1 1/ 6 ) (1 1 / 6 ) = 125 / 216 = 0.579 che un po'
maggiore di 0.5;
6. evento atteso: uscita almeno una volta di un numero pari a = 3 (facce possibili 2, 4, 6)
probabilit matematica dell'evento atteso per ciascun lancio: pi = 1 / 2
pt = p1 + p2 + p3 = 1 / 2 + 1 / 2 + 1 / 2 = 3 / 2 = 1.5 risultato palesemente inaccettabile perch maggiore di 1.
probabilit matematica dell'evento contrario per ciascun lancio: qi = 1 / 2
pt = 1. - (1 p1) (1 p2) (1 p3) = 1. - (1 1 / 2) (1 1/ 2 ) (1 1 / 2 ) = 7 / 8 = 0.875 che minore di 1.
1.1.2. Frequenza
Sperimentiamo praticamente il verificarsi di un evento atteso provandolo n volte; se l'even-
to si manifesta c volte, definiamo la sua frequenza come:
1-4
f = c / n
essendo per forza c n si avr sempre:
0 f 1
Ripetendo pi volte la serie di n prove, si trover, in pratica, ogni volta una frequenza di-
versa per lo stesso evento atteso e, generalmente, diversa dalla probabilit matematica a priori.
L'esperienza per dimostra che la frequenza di un evento, quando grande il numero di
prove si approssima sensibilmente alla probabilit matematica dell'evento, e tanto pi quanto pi il
numero di prove aumenta. questa la legge empirica del caso, formulata da Bernoulli, secondo la
quale:
La frequenza di un evento tende alla probabilit matematica dell'evento stesso al
tendere all'infinito del numero di prove.

Esempio:
Evento: lancio contemporaneo di 6 dadi: n = 6 (facce del dado)
Sperimentazione: ripetizione di 5 eventi: r = 5 (numero di eventi)
1 evento: 2 5 3 6 4 2 f(1) = 0/6; f(2) = 2/6; f(3) = 1/6; f(4) = 1/6; f(5) = 1/6; f(6) = 1/6;
2 evento: 5 4 2 6 5 3 f(1) = 0/6; f(2) = 1/6; f(3) = 1/6; f(4) = 1/6; f(5) = 2/6; f(6) = 1/6;
3 evento: 2 1 4 1 1 2 f(1) = 3/6; f(2) = 2/6; f(3) = 0/6; f(4) = 1/6; f(5) = 0/6; f(6) = 0/6;
4 evento: 3 4 2 6 4 1 f(1) = 1/6; f(2) = 1/6; f(3) = 1/6; f(4) = 2/6; f(5) = 0/6; f(6) = 1/6;
5 evento: 6 2 6 5 3 4 f(1) = 0/6; f(2) = 1/6; f(3) = 1/6; f(4) = 1/6; f(5) = 1/6; f(6) = 2/6.
In ciascun evento alcuni numeri compaiono pi volte e qualcun altro non compare, come si vede dai valori della
frequenza.
La probabilit matematica di ciascun numero in ogni prova 1/6 e, in taluni casi la frequenza risultata doppia della
probabilit e in altri casi addirittura nulla.
Se esaminiamo per la serie nel suo insieme i risultati sono ben diversi; ora n = 6 5 = 30 e la probabilit matematica
per ciascun numero 6 / 30 = 0.200:
f(1) = 4/30 = 0.133;
f(2) = 7/30 = 0.233;
f(3) = 4/30 = 0.133;
f(4) = 6/30 = 0.200;
f(5) = 4/30 = 0.133;
f(6) = 5/30 = 0.167
La legge empirica del caso afferma che se continuassimo la sperimentazione effettuando ancora lanci dei 6 dadi la
frequenza di uscita di ciascun numero tenderebbe alla propria probabilit matematica.

Per quanto possa sembrare strano, anche il caso appare quindi regolato da una legge; pe-
raltro valida solamente al limite.
1-5
Osserviamo che le definizioni di probabilit e frequenza sono formalmente simili: sono i
rapporti tra il numero di casi favorevoli e il numero di casi totali, ma con una differenza fondamenta-
le: la probabilit una quantit determinabile a priori in funzione dei parametri dell'esperienza che si
studia, mentre la frequenza determinabile solo a posteriori dell'esperienza trattando i dati raccolti
nella prova.
1.2. Prove ripetute
Supponiamo di eseguire una serie di u prove che possano dare luogo ad un evento di pro-
babilit p da noi atteso; dopo ogni prova si ripristinino le condizioni iniziali in modo che l'evento con-
servi nella prova successiva la probabilit p.

Esempi:
1. Da un'urna contenente b palle bianche e r palle rosse (tutte uguali eccetto che per il colore) si estragga una palla, si
prenda nota del colore, la si rimetta nell'urna e si rimescoli adeguatamente. L'evento atteso sia l'estrazione di una
palla bianca. Si ripeta l'operazione u volte. Ovvia la probabilit matematica di ciascuna estrazione.
Ci proponiamo di calcolare la probabilit matematica che nella serie di u prove l'estrazione di una palla bianca si
verifichi i volte (ovviamente si avr i=0, 1, 2, ... u) senza riguardo all'ordine di uscita.
2. Lanciamo d dadi: ad ogni lancio, la somma dei punti sar un numero compreso nell'intervallo [d; 6 d]; ma ci
rendiamo facilmente conto che i punti nell'intervallo suddetto non sono tutti ugualmente probabili; ci proponiamo di
determinare la probabilit matematica dell'uscita di ciascun punteggio.

Eseguendo alcuni sviluppi matematici non semplici, si perviene all'evidenza di una o pi
particolari configurazioni di esiti che hanno maggiori probabilit di altre di verificarsi: queste configu-
razioni sono dette di probabilit normale e si dimostra che sono quelle nelle quali l'evento atteso e
l'evento contrario si presentano, nella serie di prove, ognuna in un numero di volte proporzionale alle
rispettive probabilit.

Seguito dell'esempio 1:
Se nell'urna ci sono 13 palle bianche e 27 palle rosse, rispettiva probabilit di estrazione
pb = 13 / 40
pr = 27 / 40;
la configurazione di probabilit normale in una serie di 80 prove sar quella formata da:
pb' = 80 (13 / 40) = 26 per le palle bianche;
pr' = 80 (27 / 40) = 54 per le palle rosse.

1-6

Seguito dell'esempio 2:
Lanciamo 4 dadi: ad ogni lancio, la somma dei punti sar un numero compreso nell'intervallo [4; 24].
Le combinazioni totali possibili sono N = 6 6 6 6 = 1296
Nella tabella seguente sono riportati per ciascun risultato il numero di combinazioni nel quale pu prodursi:
S
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
n
1 4 10 20 35 56 80 104 125 140 146 140 125 104 80 56 35 20 10 4 1
p
1 /
1296
4 /
1296
10 /
1296
20/
1296
35 /
1296
56/
1296
80/
1296
1 04/
1296
125 /
1296
140 /
1296
146 /
1296
1 40/
1296
1 25/
1296
104 /
1296
80 /
1296
56/
1296
35/
1296
20 /
1296
10 /
1296
4/
1296
1 /
1296
Osserviamo che la somma di tutte le configurazioni possibili per ciascun risultato vale 1296 e che i valori sono
simmetricamente disposti intorno al valore centrale.
La probabilit di uscita di ciascun risultato vale, secondo la definizione di probabilit:
pi = ni / N
mediante la quale sono determinati i valori della terza riga. Osserviamo che la somma dei valori delle probabilit vale 1.
Per S = 14 si ha p14 0.113 che la massima, pertanto 14 il valore con la pi alta probabilit di uscita: il valore di
probabilit normale.

Definiamo scarto di una configurazione generica con i eventi attesi rispetto alla configura-
zione di probabilit normale r la differenza:
v = i r
La probabilit pv che si verifichi un certo scarto vi quella con cui pu presentarsi la confi-
gurazione con i palle bianche, ossia pi.
Con altri laboriosi passaggi si determina l'importante espressione:
( ) ( )
( ) ( ) ! v u q ! v u p
q p ! u
p
v u q v u p
v
+

=
+

che fornisce la probabilit dello scarto v in funzione semplicemente di v, u, p e q senza
passare per il calcolo di r. Occorre notare che questa formula di uso problematico appena il nume-
ro u cresce a causa della presenza del fattoriale.
Questa espressione, esatta, pu essere approssimata dalla seguente ottenuta da Moivre e
Stirling, mediante alcuni artifici analitici:
q p u 2
v
v
2
e
q p u 2
1
p

1-7
1.3. Curva di Gauss
L'ulteriore posizione:
q p u 2
1
h

=
conduce all'espressione ottenuta da Gauss nel 1794:
2 2
v h
v
e
h
p

=

il termine h detto modulo e contiene le condizioni dell'esperienza.
Questa espressione esprime la legge della probabilit degli scarti ed detta legge di
Gauss. Si noti che mentre la prima espressione calcolata forniva il valore esatto, quest'ultima ne
fornisce solo un valore approssimato, tanto pi vicino al vero quanto pi grande u e quindi quan-
to pi piccolo il modulo h; ma si tratta di una funzione continua definita nel campo reale, al con-
trario della prima che ammetteva per v solo valori interi.
Per i motivi suddetti l'espressione di Gauss sar d'ora in poi utilizzata come espressione
della probabilit matematica che, in una serie di u prove, si ottenga una configurazione che pre-
senti lo scarto v rispetto a quella di probabilit normale.
1.3.1. Caratteristiche della curva di Gauss
Caratteristiche, alcune ovvie, ma tutte importanti, della curva sono:
restituisce valori solo positivi (il codominio R > 0);
simmetrica rispetto all'asse delle ordinate (funzione pari);
tende asintoticamente all'asse delle ascisse; la formula esatta non fornisce valori
fuori dall'intervallo di definizione [-u / 2; u / 2], mentre la curva di Gauss fornisce valori
seppur infinitesimi anche fuori da questo intervallo; qui dove la curva si discosta
anche concettualmente dalla relazione esatta; all'interno dell'intervallo di definizione
di quest'ultima le differenze tra le due formule sono dell'ordine di qualche punto
percentuale per u = 10 20 e scende a valori sotto l'unit per u > 30;
consente di determinare la probabilit che un certo scarto sia entro un intervallo
assegnato; tale valore corrisponde all'area racchiusa tra l'asse delle ascisse, la curva
e gli estremi dell'intervallo assegnato;

[ ]
}

=
b
a
v h b
a v
dv e
h
p
2 2

1-8
l'intera area racchiusa tra l'asse delle ascisse e la curva vale 1. Dall'Analisi si ha:

[ ] 1 dv e
h
p S
2 2
v h
v
= = =
}
+

+

come giusto che sia dato che si ha la certezza che lo scarto sia compreso tra - e
+. Qualche perplessit potrebbe suscitare il fatto che risulti finita un'area aperta,
giacch l'asse delle ascisse l'asintoto della curva. La spiegazione facile nell'ambito
dell'Analisi Matematica, ma esula da questo corso;
presenta un unico massimo assoluto in corrispondenza dello scarto v = 0 ove la
probabilit (che quella normale) vale:

h
p
0
=

in corrispondenza delle ascisse:

2 h
1
=

la curva mostra due flessi, in corrispondenza dei quali la probabilit vale:

e
h
p

il valore si definisce scarto quadratico medio: si dimostra che la probabilit che lo
scarto sia compreso nell'intervallo [-; +] indipendente dal modulo h ed quindi
costante; precisamente si ottiene:

[ ] .... 683 . 0 p
v
=
+

che significa che l'area sotto la curva compresa tra queste ascisse vale sempre 0.683
(tralasciando ulteriori decimali) e quindi, in termini di probabilit, che il 68.3% della serie
mostra scarti di valore assoluto inferiore a e il 31.7% scarti superiori;

h 3
2
6745 . 0
=

la curva mostra la probabilit:

h 449 . 0 p

il valore definisce un intervallo intorno alla configurazione di probabilit normale e si
dimostra che la probabilit che lo scarto sia compreso nell'intervallo [-; +]
indipendente dal modulo h ed quindi costante; precisamente si ottiene:

[ ] 5 . 0 p
v
=
+

1-9
che significa che l'area sotto la curva compresa tra queste ascisse vale sempre 0.5 e
quindi, in termini di probabilit, che il 50% della serie mostra scarti di valore assoluto
inferiore a e il 50% scarti superiori; il valore detto scarto probabile; nella pratica
applicativa il valore , ancorch significativo, non utilizzato;

2 h
3
3 t
= =

la curva mostra la probabilit:

h 0063 . 0 p
t

il valore t definisce un intervallo intorno alla configurazione di probabilit normale e si
dimostra che la probabilit che lo scarto sia compreso nell'intervallo [-t; +t]
indipendente dal modulo h ed quindi costante; precisamente si ottiene:

[ ] 997 . 0 p
t
t v
=
+

che significa che l'area sotto la curva compresa tra queste ascisse vale sempre 0.997
(tralasciando ulteriori decimali) e quindi, in termini di probabilit, che il 99.7% della serie
mostra scarti di valore assoluto inferiore a t e il 0.3% scarti superiori; il valore t detto
scarto temibile; nella pratica applicativa il valore t molto importante, ma il suo
significato sar chiarito nel seguito;
scarti opposti (uguali in valore assoluto, ma opposti di segno) hanno la stessa
probabilit;
gli scarti piccoli sono pi probabili di quelli grandi; in ogni caso, ma tanto pi al crescere
di h cui corrisponde proporzionalmente un aumento dell'ordinata massima della curva;
al crescere di h il parametro diminuisce in valore assoluto definendo quindi un
intervallo pi piccolo in cui peraltro continua ad insistere la stessa area (0.683) e quindi
la stessa probabilit di contenere gli scarti. Per questa ragione i parametri h e
misurano l'attendibilit della serie cui si riferiscono.

Esempio dei 4 dadi:
Se calcoliamo i parametri della gaussiana imponendo che in corrispondenza della probabilit normale l'ordinata valga:
h
113 . 0 = otteniamo: h = 0.2
osservando la tabella a fianco si nota come i valori determinati dalla gaussiana siano in ottimo accordo con i valori forniti
dal calcolo esatto; questo sicuramente nella parte centrale della curva; meno nelle zone estreme dove anche
teoricamente la curva si discosta concettualmente. La curva riportata nella figura sottostante.
1-10
Curva di Gauss relativa
all'esperienza: lancio di 4 dadi
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
-12 -10 -8 -6 -4 -2 0 2 4 6 8 10 12
Scarti dalla configurazione di
probabilit normale
p
r
o
b
a
b
i
l
i
t

1.4. Dispersione degli scarti
Con h e , che sono numeri calcolabili, sono fissati i concetti matematici di precisione:
conviene riflettere sui significati: in particolare al parametro h associata la stima della precisione e,
ovviamente, al parametro , la stima dell'imprecisione.
Esaminiamo il grafico sottostante. Sono tracciate due curve gaussiane rappresentative di
altrettante serie (1, 2).
evidente che se la stessa area deve essere racchiusa sotto la curva nell'intervallo [-i;
+i], al diminuire del valore di i deve crescere il valore di hi e viceversa e dunque, in altre parole,
maggiore i pi ampio l'intervallo in cui si sono distribuiti la stessa quantit di scarti. Il parametro
i misura dunque la dispersione degli scarti: maggiore i, pi dispersi sono i risultati e viceversa.
Seguito dell'esempio con altri valori:
Esaminiamo due casi entrambi con u = 40:
serie 1: n1 = 95; r1 = 5; da cui p1b = 0.95; p1r = 0.05; (95 palle bianche e 5 palle rosse);
h = 0.2000
p(0) 0.113
m 3.536
p(m) 0.068

Scarti
Probabi-
lit
n. casi
(gauss)
n. casi
(teorico)
Differen-
za (%)
-10.0 0.002 2.7 1 -167.8
-9.0 0.004 5.7 4 -43.2
-8.0 0.009 11.3 10 -13.0
-7.0 0.016 20.6 20 -3.0
-6.0 0.027 34.6 35 1.0
-5.0 0.042 53.8 56 3.9
-4.0 0.059 77.1 80 3.6
-3.0 0.079 102.0 104 1.9
-2.0 0.096 124.6 125 0.3
-1.0 0.108 140.5 140 -0.4
0.0 0.113 146.2 146 -0.2
1.0 0.108 140.5 140 -0.4
2.0 0.096 124.6 125 0.3
3.0 0.079 102.0 104 1.9
4.0 0.059 77.1 80 3.6
5.0 0.042 53.8 56 3.9
6.0 0.027 34.6 35 1.0
7.0 0.016 20.6 20 -3.0
8.0 0.009 11.3 10 -13.0
9.0 0.004 5.7 4 -43.2
10.0 0.002 2.7 1 -167.8
Somme 1292.3 1296.0
1-11
serie 2: n2 = 72; r2 = 28; da cui p2b = 0.72; p2r = 0.28; (72 palle bianche e 28 palle rosse).
La configurazione di probabilit normale in ciascuna serie di prove sar quella formata da:
pb1' = 40 p1b = 38 per le palle bianche; pr1' = 40 p1r = 2 per le palle rosse;
pb2' = 40 p2b 29 per le palle bianche; pr2' = 40 p2r 11 per le palle rosse.
I parametri delle due gaussiane sono:
serie 1: h1 = 0.513; p01 = 0.289, 1 = 1.378, p
1 = 0.176;
serie 2: h2 = 0.249; p02 = 0.140, 2 = 2.840, p
2 = 0.085.
Curva di Gauss
0.000
0.050
0.100
0.150
0.200
0.250
0.300
-12 -10 -8 -6 -4 -2 0 2 4 6 8 10 12
Scarti dal valore medio
P
r
o
b
a
b
i
l
i
t
Per la curva 1 l'area compresa tra gli scarti -1 e +1 vale circa 0.5 (un rettangolino di base 2 e altezza media 0.25):
dunque la probabilit complessiva delle configurazione con 37, 38, 39 (38 1) palle bianche circa del 50%.
Per la curva 2, la stessa area, circa 0.5, ottenuta tra gli scarti -2 e +2 (un rettangolino di base 4 e altezza media 0.125):
dunque la stessa probabilit complessiva del 50% stavolta raggiunta dalle configurazioni 27, 28, 29, 30, 31 (29 2)
palle bianche.
2-1
2. 2. 2. 2. Trattamento dei dati osservati Trattamento dei dati osservati Trattamento dei dati osservati Trattamento dei dati osservati
2.1. Classificazione degli errori
La misura di una grandezza il numero reale che esprime il rapporto della grandezza
stessa rispetto ad un'altra, ad essa omogenea, assunta come unit di misura. Si tratta, da un punto
di vista logico, di comparare direttamente la grandezza data con l'unit e i suoi multipli o sottomulti-
pli: si deduce che la misura sar espressa da un numero razionale o irrazionale a seconda che le
due grandezze siano commensurabili o incommensurabili.
Ma tutto ci si applica a modelli astratti: attuando invece praticamente l'operazione di misu-
ra ci rendiamo conto dell'impossibilit di determinare esattamente il valore della misura; non potremo
far di meglio che approssimarlo con un numero razionale da ritenere quanto pi prossimo possibile
al valore vero che, peraltro, mai conosceremo. L'affinamento degli strumenti di misura potr aggiun-
gere decimali ma un'approssimazione sar sempre necessaria. Si osservi che nell'ambito del calcolo
numerico non esistono numeri irrazionali e nemmeno numeri razionali periodici: nonostante la possi-
bilit di operare con un grande numero di cifre, i numeri risultano sempre troncati e approssimati.
Varie, e variamente influenti sui risultati della misura, sono le cause, le quali generano si-
tuazioni sempre diverse seppur di quantit e tipi anche non direttamente percepibili. Passiamo in
rassegna i vari tipi di errori che inevitabilmente inquinano le misure.
sperimentalmente dimostrato che ripetere pi volte una misura conduce ad una migliore
stima del risultato anche se le misure raccolte differiscono tutte, o in parte, tra loro.
2.1.1. Errori delle osservazioni
La misura vera di una grandezza non , e non sar mai, nota: la indicheremo con X, inten-
dendo contemporaneamente la grandezza vera e la sua misura vera.
Eseguendo n volte la misura di X otterremo n misure, generalmente diverse tra loro, che
chiameremo osservazioni e indicheremo come:
X1, X2, X3, ... Xn
ossia:
Xi (i = 1 , n)
Le quantit:
xi = Xi - X (i = 1 , n)
2-2
sono dette errori veri delle osservazioni Xi e sono, e rimarranno, anch'esse incognite.
Le n osservazioni eseguite si diranno della stessa classe se, tenuto conto di tutte le condi-
zioni operative (ambientali, strumentali, umane etc.), si possono ritenere tutte ugualmente attendibili;
bisogna subito chiarire che tale attribuzione deve essere stabilita prima delle operazioni e quindi di
conoscere i risultati. questo un precetto molto spesso dimenticato da parte degli operatori nel ten-
tativo di addomesticare i risultati.
Gli errori si raggruppano in tre categorie:
grossolani;
sistematici o regolari;
accidentali o casuali.
2.1.1.1. Errori grossolani
Sono veri e propri sbagli da imputare a sviste, stanchezza, guasti strumentali, incompren-
sione nelle comunicazioni, inversione di cifre in lettura o scrittura, etc. Generalmente sono di grande
entit e ci li rende palesi nel complesso delle misure effettuate; resta per purtroppo vero che se
sono invece di piccolo valore non possono essere riconosciuti e, purtroppo,restano a inquinare i ri-
sultati. Occorre ammettere che errori grossolani sono sempre in agguato: per questo al tecnico
sempre richiesta la massima concentrazione.
La Teoria degli Errori non tratta questo tipo di errori, anche se fornisce qualche criterio, pe-
raltro piuttosto debole, per riconoscerli. perci necessario assicurarsi che le misure effettuate sia-
no prive di questi errori. Il modo per eliminarli la ripetizione della misura. Una sola misura pu con-
tenere un errore grossolano e non pu essere messo in evidenza; due misure, se tra loro sufficien-
temente prossime (nell'ordine di precisione dello strumento) attestano, salvo casi particolarmente
sfortunati, che le osservazioni sono prive di errori grossolani; in caso ancora dubbio occorre effettua-
re altre misure.
In ogni caso le misure da sottoporre a trattamento devono essere prive di questi errori.
2.1.1.2. Errori sistematici
Sono errori da imputare a difetti strumentali o dell'operatore o a particolari situazioni am-
bientali; hanno la caratteristica di essere costanti in valore e segno. Errori di questo tipo si verificano,
ad esempio, utilizzando uno strumento non rettificato (una livella, il reticolo, il compensatore, il di-
sassamento di qualche componente etc; si pensi di misurare una lunghezza con un longimetro man-
cante del primo decimetro, fatto purtroppo successo, o a valutare istanti temporali con un orologio
2-3
regolato un minuto avanti o indietro) o ad un operatore con difetto di vista non adeguatamente cor-
retto (astigmatismo: la stima della coincidenza o della bisezione o del parallelismo di graduazioni ri-
sultano imperfette e tutte errate della stessa quantit) o ad una situazione climatica o ergonomica
sfavorevole (una stadia o una mira illuminate da luce radente, in parte in ombra e in parte in luce o a
irradiamento solare frontale o a moti convettivi intensi per gradiente di temperatura o all'errore di pa-
rallasse, che si manifesta utilizzando cannocchiali, per imperfezione di adattamento alla distanza o
nel caso di letture su scale graduate senza potersi porre frontalmente etc.).
Come ovvio non si scoprono ripetendo la misura nelle stesse situazioni operative; pos-
sono essere riconosciuti solamente cambiando strumento e/o operatore e/o condizioni ambientali.
La Teoria degli Errori non tratta questo tipo di errori, ma, in alcuni casi, fornisce indicazioni
per riconoscerne la presenza.
In ogni caso le misure da sottoporre a trattamento devono essere prive di questi errori.
2.1.1.3. Errori accidentali
Questi errori sono dovuti ad altre cause, imponderabili, alcune non completamente cono-
scibili, in gran parte ignote, anche se l'operatore si forma una ragione della loro esistenza. Li pos-
siamo immaginare come un certo numero di cause u che agiscono simultaneamente, indipendenti le
une dalle altre e con effetti di incostante intensit. Utilizzando una formalizzazione intuitiva si ha:
) n , 1 i ( x x
u
1 j
j , i i
= =

=

che va letta: ogni errore xi la somma di u componenti elementari accidentali, ciascuna
delle quali associata ad una causa indipendente.
Sono anche detti irregolari; hanno caratteristiche molto precise e sperimentalmente dimo-
strate:
gli errori positivi e negativi rispetto ad un valore da assumere come vero (frutto di altre
campagne di misure gi trattate e/o misure di precisione superiore validate) si
presentano ugualmente numerosi;
gli errori opposti sono ugualmente frequenti;
sono limitati in valore assoluto;
gli errori piccoli in valore assoluto sono pi frequenti degli errori grandi.
Si noti che si usato il concetto di frequenza e non di probabilit essendo caratteristiche
stabilite, come detto, sperimentalmente.
La Teoria degli Errori tratta questo tipo di errori.
2-4
Assumiamo come ipotesi fondamentale per il seguito che le nostre misure siano af-
fette solo da errori accidentali.
2.1.2. Analogia tra un sistema di osservazioni e un'esperienza di
prove ripetute
Accettata l'ipotesi suddetta, l'analogia fra un sistema di n osservazioni di una grandezza e
l'esperienza di n serie di u prove ripetute riassunta nel seguente schema logico.

Sistema di osservazioni Xi di una
grandezza X disturbata da u cause di
errore di natura solamente accidentale

Esperienza di n serie, ciascuna di u
prove ripetute, governate soltanto dal
caso
n misure Xi
n configurazioni (ciascuna ottenuta con u
prove
X

Configurazione di probabilit massima
Errori dovuti al caso:
) n , 1 i ( x x
u
1 j
j , i i
= =
=

Scarti vi delle configurazioni rispetto alla
configurazione normale dovuti al caso
Errore x = 0 della grandezza X

Scarto v = 0 della configurazione normale
Due o pi osservazioni possono essere
espresse dallo stesso valore numerico pur
essendo diversi i modi in cui hanno agito le
u cause perturbatrici su ciascuna
osservazione

Due o pi serie di u prove possono dar
luogo alla medesima configurazione pur
essendo diverso l'ordine in cui sono apparsi
i risultati intermedi
Caratteristiche degli errori accidentali xi
Caratteristiche degli scarti vi
Se comprendiamo questo siamo gi indotti ad applicare al sistema delle osservazioni Xi
tutto quanto stato dedotto per le serie di prove ripetute; in particolare:
2-5
utilizzare lespressione gaussiana degli scarti per esprimere la probabilit che nel
nostro sistema di osservazioni si sia commesso l'errore vero x (nella formula baster
sostituire v con x):
2 2
x h
x
e
h
p

=
;
utilizzare l'espressione:
[ ]
}

=
b
a
x h b
a x
dx e
h
p
2 2

per calcolare la probabilit che una misura qualsiasi manifesti un errore compreso nel-
l'intervallo [a; b];
il modulo h e il parametro per valutare la precisione del sistema di misure: nel nuovo
ambito il parametro sar correttamente chiamato errore quadratico medio; notiamo
che il modulo h non noto a priori (il numero di cause perturbatrici u non ,
ovviamente, noto), ma pu essere determinato a partire dai risultati stessi delle
osservazioni;
estendere i concetti di dispersione degli scarti a quello si dispersione degli errori, i
parametri di scarto probabile e temibile a quelli di errore probabile e errore temibile.
Una chiave di riflessione la traslazione da scarto a errore.
Condizione irrinunciabile per accettare lo schema appena dedotto che l'esperienza lo
confermi; le numerosissime prove pratiche e molte decine di anni di applicazione dei metodi che da
questa assunzione derivano, confermano pienamente la validit di questi assunti. La legge di pro-
babilit degli scarti diventa quindi la legge di frequenza degli errori, ed proprio sotto questo
aspetto che fu dedotta da Gauss.
Misurare, dunque, in un certo senso equivale a tentare la sorte.
Con riguardo a quanto introdotto nel paragrafo iniziale, ci accingiamo ora a risolvere i due
seguenti problemi:
misura della grandezza;
attendibilit della misura fornita.
2-6
2.2. Caso delle misure della stessa classe
2.2.1. Valore pi probabile della misura diretta di una grandezza
Abbiamo dunque effettuato una serie di n osservazioni della misura di una certa grandezza
che esprimiamo come:
Xi (i = 1,n)
Siamo alla ricerca del valore pi probabile: partiamo fissando un certo valore X0; rispetto a
questo valore possibile calcolare gli errori di ogni lettura:
xi = Xi - X0 (i = 1 , n)
La probabilit di manifestarsi di ciascun errore :
2
i
2
i
x h
x
e
h
p

=

La probabilit che si manifesti l'intera distribuzione normale di errori la probabilit com-
posta:
( )

+ + + +
=
|
.
|
\
|
= |
.
|
\
|
=
n
1 i
2
i
2
2
n
2
3
2
2
2
1
2
n 3 2 1
x h
n
x ... x x x h
n
x x x x
e
h
e
h
p ...... p p p

Ma gli xi dipendono da X0 e noi siamo interessati a determinare il valore di X0 che rende
massima la probabilit della configurazione. Lo studio di questa funzione indica immediatamente la
condizione di massimo; essa :
=
=
n
1 i
2
i
min x
Con i metodi del Calcolo differenziale, tale condizione si traduce nella seguente:
0
X
x
0
n
1 i
2
i
=
=

Ricordando la forma degli errori xi, sviluppando questa espressione si perviene ad un'e-
quazione di 1 grado nella variabile X0:
( ) 0 X n X X X x
0 x 2
n
1 i
0 i
n
1 i
0 i
n
1 i
i
n
1 i
i

= = =
=
= = =
=

la cui soluzione, cui diamo il nome Xm :
2-7
n
X
n
X ... X X X
X
n
1 i
i
n 3 2 1
m
=
=
+ + + +
=
che la ben nota espressione della media aritmetica. Abbiamo dedotto il principio dei mi-
nimi quadrati che cos enunciamo:
Il valore pi probabile della grandezza X, della quale sono state eseguite n osserva-
zioni dirette Xi, la media aritmetica delle osservazioni stesse in quanto rende minima la
somma dei quadrati dei loro scarti dal valore Xm.
Da questa circostanza il trattamento dei dati che studiamo detto secondo la teoria dei i
minimi quadrati.
Come si visto, il valore Xm fornito dall'espressione precedente annulla la somma degli
scarti xi; ossia:
0 x
n
1 i
i
=
=

ma questa solo la conseguenza della condizione di minimo.
2.2.2. Attendibilit del valore pi probabile della misura diretta di
una grandezza
Allo scopo decidiamo di utilizzare il parametro . Si poteva indifferentemente utilizzare il
parametro h in quanto i due sono legati dall'espressione:
2 h
1
=

Possiamo scrivere:
M = X Xm
avendo indicato con:
X valore vero della grandezza (incognito);
Xm valore medio aritmetico della grandezza (noto);
M errore vero della media (incognito)
Il valore M destinato a rimanere incognito, ma ne ricaveremo una valutazione probabili-
stica sperimentalmente assai attendibile.
Operiamo in due fasi: dapprima utilizzando gli errori veri e poi gli errori rispetto al valore
medio; la prima fase ha interesse solo teorico, ma indispensabile per i risultati della seconda fase.
2-8
2.2.2.1. In funzione degli errori veri
Ricordando il significato dei simboli, abbiamo, per ogni lettura, che gli errori veri sono e-
spressi da:
xi = X Xi
Nell'intervallo [xi ; xi +dx] la probabilit e la frequenza di manifestazione dell'errore sono:
n
n
f
dx e
h
p
i
i
2
i
2
i
x
x
x h
x
=
=

se con nxi contiamo i valori all'interno dell'intervallo [xi ; xi +dx] e con n il numero totale di
osservazioni. Se accettiamo la legge empirica del caso (frequenza sperimentale = probabilit mate-
matica) possiamo scrivere:
n
n
dx e
h
i
2
i
2
x x h
=

Moltiplichiamo ambo i membri per xi
2
:
n
n x
dx e
h x
i
2
i
2
x
2
i x h
2
i

=

quindi sommiamo membro a membro le n espressioni:

=

=
|
|
.
|
\
|
=
n
1 i
x 2
i
x h
n
1 i
2
i
n
n
x dx e x
h
i
2
i
2

Assumiamo ora dx tali che nxi 1: in ogni intervallo cade cos, al pi, una sola misura; ri-
sulta:
( )

}
=
+

=
n
1 i
2
i
x h 2
i
x
n
1
dx e x
h
2
i
2

L'integrale a primo membro vale:
( )
3
x h 2
i
h 2
dx e x
2
i
2
=
}
+

e allora:
n
x
h 2
1
n
1 i
2
i
2
=
=

Poich, come si ricorda:
2-9
2 h
1
=

Si ottiene:
2
n
1 i
2
i
n
x
=
=

che consente infine di determinare:
n
x
n
1 i
2
i
=
=
l'errore quadratico medio di ogni misura che compone la serie in funzione degli er-
rori veri.
Ricordando poi che
M = X Xm
si pu scrivere
( )
n
X X
n
X X n
n
X
X M
n
1 i
i
n
1 i
i
n
1 i
i
= = =
=

= =

e quindi
n
x
M
n
1 i
i
=
=
che dice che l'errore quadratico medio della media la media degli errori veri.
Quadrando si ottiene:
2
n
1 i
2
i
2
n
Q x
M
=
+
=
Il termine Q contiene tutti i doppi prodotti xi xj: ma gli errori sono di segno alterno (met
positivi e met negativi) per cui Q dato dalla somma di termini per met positivi e met negativi che
inoltre, per la natura degli errori, sono anche, a coppie, praticamente della stessa entit. In sostanza
il termine Q trascurabile perch tendenzialmente nullo. Allora:
2
n
1 i
2
i
2
n
x
M
=

ma:
2-10
n
x
n
1 i
2
i
2
=
=
e allora:
n
M
2
2

=

infine:
n
M

=
M lerrore quadratico medio della media. Questa espressione molto importante perch
esprime l'errore quadratico medio della media in funzione dell'errore quadratico medio di ogni lettura
della serie.
molto importante per il prosieguo osservare che lerrore quadratico medio della media M
pu essere interpretato come lerrore quadratico medio della singola lettura corrispondente al va-
lore medio Xm.
2.2.2.2. In funzione degli scarti
Scriviamo, con l'ormai usuale significato dei simboli:
si = Xm Xi
si sono gli scarti dal valore medio; in funzione degli errori veri:
xi = X Xi
allora anche:
si + Xi = Xm
xi + Xi = X
sottraendo membro a membro si ottiene:
si - xi = Xm X
ma:
M = X Xm = xi - si
e allora:
xi = M + si (i = 1,n)
Quadrando e sommando membro a membro si ottiene:

= = =
+ + =
n
1 i
i
n
1 i
2
i
2
n
1 i
2
i
s M 2 s M n x

2-11
come sappiamo:
0 s
n
1 i
i
=
=

e allora:

= =
+ =
n
1 i
2
i
2
n
1 i
2
i
s M n x
d'altra parte sappiamo che:
2 2
n
1 i
2
i
n M x
=

e che:
n M
2 2
=
e dunque:
=
+ =
n
1 i
2
i
2 2
s n
e
( )

=
=
n
1 i
2
i
2
s 1 n

infine:
1 n
s
n
1 i
2
i
2
=

1 n
s
n
1 i
2
i
=

Questo valore dellerrore quadratico medio effettivamente calcolabile, perch in funzio-
ne degli scarti che sono noti; allora calcolabile anche M:
n
M

=
Noto calcolabile h. Sono anche calcolabili gli altri importanti parametri quali l'errore te-
mibile e l'errore probabile :
t = 3
2 / 3
2-12
L'espressione di sopra riportata non agevole da calcolare perch richiede preventiva-
mente la determinazione degli scarti. Per ricavare una pi agevole forma, fissiamo l'attenzione sulla
sommatoria a numeratore del radicando; questa pu essere utilmente espressa nel modo seguente:
( )

= = = =
+ = =
n
1 i
i m
n
1 i
2
i
2
m
n
1 i
2
i m
n
1 i
2
i
X X 2 X X n X X s

ma, ricordando che:
m
n
1 i
i
X n X =
=

si perviene alla pi interessante forma:
1 n
X n X
n
1 i
2
m
2
i
=

che consente di calcolare a partire dai dati delle osservazioni e dal valore medio.
Quando n grande, pu essere vantaggiosamente stimato mediante la seguente e-
spressione approssimata:
n
S
253 . 1
n
S
2
=

dove:
=
=
n
1 i
i
s S
rappresenta la somma dei moduli degli scarti.
L'espressione determinata, che si riscrive:
n
M

=
ha un'altra interessante applicazione. Supponiamo di operare in condizioni (strumenti, ope-
ratore, ambiente etc.) che consentono una precisione di ogni osservazione pari a , ma di avere ne-
cessit di conseguire una precisione del risultato finale pari a un assegnato M: la formula precedente
ci suggerisce la possibilit effettuare un numero di osservazioni pari a:
2
M
n
|
.
|
\
|
=

Esempio
Misura di un angolo con un teodolite di precisione
= 0
c
.005
2-13
precisione della media che occorre conseguire
= 0
c
.001
risulta:
n = 25
eseguendo 25 osservazioni nelle condizioni reali si consegue una precisione 5 volte superiore.

Questa considerazione potrebbe indurre la speranza che con qualsiasi strumento si possa
raggiungere qualsiasi precisione semplicemente eseguendo un numero opportuno di osservazioni;
questo per vero solo teoricamente: intanto si noti che il valore n aumenta secondo il quadrato del-
l'incremento di precisione atteso e quindi il valore di n pu crescere molto e diventare inattuabile; i-
noltre, altre contingenze, meccaniche, strumentali, ambientali, umane etc. rendono questa possibilit
limitata a incrementi effettivi di precisione entro il fattore 6-7.
2.2.2.3. Tolleranza
Abbiamo escluso in partenza la presenza di errori grossolani e sistematici, ma stato ac-
cennato all'esistenza di un criterio per riconoscerli.
L'errore temibile
t = 3
definisce un intervallo intorno al valore medio [Xm - t ; Xm + t] tale che la probabilit mate-
matica che una lettura cada fuori da questo intervallo cos piccola, 0.003 (0.3 %), da poter ritenere
anomala la lettura interessata: in altre parole, una lettura che si scosta dal valore medio di un valore
superiore a t da ritenere di classe diversa e pertanto da non considerare nel sistema di misure da
trattare. Questo controllo, che di natura convenzionale poich si potrebbe porre il limite in corri-
spondenza di 2 (in corrispondenza del quale la probabilit di superamento circa 0.03) o di altro
multiplo, serve a escludere osservazioni probabilmente colpite da un errore grossolano piccolo (si
ricorda che quelli grandi sono stati riconosciuti ed eliminati a priori). Tuttavia questo controllo, per t
cos definito, ha il punto debole di essere inefficace quando n 10. Cio, si dimostra che se n 10
tutte le osservazioni, qualsiasi siano i valori, sono sempre entro la tolleranza e pertanto il controllo
inefficace.
La serie da cui sono state eliminate le misure fuori tolleranza viene sottoposta a nuovo trat-
tamento per il ricalcolo dei parametri Xm, e t ; se per effetto dell'eliminazione di alcune letture il
numero di misure scende sotto il minimo richiesto necessario ripetere interamente tutto il sistema
delle n osservazioni.

2-14
Esempio
stata determinata la distanza tra due punti mediante intersezione in avanti. I dati e i parametri statistici sono raccolti
nelle tabelle sottostanti.
v(i) s(i) v(i) s(i) v(i) s(i) v(i) s(i)
1 5.789 0.139 5.789 0.011 5.789 0.002 5.789 -0.001
2 5.776 0.152 5.776 0.024 5.776 0.015 5.776 0.012
3 5.788 0.140 5.788 0.012 5.788 0.003 5.788 0.000
4 5.786 0.142 5.786 0.014 5.786 0.005 5.786 0.002
5 5.781 0.147 5.781 0.019 5.781 0.010 5.781 0.007
6 5.782 0.146 5.782 0.018 5.782 0.009 5.782 0.006
7 5.784 0.144 5.784 0.016 5.784 0.007 5.784 0.004
8 5.799 0.129 5.799 0.001 5.799 -0.008 5.799 -0.011
9 5.787 0.141 5.787 0.013 5.787 0.004 5.787 0.001
10 5.787 0.141 5.787 0.013 5.787 0.004 5.787 0.001
11 5.792 0.136 5.792 0.008 5.792 -0.001 5.792 -0.004
12 5.791 0.137 5.791 0.009 5.791 0.000 5.791 -0.003
13 5.788 0.140 5.788 0.012 5.788 0.003 5.788 0.000
14 7.982 -2.054
=
= = = = =
15 5.926 0.002 5.926 -0.126 = = = =
16 5.796 0.132 5.796 0.004 5.796 -0.005 5.796 -0.008
17 5.845 0.083 5.845 -0.045 5.845 -0.054 = =
100.779 0.000 92.797 0.000 86.871 0.000 81.026 0.000

n. osservazioni 17 n. osservazioni 16 n. osservazioni 15 n. osservazioni 14
valore medio 5.928 valore medio 5.800 valore medio 5.791 valore medio 5.788
eqm della serie 0.530 eqm della serie 0.037 eqm della serie 0.016 eqm della serie 0.006
t=3*eqm 1.591 t=3*eqm 0.111 t=3*eqm 0.048 t=3*eqm 0.018

eqm della me-
dia
0.129 eqm della media 0.009
eqm della me-
dia
0.004
eqm della me-
dia
0.002

Nella prima tabella si trattano inizialmente 17 valori, ma quello di posto 14 fuori tolleranza e si elimina; nella seconda
tabella, con 16 valori, quello di posto 15 fuori della tolleranza ricalcolata e, dunque, si elimina; nella terza tabella
rimangono 15 valori, ma quello di posto 17 fuori della tolleranza nuovamente ricalcolata e si elimina; nella quarta
tabella, infine, rimangono 14 valori tutti entro la tolleranza ulteriormente ricalcolata. Il risultato della misura :
D = 5.788 0.002 m
Se nelle specifiche tecniche della misura fosse stata richiesta una serie con almeno 15 osservazioni, tutta la serie
dovrebbe essere ripetuta e non semplicemente aggiungere unosservazione.
2.2.3. Precisione ed esattezza
Mediante i parametri Xm e M abbiamo sintetizzato i risultati di una serie di osservazioni. Ma
questi parametri, pur cos importanti, non sono esaustivi del problema.
Consideriamo infatti il caso in cui si siano effettuate due serie di misure nelle stesse condi-
zioni ambientali e umane, con strumenti equivalenti, di cui uno in perfette condizioni e laltro invece
non rettificato. Per questo difetto, in tutte le osservazioni di una serie presente un errore sistemati-
2-15
co: questo errore ha la caratteristica di essere costante in valore e segno. molto facile rendersi
conto analiticamente, ma anche intuitivamente, che i risultati del trattamento di queste due serie for-
niranno diversi valori medi e uguali errori quadratici medi, sia di ogni lettura della serie che della ri-
spettiva media.
Innanzitutto ci chiediamo quale sia la serie con errori sistematici. A questa domanda non
sappiamo rispondere. Possiamo solo dire che le due serie sono di precisione uguale, ma che una
delle due contiene errori sistematici. Affiora dunque una caratteristica che fin qui non avevamo con-
siderato, ossia lesattezza che esprime laderenza del valore medio calcolato al valore vero. Tale
caratteristica non dipende, manifestamente, dalla precisione della serie, ma dalla presenza o meno
di errori sistematici. Si tratta di una caratteristica che ha riferimento esterno alla serie, non determi-
nabile dai dati della serie stessa, al contrario di quanto avviene per la precisione che un parame-
tro determinato a partire dai dati della serie e nulla dice sullesattezza del valore medio.
Per sciogliere la questione occorre effettuare unulteriore campagna di misure: poich in
dubbio lesattezza, non serve che lulteriore serie sia di alta precisione; baster che sia priva di er-
rori sistematici. I risultati che si ottengono con la terza serie serviranno ad indicare quale delle due
precedenti priva di errori sistematici e dunque da assumere come affidabile sia nel valore medio
che nella precisione.

Esempio
Sono date tre serie di misure di una distanza effettuata con due distanziometri equivalenti e un terzo di classe inferiore:
v s s^2 v s s^2 v s s^2
1875.115 -0.0101 1.02E-04 1875.104 -0.0211 4.45E-04 1875.157 -0.0199 3.96E-04
1875.135 0.0099 9.80E-05 1875.165 0.0399 1.59E-03 1875.193 0.0161 2.59E-04
1875.119 -0.0061 3.72E-05 1875.112 -0.0131 1.72E-04 1875.173 -0.0039 1.52E-05
1875.129 0.0039 1.52E-05 1875.133 0.0079 6.24E-05 1875.183 0.0061 3.72E-05
1875.106 -0.0191 3.65E-04 1875.112 -0.0131 1.72E-04 1875.180 0.0031 9.61E-06
1875.112 -0.0131 1.72E-04 1875.115 -0.0101 1.02E-04 1875.168 -0.0089 7.92E-05
1875.148 0.0229 5.24E-04 1875.155 0.0299 8.94E-04 1875.194 0.0171 2.92E-04
1875.121 -0.0041 1.68E-05 1875.109 -0.0161 2.59E-04 1875.168 -0.0089 7.92E-05
1875.139 0.0139 1.93E-04 1875.143 0.0179 3.20E-04 1875.181 0.0041 1.68E-05
1875.127 0.0019 3.61E-06 1875.130 0.0049 2.40E-05 1875.172 -0.0049 2.40E-05
18751.251 -0.0019 1.52E-03 18751.278 0.0221 4.02E-03 18751.769 0.0049 1.18E-03

n. di osservazioni 10 n. di osservazioni 10 n. di osservazioni 10
valore medio 1875.125 valore medio 1875.128 valore medio 1875.177
e.q.m. della serie 0.013 e.q.m. della serie 0.021 e.q.m. della serie 0.011
e.q.m. della media 0.004 e.q.m. della media 0.007 e.q.m. della media 0.004
h 54.352 h 33.464 h 61.626
h/SQRT(p) 30.665 h/SQRT(p) 18.880 h/SQRT(p) 34.769
2-16

Risultati della prima serie
D1 = 1875.125 0.004 m
Risultati della seconda serie
D2 = 1875.128 0.007 m
Risultati della terza serie
D3 = 1875.177 0.004 m

0
5
10
15
20
25
30
35
40
1875.100 1875.120 1875.140 1875.160 1875.180 1875.200 1875.220
Serie1
Serie2
Serie3

Si osserva che le prime due serie sono prossime quanto a esattezza (la differenza tra i valori medi di 3 mm), ma i
rispettivi errori medi della media si discostano tra loro (la prima serie pi precisa della seconda); la terza serie ha
precisione superiore alla prima, e mostra quindi una inferiore dispersione delle osservazioni, ma il suo valore medio si
scosta di circa 50 mm dai valori medi delle prime due.
A nessun titolo ammissibile assumere il valore medio tra i tre come valore pi rappresentativo della grandezza.
Osservando che lo scostamento della seconda serie dalla prima serie ampiamente interno allerrore medio della media
della stessa serie, possiamo concludere che la prima e la seconda serie sono concordi nel valore medio, che la terza
serie pi precisa delle altre e che il terzo strumento affetto da errori sistematici; infine assumere i dati della prima
serie come affidabili e significativi della grandezza misurata.
Con le tecniche di trattamento delle serie di misure di precisione diversa che si studieranno nei prossimi paragrafi, si
imparer a determinare i parametri statistici finali che tengono conto dei dati delle due prime serie.
Precisione ed esattezza sono quindi due caratteristiche del tutto distinte e complementari.
2.2.4. Presentazione del risultato di una misura
Il risultato della misura di una grandezza X deve essere presentato compiutamente indi-
cando, oltre al valore pi probabile Xm, anche il valore dell'errore medio della media M:
2-17
X = Xm M
Se stata eseguita una sola osservazione, Xm il valore misurato e M l'errore medio di
una osservazione, caratteristico dello strumento utilizzato.
I valori Xm e M devono essere espressi nella stessa unit di misura e questa deve sempre
essere indicata con un simbolo immediatamente di seguito.
Il numero Xm deve essere espresso con un adeguato numero di cifre significative: per sta-
bilire questo numero si determina il numero di cifre (decimali o no) occorrenti per esprimere M con 2,
massimo 3, cifre significative; l'ultima cifra significativa del valore di Xm deve essere dello stesso or-
dine dell'ultima cifra del valore di M.

Esempio
espressioni corrette:
125.36 0.12 m
587.8356 0.0045 m
6378388 45 m
espressioni errate:
125.36 0.125 m
587.8356 0.45 m
6378388 45.3 m

Non ha senso determinare M con pi di 2, massimo 3, cifre anche se il calcolo numerico lo
consente: gi la penultima o terzultima cifra di Xm incerta. Occorre qui ricordare le ipotesi su cui si
fonda lintera teoria
Il calcolo di Xm e M deve essere condotto con un numero di cifre tale da accertare che gli
errori determinati dipendano solo dagli errori delle osservazioni e non dall'approssimazione del cal-
colo. A questo scopo, i risultati parziali delle operazioni devono sempre essere mantenuti con
almeno una cifra significativa (almeno due se la catena delle operazioni da eseguire lunga)
in pi rispetto a quelle che servono per la presentazione del risultato. Resta inteso che l'ultima
cifra significativa, sia di Xm che di M devono essere arrotondate secondo il criterio usuale di arroton-
damento che prevede il semplice troncamento quando la parte eccedente non supera la met del-
l'ordine di grandezza dell'ultima cifra mantenuta e l'incremento di un'unit dell'ultima cifra mantenuta
nel caso contrario; l'operazione di arrotondamento deve essere eseguita in un'unica passata.
Si ponga attenzione al fatto che la cifra 0 al termine di un numero, pur non avendo influen-
za sui calcoli, pu essere una cifra significativa e pertanto tale va considerata.
2-18
Nelle correnti applicazioni tecniche non si esplicita il termine M ma, convenzionalmente si
esprime il valore Xm con un numero di cifre tale che l'ultima possa presentare l'incertezza di qualche
unit e, per conseguenza, la penultima, al massimo di un'unit.
Quando l'ultima cifra significativa di ordine superiore all'unit di misura si usa esprimere il
risultato in un'unit di misura multipla dell'unit di partenza per evitare di aggiungere zeri al numero
per arrivare all'unit: in tali casi, gli zeri potrebbero essere interpretati come cifre significative.
Riguardo alle unit di misura si raccomanda il sistema internazionale con le sue regole e
convenzioni.

Esempi vari
Numero dato 1.35846
presentato con 4 cifre decimali si ottiene 1.3585
presentato con 3 cifre decimali si ottiene 1.358 e non 1.359: l'arrotondamento corretto eseguito in unica passata sul
numero di partenza; arrotondando una cifra alla volta si potrebbe pervenire ad un risultato errato.

Numero dato 1.35046
i due valori precedenti sono numericamente equivalenti, ma esprimono due misure aventi precisioni diverse di un fattore
10: se, ad esempio, esprimessero una lunghezza in metri, il primo valore risulterebbe approssimato al millimetro, mentre
il secondo al centimetro; infatti
il valore 1.350 rappresenta tutti i valori compresi nell'intervallo [1.3495; 1.350499999] ossia 1.350 0.0005 m
il valore 1.35 rappresenta tutti i valori compresi nell'intervallo [1.345; 1.35499999] ossia 1.35 0.005 m

Per esprimere una misura in chilometri con una precisione di un ettometro scriveremo 2.3
km o 23 10
2
m e non 2300 m.

Una misura di lunghezza espressa in metri avr per simbolo m e non mt o ml. Cos un'area
sar data in m
2
e non mq e un volume in m
3
e non mc. Gli attuali sistemi informatici di scrittura con-
sentono facilmente l'impiego di apici e pedici.
Diamo ora un esempio completo di trattamento di una serie di dati osservati.

2-19
Esempio
Nella tabella a fianco sono riportate le 20 osservazioni di una distanza effettuata
con distanziometro elettronico.
Nelle colonne sono riportati i valori osservati, gli scarti rispetto al valore medio e il
quadrato degli scarti.
I valori dei parametri interessanti sono:
Xm = 3845.614
= 0.026
t = 0.077
M = 0.006
poich nessun valore osservato si scosta in valore assoluto dal valore medio di
una quantit maggiore di t, (essendo le osservazioni in numero maggiore di 10
questo controllo deve essere effettuato) tutte le osservazioni devono essere
accettate.
Il risultato della misura, correttamente espresso, il seguente:
D = 3845.614 0.006 m

2.3. Caso delle misure di classe diversa
frequente il caso in cui i dati che compongono una serie di misure di una grandezza non
possiedano lo stesso grado di precisione (ci pu accadere anche quando ad operare un solo tec-
nico che utilizza lo stesso strumento, ma per una sessione di misura che dura un tempo tale da tro-
varsi in situazioni ambientali sensibilmente diverse), oppure, e questo frequente, il caso di una
stessa grandezza di cui sono state eseguite pi serie di misure in tempi, da operatori e con strumenti
diversi.
del tutto evidente che il trattamento di questi dati deve avvenire tenendo conto di questi
diversi gradi di precisione.

Esempio
La misura di una distanza ottenuta con un distanziometro elettronico e con una corda metrica;
La misura di un angolo effettuata con un teodolite e un techeometro;
Una certa misura effettuata da un tecnico esperto e da un principiante;
La misura di un angolo effettuata con uno stesso strumento ma in condizioni operative diversamente favorevoli;
La misura di un intervallo di tempo effettuata con due orologi di caratteristiche tecniche molto disparate.

n 20
1 3845.655 -0.041 1.70E-03
2 3845.645 -0.031 9.73E-04
3 3845.598 0.016 2.50E-04
4 3845.635 -0.021 4.49E-04
5 3845.579 0.035 1.21E-03
6 3845.598 0.016 2.50E-04
7 3845.628 -0.014 2.02E-04
8 3845.624 -0.010 1.04E-04
9 3845.637 -0.023 5.38E-04
10 3845.634 -0.020 4.08E-04
11 3845.586 0.028 7.73E-04
12 3845.586 0.028 7.73E-04
13 3845.587 0.027 7.18E-04
14 3845.586 0.028 7.73E-04
15 3845.649 -0.035 1.24E-03
16 3845.589 0.025 6.15E-04
17 3845.603 0.011 1.17E-04
18 3845.596 0.018 3.17E-04
19 3845.645 -0.031 9.73E-04
20 3845.616 -0.002 4.84E-06
Xi s(i) s(i)^2
2-20
2.3.1. Valore pi probabile della misura diretta di una grandezza
Affrontiamo il problema in due modi diversi.
2.3.1.1. Primo modo
Supponiamo di aver operato sempre nelle stesse condizioni (operatore, strumento, am-
biente etc.) e di aver raggruppato le osservazioni in r serie di misure, ciascuna composta da p1, p2,
p3, ... pr osservazioni.
Poich tutte le misure sono ugualmente attendibili possiamo considerarle come un'unica
serie composta da p1, + p2, + p3, + ... + pr letture. Ossia, con la solita notazione:
) p , 1 i ( X
...
) p , 1 i ( X
) p , 1 i ( X
) p , 1 i ( X
r i
3 i
2 i
1 i
r
3
2
1
=
=
=
=

Da cui:
r 3 2 1
p
1 i
i
p
1 i
i
p
1 i
i
p
1 i
i
m
p ... p p p
X ... X X X
X
r
r
3
3
2
2
1
1
+ + + +
+ + + +
=

= = = =

ma, evidentemente:
1
1
1
m 1
p
1 i
i
X p X =
=

...
r
r
r
m r
p
1 i
i
X p X =
=

e allora:
=
+ + + +
=
r
1 i
i
m r m 3 m 2 m 1
m
p
X p ... X p X p X p
X
r 3 2 1

I valori Xm1 sono i valori medi calcolati separatamente per ciascuna serie di misure, mentre
i valori pi sono dei coefficienti (in questo caso il numero di letture di ciascuna serie) che rappresen-
tano l'importanza ci ciascuna serie: il suo peso. Allora, sinteticamente, possiamo scrivere:
2-21
=
=
=
r
1 i
i
m
r
1 i
i
m
p
X p
X
i

Questa l'espressione della media ponderata.
Occorre subito fare un'importante osservazione: come si nota, i pesi non hanno interesse
in valore assoluto, bens relativo. Infatti evidente che se a tutti i pesi applichiamo uno stesso coeffi-
ciente (ovviamente non nullo), il valore della media non cambia, infatti:
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
r 3 2 1
m r m 3 m 2 m 1
m
p k ... p k p k p k
X p k ... X p k X p k X p k
X
r 3 2 1
+ + + +
+ + + +
=
si semplifica in:
( )
( )
r 3 2 1
m r m 3 m 2 m 1
m
p ... p p p k
X p ... X p X p X p k
X
r 3 2 1
+ + + +
+ + + +
=
che si riduce all'espressione gi trovata.
Allora i pesi non sono necessariamente i numeri di osservazioni di ciascuna serie, ma nu-
meri ad essi proporzionali. Scalando, ad esempio, al primo peso si ottengono due liste di pesi equi-
valenti:
p1, p2, p3, ... pr 1, p2/p1, p3/p1, ... pr/p1
2.3.1.2. Secondo modo
Supponiamo di aver acquisito r serie di misure di una stessa grandezza effettuate in condi-
zioni non note. Ciascuna serie, composta da osservazioni della stessa classe, stata elaborata indi-
pendentemente calcolando gli usuali parametri; i dati sono i seguenti:
r) 1, (i M X
i m
i
=
Possiamo immaginare che tutte le osservazioni di tutte le serie siano state effettuate nelle
medesime condizioni operative e pertanto siano composte tutte da osservazioni della stessa classe
e che la diversit degli errori medi derivi solo dal diverso numero di osservazioni effettuate per cia-
scuna serie; dunque fissiamo il valore o come l'errore quadratico medio di ciascuna osservazione
della serie di riferimento e otteniamo il numero di osservazioni che avremmo dovuto effettuare in cia-
scuna serie:
) r , 1 i (
M
p
2
i
0
i
=
|
|
.
|
\
|
=

2-22
Con questo ci siamo riportati al caso precedente che ci ha consentito di ricavare l'espres-
sione della media ponderata.
facile notare che la scelta di o del tutto libera, perch due diversi o genererebbero
due serie di pi semplicemente tra loro proporzionali e dunque equivalenti.
Osservando la definizione dei pesi, si vede che o interpretabile come il valore medio
della media di una serie composta da una sola osservazione di peso unitario. Per questo o chia-
mato errore medio dell'unit di peso.

Nel primo modo i pesi sono noti in quanto sono i numeri di osservazioni di ciascuna serie;
nel secondo modo i pesi sono noti ricavandoli dai parametri statistici di ciascuna serie. Vi sono per
dei casi in cui i pesi non sono noti per via oggettiva: il caso in cui, ad esempio, i pesi devono tener
conto della perizia di un operatore rispetto ad un altro, o delle condizioni operative pi o meno van-
taggiose in cui si sono svolte pi serie di misure. In questi casi, se comunque opportuno pesare le
serie, occorre stabilire a buon senso i pesi da assegnare a ciascuna serie: in questo garantiti dal fat-
to che quel che conta, come gi stato dimostrato, sono i rapporti tra i pesi e non i valori assoluti
degli stessi.

Anche per la media ponderata vale il corollario gi osservato nel caso della media aritmeti-
ca. Definendo ancora gli scarti rispetto al valore medio ponderato:
r) 1, (i X - X s
i
m m i
= =
si dimostra agevolmente che vale la propriet analoga discendente dallimpostazione della
teoria dei minimi quadrati:
0 s p
r
1 i
i i
=
=

2.3.2. Attendibilit del valore pi probabile della misura diretta di
una grandezza
Per procedere alla determinazione dell'errore medio della media ponderata occorre far uso
di un concetto che non ancora stato esposto e che si esporr nei capitoli successivi: si trascrive qui
l'intero procedimento che sar pienamente comprensibile dopo lo studio del prossimo capitolo.
L'espressione di Xm:
2-23
=
+ + + +
=
r
1 i
i
m r m 3 m 2 m 1
m
p
X p ... X p X p X p
X
r 3 2 1

la riscriviamo:
r 3 2 1
m r
1 i
i
r
m r
1 i
i
3
m r
1 i
i
2
m r
1 i
i
1
m
X
p
p
... X
p
p
X
p
p
X
p
p
X + + + + =

= = = =

cos evidentemente l'espressione di una grandezza funzione lineare di altre grandezze;
unespressione del tipo:
i
n
1 i
i
X a X =

=

dove:
=
=
r
1 i
i
i
i
p
p
a
In questo caso, come vedremo in seguito, l'espressione di M la seguente:
|
|
.
|
\
|
=
r
1 i
2
i
2
m
m
M
X
X
M
i

ma si ha:
=
=
r
1 i
i
i
m
m
p
p
X
X
i

e allora:
( )
2
r
1 i
i
r
1 i
2
i
p
M p
M
i
|
.
|
\
|
=
=

Ma:
i
0
i
p
M

=
ossia:
i
2
0
2
i
p
M

=
e allora:
2-24
( )
2
r
1 i
i
r
1 i
i 0
2
r
1 i
i
r
1 i
2
0 i
p
p
p
p
M
|
.
|
\
|
=
|
.
|
\
|
=
=
=
=

che in definitiva porge:
=
=
r
1 i
i
0
p
M

Questa espressione, molto importante, consente di determinare l'errore medio della me-
dia ponderata.
Ma per essere applicata necessita la conoscenza di o e dei pesi pi .
I pesi sono comunque noti, derivino matematicamente dalle condizioni operative o a dal
buon senso, ma il valore o noto solamente quando i pesi sono di provenienza oggettiva. Se non
sono noti i i non sembra dunque possibile calcolare . Occorre trovare il modo di esprimere o in
funzione dei pesi, che sono comunque noti, ed, eventualmente, di altri parametri noti o calcolabili.
Poniamo, al solito:
i
m i
X - X x = errori veri (valutati rispetto al valore vero X, incognito)
i
m m i
X - X s = scarti (valutati rispetto al valore medio Xm, calcolato)
M = X Xm errore vero del valore medio
Sottraendo membro a membro e sostituendo si ha:
xi - si = X Xm = M
e allora:
xi = si + M
Quadrando, moltiplicando entrambi i membri per pi e sommando si ottiene:
xi
2
= si
2
+ M
2
+ 2 si M
pi xi
2
= pi si
2
+ pi M
2
+ 2 pi si M

= = = =
+ + =
r
1 i
i i
r
1 i
i
2
r
1 i
2
i i
r
1 i
2
i i
s p M 2 p M s p x p
L'ultimo termine , come sappiamo, nullo; perci rimane:

= = =
+ =
r
1 i
i
2
r
1 i
2
i i
r
1 i
2
i i
p M s p x p
Ma lecito sostituire per approssimazione:
xi M i
2-25
allora:

= = =
+ =
r
1 i
i
2
r
1 i
2
i i
r
1 i
2
i
p M s p M p
i

Ricordando che:
2
i
0
i
M
p
|
|
.
|
\
|
=

=
=
r
1 i
i
0
p
M

si ottiene:
=
=
r
1 i
i
2
0
2
i
p
M

=
=
r
1 i
i
2
0 2
p
M

Dunque:
2
o
r
1 i
2
i i
r
1 i
2
0
s p + =

= =

2
o
r
1 i
2
i i
2
0
s p r + =

=

( )

=
=
r
1 i
2
i i
2
0
s p 1 r
da cui, infine:
1 r
s p
2
i
r
1 i
i
0
=

Con questa espressione effettivamente calcolabile 0 a partire dagli scarti rispetto alla
media ponderata e dai pesi comunque attribuiti a ciascuna serie.
L'espressione appena trovata per 0 sempre utilizzabile, anche nel caso in cui, essendo
assegnati i parametri statistici delle r serie, un valore di 0 sia stato fissato e utilizzato per determina-
re i pesi. Ma, in questo caso, il valore calcolato con l'espressione precedente e il valore prefissato,
coincidono? I due valori non coincidono; non solo, ma pu anche succedere che si discostino di mol-
to: in particolare il valore calcolato pu risultare maggiore, di molto, del valore prefissato. In questo
2-26
caso i risultati della misura devono essere guardati con sospetto perch significa che una o pi delle
serie che compongono il set di dati contiene errori sistematici o grossolani, questi ultimi passati in-
denni al controllo di tolleranza.
Infatti, i parametri M i che consentono il calcolo dei pesi misurano la precisione intrinseca
della serie, ma nulla dicono riguardo all'esattezza dei valori medi Xmi e cos 0 viene a dipendere
solo dalle precisioni; il calcolo di 0, invece, dipende, oltre che dai pesi, anche dai valori medi Xmi di
ciascuna serie, tramite gli scarti, e quindi anche dall'esattezza delle serie.
La differenza, sempre presente, tra i valori di 0, quello prefissato e quello calcolato, do-
vrebbe essere valutata in rapporto ad una tolleranza che controlli la dispersione dei valori medi di
ciascuna serie rispetto al valore medio finale. Un parametro in tal senso non stato definito.
Nella pratica, per il calcolo di M si utilizza in ogni caso il valore di 0 calcolato con l'espres-
sione precedente e non quello prefissato, anche quando questo sia stato stabilito.

Esempio
Sono dati i parametri statistici di 3 serie di misure:
Si noti che il valore calcolato 0 = 0.05, in ottimo accordo con il valore assunto.
Il risultato finale dunque:
V = 832.191 0.016

v

p p * v s^2 p * s p * s^2
832.14 0.07 1.00 832.140 -0.051 0.002606 -0.051 0.002606
832.22 0.05 1.96 1631.151 0.029 0.000838 0.057 0.001643
832.19 0.03 5.44 4530.812 -0.001 0.000001 -0.006 0.000006
2496.55 8.40 6994.103 -0.023 0.003445 0.000 0.004255
Numero di letture 3
Valore medio 832.191
e.q.m. dell'unit di peso scelta 0.07
e.q.m. dell'unit di peso calcolata 0.05
e.q.m. della media 0.016
s = v - vm
2-27
Altro esempio
Sono dati i parametri statistici di 6 serie di misure, riportati nelle prime due colonne della tabella:
Assumiamo 0 = 0.20
Si noti che il valore calcolato 0 = 1.32, sensibilmente maggiore dal valore assunto: se guardiamo i dati osserviamo
che il primo valore contiene, forse, un errore grossolano.
Se depenniamo questa serie, operazione peraltro molto discutibile, si ottiene:

Il valore calcolato 0 = 0.044 inferiore al valore prefissato.
Il risultato finale dunque:
V = 175.169 0.011

v

p p * v s^2 p * s p * s^2
176.19 0.05 16.00 2819.040 0.530 0.281 8.478 4.492
175.15 0.08 6.25 1094.688 -0.510 0.260 -3.188 1.627
175.20 0.09 4.94 865.185 -0.460 0.212 -2.272 1.046
175.16 0.11 3.31 579.041 -0.500 0.250 -1.653 0.827
175.15 0.20 1.00 175.150 -0.510 0.260 -0.510 0.260
175.18 0.15 1.78 311.431 -0.480 0.231 -0.854 0.410
1052.03 33.27 5844.535 -1.931 1.494 0.000 8.661
Numero di letture 6
0.20
1.32
0.228
s = v - vm
e.q.m. dell'unit di peso scelta
e.q.m. dell'unit di peso calcolata
e.q.m. della media
v

p p * v s^2 p * s p * s^2
175.15 0.08 6.25 1094.688 -0.019 0.00037 -0.121 0.00233
175.20 0.09 4.94 865.185 0.031 0.00094 0.152 0.00466
175.16 0.11 3.31 579.041 -0.009 0.00009 -0.031 0.00029
175.15 0.20 1.00 175.150 -0.019 0.00037 -0.019 0.00037
175.18 0.15 1.78 311.431 0.011 0.00011 0.019 0.00020
875.84 17.27 3025.495 -0.006 0.00189 0.000 0.00784
Numero di letture 5
0.20
0.044
0.011
s = v - vm
e.q.m. dell'unit di peso scelta
e.q.m. dell'unit di peso calcolata
e.q.m. della media
3-1
3. 3. 3. 3. Misura indiretta delle grandezze Misura indiretta delle grandezze Misura indiretta delle grandezze Misura indiretta delle grandezze
Spesso non possibile, o non conveniente, misurare direttamente una grandezza X, a
causa della sua natura o delle circostanze. La sua determinazione avviene allora utilizzando una o
pi relazioni matematiche. In generale sar:
0 ) a ,..., a , a , a , X ( f
q 3 2 1
=
dove a1, a2, a3, ... aq sono q grandezze.
Il problema apparentemente assai banale: note o misurate direttamente le q grandezze,
il valore dell'incognita X si calcola semplicemente esplicitando rispetto ad essa la relazione suddetta.
Nel caso in cui le grandezze siano state determinate mediante serie di osservazioni, sono
disponibili i soliti parametri statistici:
ami , M i (i = 1, q)
Se nell'espressione matematica mediante la quale deriviamo il valore X introduciamo i va-
lori ami, il valore che ricaviamo per X sar proprio Xm : in altre parole, il valore pi probabile della
grandezza X quello che si ottiene utilizzando i valori pi probabili delle grandezze da cui di-
pende.
questo il caso pi semplice di calcolo del valore medio di una misura indiretta. Occorre
per determinare anche l'attendibilit di Xm. Ovvero determinare quanto, e possibilmente come, le
imprecisioni delle grandezze misurate si propagano sul valore Xm.
Le soluzioni che si offriranno a questo problema, oltre a consentire la determinazione del-
l'attendibilit dei risultati nei casi pi ricorrenti, avranno un enorme valore concettuale utile nella pro-
gettazione delle campagne di misura, quanto a scelta degli schemi operativi, degli strumenti, delle
condizioni etc.
3.1. Errore medio di una grandezza funzione lineare di
altre grandezze
Consideriamo il semplice caso di una grandezza Z che sia somma di due altre grandezze
X e Y:
Z = X + Y
Siano state misurate le grandezze X e Y mediante due serie rispettivamente di p e q os-
servazioni che, elaborate, hanno fornito i soliti parametri statistici: indichiamo con x e y gli errori
quadratici medi delle misure di ciascuna serie.
3-2
Si voglia determinare il valore medio Zm e la sua attendibilit che chiameremo z.
Affrontiamo il problema prendendo in considerazione tutte le p q combinazioni di ciascuna
lettura di X con ciascuna lettura di Y.
Manifestamente il valore pi probabile da attribuire a Z la somma dei valori medi:
Zm = Xm + Ym
Ricordando lespressione dellerrore quadratico medio delle misure di una serie (in funzio-
ne degli errori veri):
n
x
n
1 i
2
i
=
=

nel nostro caso, chiamando xi, yi e zi gli errori veri delle osservazioni effettuate e di quelle
fittizie della grandezza calcolata, si ha:
p
x
p
1 i
2
i
x
=
=

q
y
q
1 i
2
i
y
=
=

per conseguenza:
q p
z
q p
1 i
2
i
z

i valori x e y sono noti perch calcolati mediante gli scarti; i p q errori veri delle osser-
vazioni di Z sono forniti da tutte le combinazioni possibili:
zk = xi + yj (i =1, p; j =1, q; k =1, p q)
Eleviamo al quadrato entrambi i membri e poi sommiamo membro a membro tutte le equa-
zioni; otteniamo:
i
q p
1 i
i
q
1 i
2
i
p
1 i
2
i
q p
1 i
2
i
y x 2 y p x q z + + =

= = =
=

Lultimo termine la somma dei prodotti misti degli errori che sono in ugual misura positivi
e negativi e hanno tutte le altre caratteristiche degli errori accidentali: per motivi gi invocati in pre-
cedenza, nellespressione precedente il suo contributo trascurabile. Pertanto:

= =
=
+ =
q
1 i
2
i
p
1 i
2
i
q p
1 i
2
i
y p x q z

3-3
Lespressione si trasforma cos:
q
y
p
x
q p
z
q
1 i
2
i
p
1 i
2
i
q p
1 i
2
i
= =
=
+ =

da cui:
2
y
2
x z
+ =
Ricordando linterpretazione dellerrore quadratico medio della media come errore quadra-
tico medio dellunica lettura Zm, si pu scrivere:
2
y
2
x z
M M M + =
Occorre notare una questione sottile: lerrore z stato dedotto considerando p q osser-
vazioni; per il calcolo dellerrore medio della media non si potrebbe simulare questo numero di os-
servazioni in quanto si giungerebbe ad una sottostima del valore. Ad esempio se fosse p = q = n il
numero di osservazioni di entrambe le serie non sarebbe corretto utilizzare il valore n
2
, ma si do-
vrebbe utilizzare semplicemente il valore n in quanto una volta ottenuto un valore:
Zk = Xi + Yj
i valori Xi e Yj non potrebbero pi essere utilizzati per altre combinazioni.

Se lespressione di Z fosse stata:
Z = a X + b Y
facile rendersi conto che il risultato che si sarebbe ottenuto :
2
y
2 2
x
2
z
b a + =
e analoga espressione:
2
y
2 2
x
2
z
M b M a M + =
Pi in generale, data unespressione del tipo:
n n 3 3 2 2 1 1 0
X a ... X a X a X a a X + + + + + =

che una combinazione lineare, si ha, per il valore pi probabile lespressione:
m m m
n n 3 3 2 2 m 1 1 0 m
X a ... X a X a X a a X + + + + + =

e per lerrore quadratico medio di ogni osservazione combinazione di diversi valori:
=
=
n
1 i
2
i
2
i x
a
3-4
Ci si chieder perch non compare il termine a0: essendo un coefficiente della combina-
zione, non un elemento misurato e pertanto il suo errore nullo.
Analoga espressione si ottiene per:
=
=
n
1 i
2
i
2
i x
M a M
Questo risultato sar dedotto per altra via nel paragrafo successivo.

Come semplice riprova di quanto dedotto consideriamo il caso dellespressione della me-
dia aritmetica:
n
X ... X X X
X
n 3 2 1
m
+ + + +
=

che riscriviamo:
n 3 2 1 m
X
n
1
... X
n
1
X
n
1
X
n
1
X + + + + =

che ha proprio la forma di una combinazione lineare secondo i coefficienti, tutti uguali, 1/n.
Sappiamo che gli errori medi delle singole Xi sono uguali allerrore medio x di
unosservazione del sistema; in questo caso:
x x x x x
n 3 2 1
... = = = = =

Lerrore medio della media M, che si identifica come lerrore medio dellunica lettura Xm, si
calcola dunque come:

2
x 2
2
x 2
2
x 2 x
n
1
...
n
1
n
1
M + + + =
ovvero, semplificando:
n
M
x
x
=
che un risultato gi noto.
3.2. Errore medio di una grandezza funzione qualsiasi di
altre grandezze
Affrontiamo il caso in cui lespressione:
0 ) A ,..., A , A , A , X ( f
q 3 2 1
=
con A1, A2, A3, ... Aq che rappresentano q grandezze, sia una funzione qualsiasi.
3-5
In forma esplicita abbiamo:
) A ,..., A , A , A ( f X
q 3 2 1
=
Con lusuale significato dei simboli scriviamo:
) q , 1 j ( x A A
j m j
j
= =
dove Aj sono i valori veri e xj sono gli errori veri rispetto al valore medio calcolato.
Il valore pi probabile di X, senza ulteriori spiegazioni, vale:
) A ,..., A , A , A ( f X
q 3 2 1
m m m m m
=
Ora sviluppiamo in serie di Taylor di punto iniziale il valore medio, il secondo membro
dellespressione di X, ottenendo:
( ) ( )
q 1
m q
m
q
m 1
m
1
m q 3 2 1
A A
A
f
... A A
A
f
) A ,..., A , A , A ( f X
|
|
.
|
\
|

|
|
.
|
\
|
=
inserendo le espressione dei valori medi e degli errori si ottiene:
q
m
q
1
m
1
m
x
A
f
... x
A
f
X X
|
|
.
|
\
|

|
|
.
|
\
|
=
Arrestiamo lo sviluppo al primo termine, in quanto trascurare le potenze superiori lecito
per la piccolezza degli errori.
La grandezza X ora funzione lineare degli errori xj secondo le derivate della funzione f ri-
spetto alle grandezze Aj calcolate in corrispondenza del valore medio.
Se possiamo conoscere gli errori della media xj possiamo determinare lerrore medio della
media con lespressione determinata nel paragrafo precedente. Occorre anche osservare che ab-
biamo ragionato in termini di valori ed errori veri; dobbiamo ammettere che lerrore da cui sono affetti
i valori veri Aj, siano uguali ai valori da cui sono affetti i corrispondenti valori medi Amj: questi ultimi
valgono Mj. Con questo aggiornamento dei simboli si ottiene
q
2 2
m
q
1
2 2
m
1
X
M
A
f
... M
A
f
M
|
|
.
|
\
|

|
|
.
|
\
|
=
o, pi sinteticamente:
|
|
.
|
\
|
=
q
1 j
j
2
m
2
j
X
M
A
f
M
Lespressione ora calcolata si presta ad una interpretazione geometrica intuitiva.
La quantit:
3-6
j
m
j
j
M
A
f
|
|
.
|
\
|
=
il differenziale calcolato in m per un incremento della variabile pari a Mj della grandezza j-
esima: il contributo allerrore della media fornito dallerrore della componente j-esima. Lerrore
complessivo calcolato come la norma euclidea di tutti i contributi: se immaginiamo una funzione f
contenente solo tre variabili, calcoleremo le quantit:
3
m
3
3
2
m
2
2
1
m
1
1
M
A
f
M
A
f
M
A
f
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
=

che potremmo interpretare come i lati di un prisma retto.
Calcolare la radice quadrata della somma dei quadrati dei lati equivale ad applicare il teo-
rema di Pitagora a tre dimensioni, ovvero calcolare la diagonale del prisma, ovvero a calcolare la di-
stanza euclidea (norma) tra i vertici opposti del prisma. Se poniamo un vertice del prisma nellorigine
del sistema che ha per assi gli errori di ogni singola grandezza, il vertice opposto rappresenta
lerrore composto.
Il passaggio ad un numero di grandezze superiore a tre solo una questione formale: po-
tremo immaginare lerrore come liper-distanza nello spazio a q dimensioni.
necessario fare una precisazione importante. Potrebbe sembrare che, note le espressio-
ni per la determinazione della propagazione degli errori in ciascuna delle formule che comunemente
si utilizzano (vedi i capitoli successivi) sia possibile, mediante applicazioni successive di esse, de-
terminare la propagazione degli errori in geometrie anche molto ramificate, semplicemente ritenendo
come errore di una certa grandezza quello determinato per essa nel passo precedente. Purtroppo
questo non possibile. Nellespressione generale, compaiono i differenziali rispetto a ciascuna va-
riabile: se una variabile Aj non una costante, ma a sua volta deriva dal calcolo come funzione di s
altre variabili, al posto della derivata totale rispetto ad Aj si dovrebbero porre altri termini secondo
lespressione generica seguente di una funzione f(x1, x2, xn) con xi= xi(t1, t2, tp):
p
p
n
n p
2
2 p
1
1
1
1
n
n 1
2
2 1
1
1
dt
t
x
x
f
...
t
x
x
f
t
x
x
f
...
... dt
t
x
x
f
...
t
x
x
f
t
x
x
f
df
|
|
.
|
\
|
+ +
+
+
|
|
.
|
\
|
+ +
=

che si pu scrivere anche:
3-7
|
|
.
|
\
|
+ +
+
+
|
|
.
|
\
|
+ +
=
p
p
n
2
2
n
1
1
n
n
p
p
1
2
2
1
1
1
1
1
dt
t
x
... dt
t
x
dt
t
x
x
f
...
... dt
t
x
... dt
t
x
dt
t
x
x
f
df

Queste espressioni complicano molto la vita e di fatto non sono applicabili per via analitica.
Deve essere notata una questione fondamentale: nel calcolo del valore medio della gran-
dezza compaiono solo i valori medi delle grandezze misurate e non gli errori di questi, mentre nel
calcolo dellerrore medio della media compaiono oltre agli errori medi delle grandezze misurate an-
che i valori medi di queste ultime. C unevidente asimmetria: il valore medio deriva dai valori medi;
lerrore della media deriva dagli errori dei valori medi e dai valori medi stessi. Questo significa che
nella propagazione dellerrore ha influenza anche la configurazione geometrica del problema. Come
si vedr nellesempio sottostante, a uguali precisioni e diversa conformazione geometrica corri-
spondono diverse propagazioni degli errori.
Da questa osservazione nascono tutte le considerazioni da tener presenti nella progetta-
zione di un rilievo. Questi concetti dovrebbero essere ben presenti nel bagaglio culturale di tecnici
della misura.

Esempio
Sono dati tre elementi di un triangolo (due lati e langolo compreso) in due casi distinti. Nel primo caso il triangolo ben
conformato, nel secondo caso, solo cambiando un dato, il triangolo mal conformato. Le misure sono espresse in
metri e gradi centesimali.

Vm eqm 1000*eqm/Vm Vm eqm 1000*eqm/Vm
AC 175.23 0.30 1.71 175.23 0.30 1.71
AB 174.21 0.20 1.15 174.21 0.20 1.15
CAB 65.455 0.030 0.46 189.455 0.030 0.16

BC 171.83 0.19 1.12 348.24 0.36 1.03
ABC 66.943 0.117 1.75 5.257 0.016 3.04
BCA 67.602 0.117 1.74 5.288 0.016 3.01
Sup 13070.86 27.2 2.08 2516.69 8.8 3.49

Nellappendice (cap. 5) riportato un esteso formulario per la determinazione della propa-
gazione degli errori nelle misure derivate relativamente ai triangoli e alle conversioni di coordinate.
4-1
4. 4. 4. 4. Trattamento di misure sovrabbondanti Trattamento di misure sovrabbondanti Trattamento di misure sovrabbondanti Trattamento di misure sovrabbondanti
questo il caso pi generale e, dal punto di vista algoritmico, pi complesso affrontato e
risolto dalla Teoria degli Errori. La comprensione teorica del presente capitolo richiede nozioni di A-
nalisi Matematica, mentre la realizzazione di un algoritmo di calcolo richiede competenze di analisi
numerica e una certa esperienza di programmazione.

Sono date m misure di altrettante grandezze che definiscono un problema; il problema
caratterizzato da n incognite da determinare:
Li i = 1, m misure effettuate (distanze e/o angoli)
xj j = 1, n incognite (distanze e/o angoli).
Disponiamo di espressioni matematiche con le quali potremmo determinare i valori Li a
partire dai valori xj. In altre parole, se diamo per note le quantit xj possiamo scrivere m equazioni
che determinano i valori misurati.
Naturalmente, i valori che calcoleremmo con xj non restituirebbero esattamente i valori Li,
ma valori prossimi ad essi (se escludiamo, come da ipotesi, lassenza di errori grossolani). Daltra
parte i valori misurati non si combinano esattamente (sono in conflitto tra loro); scopo di questo stu-
dio la determinazione delle correzioni da apportare alle misure effettuate, o direttamente le misure
finali, per onorare le condizioni geometriche interne del problema. Tale operazione si dice, con ter-
mine intuitivo, compensazione perch aggiusta le misure modificandole leggermente.
Dunque, denotando con i L i valori compensati finali, possiamo scrivere m espressioni del
tipo:
( ) m , 1 i n , 1 j x f L
j i
i = = =
dove, in generale, ciascuna ( )
j i
x f non conterr tutte le n incognite, ma solo alcune; nel
seguito, quando non necessario, ometteremo la specifica degli argomenti. Ancora, si noti che, an-
che se questa impostazione del tutto generale, le funzioni
i
f non saranno tutte distinte, ma saran-
no poche (alcune) espressioni richiamate pi volte.
Le quantit:
( ) m , 1 i L x f L L e
i j i i
i
i
= = =
altro non sono che gli errori di ciascuna lettura.
Quadrando e sommando membro a membro si ottiene:
4-2
( ) ( )

= = = =
+ =
= + = = =
m
1 i
2
i i
m
1 i
i
m
1 i
2
i
m
1 i
2
i
2
i i i
2
i
2
i i
2
i
i
2
i
L L f 2 f e
n , 1 i L L f 2 f L f L L e

La teoria dei Minimi Quadrati richiede che sia:
min e p
m
1 i
2
i i
=
=

e dunque:
min L p L f p 2 f p
m
1 i
2
i i i
m
1 i
i i
m
1 i
2
i i
= +

= = =

Questa condizione, sotto le usuali ipotesi di continuit e derivabilit delle funzioni, si rag-
giunge imponendo che sia:
n , 1 j 0
x
L p L f p 2 f p
j
m
1 i
2
i i i
m
1 i
i i
m
1 i
2
i i
= =
|
.
|
\
|
+

= = =

Queste espressioni possono facilmente modificarsi come segue; occorre osservare che la
terza sommatoria che compare a numeratore un termine costante e quindi la sua derivata nulla.
n , 1 j 0
x
f
L p 2
x
f
f p 2
n , 1 j 0
x
f
L p 2
x
f
f p 2
n , 1 j 0
x
f
L p 2
x
f
p
n , 1 j 0
x
L f p
2
x
f p
j
i
m
1 i
i i
m
1 i j
i
i i
j
i
m
1 i
i i
m
1 i j
i
i i
j
i
m
1 i
i i
m
1 i j
2
i
i
j
i
m
1 i
i i
j
m
1 i
2
i i
= =

= =

= =
= =

= =
= =
= =
= =

semplificando si ottiene lespressione:
( ) n , 1 j 0
x
f
L f p
m
1 i j
i
i i i
= =
=

Si tratta di un sistema di n equazioni in n incognite.
4-3
4.1. Caso di funzioni tutte lineari
Particolarmente facile il caso in cui tutte le funzioni che legano le variabili siano lineari. In
questo caso le funzioni possono essere cos espresse :
( ) m i x c c x f
n
j
j ij i j i
, 1
1
0
= + =

=

E le derivate assumono semplicemente la forma:
m i n j c
x
f
ij
j
i
, 1 , 1 = = =

Allora le equazioni si possono riscrivere:
n j c L p c f p
n j
x
f
L p
x
f
f p
m
i
ij i i
m
i
ij i i
m
i
j
i
i i
m
i
j
i
i i
, 1
, 1
1 1
1 1
= =
=

= =
= =

Sostituendo al primo membro le espressioni delle funzioni, raccogliendo e semplificando si
giunge alla forma:
( ) n j c L c p c c p x
i i
m
i
ij i
m
i
ik ij i
n
k
k
, 1
0
1 1 1
= =
|
.
|
\
|

= = =

Che il sistema in cui sono esplicitati i termini della matrice:
( ) n j c L c p b
n k n j c c p a
m
i
i i ij i j
ik ij
m
i
i k j
, 1
, 1 , 1
1
0
1
,
= =
= = =
=
=

La soluzione di questo sistema immediata con qualsiasi solutore.
possibile ricavare altre utili informazioni.
Una volta risolto il sistema, e determinati quindi i valori pi probabili delle variabili, introdu-
cendo questi valori nelle funzioni assegnate si calcolano subito gli errori di ogni osservazione:
( ) m i L x f L L e
i j i i
i
i
, 1 = = =
Lerrore quadratico medio della serie di misure effettuate valutabile con lespressione se-
guente:
n m
e p
m
i
i
=1
2
2

4-4
Al denominatore compare il numero di misure sovrabbondanti dato dalla differenza delle
misure effettuate (m) e quello delle misure strettamente necessario per la determinazione univoca
delle incognite (n); (m-n) , intuitivamente, il grado di iperdeterminazione del sistema.
Anche lerrore quadratico medio di ogni singola incognita del problema ora calcolabile
con la formula:
A
A
jj
x
j
det
=

Dove, come di consueto, si indicato con A
jj
il complemento algebrico della matrice dei
coefficienti A rispetto allelemento diagonale di posto j,j, quindi relativo allincognita j-esima.
Dal punto di vista computazionale, si ricorda che il determinante di una matrice facilmen-
te ricavabile a seguito della triangolarizzazione di Gauss della matrice come:
n
i
ii
a A
1
' det
=
=

Dove si indica con a i termini della matrice triangolarizzata.
Infine, il calcolo di A
jj
pu essere realizzato senza notevole aggravio di algoritmo triangola-
rizzando di volta in volta la matrice A in cui sia stato posto sul termine diagonale j,j, il valore 1. e po-
sti 0. tutti gli altri valori della colonna j e della riga j; non si pone nemmeno il problema che A
jj
possa
essere negativo essendo comunque sempre pari il valore j+j.
Esempio
A titolo di esempio proponiamo il seguente problema:
Dato un metro da campionare per confronto diretto con un longimetro opportunamente tarato si sono effettuate le
seguenti misure che assumiamo tutte della stessa classe:

Osservazione (n) Temperatura () Lunghezza (mm)
1 20 1000.22
2 40 1000.65
3 50 1000.90
4 60 1001.05

La funzione che lega le quantit :
4 , 1 ) ( :
0
= + = i t k L t L f
i

Le incognite sono L
0
e k. Inoltre, si ha m=4 e n=2
Trascuriamo per semplicit di calcolo il termine additivo 1000. da tutte le lunghezze che ripristineremo al momento di
utilizzare i risultati.
I valori c
ij
sono i seguenti:
4-5
4
3
2
1
1
1
1
1
t
t
t
t
c
ij
=
La matrice dei coefficienti la seguente:
[ ] { } { } B x A =

=
=
= =
= =
=
m
i
i i
m
i
i
m
i
i
m
i
i
m
i
i
m
i
t L
L
k
L
t t
t i
1
1
0
1
2
1
1 1

Introducendo i valori:
4 . 138
82 . 2
8100 170
170 4
0
=
k
L

Che risolto fornisce i valori:
0212 . 0
196 . 0
0
=
=
k
L

Aggiungendo il termine costante si ha:
C mm k
mm L
=
= =
/ 0212 . 0
804 . 999 196 . 0 1000
0

Si calcolano ora gli errori quadratici medi. Nella tabella sono riportati i valori misurati, quelli calcolati, gli errori e il
quadrato degli errori.
Valore misurato
(mm)
Valore calcolato
(mm)
Errore
(mm)
Errore quadrato
(mm
2
) *10
-3
1000.22 1000.228 -0.008 0.064
1000.65 1000.652 -0.002 0.004
1000.90 1000.864 +0.036 1.296
1001.05 1001.076 -0.026 0.676
0.000 2.040
Si ricava dunque:
mm
n m
e
m
i
032 . 0
2
10 040 . 2
3
1
2
=

I parametri necessari al calcolo degli errori quadratici medi di L
0
e k sono i seguenti:
4
8100
3500 170 8100 4 det
22
11
2
=
=
= =
A
A
A

4-6
Da cui:
C mm
A
A
mm
A
A
k
L
= = =
= = =
/ 001 . 0
3500
4
032 . 0
det
049 . 0
3500
8100
032 . 0
det
22
11
0

In definitiva, i parametri di calibrazione cercati sono:
C mm k
mm L
=
=
/ 0011 . 0 0212 . 0
049 . 0 804 . 999
0

4.2. Caso di funzioni qualsiasi
Nel caso in cui le funzioni non siano lineari, il sistema non pu essere risolto direttamente,
ma deve essere linearizzato mediante lo sviluppo in serie di Taylor.
Si ricorda che lo sviluppo in serie di Taylor consente la determinazione dei valori di una
funzione nellintorno di un punto, noti che siano il valore della funzione nel punto e le derivate di tutti
gli ordini nello stesso punto. Si tratta di una somma infinita di termini che restituisce esattamente i
valori. Se la serie troncata il valore calcolato differisce dal valore esatto a meno di un resto
dellordine del termine da cui si tronca. Ovviamente sussistono condizioni (continuit, derivabilit in-
definita, continuit delle derivate di ogni ordine etc.) sotto le quali loperazione possibile.
Formalmente, per funzioni di una variabile, si ha la formula di Taylor:
( ) ( )
( ) 1 n
x
n
n n
x
2
2 2
x
0 0
R
x d
f d
! n
h
...
x d
f d
2
h
x d
f d
h x f h x f
0 0 0
+
+
|
|
.
|
\
|
+ +
|
|
.
|
\
|
+
|
|
.
|
\
|
+ = +
ossia la serie di Taylor:
( )

=
=
|
|
.
|
\
|
= +
0
0
0
n
x x
n
n n
x d
f d
n
h
h x f
!

Se, come nel caso nostro, la funzione a pi variabili, lespressione della formula di Taylor
arrestata al secondo termine :
( ) ( )
n 1 n 1
x ,..., x
n
n
x ,..., x
1
1 n 1 n n 1 1
x d
f d
h ...
x d
f d
h x ,..., x f h x ,..., h x f
|
|
.
|
\
|
+ +
|
|
.
|
\
|
+ = + +
Daltra parte noi dobbiamo effettivamente arrestare lo sviluppo al secondo termine se vo-
gliamo ottenere la linearizzazione delle equazioni.
Le equazioni del sistema diventano quindi:
4-7
( )
( )
n , 1 j 0 v
x
x
f
L f
p
x
f
L f p
m
1 i
n
1 k
k
0
k
j
i
i i
i
0
j
i
i i i
= =
(
(
(
(
(
(
(

+
(
(

= =

che possono semplificarsi:
( )
( ) n , 1 j
x
f
L f p v
x
x
f
L f
p
m
1 i
0
j
i
i i i
m
1 i
n
1 k
k
0
k
j
i
i i
i
=
(
(
=
(
(
(
(
(
(
(

= = =

e infine:
( ) ( ) n j
x
f
L f p v
x x
f
L f
x
f
x
f
p
m
i
j
i
i i i
m
i
n
k
k
k j
i
i i
j
i
k
i
i
, 1
1
0
1 1
0
2
=
(
(
=
(
(

= = =

Questo ora un sistema lineare di n equazioni nelle n incognite vk.
Con passaggi delicati ma non difficili si perviene infine alla scrittura del generico elemento
a
j,k e b
j della matrice dei coefficienti e del vettore dei termini noti:
( )
( ) n j
x
f
L f p b
n k n j
x x
f
L f
x
f
x
f
p a
m
i
j
i
i i i j
m
i
k j
i
i i
j
i
k
i
i k j
, 1
, 1 , 1
1
0
0
1
2
,
=
(
(
=
= =
(
(
=
=

La soluzione iterativa. Il vettore di innesco una soluzione approssimata, facilmente de-
terminabile utilizzando un sottoinsieme delle misure effettuate (in numero e tipo che consentano una
determinazione univoca del problema). Ad ogni iterazione sono valutati il valore delle funzioni e le
derivate prime utilizzando i valori della soluzione aggiornata dalliterazione precedente; questi calcoli
forniscono i coefficienti della matrice (non diagonalmente dominante, in generale non simmetrica e
non a banda, spesso sparsa) del sistema. La soluzione del sistema avviene con un qualsiasi algo-
ritmo idoneo (Gauss, Cholesky etc); non in generale necessario ottimizzare gli algoritmi di tratta-
mento della matrice essendo questa sempre di dimensioni contenute, al massimo qualche decina di
equazioni. Ad ogni iterazione aggiornata la soluzione mediante il vettore delle correzioni trovato:
n , 1 j v x x
j j j
= + =
In genere bastano poche iterazioni per convergere ad una soluzione adeguatamente ap-
prossimata. Il criterio di uscita dal ciclo iterativo , di solito, posto sulla norma del vettore vk, ma sono
possibili anche altri criteri (componente massimo, media aritmetica dei valori assoluti, variazione del-
4-8
la somma dei quadrati degli scarti etc.) che sono fissati di volta in volta in base alle caratteristiche del
problema allo studio. Non va dimenticato che, in dipendenza dalla soluzione di innesco, il procedi-
mento pu convergere con diversa rapidit o, addirittura, non convergere.
La soluzione di innesco deve quindi essere scelta con attenzione e difficile risulta, spesso,
la definizione di un criterio unico per tutta la classe di problemi allo studio. Lintorno di convergenza,
nello uno spazio n-dimensionale, quantit assai ardua da determinare e contano molto di pi le
considerazioni delle caratteristiche fisiche del problema che complicatissimi (e spesso inattendibili)
studi di convergenza.
Infine, proprio per intercettare situazioni di non convergenza opportuno porre nella pro-
cedura alcuni controlli sulla qualit della convergenza e sul numero di iterazioni necessarie.

Esempio
A titolo di esempio proponiamo il seguente problema:
Data una nuvola di punti di giacenti approssimativamente su un piano, determinare lequazione del piano interpolatore
secondo il criterio dei Minimi quadrati. Supponiamo che tutti i punti siano determinati con eguale precisione per cui i pesi
relativi sono tutti uguali.
Dati:
n i z y
i i i
, 1 , , x =
Lequazione del piano generico del tipo:
0 ' ' ' ' = + + + d z c y b x a
Dei 4 coefficienti, solo 3 sono indipendenti; si pu porre d0 e quindi lespressione diventa:
0 1
'
'
'
'
'
'
= + + + z
d
c
y
d
b
x
d
a

Ponendo ora:
'
'
d
a
a =
'
'
d
b
b =
'
'
d
c
c =
Lespressione del piano diventa:
0 1= + + + z c y b x a
La distanza di un punto P da un piano di coefficienti a, b, c, d fornita dallespressione seguente:
2 2 2
' ' '
' ' ' '
c b a
d z c y b x a
d
P P P
+ +
+ + +
=
Con la sostituzione effettuata si ha:
2 2 2
1
c b a
z c y b x a
d
P P P
+ +
+ + +
=
4-9
Per ogni punto della nuvola data si ha dunque:
2 2 2
2 2 2
2 2 2
2
2 2 2
1 1 1
1
1
...
1
1
c b a
z c y b x a
d
c b a
z c y b x a
d
c b a
z c y b x a
d
n n n
n
+ +
+ + +
=
+ +
+ + +
=
+ +
+ + +
=

Il criterio dei minimi quadrati pone il seguente criterio:
=
=
n
i
i
d
1
2
min
E quindi
=
=
|
|
.
|
\
|
+ +
+ + +
n
i
i i i
c b a
z c y b x a
1
2
2 2 2
min
1

Che palesemente si trasforma in:
( )
=
=
+ +
+ + +
n
i
i i i
c b a
z c y b x a
1
2
2 2 2
min
1

Questa appena scritta una funzione di 3 variabili a, b, c, non lineare di cui cerchiamo il minimo. Questa condizione si
traduce nelle 3 espressioni seguente:
0
1
2
=
|
|
.
|
\
|

=
a
d
n
i
i

0
1
2
=
|
|
.
|
\
|

=
b
d
n
i
i

0
1
2
=
|
|
.
|
\
|

=
c
d
n
i
i

Che, sviluppate, diventano:
( ) ( )
( )
( ) ( )
( )
( ) ( )
( )
0
1 2 1 2
0
1 2 1 2
0
1 2 1 2
1
2
2 2 2
2
1
2
1
2
2 2 2
2
1
2
1
2
2 2 2
2
1
2
=
+ +
+ + + + + +
=
|
|
.
|
\
|
=
+ +
+ + + + + +
=
|
|
.
|
\
|
=
+ +
+ + + + + +
=
|
|
.
|
\
|
=
=
=
=
=
=
n
i
i i i i i i i
n
i
i
n
i
i i i i i i i
n
i
i
n
i
i i i i i i i
n
i
i
c b a
z c y b x a c z c y b x a x
c
d
c b a
z c y b x a b z c y b x a y
b
d
c b a
z c y b x a a z c y b x a x
a
d

Osservando che ovviamente :
4-10
0
2 2 2
+ + c b a
Le espressioni si semplificano in:
( ) ( ) [ ]
( ) ( ) [ ]
( ) ( ) [ ] 0 1 1
0 1 1
0 1 1
1
2
1
2
1
2
= + + + + + +
= + + + + + +
= + + + + + +
=
=
=
n
i
i i i i i i i
n
i
i i i i i i i
n
i
i i i i i i i
z c y b x a c z c y b x a z
z c y b x a b z c y b x a y
z c y b x a a z c y b x a x

Per semplificare la scrittura, poniamo:
1 + + + =
i i i i
z c y b x a Q
E allora le espressioni diventano:
[ ]
[ ]
[ ] 0
0
0
1
2
1
2
1
2
=
=
=
=
=
=
n
i
i i i
n
i
i i i
n
i
i i i
Q c Q z
Q b Q y
Q a Q x

Nella posizione Q sono contenute le tre incognite a, b, c. Questo un sistema di 3 equazioni nelle 3 incognite suddette,
ma il sistema non lineare e, dunque, come abbiamo visto, occorre linearizzarlo mediante la formula di Taylor. In questo
caso, dette:
2
2
2
i i i i
i i i i
i i i i
Q c Q z H
Q b Q y G
Q a Q x F
=
=
=

Le formule di Taylor scritte per le precedenti funzioni sono:
( ) ( )
( ) ( )
( ) ( )
) 2 (
, , , ,
) 2 (
, , , ,
) 2 (
, , , ,
H
i i i
c b a i dc c db b da a i
G
i i i
F
i i i
R dc
c
H
db
b
H
da
a
H
H H
R dc
c
G
db
b
G
da
a
G
G G
R dc
c
F
db
b
F
da
a
F
F F
+
+ =
+
+ =
+
+ =
+ + +
+ + +
+ + +

Trascurando i resti dallordine 2, considerando che nella generica iterazione i termini a, b, c sono noti dalliterazione
precedente e che ora le variabili di questo sistema sono diventate le correzioni da, db, dc, si ottiene:
( )
( )
( ) c b a i
i i i
c b a i
i i i
c b a i
i i i
H dc
c
H
db
b
H
da
a
H
G dc
c
G
db
b
G
da
a
G
F dc
c
F
db
b
F
da
a
F
, ,
, ,
, ,
=

Questo il sistema lineare da risolvere.
Le espressioni che vi compaiono, dopo varie semplificazioni e riordini sono le seguenti:
4-11
i i i i
i
i i i i
i
i i i i i
i
Q z a z x
c
F
Q y a y x
b
F
Q Q x a x x
a
F
=
2
2
2
2

i i i i
i
i i i i i
i
i i i i
i
Q z b z y
c
G
Q Q y b y y
b
G
Q x b x y
a
G
=
2
2
2
2

2
2
2
2
i i i i i
i
i i i i
i
i i i i
i
Q Q z c z z
c
H
Q y c y z
b
H
Q x c x z
a
H
=

In definitiva, ricordando le sommatorie, si ottiene la seguente scrittura compatta del sistema:
( )
( )
( ) c b a i
n
i
i
n
i
i
n
i
i
c b a i
n
i
i
n
i
i
n
i
i
c b a i
n
i
i
n
i
i
n
i
i
H dc
c
H
db
b
H
da
a
H
G dc
c
G
db
b
G
da
a
G
F dc
c
F
db
b
F
da
a
F
, ,
1 1 1
, ,
1 1 1
, ,
1 1 1
=
|
|
.
|
\
|
+
|
|
.
|
\
|
+
|
|
.
|
\
|
=
|
|
.
|
\
|
+
|
|
.
|
\
|
+
|
|
.
|
\
|
=
|
|
.
|
\
|
+
|
|
.
|
\
|
+
|
|
.
|
\
|

= = =
= = =
= = =

Dove ben si vede che ciascuna sommatoria un elemento della matrice che cos si pu riscrivere:
3
2
1
33 32 31
23 22 21
13 12 11
t
t
t
dc
db
da
a a a
a a a
a a a
=
La soluzione di questo sistema fornisce le correzioni da, db, dc; i valori aggiornati di a, b, c sono dunque:
dc c c
db b b
da a a
+ =
+ =
+ =

Un criterio di uscita dal ciclo iterativo della soluzione il controllo della norma euclidea delle correzioni stesse:
2 2 2
dc db da + + =
O, che ai fini pratici lo stesso:
2 2 2 2
dc db da + + =
Ad ogni iterazione calcolata la quantit
2
e confrontata con un parametro di tolleranza prefissato.
Nel listato seguente sono riportati i calcoli eseguiti per la determinazione del piano medio della facciata di un edificio
rilevata mediante la determinazione di 16 punti.

Coordinate assolute misurate dei punti
4-12

pt X Y Z
----------------------------------------------------
01 4.070 23.502 0.857
02 8.792 22.977 0.443
03 15.914 22.226 0.170
04 19.650 21.740 0.728
05 23.905 21.290 0.631
06 9.381 22.856 3.952
07 19.366 21.750 3.902
08 3.945 23.457 6.564
09 23.801 21.295 6.563
10 8.349 22.958 8.427
11 14.447 22.260 8.166
12 20.434 21.655 8.380
13 9.462 22.810 11.175
14 19.350 21.709 11.048
15 11.471 22.561 14.135
16 17.318 21.884 14.063

Coefficienti del piano passante per i punti 01, 08 e 16

a = -0.466619E-02
b = -0.417258E-01
c = -0.431213E-03
d = 0.100000E+01

Coordinate assolute proiettate sul piano medio ed errore

pt X Y Z Err.*1000
-------------------------------------------------------------------
01 4.070 23.502 0.857 0.
02 8.792 22.978 0.443 1.
03 15.909 22.185 0.170 -41.
04 19.652 21.761 0.728 21.
05 23.905 21.286 0.631 -4.
06 9.383 22.876 3.952 20.
07 19.367 21.760 3.902 10.
08 3.945 23.457 6.564 0.
09 23.795 21.237 6.562 -58.
10 8.348 22.945 8.427 -13.
11 14.448 22.266 8.166 6.
12 20.427 21.595 8.379 -60.
13 9.460 22.793 11.175 -18.
14 19.348 21.688 11.048 -21.
15 11.468 22.537 14.135 -24.
16 17.318 21.884 14.063 0.

Somma dei quadrati degli errori rispetto al piano 0.111675507039E-01

Usando come innesco il piano appena determinato sono sviluppate le iterazioni seguenti:

Tolleranza di convergenza 1.000E-24

Iterazioni eseguite

it a b c tt
--------------------------------------------------------------
0 -0.466619E-02 -0.417258E-01 -0.431213E-03 1.000E+12
1 -0.461463E-02 -0.417530E-01 -0.376039E-03 0.645E-08
2 -0.461463E-02 -0.417530E-01 -0.376038E-03 0.116E-18
3 -0.461463E-02 -0.417530E-01 -0.376038E-03 0.646E-34

Coefficienti del piano medio secondo Minimi Quadrati

a = -0.461463E-02
b = -0.417530E-01
c = -0.376038E-03
4-13
d = 0.100000E+01

sono state eseguite 3 iterazioni
parametro di convergenza 0.646E-34

Coordinate assolute proiettate sul piano medio ed errore

pt X Y Z Err.*1000
-------------------------------------------------------------------
01 4.069 23.493 0.857 -9.
02 8.792 22.975 0.443 -2.
03 15.910 22.190 0.170 -36.
04 19.653 21.772 0.728 32.
05 23.906 21.302 0.631 13.
06 9.383 22.878 3.952 22.
07 19.369 21.775 3.902 25.
08 3.945 23.455 6.564 -2.
09 23.797 21.261 6.563 -34.
10 8.348 22.952 8.427 -6.
11 14.449 22.280 8.166 20.
12 20.430 21.617 8.380 -38.
13 9.461 22.804 11.175 -6.
14 19.350 21.712 11.048 3.
15 11.470 22.555 14.135 -6.
16 17.321 21.909 14.063 26.

Somma dei quadrati 0.742799055501E-02

Il piano di innesco quello passante per i punti 01, 08 e 16: la scelta di questi tre punti non
casuale: si tratta di tre punti ben distribuiti (che formano un triangolo ben condizionato). Altre pro-
ve, che qui non si riportano, sviluppate utilizzando altri punti, di inferiore o pessimo condizionamento
geometrico, hanno tuttavia fornito lo stesso risultato finale con solo uniterazione in pi. Questo di-
mostra la stabilit di questa soluzione per questo problema. Purtroppo molti altri problemi, soprattut-
to quando le variabili in gioco sono di natura e grandezza diverse, non sono cos stabili.

5-1
5. 5. 5. 5. APP APP APP APP. 1 . 1 . 1 . 1: Formulario per il calcolo della prop : Formulario per il calcolo della prop : Formulario per il calcolo della prop : Formulario per il calcolo della propa- a- a- a-
gazione degli errori gazione degli errori gazione degli errori gazione degli errori
5.1. Formula generale nella teoria dei minimi quadrati
a = f(xi) ( i = 1,n)

=
|
|
.
|
\
|
=
n
1 i
2
x
i
a
i
m
x
f
m
5.2. Formule per problemi specifici
5.2.1. Somma algebrica
Dati: n) 1, (i m , a , k
i
a i i
=
=
=
n
i
i i
a k A
1

( )
=
=
n
1 i
2
a i A
i
m k m
5.2.2. Teorema dei seni
5.2.2.1. Dati 1 lato e 2 angoli
Dati: b mb, m
, m
sin
sin
=
b
a
2
2 2
tan tan
|
|
.
|
\
|
+
|
.
|
\
|
+
|
.
|
\
|
=

m
m
b
m
a m
b
a

5-2
5.2.2.2. Dati 2 lati e 1 angolo adiacente
Dati: a ma, b mb, m

b
a
sin
arcsin

=
( ) ( ) ( )
2 2 2
sin sin sin
cos
1

+ +
= m a m m
b
m
b a

5.2.3. Teorema di Carnot
5.2.3.1. Dati i tre lati
Dati: a ma, b mb, c mc
c b
a c b
ar

+
=
2
cos
2 2 2

( ) ( ) [ ] ( ) [ ]
2 2 2
cos cos
sin
1
c b a
m b c m c b m a
c b
m + +

=

5.2.3.2. Dati 2 lati e langolo compreso
Dati: b mb, c mc, m

cos 2
2 2
+ = c b c b a
( ) [ ] ( ) [ ] ( )
2 2 2
sin cos cos
1

+ + = m c b m b c m c b
a
m
c b a

5.2.4. Calcolo dellarea
5.2.4.1. Dati 2 lati e langolo compreso
Dati: a ma, b mb, m

2
sin
=
b a
S
2
2 2
tan
|
|
.
|
\
|
+
|
.
|
\
|
+
|
.
|
\
|
=
m
b
m
a
m
S m
b a
s

5-3
5.2.4.2. Dati 1 lato e i 2 angoli adiacenti
Dati: a ma, m
, m

( ) + =

sin
sin sin
2
1
2

= a S
2 2
2
sin sin
sin
sin sin
sin 2
(
|
|
.
|
\
|
+
(
|
|
.
|
\
|
+
|
.
|
\
|
=

m m
a
m
S m
a
s

5.2.4.3. Mediante la formula di Erone
2
c b a
p
+ +
=
( ) ( ) ( ) c p b p a p p S =
( ) [ ] ( ) [ ] ( ) [ ]
2
2 2 2
2
2 2 2
2
2 2 2
8
1
c b a m c c b a m b c b a m a
S
m
c b a s
+ + + + + +
=

5.2.4.4. Mediante la formula di Gauss
Dati:
n) 1, (i m y , m x
i i
y i x i
=

Entro il segno di sommatoria si conviene:
per i = 1 porre: i 1 = n
per i = n porre: i + 1 = 1
( )
=
+
=
n
i
i i i
x x y S
1
1 1
2
1

( ) [ ] ( ) [ ]

= =
+ +
+ =
n
i
n
i
xi i i yi i i s
m y y m x x m
1 1
2
1 1
2
1 1
2
1

5-4
5.2.5. Conversione coordinate
5.2.5.1. Polari > Cartesiane
Dati:
AB
AB A A A
m , m , m AB , m z , m y , m x
AB AB AB z A y A x A

AB A B
AB x x sin + =
AB A B
AB y y cos + =
AB
A B
AB
z z
tan
+ =
( ) ( )
2 2 2
cos sin
AB AB AB AB xA xB
m AB m m m

+ + =
( ) ( )
2 2 2
sin cos
AB AB AB AB yA yB
m AB m m m

+ + =
2
2
2
2
sin tan
|
|
.
|
\
|
+
|
|
.
|
\
|
+ =
AB
AB
AB
AB
zA zB
m AB
m
m m

5.2.5.2. Cartesiane > Polari
Dati:
B B B A A A
z B y B x B z A y A x A
m z , m y , m x , m z , m y , m x
A B x
x x d =
A B y
y y d =
A B z
z z d =
2 2
y x t
d d AB + =
2 2 2
z y x o
d d d AB + + =
|
|
.
|
\
|
=
y
x
AB
d
d
arctan ( ) k +
|
|
.
|
\
|
=
z
t
AB
d
AB
arctan ( ) k +
|
|
.
|
\
|
=
o
z
AB
AB
d
arccos
2 2
xB xA dx
m m m + =
2 2
yB yA dy
m m m + =
5-5
2 2
zB zA dz
m m m + =
( ) ( )
2 2
1
dy y dx x
t
ABt
m d m d
AB
m + =
( ) ( ) ( )
2 2 2
1
dz z dy y dx x
o
ABo
m d m d m d
AB
m + + =
( ) ( )
2 2
2
1
dy x dx y
t
AB
m d m d
AB
m + =

( ) ( )
2 2
2
1
dz t ABt z
o
AB
m AB m d
AB
m + =

5.3. Soluzione completa di un triangolo
adottata la solita convenzione per vertici, lati e angoli.

A
B
a
C
c
a b

5.3.1. Dati i 3 lati
c b
a c b

+
=
2
arccos
2 2 2

a c
b a c

+
=
2
arccos
2 2 2

b a
c b a

+
=
2
arccos
2 2 2

5-6
2
c b a
p
+ +
=
) ( ) ( ) ( c p b p a p p S =
( ) ( ) [ ] ( ) [ ]
2 2 2
cos cos
sin
1
c b a
m b c m c b m a
c b
m + +

=

( ) ( ) [ ] ( ) [ ]
2 2 2
cos cos
sin
1
a c b
m c a m a c m b
a c
m + +

=

( ) ( ) [ ] ( ) [ ]
2 2 2
cos cos
sin
1
b a c
m a b m b a m c
b a
m + +

=

( ) [ ] ( ) [ ] ( ) [ ]
2
2 2 2
2
2 2 2
2
2 2 2
8
1
c b a m c c b a m b c b a m a
S
m
c b a s
+ + + + + +
=

5.3.2. Dati 2 lati e langolo compreso
Dati: b mb, c mc, m

cos 2
2 2
+ = c b c b a
cos 2
cos
arccos
2
arccos
2 2
2 2 2
+

=

+
=
c b c b
b c
c a
b c a

cos 2
cos
arccos
2
arccos
2 2
2 2 2
+

=

+
=
c b c b
c b
b a
c b a

2
sin
=
c b
S
( ) [ ] ( ) [ ] ( )
2 2 2
sin cos cos
1

+ + = m c b m b c m c b
a
m
c b a

( )
( )
( ) [ ]
2
2
2
cos
sin
cos cos cos
sin
1

m c a
m
m
a
m
b
c
+
(
+
+ =
( )
( )
( ) [ ]
2
2
2
cos
sin
cos cos cos
sin
1

m b a
m
m
a
m
c
b
+
(
+
+ =
2 2 2
tan
|
.
|
\
|
+
|
.
|
\
|
+
|
.
|
\
|
=
m
c
m
b
m
S m
c b
S

5-7
5.3.3. Dati 2 lati e 1 angolo adiacente
Dati: b mb, c mc, m

b
c
sin
arcsin

=
( )
|
.
|
\
|
+ = + =
b
c

sin
arcsin
cos
sin
arcsin cos cos cos +
|
.
|
\
|
= + = c
b
c
b c b a
2
sin
arcsin sin
2
sin
|
.
|
\
|
+
=

=
b
c
c b
c b
S

( ) ( ) ( )
2 2 2
sin sin sin
cos
1

+ +
= m c m m
b
m
b c

( ) ( ) ( )
2 2 2
sin sin
cos
1

+ +
=
b c
m m m a
b
m
( ) ( )
2 2 2
sin sin cos
cos
1

+ + =
c b a
m m m a m
( ) ( ) ( )
2 2 2
sin sin 2 cos
cos 2
1

+ +
= b m m b m c a m
c b s

5.3.4. Dati 2 lati e 1 angolo adiacente
Dati: b mb, c mc, m

c
b
sin
arcsin

=
( )
|
.
|
\
|
+ = + =
c
b

sin
arcsin
cos
sin
|
.
|
\
|
= + = b
c
b
c c b a
2
sin
arcsin sin
2
sin
|
.
|
\
|
+
=

=
b
c
c b
c b
S

( ) ( ) ( )
2 2 2
sin sin sin
cos
1

+ +
= m b m m
c
m
c b

5-8
( ) ( ) ( )
2 2 2
sin sin
cos
1

+ +
=
c b
m m m a
c
m
( ) ( )
2 2 2
sin sin cos
cos
1

+ + =
b c a
m m m a m
( ) ( ) ( )
2 2 2
sin sin 2 cos
cos 2
1

+ +
= c m m c m b a m
b c s

5.3.5. Dati 1 lato e 2 angoli non adiacenti
Dati: b mb, m
, m

( ) + =
sin
sin
=
b
a
( )
sin
sin
sin
sin +
=
=
b b
c
( )

sin
sin sin
2
1
sin
sin sin
2
1
2 2
+
=
= b b S
2 2

m m m
y
+ =
2
2 2
tan tan
|
|
.
|
\
|
+
|
.
|
\
|
+
|
.
|
\
|
=

m
m
b
m
a m
b
a

2 2
2
sin tan
|
|
.
|
\
|
+
|
|
.
|
\
|
+
|
.
|
\
|
=

c
m a
m
b
m
c m
b
c

2
2 2
sin sin
sin
tan
2
|
|
.
|
\
|
+
|
.
|
\
|
+
|
.
|
\
|
=

m
m
b
m
S m
b
s

Dati: b mb, m
, m

( ) + =
sin
sin
=
b
c
( )
sin
sin
sin
sin +
=
=
b b
a
5-9
( )

sin
sin sin
2
1
sin
sin sin
2
1
2 2
+
=
= b b S
2 2

m m m + =
2 2
2
tan tan
|
|
.
|
\
|
+
|
|
.
|
\
|
+
|
.
|
\
|
=

m m
b
m
c m
b
c

2 2
2
sin tan
|
|
.
|
\
|
+
|
|
.
|
\
|
+
|
.
|
\
|
=

a
m c m
b
m
a m
b
a

2 2
2
sin sin
sin
tan
2
|
|
.
|
\
|
+
|
|
.
|
\
|
+
|
.
|
\
|
=

m m
b
m
S m
b
s

Dati: c mc, m
, m

( ) + =
( )
=
sin
sin
sin
sin c c
a
( )
=
sin
sin
sin
sin c c
b
( )

=
sin
sin sin
2
1
sin
sin sin
2
1
2 2
c c S
2 2

m m m + =
2 2
2
tan sin
|
|
.
|
\
|
+
|
|
.
|
\
|
+
|
.
|
\
|
=

m
a
m b
c
m
a m
c
a

2 2
2
tan sin
|
|
.
|
\
|
+
|
|
.
|
\
|
+
|
.
|
\
|
=

m
b
m a
c
m
b m
c
b

2 2
2
sin sin
sin
sin sin
sin 2
|
|
.
|
\
|
+
|
|
.
|
\
|
+
|
.
|
\
|
=

m
m
c
m
S m
c
s

5-10
5.3.8. Esempio numerico
Sono dati:
AB = c = 97.42 0.08
BC = a = 81.63 0.04
CAB = = 48
.635 0.010
Nella sequenza c, a, b, c, a, b si riconosce che il caso in esame quello in cui sono
noti due lati e langolo che precede il primo lato noto. Scorrendo la lista dei casi si trova che il punto
5.3.4. propone, pur con indici slittati, la stessa composizione di dati. Sono in quel caso dati: b, c, .
Per aggiornare le formule riportate al punto 5.3.4. al caso in esame, occorre riscrivere le formule slit-
tando in avanti di un posto tutti gli indici:
le formule originarie sono:
c
b
sin
arcsin

=
( )
|
.
|
\
|
+ = + =
c
b

sin
arcsin
cos
sin
|
.
|
\
|
= + = b
c
b
c c b a
2
sin
arcsin sin
2
sin
|
.
|
\
|
+
=

=
b
c
c b
c b
S

( ) ( ) ( )
2 2 2
sin sin sin
cos
1

+ +
= m b m m
c
m
c b

( ) ( ) ( )
2 2 2
sin sin
cos
1

+ +
=
c b
m m m a
c
m
( ) ( )
2 2 2
sin sin cos
cos
1

+ + =
b c a
m m m a m
( ) ( ) ( )
2 2 2
sin sin 2 cos
cos 2
1

+ +
= c m m c m b a m
b c s

le formule adattate al caso presente sono:

a
c
sin
arcsin

=
( )
|
.
|
\
|
+ = + =
a
c

sin
arcsin
cos
sin
arcsin cos cos cos + |
.
|
\
|
= + = c
a
c
a c a b
5-11
2
sin
arcsin sin
2
sin
|
.
|
\
|
+
=

=
a
c
a c
a c
S

( ) ( ) ( )
2 2 2
sin sin sin
cos
1

+ +
= m c m m
a
m
a c

( ) ( ) ( )
2 2 2
sin sin
cos
1

+ +
=
a c
m m m b
a
m
( ) ( )
2 2 2
sin sin cos
cos
1

+ + =
c a b
m m m b m
( ) ( ) ( )
2 2 2
sin sin 2 cos
cos 2
1

+ +
= a m m a m c b m
c a s

Risulta allora:
AC = b = 100.68 0.15
ABC = = 67.768 0.114
BCA = = 63.597 0.112
S = 3680.60 8.61
Gli errori relativi dei dati e dei risultati sono:
c = 0.08%
a = 0.05%
= 0.02%

b = 0.15%
= 0.17%
= 0.18%
S = 0.23%

Teoria Degli Errori PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Teoria Degli Errori PDF

Загружено:

Авторское право:

Доступные форматы

Appunti di

Teoria degli Errori

Вам также может понравиться