Sei sulla pagina 1di 75

Appunti di

Novembre 2005 - Febbraio 2006

Pier Francesco Costantini

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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.

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

Sommario
0.
1.

Premessa
Nozioni di calcolo delle probabilit

0-1
1-1

1.1.
1.1.1.

Definizioni......................................................................................................................... 1-1
Probabilit ........................................................................................................................ 1-1

1.1.2.
1.2.
1.3.
1.3.1.

Frequenza ........................................................................................................................ 1-3


Prove ripetute ................................................................................................................... 1-5
Curva di Gauss................................................................................................................. 1-7
Caratteristiche della curva di Gauss ................................................................................. 1-7

1.4.

Dispersione degli scarti .................................................................................................. 1-10

2.

Trattamento dei dati osservati

2.1.
2.1.1.
2.1.1.1.
2.1.1.2.

Classificazione degli errori................................................................................................ 2-1


Errori delle osservazioni ................................................................................................... 2-1
Errori grossolani ............................................................................................................... 2-2
Errori sistematici............................................................................................................... 2-2

2.1.1.3.
2.1.2.
2.2.
2.2.1.

Errori accidentali............................................................................................................... 2-3


Analogia tra un sistema di osservazioni e un'esperienza di prove ripetute....................... 2-4
Caso delle misure della stessa classe.............................................................................. 2-6
Valore pi probabile della misura diretta di una grandezza .............................................. 2-6

2-1

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.
2.2.4.
2.3.
2.3.1.
2.3.1.1.

Precisione ed esattezza ................................................................................................. 2-14


Presentazione del risultato di una misura....................................................................... 2-16
Caso delle misure di classe diversa ............................................................................... 2-19
Valore pi probabile della misura diretta di una grandezza ............................................ 2-20
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.
3.2.

Errore medio di una grandezza funzione lineare di altre grandezze................................. 3-1


Errore medio di una grandezza funzione qualsiasi di altre grandezze.............................. 3-4
1

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

4.

Trattamento di misure sovrabbondanti

4-1

4.1.
4.2.

Caso di funzioni tutte lineari ............................................................................................. 4-3


Caso di funzioni qualsiasi ................................................................................................. 4-6

5.

APP. 1: Formulario per il calcolo della propagazione degli errori

5.1.
5.2.
5.2.1.
5.2.2.

Formula generale nella teoria dei minimi quadrati ............................................................ 5-1


Formule per problemi specifici.......................................................................................... 5-1
Somma algebrica.............................................................................................................. 5-1
Teorema dei seni.............................................................................................................. 5-1

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.
5.2.4.2.
5.2.4.3.
5.2.4.4.

Dati 2 lati e langolo compreso ......................................................................................... 5-2


Dati 1 lato e i 2 angoli adiacenti........................................................................................ 5-3
Mediante la formula di Erone............................................................................................ 5-3
Mediante la formula di Gauss........................................................................................... 5-3

5.2.5.
5.2.5.1.
5.2.5.2.
5.3.
5.3.1.
5.3.2.

Conversione coordinate.................................................................................................... 5-4


Polari > Cartesiane......................................................................................................... 5-4
Cartesiane > Polari......................................................................................................... 5-4
Soluzione completa di un triangolo................................................................................... 5-5
Dati i 3 lati......................................................................................................................... 5-5
Dati 2 lati e langolo compreso.......................................................................................... 5-6

5.3.3.
5.3.4.
5.3.5.

Dati 2 lati e 1 angolo adiacente ........................................................................................ 5-7


Dati 2 lati e 1 angolo adiacente ........................................................................................ 5-7
Dati 1 lato e 2 angoli non adiacenti................................................................................... 5-8

5.3.6.
5.3.7.
5.3.8.

Dati 1 lato e 2 angoli non adiacenti................................................................................... 5-8


Dati 1 lato e 2 angoli non adiacenti................................................................................... 5-9
Esempio numerico.......................................................................................................... 5-10

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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'operatore.
Parallelamente alla valutazione numerica della grandezza siamo interessati ad un'altra
valutazione che nella pratica tecnica riveste una notevolissima importanza: l'attendibilit della valutazione 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
0-1

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

(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.

0-2

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

necessario premettere alcuni paragrafi sul calcolo delle probabilit in quanto sugli sviluppi 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 predizione: 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, ovviamente 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
0.

n ed entrambi positivi, si avr sempre:

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, rispettivamente, per p < 1/2, p = 1/2 e p > 1/2.

1-1

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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

3.

evento atteso: uscita di un numero pari

a = 3 (facce possibili 2, 4, 6)

4.

probabilit matematica:

p = 3 / 6 = 0.5

5.

evento atteso: uscita di un numero 4

a = 3 (facce possibili 1, 2, 3, 4)

6.

probabilit matematica:

p = 4 / 6 = 0.667

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

evento inverosimile
evento incerto
evento verosimile

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 sfavorevole. La probabilit matematica q dell'evento contrario vale dunque:
q = (n a) / n
essendo anche b
0.

n e positivo, si avr sempre:

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 possibilit.
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

1-2

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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

Esempio:
Evento: lancio di una dado 3 volte:
esaminiamo diversi eventi attesi:
1.

evento atteso: uscita del numero 1 per tutti i lanci

2.

probabilit matematica per ciascun lancio:

a = 1 (solo la faccia 1)

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

4.

probabilit matematica per ciascun lancio:

a = 3 (facce possibili 2, 4, 6)

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'evento si manifesta c volte, definiamo la sua frequenza come:
1-3

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

f=c/n
essendo per forza c
0

n si avr sempre:

Ripetendo pi volte la serie di n prove, si trover, in pratica, ogni volta una frequenza diversa 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; peraltro valida solamente al limite.
1-4

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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 fondamentale: 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 probabilit p da noi atteso; dopo ogni prova si ripristinino le condizioni iniziali in modo che l'evento conservi 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 configurazioni 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.

1-5

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

10

20

35

56

80

104

125

140

146

140

125

104

80

56

35

20

10

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
probabilit normale.

0.113 che la massima, pertanto 14 il valore con la pi alta probabilit di uscita: il valore di

Definiamo scarto di una configurazione generica con i eventi attesi rispetto alla configurazione di probabilit normale r la differenza:
v=ir
La probabilit pv che si verifichi un certo scarto vi quella con cui pu presentarsi la configurazione con i palle bianche, ossia pi.
Con altri laboriosi passaggi si determina l'importante espressione:
u ! p (pu +v ) q (qu v )
pv =
(p u + v ) ! (q u 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 numero 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:
v 2

1
pv =
e 2upq
2 u p q

1-6

Dispensa:

Teoria degli Errori

1.3.

Autore:

Pier Francesco Costantini

Curva di Gauss
L'ulteriore posizione:
1
h=
2 u p q
conduce all'espressione ottenuta da Gauss nel 1794:
2 2
h
pv =
e h v

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 quanto pi piccolo il modulo h; ma si tratta di una funzione continua definita nel campo reale, al contrario 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 presenti 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;

[p ]

b
v a

e h

v 2

dv

1-7

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

l'intera area racchiusa tra l'asse delle ascisse e la curva vale 1. Dall'Analisi si ha:
S = [pv ] =
+

e h

v 2

dv = 1

come giusto che sia dato che si ha la certezza che lo scarto sia compreso tra -

+ . 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
p0 =

in corrispondenza delle ascisse:


1
=
h 2
la curva mostra due flessi, in corrispondenza dei quali la probabilit vale:
h
p =
e
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:

[pv ]+ = 0.683....

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;
in corrispondenza delle ascisse:

0.6745 =

2
3 h

la curva mostra la probabilit:


p 0.449 h
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:

[pv ]+ = 0.5

1-8

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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;
in corrispondenza delle ascisse:
3
t = 3 =
h 2
la curva mostra la probabilit:
pt 0.0063 h
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:

[pv ]+tt = 0.997

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:

0.113 =

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.

1-9

Dispensa:

Teoria degli Errori

Autore:

h = 0.2000
p(0) 0.113
m 3.536
p(m) 0.068

1.4.

Probabi- n. casi n. casi Differenlit (gauss) (teorico) za (%)


0.002
2.7
1 -167.8
0.004
5.7
4
-43.2
0.009
11.3
10
-13.0
0.016
20.6
20
-3.0
0.027
34.6
35
1.0
0.042
53.8
56
3.9
0.059
77.1
80
3.6
0.079 102.0
104
1.9
0.096 124.6
125
0.3
0.108 140.5
140
-0.4
0.113 146.2
146
-0.2
0.108 140.5
140
-0.4
0.096 124.6
125
0.3
0.079 102.0
104
1.9
0.059
77.1
80
3.6
0.042
53.8
56
3.9
0.027
34.6
35
1.0
0.016
20.6
20
-3.0
0.009
11.3
10
-13.0
0.004
5.7
4
-43.2
0.002
2.7
1 -167.8
Somme 1292.3 1296.0

Curva di Gauss relativa


all'esperienza: lancio di 4 dadi
0.12
0.11
0.10
0.09
0.08

probabilit

Scarti
-10.0
-9.0
-8.0
-7.0
-6.0
-5.0
-4.0
-3.0
-2.0
-1.0
0.0
1.0
2.0
3.0
4.0
5.0
6.0
7.0
8.0
9.0
10.0

Pier Francesco Costantini

0.07
0.06
0.05
0.04
0.03
0.02
0.01
0.00
-12 -10

-8

-6

-4

-2

10

12

Scarti dalla configurazione di


probabilit normale

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);

1-10

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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, p1 = 0.176;
serie 2: h2 = 0.249; p02 = 0.140, 2 = 2.840, p2 = 0.085.

Curva di Gauss
0.300

Probabilit

0.250
0.200
0.150
0.100
0.050
0.000
-12

-10

-8

-6

-4

-2

10

12

Scarti dal valore medio


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.

1-11

Dispensa:

2.1.

Teoria degli Errori

Autore:

Pier Francesco Costantini

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 sottomultipli: 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 misura 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 aggiungere 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 possibilit 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 situazioni 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, intendendo 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 = X i - X

(i = 1 , n)

2-1

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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 condizioni 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 tentativo 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, incomprensione 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 risultati. 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, peraltro piuttosto debole, per riconoscerli. perci necessario assicurarsi che le misure effettuate siano prive di questi errori. Il modo per eliminarli la ripetizione della misura. Una sola misura pu contenere un errore grossolano e non pu essere messo in evidenza; due misure, se tra loro sufficientemente 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 effettuare 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 ambientali; 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 disassamento di qualche componente etc; si pensi di misurare una lunghezza con un longimetro mancante del primo decimetro, fatto purtroppo successo, o a valutare istanti temporali con un orologio
2-2

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

regolato un minuto avanti o indietro) o ad un operatore con difetto di vista non adeguatamente corretto (astigmatismo: la stima della coincidenza o della bisezione o del parallelismo di graduazioni risultano 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 parallasse, 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; possono 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 conoscibili, in gran parte ignote, anche se l'operatore si forma una ragione della loro esistenza. Li possiamo 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:

xi =

u
j =1

xi ,j

( i = 1, n )

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 dimostrate:
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.
2-3

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

Assumiamo come ipotesi fondamentale per il seguito che le nostre misure siano affette 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

n configurazioni (ciascuna ottenuta con u

n misure Xi

prove
Configurazione di probabilit massima

Errori dovuti al caso:

xi =

Esperienza di n serie, ciascuna di u


prove ripetute, governate soltanto dal
caso

u
j =1

xi,j

( i = 1, n )

Errore x = 0 della grandezza X


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
Caratteristiche degli errori accidentali xi

Scarti vi delle configurazioni rispetto alla


configurazione normale dovuti al caso

Scarto v = 0 della configurazione normale

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 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:
2-4

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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
h
px =
e h x ;

utilizzare l'espressione:

[px ]ba =

e h

x 2

dx

per calcolare la probabilit che una misura qualsiasi manifesti un errore compreso nell'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.

2-5

Dispensa:

2.2.

Teoria degli Errori

Autore:

Pier Francesco Costantini

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 = X i - X 0

(i = 1 , n)

La probabilit di manifestarsi di ciascun errore :


2
2
h
px i =
e h x i

La probabilit che si manifesti l'intera distribuzione normale di errori la probabilit composta:

px1 px 2 px 3 ...... px n =

h 2 x 1 2 + x 2 2 + x 3 2 +...+ x n 2

)=

h 2 x i 2
i =1

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

i =1

x i = min

Con i metodi del Calcolo differenziale, tale condizione si traduce nella seguente:
n

i =1

xi

X 0

=0

Ricordando la forma degli errori xi, sviluppando questa espressione si perviene ad un'equazione di 1 grado nella variabile X0:
2

n
i =1

n
i =1

xi = 0

xi =

n
i =1

(X i X 0 ) =

n
i =1

X i n X 0 =0

la cui soluzione, cui diamo il nome Xm :

2-6

Dispensa:

Teoria degli Errori

Autore:

X + X 2 + X 3 + ... + X n
Xm = 1
=
n

i =1

Pier Francesco Costantini

Xi

che la ben nota espressione della media aritmetica. Abbiamo dedotto il principio dei minimi quadrati che cos enunciamo:

Il valore pi probabile della grandezza X, della quale sono state eseguite n osservazioni 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:
n
i =1

xi = 0

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:
1
=
h 2
Possiamo scrivere:
M = X Xm

avendo indicato con:


X

valore vero della grandezza (incognito);

Xm

valore medio aritmetico della grandezza (noto);

errore vero della media (incognito)

Il valore M destinato a rimanere incognito, ma ne ricaveremo una valutazione probabilistica 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.

2-7

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

2.2.2.1. In funzione degli errori veri


Ricordando il significato dei simboli, abbiamo, per ogni lettura, che gli errori veri sono espressi da:
xi = X X i

Nell'intervallo [xi ; xi +dx] la probabilit e la frequenza di manifestazione dell'errore sono:


2
2
h
px i =
e h x i dx

nx i

fx i =

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 matematica) possiamo scrivere:

e h

x i 2

dx =

nx i
n

Moltiplichiamo ambo i membri per xi2:


2

xi h

h 2 x i 2

dx =

x i nx i
n

quindi sommiamo membro a membro le n espressioni:

i =1

x i e h

x i 2

dx =

xi

i =1

Assumiamo ora dx tali che nxi

nx i
n

1: in ogni intervallo cade cos, al pi, una sola misura; ri-

sulta:
h

(x

2
i

e h

x i 2

) dx = 1n

n
i =1

xi

L'integrale a primo membro vale:

(x

2
i

e h x i dx =

2 h3

e allora:
n

1
=
2 h2

i =1

xi

Poich, come si ricorda:

2-8

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

1
h 2

Si ottiene:
n

xi

i =1

= 2

che consente infine di determinare:


n

xi

i =1

l'errore quadratico medio di ogni misura che compone la serie in funzione degli errori veri.
Ricordando poi che
M = X Xm

si pu scrivere
n

M=X

Xi

i =1

nX
=

n
i =1

Xi

i =1

(X X i )
n

e quindi
n

M=

i =1

xi

che dice che l'errore quadratico medio della media la media degli errori veri.
Quadrando si ottiene:
n

M2 =

i =1

xi + Q
n2

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:
n

M2

i =1

xi

n2

ma:
2-9

Dispensa:

Teoria degli Errori

2 =

xi

i =1

Autore:

Pier Francesco Costantini

e allora:
2

M =

2
n

infine:

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 valore medio Xm.

2.2.2.2. In funzione degli scarti


Scriviamo, con l'ormai usuale significato dei simboli:
si = X m X i
si sono gli scarti dal valore medio; in funzione degli errori veri:
xi = X X i

allora anche:
si + Xi = Xm
xi + X i = X

sottraendo membro a membro si ottiene:


si - xi = X m X
ma:
M = X X m = xi - si

e allora:
xi = M + si

(i = 1,n)

Quadrando e sommando membro a membro si ottiene:


n
i =1

xi = n M 2 +

n
i =1

si + 2 M

n
i =1

si

2-10

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

come sappiamo:
n
i =1

si = 0

e allora:
n
i =1

xi = n M 2 +

i =1

si

d'altra parte sappiamo che:


n
i =1

x i M 2 n2

e che:

2 = M2 n
e dunque:

2 n = 2 +

n
i =1

si

2 (n 1) =

n
i =1

si

infine:
n

2 =

si

i =1

n 1
n

i =1

si

n 1

Questo valore dellerrore quadratico medio effettivamente calcolabile, perch in funzione degli scarti che sono noti; allora calcolabile anche M:
M =

Noto calcolabile h. Sono anche calcolabili gli altri importanti parametri quali l'errore temibile e l'errore probabile :
t=3
2 /3

2-11

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

L'espressione di sopra riportata non agevole da calcolare perch richiede preventivamente 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
i =1

si =

i =1

(X m X i )2 = n X m 2 +

n
i =1

Xi 2 Xm

n
i =1

Xi

ma, ricordando che:


n
i =1

Xi = n Xm

si perviene alla pi interessante forma:


n

i =1

Xi n Xm

n 1

che consente di calcolare a partire dai dati delle osservazioni e dal valore medio.
Quando n grande, pu essere vantaggiosamente stimato mediante la seguente espressione approssimata:

S
S
1.253
2 n
n

dove:
S=

n
i =1

si

rappresenta la somma dei moduli degli scarti.


L'espressione determinata, che si riscrive:
M =

ha un'altra interessante applicazione. Supponiamo di operare in condizioni (strumenti, operatore, ambiente etc.) che consentono una precisione di ogni osservazione pari a , ma di avere necessit 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:
n=

Esempio
Misura di un angolo con un teodolite di precisione

= 0c.005

2-12

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

precisione della media che occorre conseguire

= 0c.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 dell'incremento di precisione atteso e quindi il valore di n pu crescere molto e diventare inattuabile; inoltre, 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 accennato 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 matematica 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 corrispondenza 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 trattamento 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.

2-13

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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
2
3
4
5
6
7
8
9
10
11
12
13

5.789
5.776
5.788
5.786
5.781
5.782
5.784
5.799
5.787
5.787
5.792
5.791
5.788

0.139
0.152
0.140
0.142
0.147
0.146
0.144
0.129
0.141
0.141
0.136
0.137
0.140

5.789
5.776
5.788
5.786
5.781
5.782
5.784
5.799
5.787
5.787
5.792
5.791
5.788

0.011
0.024
0.012
0.014
0.019
0.018
0.016
0.001
0.013
0.013
0.008
0.009
0.012

5.789
5.776
5.788
5.786
5.781
5.782
5.784
5.799
5.787
5.787
5.792
5.791
5.788

0.002
0.015
0.003
0.005
0.010
0.009
0.007
-0.008
0.004
0.004
-0.001
0.000
0.003

5.789
5.776
5.788
5.786
5.781
5.782
5.784
5.799
5.787
5.787
5.792
5.791
5.788

-0.001
0.012
0.000
0.002
0.007
0.006
0.004
-0.011
0.001
0.001
-0.004
-0.003
0.000

14

7.982

-2.054

15

5.926

0.002

5.926

16

5.796

0.132

17

5.845

0.083

100.779

0.000

n. osservazioni
valore medio
eqm della serie
t=3*eqm
eqm della media

17
5.928
0.530
1.591
0.129

-0.126

5.796

0.004

5.796

-0.005

5.796

-0.008

5.845

-0.045

5.845

-0.054

92.797

0.000

86.871

0.000

81.026

0.000

n. osservazioni
valore medio
eqm della serie
t=3*eqm

16
5.800
0.037
0.111

15
5.791
0.016
0.048

0.009

n. osservazioni
valore medio
eqm della serie
t=3*eqm
eqm della media

14
5.788
0.006
0.018

eqm della media

n. osservazioni
valore medio
eqm della serie
t=3*eqm
eqm della media

0.004

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 condizioni 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 sistemati2-14

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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 forniranno diversi valori medi e uguali errori quadratici medi, sia di ogni lettura della serie che della rispettiva 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 considerato, 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 determinabile dai dati della serie stessa, al contrario di quanto avviene per la precisione che un parametro 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 errori 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^2

s^2

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
valore medio
e.q.m. della serie
e.q.m. della media

10
1875.125
0.013
0.004

n. di osservazioni
valore medio
e.q.m. della serie
e.q.m. della media

10
1875.128
0.021
0.007

n. di osservazioni
valore medio
e.q.m. della serie
e.q.m. della media

10
1875.177
0.011
0.004

54.352

33.464

61.626

h/SQRT(p)

30.665

h/SQRT(p)

18.880

h/SQRT(p)

34.769

2-15

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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

40
35
30
25
Serie1
Serie2

20

Serie3
15
10
5
0
1875.100

1875.120

1875.140

1875.160

1875.180

1875.200

1875.220

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 indicando, oltre al valore pi probabile Xm, anche il valore dell'errore medio della media M:
2-16

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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 stabilire 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 ordine 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 calcolo. 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 arrotondamento che prevede il semplice troncamento quando la parte eccedente non supera la met dell'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 influenza sui calcoli, pu essere una cifra significativa e pertanto tale va considerata.

2-17

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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

presentato con 3 cifre decimali si ottiene 1.350


presentato con 2 cifre decimali si ottiene 1.35
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 23 102 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 m2 e non mq e un volume in m3 e non mc. Gli attuali sistemi informatici di scrittura consentono facilmente l'impiego di apici e pedici.
Diamo ora un esempio completo di trattamento di una serie di dati osservati.

2-18

Dispensa:

Teoria degli Errori

Autore:

Esempio

20

Xi

s(i)

s(i)^2

3845.655

-0.041

1.70E-03

3845.645

-0.031

9.73E-04

3845.598

0.016

2.50E-04

3845.635

-0.021

4.49E-04

3845.579

0.035

1.21E-03

3845.598

0.016

2.50E-04

3845.628

-0.014

2.02E-04

3845.624

-0.010

1.04E-04

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

3845.637

-0.023

5.38E-04

= 0.026

10

3845.634

-0.020

4.08E-04

11

3845.586

0.028

7.73E-04

t = 0.077

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

2.3.

Pier Francesco Costantini

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

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 tecnico che utilizza lo stesso strumento, ma per una sessione di misura che dura un tempo tale da trovarsi 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.

2-19

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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, ambiente 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:
X i1
( i = 1, p1 )
X i2

( i = 1, p2 )

X i3

( i = 1, p3 )

...
( i = 1, pr )

X ir

Da cui:
p1

Xm =

i =1

X i1 +

p2
i =1

X i2 +

p3
i =1

X i 3 + ... +

p1 + p2 + p3 + ... + pr

pr
i =1

X ir

ma, evidentemente:
p1
i =1

X i1 = p1 X m1

...
pr
i =1

X i r = pr X m r

e allora:
p1 X m1 + p2 X m 2 + p3 X m 3 + ... + pr X m r
Xm =
r
pi
i =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 rappresentano l'importanza ci ciascuna serie: il suo peso. Allora, sinteticamente, possiamo scrivere:

2-20

Dispensa:

Teoria degli Errori

Xm =

i =1

Autore:

Pier Francesco Costantini

pi X mi
r
i =1

pi

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 coefficiente (ovviamente non nullo), il valore della media non cambia, infatti:
(k p1 ) X m1 + (k p2 ) X m2 + (k p3 ) X m3 + ... + (k pr ) X mr
Xm =
(k p1 ) + (k p2 ) + (k p3 ) + ... + (k pr )
si semplifica in:
k p1 X m1 + p2 X m2 + p3 X m3 + ... + pr X mr
Xm =
k (p1 + p2 + p3 + ... + pr )

che si riduce all'espressione gi trovata.


Allora i pesi non sono necessariamente i numeri di osservazioni di ciascuna serie, ma numeri ad essi proporzionali. Scalando, ad esempio, al primo peso si ottengono due liste di pesi equivalenti:
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 condizioni non note. Ciascuna serie, composta da osservazioni della stessa classe, stata elaborata indipendentemente calcolando gli usuali parametri; i dati sono i seguenti:
X mi M i
(i = 1, r)
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 ciascuna 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 ciascuna serie:
pi =

0
Mi

( i = 1, r )

2-21

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

Con questo ci siamo riportati al caso precedente che ci ha consentito di ricavare l'espressione 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 chiamato 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 vantaggiose 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 fatto 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 aritmetica. Definendo ancora gli scarti rispetto al valore medio ponderato:
si = X m - X m i
(i = 1, r)
si dimostra agevolmente che vale la propriet analoga discendente dallimpostazione della
teoria dei minimi quadrati:
r
i =1

pi s i = 0

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:

2-22

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

p1 X m1 + p2 X m 2 + p3 X m 3 + ... + pr X m r

Xm =

i =1

pi

la riscriviamo:
p
p
p
p
X m = r 1 X m1 + r 2 X m 2 + r 3 X m 3 + ... + r r X m r
pi
pi
pi
pi
i =1

i =1

i =1

i =1

cos evidentemente l'espressione di una grandezza funzione lineare di altre grandezze;


unespressione del tipo:
n

X=

ai X i

i =1

dove:
ai =

pi
pi

i =1

In questo caso, come vedremo in seguito, l'espressione di M la seguente:

X m
X mi

M=

i =1

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

Mi

pi

e allora:
r

M =

i =1

(p M )

r
i =1

pi

Ma:

Mi =

pi

ossia:
2

Mi =

0 2
pi

e allora:
2-23

Dispensa:

Teoria degli Errori

M =

i =1

Autore:

(pi 0 )2

pi

i =1

i =1

r
i =1

Pier Francesco Costantini

pi
2

pi

che in definitiva porge:

M =

r
i =1

pi

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:
xi = X - X mi
errori veri (valutati rispetto al valore vero X, incognito)
si = X m - X m i

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 X m = M

e allora:
xi = si + M

Quadrando, moltiplicando entrambi i membri per pi e sommando si ottiene:


xi2 = si2 + M 2 + 2 si M
pi xi2 = pi si2 + pi M 2 + 2 pi si M
r
i =1

pi x i =

r
i =1

pi s i + M 2

r
i =1

pi + 2 M

r
i =1

pi s i

L'ultimo termine , come sappiamo, nullo; perci rimane:


r
i =1

pi x i =

r
i =1

pi s i + M 2

r
i =1

pi

Ma lecito sostituire per approssimazione:


xi

Mi

2-24

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

allora:
r

pi M i =

i =1

i =1

pi s i + M 2

r
i =1

pi

Ricordando che:
2

pi =

Mi

M =

pi

i =1

si ottiene:

0 2

Mi =

pi

i =1

0 2

M2 =

i =1

pi

Dunque:
r
i =1

0 =
2

r 0 =

i =1
r

pi s i + o
2

i =1

pi s i + o

(r 1) 0 2 =

r
i =1

pi s i

da cui, infine:
r

0 =

i =1

pi s i

r 1

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 determinare 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 molto: in particolare il valore calcolato pu risultare maggiore, di molto, del valore prefissato. In questo
2-25

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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 indenni 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, dovrebbe 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'espressione precedente e non quello prefissato, anche quando questo sia stato stabilito.
Esempio
Sono dati i parametri statistici di 3 serie di misure:
v
832.14

0.07

p*v

s = v - vm

s^2

p*s

p * s^2

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

8.40

6994.103

-0.023

0.003445

0.000

0.004255

2496.55

Numero di letture
Valore medio

3
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

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

2-26

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

Altro esempio
Sono dati i parametri statistici di 6 serie di misure, riportati nelle prime due colonne della tabella:
Assumiamo 0 = 0.20
p

p*v

s = v - vm

s^2

p*s

176.19

v
0.05

16.00

2819.040

0.530

0.281

8.478

p * s^2
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

1052.03

1.78

311.431

-0.480

0.231

-0.854

0.410

33.27

5844.535

-1.931

1.494

0.000

8.661

Numero di letture

175.660

Valore medio

0.20

e.q.m. dell'unit di peso scelta

1.32

e.q.m. dell'unit di peso calcolata

0.228

e.q.m. della media

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:
p

p*v

s = v - vm

s^2

p*s

p * s^2

175.15

v
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

17.27

3025.495

-0.006

0.00189

0.000

0.00784

875.84

Numero di letture
Valore medio
e.q.m. dell'unit di peso scelta

5
175.169
0.20

e.q.m. dell'unit di peso calcolata

0.044

e.q.m. della media

0.011

Il valore calcolato 0 = 0.044 inferiore al valore prefissato.


Il risultato finale dunque:
V = 175.169 0.011

2-27

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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:
f ( X , a1 , a2 , a3 ,..., aq ) = 0
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 valori 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 dipende.
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 dell'attendibilit dei risultati nei casi pi ricorrenti, avranno un enorme valore concettuale utile nella progettazione 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 osservazioni che, elaborate, hanno fornito i soliti parametri statistici: indichiamo con x e y gli errori
quadratici medi delle misure di ciascuna serie.
3-1

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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 funzione degli errori veri):
n

xi

i =1

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 =

i =1

y =

i =1

xi
p
yi

per conseguenza:
pq

z =

i =1

zi

p q

i valori x e y sono noti perch calcolati mediante gli scarti; i p q errori veri delle osservazioni 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 equazioni; otteniamo:
pq
i =1

zi = q

p
i =1

xi + p

q
i =1

yi + 2

pq
i =1

xi y i

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 precedenza, nellespressione precedente il suo contributo trascurabile. Pertanto:
pq
i =1

zi = q

p
i =1

xi + p

q
i =1

yi

3-2

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

Lespressione si trasforma cos:


pq
i =1

zi

p q

xi

i =1

i =1

yi

da cui:

z = x 2 + y 2
Ricordando linterpretazione dellerrore quadratico medio della media come errore quadratico medio dellunica lettura Zm, si pu scrivere:
2

Mz = Mx + My

Occorre notare una questione sottile: lerrore z stato dedotto considerando p q osservazioni; per il calcolo dellerrore medio della media non si potrebbe simulare questo numero di osservazioni 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 n2, ma si dovrebbe utilizzare semplicemente il valore n in quanto una volta ottenuto un valore:
Zk = X i + Y j

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 :

z = a 2 x 2 + b2 y 2
e analoga espressione:
2

M z = a 2 M x + b2 M y

Pi in generale, data unespressione del tipo:


X = a0 + a1 X 1 + a2 X 2 + a3 X 3 + ... + an X n
che una combinazione lineare, si ha, per il valore pi probabile lespressione:
X m = a0 + a1 X1 m + a2 X 2 m + a3 X 3m + ... + an X n m
e per lerrore quadratico medio di ogni osservazione combinazione di diversi valori:

x =

n
i =1

ai i

3-3

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

Ci si chieder perch non compare il termine a0: essendo un coefficiente della combinazione, non un elemento misurato e pertanto il suo errore nullo.
Analoga espressione si ottiene per:

Mx =

n
i =1

ai M i

Questo risultato sar dedotto per altra via nel paragrafo successivo.
Come semplice riprova di quanto dedotto consideriamo il caso dellespressione della media aritmetica:
Xm =

X1 + X 2 + X 3 + ... + X n
n

che riscriviamo:
1
1
1
1
X m = X 1 + X 2 + X 3 + ... + X n
n
n
n
n
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:
x1 = x 2 = x 3 = ... = x n = x
Lerrore medio della media M, che si identifica come lerrore medio dellunica lettura Xm, si
calcola dunque come:

Mx =

1
1
1
2
2
2
x + 2 x + ... + 2 x
2
n
n
n

ovvero, semplificando:
Mx =

x
n

che un risultato gi noto.

3.2.

Errore medio di una grandezza funzione qualsiasi di


altre grandezze
Affrontiamo il caso in cui lespressione:
f ( X , A1 , A2 , A3 ,..., Aq ) = 0
con A1, A2, A3, ... Aq che rappresentano q grandezze, sia una funzione qualsiasi.
3-4

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

In forma esplicita abbiamo:


X = f ( A1 , A2 , A3 ,..., Aq )
Con lusuale significato dei simboli scriviamo:
A j = Am j x j
( j = 1, q )
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:
X m = f ( Am 1 , Am 2 , Am 3 ,..., Am q )
Ora sviluppiamo in serie di Taylor di punto iniziale il valore medio, il secondo membro
dellespressione di X, ottenendo:

X = f ( A1 , A2 , A3 ,..., Aq )m

f
A1

(A1 Am1 ) ...


m

f
Aq

Aq Amq

inserendo le espressione dei valori medi e degli errori si ottiene:

f
A1

X = Xm

x1 ...
m

f
Aq

xq
m

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 rispetto 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 abbiamo 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
MX =

f
A1

M 21 ...

f
Aq

M 2q

o, pi sinteticamente:
MX =

q
j =1

f
A j

2
m

M 2 j

Lespressione ora calcolata si presta ad una interpretazione geometrica intuitiva.


La quantit:

3-5

Dispensa:

Teoria degli Errori

j =

f
A j

Autore:

Pier Francesco Costantini

M j
m

il differenziale calcolato in m per un incremento della variabile pari a Mj della grandezza jesima: 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:
1 =
2 =
3 =

f
A1
f
A2
f
A3

M1
m

M2
m

M3
m

che potremmo interpretare come i lati di un prisma retto.


Calcolare la radice quadrata della somma dei quadrati dei lati equivale ad applicare il teorema di Pitagora a tre dimensioni, ovvero calcolare la diagonale del prisma, ovvero a calcolare la distanza 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: potremo immaginare lerrore come liper-distanza nello spazio a q dimensioni.
necessario fare una precisazione importante. Potrebbe sembrare che, note le espressioni 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, determinare 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 variabile: 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):
df =
... +

f x1 f x 2
f x n

+ ... +

dt1 + ...
x1 t1 x 2 t1
x n t1
f x1 f x 2
f x n

+ ... +

dt p
x1 t p x 2 t p
x n t p

che si pu scrivere anche:


3-6

Dispensa:

Teoria degli Errori

df =
... +

Autore:

Pier Francesco Costantini

f x1
x
x

dt1 + 1 dt2 + ... + 1 dt p + ...


x1 t1
t 2
t p

f x n
x
x

dt1 + n dt 2 + ... + n dt p
x n t1
t 2
t p

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 grandezza 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 anche 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 corrispondono diverse propagazioni degli errori.
Da questa osservazione nascono tutte le considerazioni da tener presenti nella progettazione 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.

AC
AB
CAB

Vm
175.23
174.21
65.455

eqm
0.30
0.20
0.030

1000*eqm/Vm
1.71
1.15
0.46

Vm
175.23
174.21
189.455

eqm
0.30
0.20
0.030

1000*eqm/Vm
1.71
1.15
0.16

BC
ABC
BCA
Sup

171.83
66.943
67.602
13070.86

0.19
0.117
0.117
27.2

1.12
1.75
1.74
2.08

348.24
5.257
5.288
2516.69

0.36
0.016
0.016
8.8

1.03
3.04
3.01
3.49

Nellappendice (cap. 5) riportato un esteso formulario per la determinazione della propagazione degli errori nelle misure derivate relativamente ai triangoli e alle conversioni di coordinate.

3-7

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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 Analisi 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 studio 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 termine intuitivo, compensazione perch aggiusta le misure modificandole leggermente.
Dunque, denotando con L i i valori compensati finali, possiamo scrivere m espressioni del
tipo:

L i = fi (x j ) j = 1, n i = 1, m

dove, in generale, ciascuna fi (x j ) non conterr tutte le n incognite, ma solo alcune; nel
seguito, quando non necessario, ometteremo la specifica degli argomenti. Ancora, si noti che, anche se questa impostazione del tutto generale, le funzioni fi non saranno tutte distinte, ma saranno poche (alcune) espressioni richiamate pi volte.
Le quantit:

ei = L i Li = fi (x j ) Li

i = 1, m

altro non sono che gli errori di ciascuna lettura.


Quadrando e sommando membro a membro si ottiene:

4-1

Dispensa:

Teoria degli Errori

e i = L i Li
m
i =1

ei =

Autore:

) = (f L )
2

fi 2

i =1

= fi 2 fi Li + Li

f i Li +

i =1

m
i =1

Li

Pier Francesco Costantini

i = 1, n

La teoria dei Minimi Quadrati richiede che sia:


m
i =1

pi e i = min

e dunque:
m
i =1

pi f i 2

pi fi Li +

i =1

m
i =1

pi Li = min

Questa condizione, sotto le usuali ipotesi di continuit e derivabilit delle funzioni, si raggiunge imponendo che sia:
m

i =1

pi fi 2

i =1

pi fi Li +

m
i =1

pi Li

x j

=0

j = 1, n

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.

m
i =1

pi fi

x j

m
i =1
m
i =1

f
pi i 2
x j
2 pi f i
m
i =1

pi f i

m
i =1

m
i =1

p i f i Li

p i Li

fi
2
x j
fi
2
x j

=0

j = 1, n

fi
=0
x j

j = 1, n

x j

m
i =1
m
i =1

p i Li

fi
=0
x j

j = 1, n

p i Li

fi
=0
x j

j = 1, n

semplificando si ottiene lespressione:


m
i =1

pi (fi Li )

fi
=0
x j

j = 1, n

Si tratta di un sistema di n equazioni in n incognite.

4-2

Dispensa:

Teoria degli Errori

4.1.

Autore:

Pier Francesco Costantini

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 :


f i (x j ) = ci 0 +

n
j =1

cij x j

i = 1, m

E le derivate assumono semplicemente la forma:


fi
= cij j = 1, n i = 1, m
x j
Allora le equazioni si possono riscrivere:
m
m
f
f
pi f i i = pi Li i j = 1, n
x j
x j
i =1
i =1
m
i =1

pi f i cij =

m
i =1

pi Li cij

j = 1, n

Sostituendo al primo membro le espressioni delle funzioni, raccogliendo e semplificando si


giunge alla forma:
n
k =1

xk

pi cij cik =

i =1

m
i =1

pi cij (Li ci 0 )

j = 1, n

Che il sistema in cui sono esplicitati i termini della matrice:

a j ,k =
bj =

m
i =1
m
i =1

pi cij cik

j = 1, n k = 1, n

pi cij (Li ci 0 )

j = 1, n

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, introducendo questi valori nelle funzioni assegnate si calcolano subito gli errori di ogni osservazione:
ei = L i Li = f i (x j ) Li

i = 1, m

Lerrore quadratico medio della serie di misure effettuate valutabile con lespressione seguente:
m

i =1

pi e2
mn

4-3

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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:
Ajj
det A

x =
j

Dove, come di consueto, si indicato con Ajj 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 facilmente ricavabile a seguito della triangolarizzazione di Gauss della matrice come:
det A =

n
i =1

a' ii

Dove si indica con a i termini della matrice triangolarizzata.


Infine, il calcolo di Ajj pu essere realizzato senza notevole aggravio di algoritmo triangolarizzando di volta in volta la matrice A in cui sia stato posto sul termine diagonale j,j, il valore 1. e posti 0. tutti gli altri valori della colonna j e della riga j; non si pone nemmeno il problema che Ajj 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)

20

1000.22

40

1000.65

50

1000.90

60

1001.05

La funzione che lega le quantit :

f i : L( t ) = L0 + k t

i = 1,4

Le incognite sono L0 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 cij sono i seguenti:

4-4

Dispensa:

Teoria degli Errori

1
1
cij =
1
1

Autore:

Pier Francesco Costantini

t1
t2
t3
t4

La matrice dei coefficienti la seguente:

[A] {x} = {B}


m
i =1
m
i =1

i =1
m

ti

i =1

ti
ti

L0

i =1

i =1

Li

Li ti

Introducendo i valori:

170

L0

170 8100 k

2.82
138.4

Che risolto fornisce i valori:

L0 = 0.196
k = 0.0212
Aggiungendo il termine costante si ha:

L0 = 1000 0.196 = 999.804 mm


k = 0.0212 mm / C
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

Valore calcolato

Errore

Errore quadrato

(mm)

(mm)

(mm)

(mm2) *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:
m

e2

2.040 10 3
=
=
= 0.032 mm
mn
2
i =1

I parametri necessari al calcolo degli errori quadratici medi di L0 e k sono i seguenti:

det A = 4 8100 170 2 = 3500


A11 = 8100
A22 = 4

4-5

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

Da cui:

L =

A11
8100
= 0.032
= 0.049 mm
det A
3500

k =

A22
4
= 0.032
= 0.001 mm / C
det A
3500

In definitiva, i parametri di calibrazione cercati sono:

L0 = 999.804 0.049 mm
k = 0.0212 0.0011 mm / C

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 indefinita, continuit delle derivate di ogni ordine etc.) sotto le quali loperazione possibile.
Formalmente, per funzioni di una variabile, si ha la formula di Taylor:
f (x 0 + h ) = f (x 0 ) + h

df
dx

+
x0

h 2 d 2f

2 d x2

+ ... +
x0

h n d nf

n! d x n

+ R (n+1 )
x0

ossia la serie di Taylor:


f ( x0 + h ) =

hn d n f

d xn
n =0 n!

x = x0

Se, come nel caso nostro, la funzione a pi variabili, lespressione della formula di Taylor
arrestata al secondo termine :

f (x1 + h1 ,..., x n + hn ) = f (x1 ,..., x n ) + h1

df
d x1

+ ... + hn
x1 ,...,x n

df
d xn

x1 ,...,x n

Daltra parte noi dobbiamo effettivamente arrestare lo sviluppo al secondo termine se vogliamo ottenere la linearizzazione delle equazioni.
Le equazioni del sistema diventano quindi:

4-6

Dispensa:

Teoria degli Errori

Autore:

pi (fi Li )

i =1

fi
x j

+ pi

(fi Li )

vk = 0

x k

k =1

fi
x j

Pier Francesco Costantini

j = 1, n

che possono semplificarsi:


m
i =1

pi

(fi Li )

fi
x j

vk =

x k

k =1

pi (fi Li )

i =1

fi
x j

j = 1, n
0

e infine:
m
i =1

pi

n
k =1

fi fi
2 fi

+ ( f i Li )
xk x j
x j xk

vk =
0

m
i =1

pi ( f i Li )

fi
x j

j = 1, n
0

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
aj,k e bj della matrice dei coefficienti e del vettore dei termini noti:

a j ,k =
bj =

m
i =1
m
i =1

pi

fi fi
2 fi

+ ( f i Li )
xk x j
x j xk

pi ( f i Li )

fi
x j

j = 1, n k = 1, n
0

j = 1, n
0

La soluzione iterativa. Il vettore di innesco una soluzione approssimata, facilmente determinabile 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 algoritmo idoneo (Gauss, Cholesky etc); non in generale necessario ottimizzare gli algoritmi di trattamento 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:
x j = x j + v j j = 1, n
In genere bastano poche iterazioni per convergere ad una soluzione adeguatamente approssimata. 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 del4-7

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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 procedimento 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 procedura 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:

xi , y i , zi

i = 1,n

Lequazione del piano generico del tipo:

a 'x + b'y + c 'z + d '= 0


Dei 4 coefficienti, solo 3 sono indipendenti; si pu porre d 0 e quindi lespressione diventa:

a'
b'
c'
x + y + z +1= 0
d'
d'
d'
Ponendo ora:

a=

a'
d'

b=

b'
d'

c=

c'
d'

Lespressione del piano diventa:

a x + b y + c z +1= 0
La distanza di un punto P da un piano di coefficienti a, b, c, d fornita dallespressione seguente:

d=

a 'x P + b'y P + c 'z P + d '


a '2 +b '2 +c '2

Con la sostituzione effettuata si ha:

d=

a x P + b y P + c zP + 1
a 2 + b2 + c 2

4-8

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

Per ogni punto della nuvola data si ha dunque:

a x1 + b y 1 + c z1 + 1

d1 =

a 2 + b2 + c 2
a x 2 + b y 2 + c z2 + 1

d2 =

a2 + b2 + c 2

...
a x n + b y n + c zn + 1

dn =

a2 + b2 + c 2

Il criterio dei minimi quadrati pone il seguente criterio:


n
i =1

d i = min

E quindi

a xi + b y i + c zi + 1

a2 + b2 + c 2

i =1

= min

Che palesemente si trasforma in:


n

(a x i + b y i + c zi + 1) 2 = min
a2 + b2 + c 2

i =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:

n
i =1

di

=0

n
i =1

di

=0

n
i =1

di

=0

Che, sviluppate, diventano:

n
i =1

di

n
i =1

di

n
i =1

di

2 x i (a x i + b y i + c z i + 1) 2 a (a x i + b y i + c z i + 1)

(a

i =1
2

+ b2 + c 2

2 y i (a x i + b y i + c z i + 1) 2 b (a x i + b y i + c z i + 1)

(a

i =1
2

+ b2 + c 2

2 x i (a x i + b y i + c z i + 1) 2 c (a x i + b y i + c z i + 1)

i =1

(a

+ b2 + c 2

=0

=0

=0

Osservando che ovviamente :

4-9

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

a 2 + b2 + c 2 0
Le espressioni si semplificano in:
n
i =1
n
i =1
n
i =1

[x (a x + b y + c z + 1) a (a x + b y + c z + 1) ]= 0
2

[y (a x + b y + c z + 1) b (a x + b y + c z + 1) ]= 0
2

[z (a x + b y + c z + 1) c (a x + b y + c z + 1) ]= 0
2

Per semplificare la scrittura, poniamo:

Qi = a xi + b yi + c zi + 1
E allora le espressioni diventano:
n
i =1
n
i =1
n
i =1

[x Q a Q ] = 0
2

[y Q b Q ] = 0
2

[z Q c Q ] = 0
2

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:

Fi = x i Qi a Qi

Gi = y i Qi b Qi

H i = z i Qi c Qi

Le formule di Taylor scritte per le precedenti funzioni sono:

Fi
F
F
( 2)
da + i db + i dc + RF
a
b
c
G
G
G
( 2)
Gi (a + da ,b + db ,c + dc ) = Gi (a ,b ,c ) + i da + i db + i dc + RG
a
b
c
H
H
H
( 2)
H i (a + da ,b + db,c + dc ) = H i (a ,b ,c ) + i da + i db + i dc + RH
a
b
c
Fi (a + da ,b + db ,c + dc ) = Fi (a ,b ,c ) +

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:

Fi
F
F
da + i db + i dc = Fi (a ,b ,c )
a
b
c
Gi
Gi
G
da +
db + i dc = Gi (a ,b ,c )
a
b
c
H i
H i
H i
da +
db +
dc = H i (a ,b ,c )
a
b
c
Questo il sistema lineare da risolvere.
Le espressioni che vi compaiono, dopo varie semplificazioni e riordini sono le seguenti:

4-10

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

Fi
2
= x i x i 2 a x i Q i Qi
a
Fi
= x i y i 2 a y i Qi
b
Fi
= x i z i 2 a z i Qi
c
Gi
= y i x i 2 b x i Qi
a
Gi
2
= y i y i 2 b y i Qi Qi
b
Gi
= y i z i 2 b z i Qi
c
H i
= z i x i 2 c x i Qi
a
H i
= z i y i 2 c y i Qi
b
H i
2
= z i z i 2 c z i Qi Qi
c
In definitiva, ricordando le sommatorie, si ottiene la seguente scrittura compatta del sistema:
n
i =1
n
i =1
n
i =1

Fi
da +
a
Gi
da +
a
H i
da +
a

n
i =1
n
i =1
n
i =1

Fi
db +
b
Gi
db +
b
H i
db +
b

n
i =1

Fi
dc = Fi (a ,b ,c )
c

n
i =1
n
i =1

Gi
dc = Gi (a ,b ,c )
c
H i
dc = H i (a ,b ,c )
c

Dove ben si vede che ciascuna sommatoria un elemento della matrice che cos si pu riscrivere:

a11 a12
a21 a22
a31 a32

a13 da t1
a23 db = t 2
a33 dc t 3

La soluzione di questo sistema fornisce le correzioni da, db, dc; i valori aggiornati di a, b, c sono dunque:

a = a + da
b = b + db
c = c + dc
Un criterio di uscita dal ciclo iterativo della soluzione il controllo della norma euclidea delle correzioni stesse:

= da 2 + db 2 + dc 2
O, che ai fini pratici lo stesso:

2 = da 2 + db 2 + dc 2
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

4-11

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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
b
c
d

=
=
=
=

-0.466619E-02
-0.417258E-01
-0.431213E-03
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 =
b =
c =

-0.461463E-02
-0.417530E-01
-0.376038E-03

4-12

Dispensa:

d =

Teoria degli Errori

Autore:

Pier Francesco Costantini

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 prove, 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 dimostra la stabilit di questa soluzione per questo problema. Purtroppo molti altri problemi, soprattutto quando le variabili in gioco sono di natura e grandezza diverse, non sono cos stabili.

4-13

Dispensa:

Teoria degli Errori

5.1.

( i = 1,n)

n
i =1

f
mx i
x i

Formule per problemi specifici


Somma algebrica
Dati: k i , ai , ma i
n

A=

i =1

mA =

5.2.2.

Formula generale nella teoria dei minimi quadrati

ma =

5.2.1.

Pier Francesco Costantini

"#

a = f(xi)

5.2.

Autore:

(i = 1, n)

ki ai
n
i =1

(k m )

ai

Teorema dei seni

5.2.2.1. Dati 1 lato e 2 angoli


Dati: b mb, m, m
b sin
a=
sin
ma = a

mb
b

m
+
tan

m
+
tan

5-1

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

5.2.2.2. Dati 2 lati e 1 angolo adiacente


Dati: a ma, b mb, m
a sin
= arcsin
b
1
2
2
2
m =
(ma sin ) + (mb sin ) + (a m sin )
b cos

5.2.3. Teorema di Carnot


5.2.3.1. Dati i tre lati
Dati: a ma, b mb, c mc
b2 + c 2 a 2
2bc
1
2
2
2
m =
(a ma ) + [(b c cos ) mb ] + [(c b cos ) mc ]
b c sin

= ar cos

5.2.3.2. Dati 2 lati e langolo compreso


Dati: b mb, c mc, m

a = b 2 + c 2 2 b c cos
ma =

[(b c cos ) mb ]2 + [(c b cos ) mc ]2 + (b c m sin )2

5.2.4. Calcolo dellarea


5.2.4.1. Dati 2 lati e langolo compreso
Dati: a ma, b mb, m
a b sin
S=
2
ms = S

ma
a

m
+ b
b

m
+
tan

5-2

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

5.2.4.2. Dati 1 lato e i 2 angoli adiacenti


Dati: a ma, m , m

= ( + )
S=

1 2 sin sin
a
2
sin

2 ma
a

ms = S

sin
m
sin sin

sin
m
sin sin

5.2.4.3. Mediante la formula di Erone


Dati: a ma, b mb, c mc
a+b+c
p=
2

p ( p a ) ( p b) ( p c )

S=
ms =

[a m ( a

8 S

+ b2 + c 2

)] + [b m (a
2

b2 + c2

)] + [c m (a
2

+ b2 c2

)]

5.2.4.4. Mediante la formula di Gauss


xi mxi , y i my i

Dati:

(i = 1, n)

Entro il segno di sommatoria si conviene:


per i = 1 porre: i 1 = n
per i = n porre: i + 1 = 1
S=

1 n
yi (xi 1 xi +1 )
2 i =1

ms =

n
i =1

[(x

+
i 1 xi +1 ) m yi
2

n
i =1

[( yi +1 yi 1 ) mxi ]2

5-3

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

5.2.5. Conversione coordinate


5.2.5.1. Polari > Cartesiane
Dati: x A m x A , y A m y A , z A mz A , AB m AB , AB m AB , AB m

AB

xB = x A + AB sin AB
yB = y A + AB cos AB
zB = z A +

AB
tan AB

mxB = mxA + (mAB sin AB ) + ( AB m AB cos AB )


2

m yB = myA + (mAB cos AB ) + ( AB m AB sin AB )


2

mzB = mzA

mAB
+
tan AB

AB mAB
+
sin 2 AB

5.2.5.2. Cartesiane > Polari


Dati: x A m x A , y A m y A , z A mz A , x B m x B , y B m y B , zB m z B
d x = xB x A
d y = yB y A

d z = zB z A
2

ABt = d x + d y

ABo = d x + d y + d z

AB = arctan

dx
dy

AB = arctan

ABt
dz

AB = arccos

dz
ABo

(+ k )
(+ k )

mdx = mxA + mxB


mdy = m yA + m yB

5-4

Dispensa:

Teoria degli Errori

Autore:

mdz = mzA + mzB

5.3.

Pier Francesco Costantini

m ABt =

ABt

(d x mdx )2 + (d y mdy )2

m ABo =

ABo

(d x mdx )2 + (d y mdy )2 + (d z mdz )2

m AB =

2
ABt

(d

m AB =

2
ABo

(d z mABt )2 + ( ABt mdz )2

mdx ) + (d x mdy )
2

Soluzione completa di un triangolo


adottata la solita convenzione per vertici, lati e angoli.
C

5.3.1. Dati i 3 lati


Dati: a ma, b mb, c mc

= arccos

b2 + c2 a2
2bc

= arccos

c 2 + a 2 b2
2ca

= arccos

a 2 + b2 c2
2 a b

5-5

Dispensa:

Teoria degli Errori

p=

Autore:

Pier Francesco Costantini

a+b+c
2

S=

p ( p a ) ( p b) ( p c )

b c sin
1
m =

c a sin

(a ma )2 + [(b c cos ) mb ]2 + [(c b cos ) mc ]2

m =

m =

a b sin

ms =

8 S

(b mb )2 + [(c a cos ) mc ]2 + [(a c cos ) ma ]2


(c mc )2 + [(a b cos ) ma ]2 + [(b a cos ) mb ]2

[a m ( a
a

+ b2 + c 2

)] + [b m (a
2

b2 + c2

)] + [c m (a
2

+ b2 c2

)]

5.3.2. Dati 2 lati e langolo compreso


Dati: b mb, c mc, m

a = b 2 + c 2 2 b c cos
a2 + c2 b2
c b cos
= arccos
= arccos
2
2ac
b + c 2 2 b c cos

= arccos

a 2 + b2 c 2
b c cos
= arccos
2a b
b 2 + c 2 2 b c cos

b c sin
2
1
2
2
2
ma = [(b c cos ) mb ] + [(c b cos ) mc ] + (b c m sin )
a
S=

1
m =
a

(mc sin )

1
m =
a

(mb sin )

mS = S

mb
b

(cos + cos cos ) mb

+
+

m
+ c
c

sin

(cos + cos cos ) mc


sin

m
+
tan

+ [(a c cos ) m ]

+ [(a b cos ) m ]

5-6

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

5.3.3. Dati 2 lati e 1 angolo adiacente


Dati: b mb, c mc, m
c sin
= arcsin
b
c sin
b

= ( + ) = + arcsin

a = b cos + c cos = b cos arcsin


b c sin + arcsin

c sin
+ c cos
b

c sin
b

b c sin
=
2
2
1
2
2
2
m =
(mc sin ) + (mb sin ) + (c m sin )
b cos
S=

m =

b cos

ma =

cos

ms =

2 cos

(a m ) + (m
2

(a m

sin ) + (mb sin )


2

cos ) + mb + (mc sin sin )


2

(a c m

cos ) + (2 b mb sin ) + (mc b sin )


2

5.3.4. Dati 2 lati e 1 angolo adiacente


Dati: b mb, c mc, m
b sin
= arcsin
c

= ( + ) = + arcsin

b sin
c

a = b cos + c cos = c cos arcsin


b c sin + arcsin

b sin
+ b cos
c

c sin
b

b c sin
=
2
2
1
2
2
2
m =
(mb sin ) + (mc sin ) + (b m sin )
c cos
S=

5-7

Dispensa:

Teoria degli Errori

Autore:

m =

c cos

ma =

cos

ms =

2 cos

(a m ) + (m

(a m

Pier Francesco Costantini

sin ) + (mc sin )


2

cos ) + mc + (mb sin sin )


2

(a b m

cos ) + (2 c mc sin ) + (mb c sin )


2

5.3.5. Dati 1 lato e 2 angoli non adiacenti


Dati: b mb, m, m

= ( + )
a=
c=
S=

b sin
sin

b sin b sin ( + )
=
sin
sin

1 2 sin sin 1 2 sin sin ( + )


b
= b
2
sin
2
sin
2

m y = m + m

ma = a

mb
b

m
+
tan

mc = c

mb
b

m
+
tan

ms = S

2 mb
b

m
+
tan
a m
+
c sin

m
+
tan

m sin
+
sin sin

5.3.6. Dati 1 lato e 2 angoli non adiacenti


Dati: b mb, m, m

= ( + )
c=
a=

b sin
sin

b sin b sin ( + )
=
sin
sin

5-8

Dispensa:

Teoria degli Errori

S=

Autore:

Pier Francesco Costantini

1 2 sin sin 1 2 sin sin ( + )


b
= b
2
sin
2
sin
2

m = m + m

mc = c

mb
b

m
+
tan

ma = a

mb
b

m
+
tan

ms = S

2 mb
b

m
+
tan

m
+
tan

c m
+
a sin
2

m sin
+
sin sin

5.3.7. Dati 1 lato e 2 angoli non adiacenti


Dati: c mc, m, m

= ( + )
a=

c sin
c sin
=
sin
sin ( + )

b=

c sin
c sin
=
sin
sin ( + )

S=

1 2 sin sin 1 2 sin sin


c
= c
2
sin
2
sin ( + )
2

m = m + m

b m
+
a sin

ma = a

mc
c

a m
+
b sin

mb = b

mc
c

ms = S

2 mc
c

m
+
tan
m
+
tan

m sin
+
sin sin

m sin
+
sin sin

5-9

Dispensa:

Teoria degli Errori

Autore:

Pier Francesco Costantini

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 slittando in avanti di un posto tutti gli indici:
le formule originarie sono:
b sin
= arcsin
c

= ( + ) = + arcsin

b sin
c

a = b cos + c cos = c cos arcsin


b c sin + arcsin

b sin
+ b cos
c

c sin
b

b c sin
=
2
2
1
2
2
2
m =
(mb sin ) + (mc sin ) + (b m sin )
c cos
S=

m =

c cos

ma =

cos

ms =

2 cos

(a m ) + (m sin ) + (m sin )
2

(a m

cos ) + mc + (mb sin sin )


2

(a b m

cos ) + (2 c mc sin ) + (mb c sin )


2

le formule adattate al caso presente sono:


c sin
= arcsin
a

= ( + ) = + arcsin

c sin
a

b = a cos + c cos = a cos arcsin

c sin
+ c cos
a

5-10

Dispensa:

Teoria degli Errori

Autore:

c a sin + arcsin

Pier Francesco Costantini

c sin
a

c a sin
=
2
2
1
2
2
2
m =
(mc sin ) + (ma sin ) + (c m sin )
a cos
S=

m =

a cos

mb =

cos

ms =

2 cos

(b m ) + (m
2

(b m

sin ) + (ma sin )


2

cos ) + ma + (mc sin sin )


2

(b c m

cos ) + (2 a ma sin ) + (mc a sin )


2

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%

5-11