Metodo dei Minimi Quadrati

Siano y e x due grandezze fisiche fra loro legate da una relazione lineare del tipo

y = Bx + A .
Supponiamo di aver effettuato N coppie di misure: (x1, y1), (x2, y2), (x3, y3), …., (xN, yN).

Poiché le misure sono affette da errori, troveremo necessariamente che

yi ≠ Bxi + A ,
per valori dell’indice i che vanno da 1 a N.

Gli scarti y i − Bx i − A (≠ 0 ) saranno positivi o negativi, secondo che il punto di coordinate

(xi, yi) sia posizionato, nel piano cartesiano Oxy, al di sopra oppure al di sotto della retta avente
equazione y = Bx+A, luogo geometrico su cui si disporrebbero i punti (xi, yi) nel caso in cui le misure
siano state eseguite - cosa evidentemente impossibile - con infinita precisione.

Ognuno degli scarti fornisce quindi l’informazione su quanto il valore misurato yi differisca dal
valore calcolato Bxi+A. Tutti insieme gli scarti danno l’idea di quanto la retta y = Bx + A sia
prossima ai dati sperimentali. Non possiamo però adoperare la semplice somma degli scarti
N

∑(y
i =1
i − Bxi − A)

come misuratore di questa vicinanza dei dati sperimentali alla retta, in quanto in essa i contributi
positivi potrebbero compensarsi con quelli negativi e dare al limite anche risultato nullo.

Costruiamo perciò la somma dei quadrati delle quantità y i − Bx i − A in modo da ottenere la

funzione positiva f(A,B) :

N
f ( A, B ) = ∑ (y
i =1
i − Bx i − A ) 2

Viceversa potremmo, nel caso in cui non siano noti i valori di B e d A, andare a cercare la migliore
retta che approssima i punti (xi, yi) ottenuti dalle misure.

Possiamo pensare che la migliore retta sia quella per la quale i coefficienti A e B rendano minimo il
valore della funzione f(A,B).
Il Metodo dei Minimi Quadrati consiste allora nel cercare i valori A = A* e B = B* per i quali la
funzione f(A,B) pocanzi definita assume il suo più piccolo valore, cioè:

N
f ( A*, B *) = ∑ ( y i − B * xi − A*) 2 = minimo
i =1

Dall’analisi conosciamo che una condizione necessaria – e in questo caso anche sufficiente – per
trovare i minimi di una funzione di più variabili è che si annullino le derivate parziali prime della
funzione f(A,B):

 ∂f
 ∂A = 0

 ∂f = 0
 ∂B

Queste due condizioni permettono di ricavare un sistema lineare nelle incognite A e B la cui
soluzione fornisce i valori A* e B* cercati. Derivando si ottiene:

 ∂ N N

 ∂ A ∑ ( y i − Bx i − A ) = ∑ [2 ⋅ ( y i − Bx i − A ) ⋅ ( − 1) ] = 0
2

 i =1 i =1

 ∂
N N
( y i − Bx i − A ) = ∑ [2 ⋅ ( y i − Bx i − A ) ⋅ ( − x i ) ] = 0
 ∂ B ∑
2

i =1 i =1

Esplicitando le somme si ottiene:

 N   N  N   N  N 
  ∑  ∑ i 
A + ( x ) ⋅ B = ∑ yi   N ⋅ A + ∑ i  ( x ) ⋅ B =  ∑ yi 
 i =1   i=1   i=1    i =1   i=1 
 N  N
 ( x )  ⋅ A +  ( x ) 2  ⋅ B =  x y   ( x )  ⋅ A +  ( x ) 2  ⋅ B =  x y 
N N N N

∑ i 

∑ i 
 i=1 
∑ i i 
 i=1  ∑ i 

∑ i 
 i=1 
∑ i i 
 i=1 
 i =1  i =1

e risolvendo il sistema si avrà:

∑y
N N

∑yi =1
i ∑x
i =1
i
N
i =1
i

N N N N

∑ (x y ) ∑ (x )
i i i
2
∑ xi
i =1
∑ (x y )
i =1
i i

A* = i =1 i =1
N
B* = N
N ∑ xi
i =1
N ∑x
i =1
i

N N N N
∑ x ∑(x )
i =1
i
i =1
i
2
∑ xi ∑ (x ) i
2

i =1 i =1
cioè:

N N N N

∑ y ⋅∑ ( x ) − ∑ ( x y ) ⋅∑ x
i i
2
i i i
A* = i =1 i =1 i =1 i =1
∆

N
 N   N 
N ⋅ ∑ ( xi yi ) −  ∑ xi  ⋅  ∑ yi 
B* = i =1  i =1   i =1 
∆
2
N
 N 
avendo evidentemente posto ∆ = N ⋅ ∑ ( xi ) −  ∑ xi  .
2

i =1  i =1 

Con argomenti di tipo statistico (che volutamente non vengono qui introdotti) si possono ricavare
gli errori statistici σA e σB delle grandezze A e B, definiti dalle relazioni seguenti:

∑ (x ) i
2
N
σA =σy ⋅ i =1
e σB =σy ⋅ ,
∆ ∆

1 N
dove la quantità σy è definita come: σy = ∑ ( yi − Bxi − A)2 .
N − 2 i=1