Topography

1
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ
Τμήμα Πολιτικών Μηχανικών
Εργαστήριο Γεωδαισίας και Γεωδαιτικών Εφαρμογών
Σημειώσεις για το Μάθημα
«ΓΕΩΔΑΙΤΙΚΕΣ ΜΕΤΡΗΣΕΙΣ»
Πάτρα 2009
Page 1 of 58
2
ΛΑΘΗ ΚΑΙ ΣΦΑΛΜΑΤΑ
Στην καθημερινή μας ζωή χρησιμοποιούμε πολύ συχνά τις λέξεις «λάθος» και
«σφάλμα» με σχεδόν ταυτόσημα έννοια. Από τεχνική ή επιστημονική άποψη, ως
σφάλματα θεωρούμε αποτελούν μετρήσιμα μεγέθη και στοχαστικές μεταβλητές,
πρακτικά μεταβλητές με χαρακτηριστικά που προκύπτουν με στατιστικές μεθόδους.
Αντίθετα ο όρος «λάθος» έχει βασικά ποιοτικό χαρακτήρα και θα μπορούσαμε να
πούμε ότι είναι λάθος ο μηχανικός ή ένας επιστήμονας να μην υπολογίζει τα
σφάλματα.
Σφάλματα υπεισέρχονται στις μετρήσεις, στους υπολογισμούς (πχ στρογγυλεύσεις
δεκαδικών) και τα μοντέλλα (απλουστευτικά μοντέλλα και αγνόηση παραμέτρων, πχ.
αγνόηση της σφαιρικότητας της γής και υπόθεση παραλληλίας κατακορύφου).
Επειδή το τελικό προϊόν του μηχανικού ιδίως είναι συνήθως συνδυασμός μετρήσεων,
υπολογισμών και μοντέλλων, τα σφάλματα σε κάθε μία από τις τρεις ενότητες
υπεισέρχεται και στις άλλες και τελικά διογκώνεται.
Η θεωρία των Μετρήσεων και Σφαλμάτων προφανώς εστιάζεται στα σφάλματα των
μετρήσεων και στο πως αυτά μεταδίδονται μέσω υπολογισμών- πχ. πως το σφάλμα
μέτρησης των διαστάσεων ενός οικοπέδου επιρρεάζει το εμβαδόν. Παρότι δεν
ενδιαφέρεται άμεσα για τα μοντέλλα, προσφέρει τα μέσα («εργαλεία») για να ελέγχει
κανείς την αξία ενός μοντέλλου, όπως θα δειχτεί σε επόμενες παραγράφους (πχ εάν
κάποια μεταβλητή έχει γραμμική ή παραβολική μορφή, αν ένα φράγμα
παραμορφώνεται λόγω ανύψωσης της στάθμης του ταμιευτήρα ή λόγω εποχιακών
θερμικών μεταβολών, κλπ.
ΜΕΤΡΗΣΕΙΣ ΚΑΙ ΣΦΑΛΜΑΤΑ
Εάν κανείς μετρήσει αρκετές φορές ένα μέγεθος, πχ. την πρόσοψη ενός σπιτιού ή
ενός οικοπέδου, θα διαπιστώσει ότι οι μετρήσεις διαφέρουν μεταξύ τους. Όμως, τα
σφάλματα μπορεί να έχουν τεράστια σημασία.
Ένα άλλο πρόβλημα είναι η συσσώρευση των σφαλμάτων, που μπορεί να οδηγήσει
σε εσφαλμένα αποτελέσματα.
Η εμπειρία και η θεωρία έχουν δείξει ότι ΌΛΕΣ οι μετρήσεις περιέχουν σφάλματα
(η αντίστοιχα έχουν αβεβαιότητες), και γι΄αυτό είναι αναγκαίο να προσδιορίζεται η
ποιότητα των μετρήσεων (ή αντίστοιχα να προσδιορίζεται το επίπεδο ή και το είδος
των σφαλμάτων).
Λόγω της ύπαρξης σφαλμάτων δεν μπορούμε να υπολογίσουμε αληθείς τιμές, αλλά
μόνο εκτιμήσεις (πιθανότερες ή καλύτερες τιμές) κάποιου μεγέθους. Για το λόγο
αυτό, μετρήσεις (ή αποτελέσματα) που δεν συνοδεύονται από εκτιμήσεις
αβεβαιότητας (σφαλμάτων, ποιότητας, κλπ) είναι μη αποδεκτές για μια σειρά από
δραστηριότητες στο χώρο της τεχνικής και της επιστήμης.
Όπως αναλύεται σε επόμενη παράγραφο, δεν ισχύει η συνήθως αποδεκτή άποψη ότι ο
Μέσος Ορος (ΜΟ) πολλών μετρήσεων προσδιορίζει την «αληθή» τιμή. Η τελευταία
πρακτικά μπορεί να προσεγγιστεί σε μεγάλο βαθμό μόνο με όργανα και τεχνικές
υψηλότερης ποιότητας.
Οι εκτιμήσεις της ποιότητας μερικών μετρήσεων (ή μεταβλητών που βασίζονται σε
μετρήσεις) παραλείπονται μόνο όταν έχουν εφαρμοστεί πιστά καθιερωμένοι τρόποι
μέτρησης («προδιαγραφές») που παράγουν αποτελέσματα γνωστής ακρίβειας (πχ.
Page 2 of 58
3
μετρήσεις με μετροταινία ορισμένου τύπου και ορισμένη διαδικασία σε ένα

οικοδομικό σχέδιο).
Σε ορισμένες επιστήμες (κυρίως του Μηχανικού) αντί για αναλυτικές εκτιμήσεις
ακριβείας, περιθωρίου σφάλματος, κλπ. χρησιμοποιείται η τεχνική του συντελεστή
ασφαλείας, ο οποίος έχει τεκμηριωθεί από εμπειρία στο παρελθόν και καλύπτει
(αντισταθμίζει) τις αβεβαιότητες σε μετρήσεις, υπολογισμούς και απλουστεύσεις του
μοντέλου.
ΣΤΑΤΙΣΤΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΤΩΝ ΜΕΤΡΗΣΕΩΝ
Οι μετρήσεις και οι μεταβλητές που εξετάζουμε μπορεί να είναι μονοδιάστατες (πχ.

μήκος, μέτρο γωνίας, κλπ) ή πολύ-διάστατες (συντεταγμένες ενός σημείου ή πολλών
σημείων, υψόμετρα ενός αριθμού σημείων, κλπ). Κατ’ αρχήν εξετάζουμε
μονοδιάστατα μεγέθη, και μετά δισδιάστατα και πολύ-διάστατα.
Η ΚΑΝΟΝΙΚΗ ΚΑΤΑΝΟΜΗ ΣΕ ΜΟΝΟΔΙΑΣΤΑΤΑ ΜΕΓΕΘΗ
Η έννοια της κανονικής κατανομής
Υποθέτουμε ότι έχουν γίνει με κάποια μέθοδο συνολικά 88 μετρήσεις του (άγνωστου)
μήκους μεταξύ δύο σημείων από προσεκτικούς παρατηρητές. Διαφορές
παρατηρούνται μόνο στα δύο τελευταία δεκαδικά ψηφία (εκατοστά), και κυμαίνονται
από 11 έως 21, ενώ ο μέσος όρος είναι 15.7.
Μερικές τιμές εμφανίζονται περισσότερες φορές, άλλες λιγώτερο, ή και καθόλου. Η
συχνότητα εμφάνισης κάθε τιμής (τα δύο τελευταία δεκαδικά ψηφία για απλότητα)
φαίνεται στον ακόλουθο Πίνακα και σε επόμενα κεφάλαια θα ονομάζεται βάρος. Τα
ίδια στοιχεία εμφανίζονται και με μορφή ιστογράμματος. Είναι εμφανές ότι οι τιμές
με μεγάλες συχνότητες εμφάνισης (15, 16, 17) είναι κοντά στο μέσο όρο (ή έχουν
μεγάλο «βάρος» στον υπολογισμό της μέσης τιμής), και οι ακραίες τιμές έχουν μικρές
συχνότητες εμφάνισης (και μικρό «βάρος» στον υπολογισμό της μέσης τιμής).
Πίνακας (αριστερά) και Ιστόγραμμα (δεξιά) της Συχνότητας εμφάνισης τιμών στις μετρήσεις
(στο δείγμα) και προσαρμογή της καμπύλης της κανονικής κατανομής θεωρώντας ότι οι
μετρήσεις αποτελούν τμήμα ενός πληθυσμού άπειρου μεγέθους
Page 3 of 58
4
Είναι εύκολο να αντιληφθεί κανείς ότι το ιστόγραμμα που αφορά μια μονοδιάστατη
μεταβλητή στην περίπτωση αυτή προσεγγίζεται πολύ καλά από μία μαθηματική
καμπύλη, γνωστή ως καμπύλη της Κανονικής Κατανομής ή ως καμπύλη του Gauss.
Η συνάρτηση που περιγράφει την κατανομή της x ορίζεται ως:
f (x) =
1
exp ⎨−
(
⎧ x−x 2⎫
⎪ )⎪
⎬
σ ⋅ 2π ⎪ 2σ 2
⎪
⎩ ⎭
και προσδιορίζεται από δύο παραμέτρους:
(α) το Μέσο Ορο (ΜΟ) ή μέση τιμή του x που αποτελεί την καλύτερη εκτίμηση ή τιμή
της μεταβλητής και αμερόληπτη (ή αντικειμενική) εκτίμησή της όπως θα αναφερθεί στην
παραγρ. 2.2.7. Ο ΜΟ συμβολίζεται συνήθως ως μ, x ή μx και παρέχεται από την εξίσωση
ν
1
x=
ν
∑x
i =1
i
(β) τη διακύμανση ή μεταβλητότητα σ2 μιάς παρατήρησης που συμβολίζεται

συνήθως σ2, var(x), σ2x , σ2xx και προσδιορίζεται από την εξίσωση
1 ν
σ2 = ∑ ( x − x )2
ν − 1 i =1 i
όπου ν το μέγεθος του δείγματος (πλήθος μετρήσεων) ή του πληθυσμού.
Η συνάρτηση αυτή αφορά μονοδιάστατα μεγέθη. Πολυδιάστατα μεγέθη
περιγράφονται με μία γενικευμένη μορφή της καμπύλης αυτής.
Δύο επι πλέον όροι υπεισέρχονται στον υπολογισμό της μέσης τιμής και
μεταβλητότητας
(α) η απόκλιση υi μιάς μέτρησης από τη μέση τιμή των μετρήσεων
υi = xi − x
που ονομάζεται υπόλοιπο ή κατάλοιπο (residual), και
(β) οι παράμετροι ν ή ν-1 που ονομάζονται βαθμοί ελευθερίας.
Πρακτική σημασία των παραμέτρων της κανονικής κατανομής

Ο μέσος όρος κάποιων μετρήσεων εκφράζει την καλύτερη εκτίμηση ή την
πιθανότερη τιμή μιάς μεταβλητής (όμως δεν εκφράζει γενικά την πραγματική τιμή).
Η μεταβλητότητα ή διακύμανση μιάς μεταβλητής εκφράζει τη μέση τιμή της
απόκλισης (ή απόστασης) μιας μέτρησης από τη μέση τους τιμή και με μια άλλη
οπτική που θα γίνει πιο ξεκάθαρη σε επόμενα κεφάλαια τη συμβατότητα των
μετρήσεων μεταξύ τους.
Το υπόλοιπο ή κατάλοιπο (residual) υi εκφράζει την απόκλιση μιάς συγκεκριμένης
τιμής από το μέσο όρο.
H έννοια του βαθμού ελευθερίας που αποτελεί συνάρτηση του αριθμού των
παρατηρήσεων είναι προς το παρόν ασαφής. Μια πρώτη διευκρίνιση γίνεται στην
παράγραφο 2.2.3. Γενικά, όσο μεγαλύτερος είναι ο βαθμός ελευθερίας τόσο καλύτερη
είναι η εκτίμηση των στατιστικών ιδιοτήτων ενός δείγματος. Η έννοια του βαθμού
ελευθερίας γίνεται κατανοητή στο Κεφάλαιο για τη Μέθοδο των Ελαχίστων
Τετραγώνων.
Η τετραγωνική ρίζα της μεταβλητότητας σ αποτελεί την τυπική απόκλιση ή τυπικό
σφάλμα ή μέσο τετραγωνικό σφάλμα μιάς παρατήρησης. Προσοχή, όπως θα
δειχτεί σε επόμενα κεφάλαια, η τυπική απόκλιση μιας παρατήρησης διαφέρει από
την τυπική απόκλιση του μέσου όρου και ταυτίζεται με το σφάλμα της μονάδας
βάρους που συμβολίζεται με σο.
Page 4 of 58
5
Η τυπική απόκλιση του δείγματος (ή συνόλου μετρήσεων ενός άγνωστου μεγέθους)

προσδιορίζει τη μορφή της καμπύλης της κανονικής κατανομής. Η μέση τιμή απλά
μετατοπίζει την καμπύλη πάνω στον άξονα x.
Η κανονική κατανομή χρησιμοποιείται συνήθως για να περιγράψει τουλάχιστον
προσεγγιστικά τις αποκλίσεις που εμφανίζουν οι μεταβλητές από τη μέση τιμή τους.
Όμως, δεν ακολουθούν όλες οι μεταβλητές την κανονική κατανομή. Παράδειγμα τα
σύνολα των μετρήσεων (4, 4, 4, 4), (2.1, 3.2, 3.3, 3.3, 4.5, 10.1, 10.2, 10.2, 10.3).
Υπάρχουν πολλές τεχνικές (πχ. «normality test») που μπορούν να επιτρέψουν να
διαπιστωθεί αυτό και πολλές από αυτές αποτελούν μάλιστα ενσωματωμένες ρουτίνες
σε συνήθη υπολογιστικά πακέτα.
Βασικές ιδιότητες της κανονικής κατανομής
Η καμπύλη της κανονικής κατανομής έχει μερικές βασικές ιδιότητες

(1) είναι συμμετρική ως προς τη μέση τιμή μx
(2) προσεγγίζει το μηδέν ασυμπτωτικά καθώς το x τείνει στο +∝, -∝
(3) η επιφάνεια ανάμεσα στην καμπύλη και τον οριζόντιο άξονα ασυμπτωτικά
τείνει στο 1, και μπορεί να καλύπτει θεωρητικά κάθε τιμή. Αυτό σημαίνει ότι
υπάρχει θεωρητικά η δυνατότητα μια μέτρηση να πάρει οποιαδήποτε τιμή. Εξαίρεση
αποτελούν μετρήσεις με συγκεκριμένο πεδίο, όπως η βαθμολογία φοιτητών/μαθητών
που συνήθως περιλαμβάνεται μεταξύ των τιμών 0-10 ή 0-20.
Η ΠΙΘΑΝΟΤΙΚΗ ΔΙΑΣΤΑΣΗ ΤΩΝ ΜΕΤΡΗΣΕΩΝ
Η προηγούμενη παρατήρηση –ιδιότητα μας μεταφέρει από το πεδίο των μετρήσεων

στο πεδίο των πιθανοτήτων. Για παράδειγμα, όπως φαίνεται από το ιστόγραμμα του
προηγούμενου Σχήματος, μετρήσεις με τιμή γύρω στο 16 ή το 15 έχουν μεγάλη
συχνότητα ή πιθανότητα εμφάνισης, ενώ τιμές πολύ μεγαλύτερες ή μικρότερες
αντίστοιχα πολύ μικρή συχνότητα ή πιθανότητα εμφάνισης.
Η τελευταία αυτή ιδιότητα υποδηλώνει ότι η συχνότητα ή πιθανότητα εμφάνισης μιας

τιμής (μέτρησης) με τιμή μεταξύ δύο τιμών x1, x2 ισούται με το εμβαδό που ορίζεται
από τον x άξονα, την καμπύλη της συνάρτησης και τα όρια των τιμών x = x1 και x=x2.
Με μαθηματικό συμβολισμό
x2
P ( x 1 < x < x 2 ) = ∫ f ( x ) dx
x1
Η πιθανότητα Ρ μια μέτρησης να βρεθεί σε διαστήματα που ορίζονται από ακέραια

πολλαπλάσια της τυπικής απόκλισης γύρω από το μέσο όρο προσδιορίζονται από τις
εξής εξισώσεις:
P [-σx < x - μx < +σx] = 0.68 ή 68%

P [-2σx < x - μx < +2σx] = 0.95 ή 95%
P [-3σx < x - μx < +3σx] = 0.99 ή 99%
Page 5 of 58
6
ΔΕΙΓΜΑ ΚΑΙ ΠΛΗΘΥΣΜΟΣ
Πολλές φορές εξετάζουμε ένα χαρακτηριστικό ενός συνόλου από μετρήσεις που
καλύπτουν όλα τα στοιχεία του (πληθυσμός) και άλλες προσπαθούμε να
εκτιμήσουμε ένα χαρακτηριστικό εξετάζοντας μόνο ένα υποσύνολο (δείγμα). Ο
υπολογισμός της μέσης τιμής του βαθμού όλων των φοιτητών ενός έτους σε ένα
μάθημα (ολόκληρου πληθυσμού) και αντίστοιχα μια δημοσκόπιση –εξέταση πχ ενός
δείγματος 1000 ατόμων σε ένα πληθυσμό μερικών εκατομμυρίων ψηφοφόρων (πχ σε
ένα γκάλλοπ) είναι χαρακτηριστικές περιπτώσεις.
Η σημασία της διάκρισης μεταξύ ολόκληρου πληθυσμού και δείγματος (μετρήσεων
ενός άγνωστου μεγέθους) είναι σημαντική, γιατί ορισμένοι στατιστικοί τύποι
διαφέρουν. Ειδικά για δείγμα μεγέθους Ν ισχύει ο τύπος
1 N
σ2 = ∑
N − 1 i =1
( xi − x )2
ενώ σε περίπτωση ολόκληρου πληθυσμού μεγέθους Ν ο τύπος
1 N
σ2 = ∑
N i =1
( xi − x )2
Προφανώς η διαφορά αφορά τους βαθμούς ελευθερίας, τον συντελεστή Ν ή Ν-1 στον
παρανομαστή. Συνήθως υπάρχει μεγάλη ασάφεια στην επιλογή του συντελεστή Ν ή
Ν-1 και στην αιτιολόγηση της επιλογής. Πάντως, όταν υπολογίζεται και
συμμεταβλητότητα, συνήθως επιλέγεται ο τύπος με παρανομαστή Ν.
Προσοχή: Η διακύμανση (και αντίστοιχα η τυπική απόκλιση) που προκύπτει από τις
εξ. 2.3 ή 2.6 αφορά μόνο μια μεμονωμένη μέτρηση /τιμή και όχι τον μέσο όρο
μετρήσεων, του οποίου η μεταβλητότητα είναι διαφορετική (διακύμανση ή τυπικό
σφάλμα ενός συνόλου μέσων όρων σμ που έχουν προκύψει από επι μέρους
δειγματοληψίες. Είναι επομένως διαφορετικά τα όρια της διακύμανσης μιας
μεμονωμένης μέτρησης (από μία δειγματοληψία) και του μέσου όρου των
καλύτερων εκτιμήσεων που προκύπτουν από διάφορες δειγματοληψίες. Για
παράδειγμα, το «στατιστικό σφάλμα» ενός γκάλλοπ μιάς συγκεκριμένης εταιρείας
διαφέρει από το «στατιστικό σφάλμα» των γκάλλοπ από έξη διαφορετικές εταιρείες
όταν εξεταστούν όλα μαζί. Το τελευταίο αυτό σημείο εξετάζεται στο Κεφάλαιο για
τις εφαρμογές του Νόμου Μετάδοσης Σφαλμάτων.
ΑΝΗΓΜΕΝΟΣ ΜΕΣΟΣ ΟΡΟΣ

Υπάρχουν περιπτώσεις μετρήσεων διαφόρων μεταβλητών με κοινά ή και διαφορετικά
χαρακτηριστικά που συμπτύσσονται σε μία ενιαία «τελική» μεταβλητή μέσω μιας
κάποιας συνάρτησης και συνεπώς εντάσσονται στις μονοδιάστατες μεταβλητές.
Τέτοια περίτπωση είναι ο Μέσος Ορος και ο Ανηγμένος (η Γενικευμένος) Μέσος
Ορος. Η έννοια του τελευταίου γίενται κατανοητή από το εξής παράδειγμα.
Εάν κάποιος κληθεί να υπολογίσει το μέσο όρο των μετρήσεων όπως του Σχ. 2.1,
προφανώς θα προτιμήσει να μετρήσει τη συχνότητα εμφάνισης κάθε διαφορετικής
Page 6 of 58
7
τιμής μέτρησης και θα την πολλαπλασιάσει με την αντίστοιχη τιμή και το άθροισμα
τους θα το διαιρέσει με το άθροισμα των συχνοτήτων.
Η διαδικασία αναλύεται για περίπτωση επαναλαμβανόμενων μετρήσεων.
Θεωρούμε ότι ένα ευθύγραμμο τμήμα μετρήθηκε n φορές με μετρήσεις ίσης
ακρίβειας και προέκυψαν τα εξής αποτελέσματα
Η τιμή x1 καταγράφηκε p1 φορές
Η τιμή x4 καταγράφηκε p4 φορές κλπ, όπου Σpi=n
Είναι προφανές ότι η μέση τιμή x ή μ θα δίνεται από τον τύπο
x =μ= (p1 φορές το x1 + p2 φορές το x2 + …)/n ή
x=
∑p x
i i
∑p i
Η τιμή αυτή αποτελεί τον Ανηγμένο Μέσο Ορο (ΑΜΟ) ή Γενικευμένο Μέσο Ορο
των μετρήσεων. Το τυπικό σφάλμα του ΑΜΟ προκύπτει από την εφαρμογή του
ΝΜΣ όπως αναλύεται σε επόμενο Κεφάλαιο.
Οι τιμές pi που αποτελούν τις συχνότητες εμφάνισης μιας τιμής σε ένα σύνολο
μετρήσεων ονομάζονται βάρη και υποδηλώνουν πόσο σημαντική είναι μία μέτρηση
στη διαμόρφωση του μέσου όρου.
Η διαδικασία υπολογισμού Γενικευμένου Μέσου Ορου χρησιμοποιείται σε πολλές
περιπτώσεις ακόμη και της καθημερινής ζωής, πχ στον υπολογισμό του βαθμού
πτυχίου όπως αναφέρθηκε πιο πάνω, στον υπολογισμό του τιμάριθμου, στη
βαθμολογία διαγωνισμού προμηθειών του Δημοσίου, ή τον υπολογισμό κέντρου
βάρους ενός σύνθετου σχήματος που αποτελεί προκαταρκτικό πρόβλημα της
Μηχανικής.
Στη διαδικασία υπολογισμού του ΑΜΟ συνήθως αγνοείται η αβεβαιότητα ή το

σφάλμα του ΑΜΟ, και αυτό έχει σημαντικές επιπτώσεις. Στις περισσότερες όμως
περιπτώσεις δεν υπολογίζεται καν ΑΜΟ, αλλά απλός ΜΟ, ή ακόμη αυθαίρετα
επιλέγεται μία τιμή, συνήθως αυτή που φαίνεται να έχει καλύτερη ακρίβεια, και
αγνοούνται οι άλλες.
Οι προσεγγίσεις αυτές οδηγούν σε μη αμερόληπτες εκτιμήσεις, και κυρίως σε
λανθασμένες εκτιμήσεις. Για παράδειγμα, να θυμηθούμε προβλέψεις για εκλογικά
αποτελέσματα, τιμές πετρελαίου ή τιμές πληθωρισμού ή τιμές μετοχών με
προσέγγιση μάλιστα δεκαδικών που ουσιαστικά αποτελούν ΑΜΟ και που
διαψεύστηκαν οικτρά!
Είναι προφανές ότι όλες οι διαθέσιμες μετρήσεις (εκτός από εκείνες για τις οποίες
υπάρχει σαφής ένδειξη για χονδροειδή σφάλματα και τις οποίες αποκλείουμε)
συμμετέχουν στη διαμόρφωση του μέσου όρου, και γι’ αυτό όλες πρέπει λαμβάνονται
υπ’ όψη στον υπολογισμό του.
Παράδειγμα 1
Με τον τύπο του ΑΜΟ πχ. υπολογίζεται συνήθως ο βαθμός Διπλώματος. Ο βαθμός
πολλών υποχρεωτικών μαθημάτων (μαθημάτων με μεγάλο βάρος) επηρεάζει πολύ
τον τελικό βαθμό, ο βαθμός ορισμένων μαθημάτων επιλογής λίγο, ενώ ο βαθμός της
Page 7 of 58
8
Διπλωματικής έχει εξαιρετικά μεγάλο βάρος και αντιστοιχεί σε βαθμό αρκετών

μαθημάτων.
Η αγνόηση του ΑΜΟ φαίνεται στο εξής παράδειγμα. Αν υποθέσουμε ότι σε κάποιο
Τμήμα ο βαθμός του πτυχίου προκύπτει πχ. από το άθροισμα των βαθμών ν
μαθημάτων Σβi πλέον του βαθμού της Διπλωματικής Δ πολλαπλασιασμένης επί 10.
Στην περίπτωση αυτή o βαθμός πτυχίου Β προκύπτει από τον τύπο
Β=( Σβi +10Δ)/(ν+10)
Σε τέτοιες περιπτώσεις ο απλός μέσος όρος των βαθμών
Β’=( Σβi +Δ)/(ν+1)
διαφέρει αισθητά από τον βαθμό πτυχίου και ΔΕΝ αποτελεί αμερόληπτη εκτιμήτρια.
Η πρακτική σημασία της διαφοράς των δύο εκτιμήσεων είναι ότι αν απλά η
Διπλωματική (που συνήθως παίρνει μεγαλύτερο βαθμό από τα διάφορα μαθήματα)
προστεθεί ως ένα ακόμη απλό μάθημα οδηγεί σε αισθητά μικρότερο βαθμό πτυχίου,
με μοιραίο αποτέλεσμα τον αποκλεισμό από μεταπτυχιακά, λιγότερα μόρια στις
Προκηρύξεις του ΑΣΕΠ κλπ.
Μετρήσεις ενός μήκους έγιναν από τρείς ομάδες φοιτητών. Η μία ομάδα εκτίμησε
μέσο μήκος 35.53m από 3 μετρήσεις, η άλλη 35.56 από 4 μετρήσεις και η τρίτη 36.54
από 1 μέτρηση. Οι μετρήσεις είχαν τυπικό σφάλμα 0.01m. Ζητείται η καλύτερη
εκτίμηση του μήκους.
Λύση. Η εκτίμηση της τρίτης ομάδας διαφέρει πολύ από τις λοιπές τιμές και
προκύπτει από μία εξίσωση. Προφανώς αντιστοιχεί σε χονδροειδές σφάλμα. Για το
λόγο αυτό η μέτρηση αγνοείται στην περαιτέρω επεξεργασία και ο ΑΜΟ
υπολογίζεται από τις δύο έγκυρες μετρήσεις. Θα μπορούσε όμως εναλλακτικά
κάποιος να εκτιμήσει ότι το χονδροειδές σφάλμα οφείλεται σε απλό λάθος
καταγραφής, 36.54 αντί του 35.54, να κάνει τη σχετική διόρθωση και να υπολογίσει
τον ΑΜΟ με βάση τις τρείς μετρήσεις αφού εξηγήσει σαφώς τι έχει κάνει και γιατί.
ΑΜΕΡΟΛΗΠΤΕΣ ΚΑΙ ΜΗ ΕΚΤΙΜΗΣΕΙΣ

Ο μέσος όρος (ΜΟ ή μέση τιμή και γενικότερα ο ΑΜΟ) έχει ένα χαρακτηριστικό: σε
περίπτωση που αφορά δείγμα προσεγγίζει την πραγματική μέση τιμή του πληθυσμού
όταν το μέγεθος του δείγματος τείνει θεωρητικά στο άπειρο. Με βάση την ιδιότητα
αυτή θεωρείται ότι αποτελεί αμερόληπτη ή αντικειμενική (unbiased) εκτιμήτρια.
Υπάρχουν και άλλες εκτιμήτριες οι οποίες προφανώς δεν είναι αμερόληπτες. Για
παράδειγμα, η μέγιστη ή ελάχιστη τιμή, ή η επιλογή μιας αυθαίρετης τιμής, πχ της
μέτρησης του πλέον πεπειραμένου ατόμου.
Πολλές φορές όμως μη αμερόληπτες εκτιμήτριες όπως η μέγιστη τιμή έχουν μεγάλη
χρησιμότητα. Για παράδειγμα, το μέγιστο ανεκτό σφάλμα σε μια χωροστάθμιση:
Οι προδιαγραφές των τεχνικών έργων προσδιορίζουν ένα μέγιστο όριο πέρα από το
οποίο απορρίπτονται οι μετρήσεις (πχ μέγιστο όριο διαφοράς σε χωροστάθμιση σε
δύο διευθύνσεις, «κλείσιμο»), που προσφέρει και εκτίμηση ποιόητας των μετρήσεων.
Page 8 of 58
9
ΣΤΑΤΙΣΤΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΤΩΝ ΠΟΛΥΔΙΑΣΤΑΤΩΝ ΜΕΤΡΗΣΕΩΝ
ΜΕΤΑΒΛΗΤΟΤΗΤΑ, ΣΥΜΜΕΤΑΒΛΗΤΟΤΗΤΑ ΚΑΙ ΣΥΣΧΕΤΙΣΗ
Η μεταβλητότητα var(x) ή σx2 ή σxx2 μιάς μεταβλητής (ή μιας μέτρησης) x εκφράζει

τη διασπορά (μέση απόσταση) των τιμών γύρω από τη μέση τιμή της x και ισούται
με το τετράγωνο του τυπικού σφάλματος.
Η συμμεταβλητότητα cov(x,y) ή σxy δύο μεταβλητών (ή ζευγών μετρήσεων) x,y
εκφράζει πόσο η μεταβολή της τιμής της μιάς μεταβλητής επιρρεάζει την άλλη και
ορίζεται από τον τύπο
Εάν cov(x,y)=0 (ή cov(x,y) →0) οι δύο μεταβλητές θεωρούνται ασυσχέτιστες,

δηλαδή τυχόν μεταβολή της μιάς δεν επιρρεάζει την άλλη. Σε αντίθετη περίπτωση
είναι συσχετισμένες.
Παράδειγμα οι δύο μεταβλητές x, y, όπου y=kx και k σταθερός μη μηδενικός
αριθμός (πχ. το μήκος της πρόσοψης και το εμβαδό ενός ορθογωνίου οικοπέδου με
σταθερό βάθος) είναι απόλυτα συσχετισμένες, ενώ οι δύο μεταβλητές x, y, όπου y=0
δεν είναι.
Ο συνηθέστερος τρόπος ποσοτικής εκτίμησης της συσχέτισης είναι με το συντελεστή
γραμμικής συσχέτισης ρ όπου
σ xy
ρ=
σ xxσ yy
Η τιμή του ρ παίρνει τιμές στο διάστημα (-1,1). Τιμές ρ=±1 υποδηλώνουν απόλυτη
γραμμική συσχέτιση (πχ μεταβλητές x, y όπου y=kx και k σταθερός μη μηδενικός
αριθμός), ενώ ρ=0 πλήρως ασυσχέτιστες (πχ x=σταθερό, y=μεταβλητό).
Θεωρείστε ένα πολιτικό κόμμα Α που έχει σταθερό (αμετάβλητο) εκλογικό ποσοστό,
και δύο κόμματα Β, Γ μεταξύ των οποίων υπάρχει μετακίνηση ψηφοφόρων. Οι
εκτιμήσεις των ποσοστών μεταξύ των Α, Β θα είναι ασυσχέτιστες, ενώ μεταξύ των Β,
Γ πολύ συσχετισμένες.
Υπολογισμός μεταβλητοτήτων- συμμεταβλητότητας.
Θεωρούμε έξη ζεύγη μετρήσεων δύο μεταβλητών x(t) και y(t), όπου t ο χρόνος που
παρατίθενται στον Πίνακα 1. Με βάση τα προηγούμενα, υπολογίζουμε x =9.3,
6 6
y =7.3, και σ x2 = 1 ∑υ x2,i = 0.033 , σ y2 = 1 ∑υ y2,i = 0.063 ,
6 i =1 6 i =1
6
6∑
σ y2 = 1 υ x ,i y ,i = 0.024 υ
i =1
Αντικαθιστώντας τις τιμές στον τύπο 2.8 προκύπτει ρ=0.87 που υποδηλώνει υψηλή
γραμμική συσχέτιση.
Χαρακτηριστικές περιπτώσεις γραμμικής συσχέτισης που αντιστοιχούν σε
διαφορετικές γραφικές παραστάσεις σημείων φαίνονται στο ακόλουθο σχήμα.
Page 9 of 58
10
t xi(t) υx,i= xi (t ) - x υ x,i

2 yi(t) υy,i= y i (t ) - y υ y ,i
2
υ x,i ⋅ υ y ,i
1 9.4 +0.1 0.01 7.3 0.0 0.00 0.00
2 9.0 -0.3 0.09 7.0 -0.3 0.09 +0.09
3 9.5 +0.2 0.04 7.7 0.4 0.16 +0.08
4 9.2 -0.1 0.01 7.3 0.0 0.00 0.00
5 9.5 +0.2 0.04 7.5 0.2 0.04 +0.04
6 9.2 -0.1 0.01 7.0 -0.3 0.09 +0.03
Σ= Σ=0.20 Σ= Σ=0.378 cov(x,y)=
55.8 43.8 (y)= Σ/6=0.0240
Σ/6=0.063
Παράδειγμα υπολογισμού συμμεταβλητότητας μεταξύ δύο μεταβλητών x(t) και y(t).

Το Σ υποδηλώνει άθροισμα στήλης.
Συντελεστής γραμμικής συσχέτισης για διάφορες κατανομές σημείων. Αριστερά, ρ=0,

κέντρο ρ≈0.8, δεξιά ρ→1 (αντίστοιχα μηδενική, μεγάλη και σχεδόν απόλυτη γραμμική
συσχέτιση).
Προσοχή, ο συντελεστής γραμμικής συσχέτισης παρέχει μόνο απλή ένδειξη της

συσχέτισης που υπάρχει ανάμεσα σε δύο μεταβλητές, και δεν μπορεί να αποκαλύψει
την πραγματική τους σχέση ούτε να προσδιορίσει τις αβεβαιότητες τους. Για το λόγο
αυτό απλά λογισμικά που παρέχουν μόνο το συντελεστή αυτό δεν αρκούν (ίσως και
οδηγούν σε λάθος συμπεράσματα!) για την εκτίμηση των σφαλμάτων των
μεταβλητών.
Page 10 of 58
11
Παράδειγμα από τη Wikipedia, xαρακτηριστική περίπτωση των περιορισμών στην

εκτίμηση των χαρακτηριστικών των μεταβλητών με βάση το συντελεστή γραμμικής
συσχέτισης ρ: Διαφορετικές κατανομές ίδιου αριθμού σημείων οδηγούν στην ίδια τιμή
του ρ.
ΔΙΣΔΙΑΣΤΑΤΗ ΚΑΝΟΝΙΚΗ ΚΑΤΑΝΟΜΗ
Σε αντιστοιχία με τη μονοδιάστατη κατανομή που ορίζει μια αξονική κατανονομή

των μετρήσεων με μέγιστη συγκέντρωση (πυκνότητα) γύρω από τη μέση τιμή και
ελαττούμενη μακριά από αυτήν, μπορούμε να θεωρήσουμε την κατανομή δύο
μεταβλητών η οποία πρακτικά ορίζει την κατανομή της θέσης ενός σημείου (των δύο
συντεταγμένων του) στο επίπεδο. Εάν κάποιος μετρήσει πάρα πολλές («άπειρες»)
φορές τις συντεταγμένες ενός σημείου με κάποιο τρόπο (πχ. με εμπροσθοτομία,
δηλαδή θεωρώντας το άγνωστο σημείο ως κορυφή ενός τριγώνου με γνωστά τα δύο
άλλα σημεία και μετρώντας τις γωνίες που σχηματίζουν οι διευθύνσεις των δύο
γνωστών σημείων με το άγνωστο) και καταγράψει τις συντεταγμένες αυτές, το
σύνολο των θέσεων του σημείου Μ θα ορίζει μια έλλειψη.
Γραφική παράσταση των συντεταγμένων της θέσης ενός σημείου που εκφράζει μια
δισδιάστατη κατανομή. Οι θέσεις των σημείων περιέχονται σε μια έλλειψη σφάλματος.
Page 11 of 58
12
Θεωρούμε δύο τυχαίες μεταβλητές x, y με μέση τιμή (0, 0) μεταβλητότητες σx2 και
σy2 και συντελεστή γραμμικής συσχέτισης ρ. Η κατανομή των δύο μεταβλητών
περιγράφεται προσεγγιστικά από τη συνάρτηση
και γραφικά αντιστοιχεί στο κωδωνοειδές του επόμενου σχήματος.

Είναι αξιοσημείωτο ότι στην περίπτωση μονο-διάστατης μεταβλητής η συνάρτηση
πυκνότητας πιθανότητας όπως λέγεται η καμπύλη της στατιστικής κατανομής είναι
δισ-διάστατη, ενώ σε δισ-διάστατη μεταβλητή είναι τρισδιάστατη.
Η δισ-διάστατη κανονική κατανομή αντιστοιχεί σε τρισδιάστατο κωδωνοειδές. Αν

αγνοηθεί η μία μεταβλητή οδηγούμαστε σε απλή μονοδιάστατη κατανομή που
αντιστοιχεί στην τομή του κωδωνοειδούς από ένα κάθετο επίπεδο παράλληλο στον
αντίστοιχο άξονα.
ΠΙΝΑΚΑΣ ΜΕΤΑΒΛΗΤΟΤΗΤΑΣ-ΣΥΜΜΕΤΑΒΛΗΤΟΤΗΤΑΣ
Οι στατιστικές ιδιότητες δύο μεταβλητών x,y (πχ. των επίπεδων συντεταγμένων ενός
σημείου) περιγράφονται από ένα συμμετρικό Πίνακα διαστάσεων 2x2, τα διαγώνια
στοιχεία του οποίου εκφράζουν τις μεταβλητότητες και τα μη διαγώνια τη
συμμεταβλητότητα. Ο Πίνακας αυτός λέγεται Πίνακας Μεταβλητότητας-
Συμμεταβλητότητας, έχει την κατωτέρω μορφή και συμβολίζεται ως Σ, Σx, Σxx, v-cov,
V, Vx, Vxx, κλπ.
⎡σ xx2 σ xy ⎤
Σ=⎢ 2 ⎥
⎢⎣σ xy σ yy ⎥⎦
Εάν είναι γνωστές οι μεταβλητότητες σx2 και σy2 και ο συντελεστής γραμμικής
συσχέτισης ρ, ο Πίνακας Σ προσδιορίζεται προφανώς ως
Page 12 of 58
13
Ο Πίνακας Μεταβλητότητας-Συμμεταβλητότητας εκφράζει τις στατιστικές ιδιότητες

και μεταβλητών με διάσταση >2: Πχ., πχ καρτεσιανές συντεταγμένες ενός σημείου
στο χώρο αντιστοιχούν σε Πίνακα 3 μεταβλητών και σε Πίνακα Μεταβλητότητας-
Συμμεταβλητότητας με διάσταση 3Χ3. Καρτεσιανές συντεταγμένες τριών σημείων
στο επίπεδο αντιστοιχούν σε Πίνακα 6 μεταβλητών και σε Πίνακα Μεταβλητότητας-
Συμμεταβλητότητας με διάσταση 6Χ6.
Στην περίπτωση μονο-διάστατης μεταβλητής ο Πίνακας εκφυλίζεται σε μονο-

διάστατο στοιχείο (μεταβλητότητα, Πίνακα 1Χ1), ενώ σε περίπτωση ν ασυσχέτιστων
μεταβλητών x1, x2, xν, ο Πίνακας παίρνει τη μορφή
⎡σ 12 0 0⎤
⎢ ⎥
⎢ 0 σ 22 0⎥
Vx =
⎢ ⎥
⎢ ⎥
⎢⎣ 0 0 σν2 ⎥⎦
Προφανώς υπάρχουν και περιπτώσεις που μόνο μερικά μη διαγώνια στοιχεία του
Πίνακα είναι μηδενικά (ή σχεδόν μηδενικά).
Επίσης, τα διαγώνια στοιχεία (μεταβλητότητες) έχουν γενικά μεγαλύτερη τιμή
(μέτρο) από τα μη διαγώνια.
ΕΙΔΗ ΣΦΑΛΜΑΤΩΝ ΚΑΙ ΠΟΙΟΤΗΤΑ ΕΚΤΙΜΗΣΕΩΝ
Η αδυναμία υπολογισμού «αληθών τιμών» οφείλεται στην ύπαρξη διαφόρων

σφαλμάτων τα οποία υπεισέρχονται στις μετρήσεις και μεταδίδονται με τους
υπολογισμούς.
ΤΥΧΑΙΑ ΣΦΑΛΜΑΤΑ
Είναι ο συνηθέστερος τύπος σφαλμάτων που υπεισέρχεται στις μετρήσεις. Τα τυχαία
σφάλματα χαρακτηρίζονται από μικρό εύρος και τιμές άλλοτε θετικές και άλλοτε
αρνητικές. Το χαρακτηριστικό τους είναι ότι το άθροισμά τους είναι μηδέν. Αυτό
σημαίνει ότι η μέση τιμή των μετρήσεων τείνει να εξουδετερώνει (απαλείφει) τα
τυχαία σφάλματα).
ΧΟΝΔΡΟΕΙΔΗ ΣΦΑΛΜΑΤΑ
Πρόκειται συνήθως για μεμονωμένες τιμές με μεγάλη διαφορά από τις άλλες (πχ.
λόγω αναγραμματισμού ψηφίων σε χειρόγραφη καταγραφή, απροσεξίας, κλπ, ή και
περίεργων τιμών που ξαφνικά μπορεί να δείξει κάποιο όργανο). Τις τιμές αυτές
(outliers) συνήθως τις αφαιρούμε από το σύνολο των μετρήσεων με κάποια
στατιστική ή εμπειρική μέθοδο (πχ εάν διαφέρουν από τη μέση τιμή περισσότερο από
συγκεκριμένο ποσό, συνήθως ±3σ, όπου σ η τυπική απόκλιση των μετρήσεων που
εξετάζονται,).
Προσοχή: Μερικές φορές τιμές (μετρήσεις) που διαφέρουν πολύ από τις λοιπές είναι
πραγματικές, αλλά οι στατιστικές μέθοδοι τείνουν να τις θεωρήσουν outliers και να
τις απορρίψουν. Τα στατιστικά κριτήρια πρέπει επομένως να αντιμετωπίζονται με
προσοχή, και όχι μηχανικά (“blackbox”)!
Page 13 of 58
14
Παράδειγμα
Μετρήσεις ενός μήκους έγιναν από τρείς ομάδες φοιτητών. Η μία ομάδα εκτίμησε το
μήκος 35.53m, η άλλη 35.56 και η τρίτη 36.54. Οι μετρήσεις είχαν τυπικό σφάλμα
0.01m. Ζητείται η καλύτερη εκτίμηση του μήκους.
Προφανώς η τρίτη ομάδα εμφανίζει πολύ μεγάλη διαφορά από την τεκμαιρόμενη
τιμή, και η εκτίμησή της οφείλεται σε χονδροειδές σφάλμα και γι’αυτό η μέτρηση δεν
λαμβάνεται υπ’ οψιν στην περαιτέρω επεξεργασία. Εναλλακτικά θα μπορούσε να
γίνει απλά διόρθωση του τεκμαιρόμενου σφάλματος (από 36.54 σε 35.54) αν υπήρχαν
ορισμένες κατάλληλες προϋποθέσεις ενδείξεις (πχ αν είχε γίνει μόνο 1 μέτρηση από
την τρίτη ομάδα, κλπ).
ΣΥΣΤΗΜΑΤΙΚΑ ΣΦΑΛΜΑΤΑ
Εννοια του συστηματικού σφάλματος
Τα Συστηματικά σφάλματα οφείλονται στην επίδραση κάποιου φυσικού παράγοντα
που διαφοροποιεί όλες ή κάποιες μετρήσεις από την «πραγματική τιμή»
ακολουθώντας κάποιο «μαθηματικό» συνήθως μοντέλο. Πχ. ένα μεταλλικό
αντικείμενο κοντά σε μια πυξίδα μετατοπίζει τη διεύθυνση του βορρά (παρ. το
μυθιστόρημα του Ιουλίου Βερν «Ο 15ετής πλοίαρχος»). Ενας κόμπος σε μια
μετροταινία παραμορφώνει επιλεκτικά κάποιες μετρήσεις.
Το βασικό χαρακτηριστικό των συστηματικών σφαλμάτων είναι ότι γενικά η μέση
τιμή τους δεν είναι 0, όπως συμβαίνει με τα τυχαία σφάλματα. Δηλαδή ο ΜΟ δεν
απαλείφει τα συστηματικά σφάλματα.
Page 14 of 58
15
Ανω, η γνωστή τεχνική της χωροστάθμισης. Κάτω, η ανισότητα στις αποστάσεις

οπισθο-σκόπευσης και εμπροσθο-σκόπευσης εισάγει, λόγω διάθλασης, σημαντικά
συστηματικά σφάλματα τα οποία μπορούν να ελαχιστοποιηθούν με ίσα μήκη σκόπευσης
σε όλο το διάστημα τη χωροστάθμισης.
Συστηματικά σφάλματα εμπεριέχονται σε όλες τις μετρήσεις, αλλά συχνά τα

αγνοούμε γιατί είναι μικρά, ή γιατί οι προδιαγραφές που εφαρμόζουμε στις μετρήσεις
τα περιορίζουν σε ασήμαντες τιμές, πχ., μετρήσεις σε ατμοσφαιρικές συνθήκες που
ελαχιστοποιούν τα σφάλματα διάθλασης Για παράδειγμα, η καμπύλωση λόγω βάρους
μιας μετροταινίας οδηγεί σε συστηματικά αυξημένο μήκος μέτρησης που αυξάνει με
το μήκος της μέτρησης (και το βέλος κάμψης). Για το λόγο αυτό για ακριβείς
μετρήσεις εφαρμόζονται συγκεκριμένες δυνάμεις στα άκρα της μετροταινίας,
αποφεύγονται τα μεγάλα μήκη, ή γίνονται και διορθώσεις μήκους.
Σε αντίθεση με μια γενικά πλανόμενη ιδέα, τα συστηματικά σφάλματα ΔΕΝ έχουν
πάντα σταθερό εύρος.
ΠΟΙΟΤΗΤΑ ΤΩΝ ΜΕΤΡΗΣΕΩΝ
Συνήθως ταυτίζονται οι όροι «ποιότητα», «ακρίβεια» και «σφάλμα» μετρήσεων.

Πολλές φορές θεωρείται κριτήριο καλής ποιότητας η «επαναλειψιμότητα», η οποία
όμως, όπως έχει αναφερθεί, μπορεί να αποκρύπτει τα συστηματικά σφάλματα.
Η αναγνώριση της ύπαρξης σφαλμάτων και μάλιστα διαφόρων τύπων καθιστά
αναγκαίο την ύπαρξη κριτηρίων, τεχνικών κλπ που θα επιτρέπουν την εκτίμηση της
ποιότητας των μετρήσεων. Δύο βασικά κριτήρια της ποιότητας των μετρήσεων είναι
η εκτίμηση της ακρίβειας και της αξιοπιστίας τους.
Η ακρίβεια (precision) προσδιορίζεται από το τυπικό σφάλμα του συνόλου των

μετρήσεων και εκφράζει τη διασπορά τους από την υπολογισμένη καλύτερη (μέση)
τιμή, και πρακτικά πόσο προσεκτικά έγιναν οι μετρήσεις.
Η αξιοπιστία (accuracy) εκφράζει την απόκλιση της μέσης τιμής από την
«πραγματική» τιμή μιας μεταβλητής. Είναι συχνά ανεξάρτητη από το πόσο
προσεκτικά έγιναν οι μετρήσεις, και από την υπολογισμένη διασπορά τους.
Είναι προφανές ότι μπορεί κάποιες μετρήσεις να έχουν μεγάλη ακρίβεια (μικρό
τυπικό σφάλμα) αλλά χαμηλή αξιοπιστία, δηλαδή να περιέχουν συστηματικά
σφάλματα με αποτέλεσμα η μέση τιμή τους να διαφέρει από την πραγματική. Πχ.
προσεκτικές μετρήσεις με μεταλλική μετροταινία που έχει διασταλεί λόγω έκθεσης
στον ήλιο (θερμικής διαστολής) θα δώσουν μικρό τυπικό σφάλμα αλλά θα διαφέρουν
από την πραγματική τιμή.
Χαρακτηριστικά φαίνεται αυτό στο επόμενο Σχήμα, όπου εμφανίζονται δύο σύνολα
μετρήσεων (1) και (2) με διαφορετικές κατανομές, διαφορετικές μέσες τιμές μ1, μ2
και διαφορετικά τυπικά σφάλματα, καθώς και η πραγματική τιμή Μ. Η μέτρηση (2)
με τη μικρότερη ακρίβεια είναι πλέον αξιόπιστη από τη μέτρηση (1)!
Page 15 of 58
16
μ1 Μ μ2
Δύο διαφορετικές κατανομές γύρω από την «αληθή τιμή» Μ. Η μέση τιμή της
κατανομής (2) προσεγγίζει περισσότερο την τιμή Μ, αλλά υποδηλώνει μεγαλύτερη
αξιοπιστία. Αντίθετα, η κατανομή (1) εμφανίζει μικρότερο τυπικο σφάλμα, άρα
μεγαλύτερη ακρίβεια. Οι διαφορές μ1-Μ, μ2-Μ υποδηλώνουν συστηματικά σφάλματα
Ακρίβεια και αξιοπιστία των μετρήσεων σε μια εποπτική προσέγγιση με βάση το

παιχνίδι με τα βελάκια ή η σκοποβολή. Η συστηματική ή μη διαφορά από το κέντρο
(«πραγματικός στόχος») ορίζει την αξιοπιστία του παίκτη, η εγγύτητα της κάθε βολής
προς τις άλλες την «ακρίβεια» του. Στην περίπτωση πάνω δεξιά, είναι εμφανές ότι
υπάρχει κάποιο συστηματικό αίτιο που οδηγεί όλες τις βολές συγκεντρωμένες μακριά
από το στόχο (ακρίβεια, όχι αξιοπιστία).
Στις περισσότερες επιστήμες μπορεί να εκτιμηθεί μόνο η ακρίβεια των μετρήσεων,

κυρίως μέσω της επαναληψιμότητάς τους (πρακτικά της ακρίβειάς τους), γιατί δεν
είναι δυνατόν να ελεγχθούν τα συστηματικά σφάλματα. Αντίθετα, στις γεωδαιτικές
παρατηρήσεις είναι δυνατόν να προσεγγιστούν στατιστικά πολύ καλά οι πραγματικές
τιμές των σφαλμάτων και των μεγεθών γιατί υπάρχουν γεωμετρικές δεσμεύσεις (πχ
Page 16 of 58
17
άθροισμα γωνιών τριγώνων, τετραπλεύρων, αθροιστικά μηδενική υψομετρική

διαφορά σε κλειστό κόμβο, κλπ.). Γενικά έχει αποδειχτεί ότι τα τυπικά σφάλματα
υποτιμούν σημαντικά τα ολικά («πραγματικά») σφάλματα.
Εκτός από τον στατιστικό τρόπο των γεωμετρικών δεσμεύσεων είναι δυνατή η
εκτίμηση «πραγματικών» τιμών από μετρήσεις με όργανα μεγαλύτερης ακρίβειας και
μετρήσεις διαφορετικού τύπου, οπότε και εξουδετερώνονται σε κάποιο βαθμό τα
συστηματικά σφάλματα.
ΕΚΦΡΑΣΗ ΤΗΣ ΑΚΡΙΒΕΙΑΣ ΕΚΤΙΜΗΣΕΩΝ
Η ακρίβεια ενός οργάνου ή μιάς μεθόδου μέτρησης χονδρικά ισοδυναμεί με το

αναμενόμενο σφάλμα ή την αβεβαιότητα της μέτρησης (ή της μέσης τιμής των
μετρήσεων) και από επαλληλία (συσσώρευση) διαφορετικών τύπων. Τα σφάλματα
των μεταβλητών ή οργάνων εκφράζονται με τρείς τρόπους
Πρώτον, ως απόλυτο σφάλμα. Είναι η απλούστερη και περισσότερο συνηθισμένη

περίπτωση εμφάνισης των σφαλμάτων, πχ 1cm. Τα σφάλματα όταν δοθούν στη
μορφή αυτή μπορεί άμεσα να εισαχθούν στο ΝΜΣ, κλπ.
Δεύτερον, ως συνάρτηση μιάς μεταβλητής. Στην απλούστερη περίπτωση

εκφράζονται ως αναλογικά σφάλματα, ποσοστά της τιμής της μεταβλητής. Πχ. η
ακρίβεια μέτρησης με μετροταινία κυμαίνεται από 1:1000 έως 1:10,000, ενός
ρολογιού quartz είναι 10-6 (ή 1ppm, parts per million), η απόδοση ως προς το θόρυβο
ενός ηχητικού οργάνου δίνεται με ποσοστά %, το μήκος ενός καλωδίου δίνεται ως
100m±0.5% κλπ.
Το απόλυτο σφάλμα στην περίπτωση αυτή ισούται με τη μετρημένη τιμή της
μεταβλητής πολλαπλασιασμένη με την τιμή του σφάλματος. Πχ. ακρίβεια 2ppm σε
μήκος 2km αντιστοιχεί σε 2 x 10-6 x 2km=4mm.
Σε άλλες περιπτώσεις εκφράζεται μέσω συνάρτησης της μετρούμενης ή άλλης
μεταβλητής ή άλλων μεταβλητών και παραμέτρων. Πχ. η ακρίβεια της
χωροστάθμισης συνήθως θεωρείται ότι προσδιορίζεται από τύπο της μορφής
σ=k√S
όπου k μία παράμετρος που εξαρτάται από την τάξη της χωροστάθμισης (ποιότητα,
σημασία, όργανα και προδιαγραφές μέτρησης, ακρίβεια) και S το μήκος της
χωροσταθμικής όδευσης. Για τον υπολογισμό του απόλυτου σφάλματος της
υψομετρικής διαφοράς σε μια όδευση μήκους S, απλά εισάγονται στην εξίσωση αυτή
η τιμή του S και η τιμή του k.
Τρίτον, με σύνθετο τρόπο, ως επαλληλία ή σύνθεση δύο διαφορετικών σφαλμάτων.

Πχ, η ακρίβεια ηλεκτρονικού οργάνου μέτρησης αποστάσεων προσδιορίζεται ως
5mm ±2ppm και υποδηλώνει ότι η ακρίβεια είναι συνάρτηση ενός απόλυτου
σφάλματος και ενός αναλογικού σφάλματος που εκφράζουν ένα σφάλμα
«εσωτερικό» του οργάνου και ένα σφάλμα εξαρτώμενο από το μήκος της μέτρησης
αντίστοιχα.
Όπως αναλύεται στο Κεφάλαιο για το Νόμο Μετάδοσης Σφαλμάτων, η συσσώρευση
σφαλμάτων εκφράζεται ως άθροισμα μεταβλητοτήτων.
Στην περίπτωση αυτή, για τον υπολογισμό απόλυτης τιμής του σφάλματος, οι δύο
συνιστώσες του σφάλματος
πρώτα μετατρέπονται σε ομογενή ως προς τις μονάδες μεγέθη και
Page 17 of 58
18
μετά υπολογίζονται και αθροίζονται οι επι μέρους μεταβλητότητες (δηλ. τα

τετράγωνα του τυπικού σφάλματος).
Εν όργανο total station παρέχει τυπική ακρίβεια σο=5mm ±2ppm στη μέτρηση μηκών.
Ποιό είναι το τυπικό σφάλμα σ της μέτρησης ενός μήκους 2km?
Λύση: Κατ’αρχήν τα δύο σφάλματα, απόλυτο και αναλογικό ανάγονται σε κοινές
μονάδες mm. Το αναλογικό σφάλμα ισούται με 2x10-6 x 2x106 mm.
Στη συνέχεια υπολογίζονται οι μεταβλητότητες (τετράγωνο κάθε σφάλματος) και
αθροίζονται. Τέλος, το τυπικό σφάλμα της μέτρησης μήκους 2km υπολογίζεται ως
ρίζα του αθροίσματος των δύο μεταβλητοτήτων από την παράσταση
σ=√(52mm2+ (2x10-6 x 2x106 mm)2)= √29 mm=5.4mm
Η ΦΥΣΙΚΗ ΚΑΙ ΓΕΩΜΕΤΡΙΚΗ ΣΗΜΑΣΙΑ ΤΩΝ ΣΦΑΛΜΑΤΩΝ
Μονοδιάστατες μεταβλητές
Θεωρούμε μια τυχαία μεταβλητή x που χαρακτηρίζεται από τυπικό σφάλμα σ, ή
καλύτερα από μεταβλητότητα σ 2 . Όπως έχει αναφερθεί, όταν κάνουμε μια μέτρηση,
η τιμή τους θα περιέχεται στο διάστημα (x-k σ, x+ k σ) με πιθανότητα που εξαρτάται
από την τιμή του συντελεστή k:
k 1 2 3 4
Ρ 68% 95% 99% 99.9%
Τιμές του συντελεστή k για χαρακτηριστικά επίπεδα εμπιστοσύνης (σημαντικότητας). Η
τιμή k=1 αντιστοιχεί στο τυπικό σφάλμα.
Η σημασία αυτών των ορίων σφάλματος είναι ότι εάν πχ. φέρουμε μια παράλληλη
στον άξονα x σε απόσταση που αντιστοιχεί πχ στο επίπεδο σημαντικότητας 68%, θα
τμήσει την κωδωνοειδή καμπύλη σε δύο σημεία που ορίζουν απόσταση ±σ από την
μέση ή καλύτερη τιμή (εκτίμηση, μέσο όρο).
Η γεωμετρική αίσθηση των σφαλμάτων διαφέρει ανάλογα με τον τύπο του μεγέθους
που μετράμε. Για παράδειγμα, το σφάλμα στη μέτρησης της θερμοκρασίας είναι
σαφώς ένα μονόμετρο μέγεθος, σε άλλα όμως μεγέθη υπάρχει η ψευδάισθηση ότι δεν
είναι. Αυτό φαίνεται καθαρά σε γραμμικά και γωνιακά δεδομένα.
Τέμνοντας την καμπύλη κανονικής κατανομής με ευθεία παράλληλη στον άξονα x που
απέχει απ’ αυτόν συγκεκριμένη απόσταση και αντιστοιχεί σε συγκεκριμένο επίπεδο
εμπιστοσύνης ( 68% στην προκειμένη περίπτωση) ορίζεται ένα μήκος που αντιστοιχεί
στο διάστημα εμπιστοσύνης των μετρήσεων. Στην περίπτωση αυτή η ευθεία
αντιστοιχεί στο επίπεδο εμπιστοχύνης 68% και ορίζει ένα μήκος (-σ, +σ).
Page 18 of 58
19
Γραμμικά δεδομένα
Σε ένα οικοδομικό τετράγωνο που μπήκε στο σχέδιο πρόσφατα είναι σαφώς ορισμένο
ένα γωνιακό σημείο Α του τετραγώνου και η ρυμοτομική γραμμή και θέλουμε να
προσδιορίσουμε πάνω σ’αυτή το όριο Β οικοπέδου που το όριο αυτό βρίσκεται σε
απόσταση 42.00m από το σημείο αυτό. Αν κάνουμε τη μέτρηση με μέθοδο που
παρέχει για την απόσταση αυτή ακρίβεια 5cm, τότε το όριο Α είναι σταθερό και το
σημείο Β θα βρίσκεται στον καθορισμένο άξονα (στη ρυμοτομική γραμμή) σε ένα
διάστημα (41.95, 42.05) από το σημείο Α με πιθανότητα 68% (ή 1σ), όπως
εικονίζεται στο ακόλουθο Σχήμα.
Γωνιακά δεδομένα
Η πρόσοψη ενός οικοπέδου ΑΒ ΓΔ είναι γνωστή και προσδιορισμένη από δύο σημεία
Α,Β σημασμένα στο έδαφος. Θέλουμε να χαράξουμε την πλευρά ΑΓ που σχηματίζει
γωνία 80g με την ΑΒ χρησιμοποιώντας ταχύμετρο και μέθοδο που παρέχει τυπική
ακρίβεια 0.01g.
Ξεκινώντας από τη γνωστή διεύθυνση ΑΒ και κάνοντας τις κατάλληλες κινήσεις, η
διεύθυνση ΑΓ που θα προσδιοριστεί θα βρίσκεται μέσα σε μια γωνία που θα ορίζεται
από τις διευθύνσεις (79.99g, 80.01g) σε επίπεδο εμπιστοσύνης 68% (1-σ). Σχηματικά
εμφανίζεται πιο κάτω. Προσοχή, στην περίπτωση αυτή το σφάλμα είναι
μονοδιάστατο μέγεθος ακόμη και εάν εμφανίζεται ως δισδιάστατος χώρος.
Γραφική Παράσταση Σφαλμάτων

Ένα σύνηθες πρόβλημα είναι η εποπτική και συνθετική παρουσίαση των
αποτελεσμάτων εκτίμησης τιμών μιας μεταβλητής με τις αβεβαιότητές της. Για
παράδειγμα, εμφάνιση των μεταβολών του συντελεστή διάθλασης σε μία περιοχή ως
συνάρτηση του χρόνου, το ποσοστό των φοιτητών ανάλογα με το επίπεδο πληθυσμού
σε διάφορες πόλεις της Ευρώπης, κλπ.
Ο συνήθης παραστατικός τρόπος συνδυασμένης εμφάνισης των τιμών μιας
μεταβλητής ως συνάρτηση μιας άλλης και των αβεβαιοτήτων τους είναι χρήση
διαγραμμάτων με ράβδους τυπικής απόκλισης (error bars) όπως εικονίζεται στο
ακόλουθο Σχήμα . Προφανώς τόσο οι διάφορες τιμές της μεταβλητής όσο και των
τυπικών σφαλμάτων που τις συνοδέυουν δεν είναι γενικά ίσες για τα διάφορα σημεία.
Γεωμετρική σημασία του σφάλματος σε μονοδιάστατα, γραμμικά και σε γωνιακά μεγέθη
Page 19 of 58
20
Τυπικός τρόπος συνδυασμένης παρουσίασης διαφόρων τιμών (εκτιμήσεων) μιάς

μεταβλητής Y ως συνάρτησης μιας άλλης X και των σφαλμάτων των εκτιμήσεων της Υ
με ράβδους τυπικής απόκλισης (error bars).
ΔΙΣΔΙΑΣΤΑΤΕΣ ΜΕΤΑΒΛΗΤΕΣ
Ο προσδιορισμός συντεταγμένων ενός σημείου στο επίπεδο μπορεί να αντιμετωπιστεί

ως προσδιορισμός της τομής δύο γεωμετρικών τόπων, δηλαδή συνόλου σημείων
που ορίζουν απλά γεωμετρικά σχήματα (ευθείες, κύκλους, κλπ) με βάση κάποια
γεωμετρική ιδιότητα. Πχ ένας κύκλος ορίζεται ως σύνολο σημείων που απέχουν ίση
απόσταση από κάποιο συγκεκριμένο σημείο, μια ευθεία ορίζεται ως σύνολο σημείων
που σχηματίζουν σταθερή γωνία από μία ευθεία ή απέχουν σταθερή απόσταση από
μια άλλη ευθεία.
Προσδιορισμός συντεταγμένων σημείου Μ με βάση τις αποστάσεις του από δύο σημεία
Α και Β γνωστών συντεταγμένων. Το σημείο Μ ορίζεται ως τομή δύο κύκλων, των
γεωμετρικών τόπων σημείων που απέχουν δοσμένες αποστάσεις από τα σημεία Α και Β.
Σε όλες αυτές τις περιπτώσεις ο προσδιορισμός της τομής των δύο γεωμετρικών
τόπων είναι δυνατός εάν πληρούνται ορισμένα γεωμετρικά κριτήρια (πχ. να τέμνονται
οι κύκλοι ή οι ευθείες), και είναι δυνατός ακόμη και αν υπάρχουν σφάλματα στις
μετρήσεις. Εάν οι δύο γεωμετρικοί τόποι τέμνονται σχεδόν κάθετα, η τομή τους είναι
σαφής, εάν τέμνονται υπό μικρή γωνία προφανώς θα είναι ασαφής, και θα τείνει να
μην υπάρχει λύση αν οι δύο τόποι αντιστοιχούν σε παράλληλες γραμμές. Είναι
προφανώς ότι στην πρώτη περίπτωση τα σφάλματα στον προσδιορισμό της θέσης του
σημείου τομής (δηλαδή οι ελλείψεις σφάλματος) θα είναι μικρά, ενώ στη δεύτερη
μεγάλα.
Page 20 of 58
21
Ενδεικτικά όρια αβεβαιότητας της θέσης ενός σημείου (ελλείψεις σφάλματος) που
ορίζεται ως τομή δύο κύκλων που αντιπροσωπεύουν τους (γεωμετρικούς τόπους
σημείων που απέχουν γνωστή απόσταση από δύο άλλα σημεία. Η γωνία τομής των δύο
γεωμετρικών τόπων ορίζει και το όριο αβεβαιότητας της θέσης του σημείου.
Η γεωμετρική διάσταση των σφαλμάτων σε δύο διαστάσεις
Εστω ότι προσδιορίζουμε τη θέση ενός σημείου Μ ως τομή δύο διευθύνσεων από τα
σημεία Α και Β (τομή δύο γεωμετρικών τόπων, δύο ευθειών,). Η χάραξη των
διευθύνσεων γίνεται με όργανο που παρέχει τυπική ακρίβεια σ στις διευθύνσεις.
Σύμφωνα με όσα έχουν αναφερθεί στην προηγούμενη παράγραφο, η διεύθυνση ΑΜ
και προφανώς το σημείο Μ θα βρίσκονται μέσα σε μία γωνία που το εύρος της
ορίζεται από το τυπικό σφάλμα μέτρησης (χάραξης) των γωνιών σ. Το ίδιο θα
συμβαίνει και για τη διεύθυνση ΒΜ και το σημείο Μ. Προφανώς η καλύτερη
εκτίμηση της θέσης του Μ αντιστοιχεί στο σημείο τομής των δύο διευθύνσεων αλλά
ο χώρος αβεβαιότητάς του θα είναι η κοινή τομή των χώρων αβεβαιότητας των δύο
χαράξεων, δηλαδή το τετράπλευρο που εικονίζεται στο ακόλουθο Σχήμα.
Η θεωρητική προσέγγιση του προβλήματος αποδεικνύει ότι η πιθανότητα το σημείο
Μ να βρίσκεται πολύ κοντά στις κορυφές του σχήματος είναι μικρότερη απ΄ότι
γενικά στο κέντρο του, και ότι για δοσμένο επίπεδο εμπιστοσύνης το σημείο Μ έχει
ίση πιθανότητα να βρίσκεται στην έλλειψη που εγγράφεται στο τετράπλευρο που
σχηματίζεται και ονομάζεται έλλειψη σφάλματος. Αντίστοιχη έλλειψη σφάλματος
δημιουργείται και από μετρήσεις αποστάσεων μεταξύ Μ και Α, Β ή από συνδυασμό
γωνιομετρήσεων και πλευρομετρήσεων.
Η γωνία τομής των δύο γεωμετρικών τόπων προφανώς επιρρεάζει τη μορφή και τις
διαστάσεις της έλλειψης σφάλματος.
Page 21 of 58
22
Η έλλειψη σφάλματος ορίζεται ως ή έλλειψη που εγγράφεται στο τετράπλευρο που

ορίζει ο «χώρος αβεβαιότητας» κάθε μέτρησης (χάραξης) για δοσμένο επίπεδο
σημαντικότητας. Για γωνιακά μεγέθη (μονοδιάστατα) ο χώρος αβεβαιότητας μιάς
γωνίας είναι μια γωνία που διχοτομείται από την τιμή της καλύτερης εκτίμησής της.
Προφανώς στο σχήμα η γωνία αβεβαιότητας εμφανίζεται εξαιρετικά διογκωμένη για
εποπτικότητα.
ΕΛΛΕΙΨΗ ΣΦΑΛΜΑΤΟΣ
Σε μονοδιάστατες μεταβλητές η καμπύλη της κανονικής κατανομής είναι
δισδιάστατη, αλλά ο χώρος (πεδίο) αβεβαιότητας της μεταβλητής είναι μονοδιάστατο
μέγεθος: το διάστημα εμπιστοσύνης (ή το «γωνιακό-διάστημα εμπιστοσύνης» σε
γωνιακά μεγέθη,). Αντίστοιχα, σε δισδιάστατες μεταβλητές ο χώρος αβεβαιότητας
μιάς μεταβλητής είναι δισ-διάστατος χώρος, η έλλειψη σφάλματος και προκύπτει ως
τομή ενός τρισ-διάστατου κωδωνοειδούς από επίπεδο συγκεκριμένης πιθανότητας σε
συγκεκριμένη απόσταση από το επίπεδο βάσης.
Γεωμετρικά, η έλλειψη σφάλματος

αντιστοιχεί σε τομή ενός κωδωνοειδούς
δισδιάστατης κανονικής κατανομής από
οριζόντιο επίπεδο που αντιστοιχεί σε
επίπεδο συγκεκριμένης πιθανότητας. H
προβολή αυτής της τομής στο οριζόντιο
επίπεδο αναφοράς είναι η έλλειψη
σφάλματος για το συγκεκριμένο επίπεδο
πιθανότητας. Η τομή του κωδωνοειδούς
από κάθετο επίπεδο παράλληλο στους
κύριους άξονες μας οδηγεί στη γνωστή
καμπύλη Gauss για μονονοδιάστατη
μεταβλητή.
κ
Page 22 of 58
23
Το κέντρο της έλλειψης είναι οι συντεταγμένες του σημείου που προκύπτουν από τις
μέσες τιμές και τα γεωμτερικά χαρακτηριστικά της προσδιορίζονται από τον
αντίστοιχο Πίνακα Μεταβλητότητας-Συμμεταβλητότητας. Για σημείο Ν με
συντεταγμένες x, y, ο Πίνακας αυτός ορίζεται ως
⎡ σ 2xx σ xy ⎤
ΣN = ⎢ ⎥
⎢⎣ σ xy σ 2yyn ⎥⎦
Τα βασικά χαρακτηριστικά της έλλειψης σφάλματος είναι
1) το κέντρο της έλλειψης ορίζεται ως το σημείο της καλύτερης εκτίμησης της
συντεταγμένης του εξεταζόμενου σημείου
2) οι άξονες και ο προσανατολισμός της έλλειψης προκύπτουν από τον Πίνακα
Μεταβλητότητας-Συμμεταβλητότητας
3) ανάλογα με το ζητούμενο επίπεδο εμπιστοσύνης, οι ημι-άξονες της έλλειψης
πολλαπλασιάζονται με τον κατάλληλο συντελεστή.
4) Η επιπλάτυνση της έλλειψης (ο λόγος της διαφοράς του μήκους των αξόνων
προς το μήκος του κύριου άξονα) εξαρτάται από τη συμμεταβλητότητα. Για
μηδενική συμμεταβλητότητα η έλλειψη εκφυλίζεται σε κύκλο.
Στοιχεία της έλλειψης σφάλματος
Οι ημιάξονες α1, α2 της έλλειψης σφάλματος προκύπτουν από τις τετραγωνικές ρίζες
των ιδιοτιμών λ1, λ2 του Πίνακα ΣΝ, δηλαδή από τις λύσεις λ1, λ2 της εξίσωσης
⎡ σ 2xx -λ σ xy ⎤
⎢ ⎥=0
⎢⎣ σ xy σ yyn − λ ⎥⎦
2
ή λ 2 − (σ χ2 + σ y2 )λ + (σ χ2 .σ y2 − σ χ2 y ) = 0
και η γωνία θ από τον τύπο
σ xy
tan 2θ = n
σ x 2 −σ y
n n
2
Η γωνία θ ορίζεται από τον άξονα x και τον μεγάλο ημι-άξονα της έλλειψης, και το
τεταρτημόριο της καθορίζεται από το γεγονός ότι το πρόσημο του sin2θ είναι ίδιο με
του αριθμητή (σχψ) και του cos2θ ίδιο με του παρονομαστή του κλάσματος.
Page 23 of 58
24
Επειδή η έλλειψη σφάλματος προκύπτει από τις ιδιοτιμές ενός Πίνακα, δεν
μεταβάλλεται σε διαστάσεις αν μεταβληθεί το σύστημα αναφοράς κλπ.
Οι διαστάσεις της όμως μεταβάλλονται ανάλογα με το επίπεδο εμπιστοσύνης. Όπως
αναφέρθηκε πιο πάνω, ή έλλειψη σφάλματος αντιστοιχεί στην τομή της
κωδωνοειδούς καμπύλης της μονοδιάστατης κατανομής από επίπεδο παράλληλο στον
άξονα χ, η τομή του κωδωνοειδούς δισδιάστατης κανονικής κατανομής από επίπεδο
που αντιστοιχεί σε επίπεδο συγκεκριμένης πιθανότητας είναι έλλειψη. Ανάλογα με
το επίπεδο εμπιστοσύνης δημιουργούνται τομές/ελλείψεις διαφόρου μεγέθους, με
ημιάξονες που προσδιορίζονται από τις σχέσεις
α1= k*√λ1 α2 = k*√λ2
όπου k* συντελεστής αναγωγής σε διαφορετικά επιλεγμένα επίπεδα σημαντικότητας.
Ο συντελεστής αυτός είναι διαφορετικός απ’ ότι στις περιπτώσεις μονοδιάστατης
μεταβλητής και για τιμή k*=1 αντιστοιχεί στην τυπική έλλειψη σφάλματος σε
αναλογία με το τυπικό σφάλμα.
k* 1 2.15 2.45 3.04

Ρ 39% 90% 95% 99%
Τιμές Τιμές του συντελεστή k* για χαρακτηριστικά επίπεδα εμπιστοσύνης

(σημαντικότητας, πιθανότητες). Η τιμή k=1 αντιστοιχεί στο τυπικό σφάλμα.
k* συντελεστής αναγωγής σε διαφορετικά επιλεγμένα επίπεδα σημαντικότητας.
Ενδεικτικές μορφές ελλείψεων σφάλματος που αντιστοιχουν σε διαφορετικό κάθε φορά

Πίνακα Μεταβλητότητας- Συμμεταβλητότητας που τις συνοδεύει. Ολες οι ελλείψεις
είναι σε ίδια αυθαίρετη κλίμακα μήκους. Διαφαίνεται καθαρά ο ρόλος της
συμμεταβλητότητας και της διαφοράς των μεταβλητοτήτων στους δύο άξονες.
Page 24 of 58
25
ΣΗΜΑΝΤΙΚΟΤΗΤΑ ΜΕ ΒΑΣΗ ΤΗΝ ΚΑΝΟΝΙΚΗ ΚΑΤΑΝΟΜΗ
Όπως αναφέρθηκε όλες οι μετρήσεις και εκτιμήσεις έχουν πιθανοτικό χαρακτήρα, και
συνήθως βασίζονται στα τυχαία σφάλματα και αγνοούν τα συστηματικά σφάλματα
γιατί σε όλες σχεδόν τις επιστήμες (με εξαίρεση τις ‘γεωμετρικές’, όπως η Γεωδαισία)
αυτά δεν είναι δυνατόν να εκτιμηθούν. Αρα, οι όποιες εκτιμήσεις των σφαλμάτων
πρακτικά υποτιμούν τα πραγματικά σφάλματα και τις αβεβαιότητες των μετρήσεων.
Οπως έχει αναλυθεί, η τεχνική που εφαρμόζεται είναι απλή:
Για μια μεταβλητή που μπορεί να είναι συνάρτηση άλλων μεταβλητών υπολογίζεται
η μέση τιμή μ και η τυπική απόκλισή της σ και μελετάται η καμπύλη Gauss η οποία
δημιουργείται και χαρακτηρίζει τις στατιστικές ιδιότητες της συγκεκριμένης
μεταβλητής (φυσικά, αντίστοιχη προσέγγιση μπορεί να υπάρξει και με άλλες
κατανομές που δεν εξετάζουμε).
Σε επίπεδο σημαντικότητας πχ. 68% αυτό σημαίνει ότι το διάστημα αβεβαιότητας
περικλείεται από τα σημεία που το επίπεδο αυτό τέμνει την αντίστοιχη καμπύλη.
Επίσης, μπορεί να μη μας ενδιαφέρει γενικά η στατιστική σημαντικότητα ενός
αποτελέσματος (δηλ. μια διπλή ανισότητα), αλλά μόνο αν η τιμή δ που έχουμε
εκτιμήσει είναι μεγαλύτερη ή μικρότερη από κάποιο όριο. Στην περίπτωση αυτή
εξετάζουμε ποια «εμβαδά» βρίσκονται δεξιά ή αριστερά της τιμής δ. Τα εμβαδά
αυτά εκφράζουν ποστοστό της μονάδας που αντιστοιχεί στο συνολικό εμβαδό
μεταξύ της κωδωνοειδούς καμπύλης και του οριζόντιου άξονα. Στο Σχ. 5.1 η τιμή δ
έχει πιθανότητα ~97.5% να είναι >-2σ. Εάν δ=0, τότε η πιθανότητα να είναι
μεγαλύτερη του 0 είναι 50%, εάν δ=-σ, τότε η πιθανότητα να είναι δ>σ είναι
≈(2.5+14)%.
Εάν υπολογίστηκε ότι απαιτείται να γίνει διόρθωση -25±20mm σε μια μέτρηση
ακριβείας ενός κάποιου μήκους, το μόνο που μπορούμε να πούμε είναι ότι είμαστε
68% σίγουροι ότι η διόρθωση αυτή είναι σωστή ή ότι έχει έννοια (Σχ. α). Αν η
αντίστοιχη τιμή είναι -45±20mm τότε είμαστε 98% σίγουροι για τη διόρθωση (Σχ. β).
Αν η αντίστοιχη τιμή είναι -25±40mm, τότε η διόρθωση δεν έχει έννοια (Σχ..γ). Η
αξία της εκτίμησης της στατιστικής σημαντικότητας είναι ιδιαίτερα εμφανής όταν το
τυπικό σφάλμα υπερβαίνει αρκετές φορές την εκτίμηση μιάς τιμής. Αυτό είναι
ιδιαίτερα εμφανές σε μεταβολές τιμών μεταβλητών.
Εκτίμηση στατιστικής σημαντικότητας με βάση την κανονική κατανομή.
Page 25 of 58
26
ΣΧΕΤΙΚΟ ΣΦΑΛΜΑ- ΛΟΓΟΣ ΣΗΜΑΤΟΣ ΠΡΟΣ ΘΟΡΥΒΟ

Ας εξετάσουμε δύο υποθετικά παραδείγματα. Εστω ότι υπάρχουν τρείς διαφορετικές
εκτιμήσεις για το βάθος του ηφαιστειακού θύλακα που ήταν υπεύθυνος για μια
ηφαιστειακή ανωμαλία στη Σαντορίνη, 15, 5 και 1km. Είναι εμφανές ότι μπορεί να
εκτιμηθεί μια μέση τιμή 7.0±7.2km. Αντίθετα, αν αντίστοιχες εκτιμήσεις για τη
Νίσυρο ήταν 5, 4, 3 km, η μέση τιμή θα ήταν 4±1km. Για τη Σαντορίνη μπορούμε να
πούμε ότι το βάθος του ηφαιστειακού θύλακα μπορεί να βρίσκεται μεταξύ 0-7.2 km
και 0-14.4km με πιθανότητα 68% και 95% αντίστοιχα. Συνεπώς, η εκτίμηση είναι
ασαφής και οποιαδήποτε περαιτέρω αξιοποίηση της μέσης τιμής των 7km δεν θα έχει
καμμία στατιστική σημαντικότητα. Αντίθετα για τη Νίσυρο τα όρια αβεβαιότητας
είναι πολύ πιο μικρά, και συνεπώς η εκτίμηση του βάθους του ηφαιστειακού θύλακα
αρκετά σαφής.
Η βασική διαφορά ανάμεσα στις δύο εκτιμήσεις είναι ο λόγος ανάμεσα στη μέση τιμή
(εκτίμηση) και το τυπικό της σφάλμα, ≈1 και ≈4 αντίστοιχα. Ο λόγος αυτός,
γνωστός και ως σχετικό σφάλμα, πρακτικά καθορίζει πότε μια εκτίμηση είναι
στατιστικά σημαντική. Ένα σχετικό σφάλμα της τάξης του 1 εκφράζει μη στατιστικά
σημαντικά μεγέθη, αντίθετα σχετικό σφάλμα της τάξης του 10 εκφράζει στατιστική
σημαντικότητα.
Σε διάφορες επιστήμες που βασίζονται σε ηλεκτρονικά όργανα τα μετρούμενα μεγέθη
και τα σφάλμα τους περιγράφονται ως σήμα και θόρυβος, και εξετάζεται ο λόγος
σήματος προς θόρυβο (signal-to-noise ratio, S/N). Η έννοια της στατιστικής
σημαντικότητας με αυτή τη διάσταση γίνεται πολύ πιο σαφής: Τα παράσιτα
αποτελούν το θόρυβο ή το σφάλμα ενός συγκεκριμένου ήχου ή σήματος. Εάν ο
λόγος S/N δεν είναι πολύ μεγάλος, η ποιότητα του ήχου είναι χαμηλή, και ίσως μας
εμποδίζει και να ακούμε και το ραδιόφωνο.
ΣΤΑΤΙΣΤΙΚΑ ΣΗΜΑΝΤΙΚΑ ΨΗΦΙΑ
Σε πολλές περιπτώσεις εκτιμούμε μερικά μεγέθη και τα αντίστοιχα τυπικά σφάλματα.

Η εμφάνιση των αντίστοιχων τιμών πρέπει σε γενικές γραμμές να είναι ανάλογη των
σφαλμάτων (ή της ακρίβειας) της μέτρησης. Για παράδειγμα, αν μετράμε ένα μήκος
με ακρίβεια μέτρου, πρέπει οι αντίστοιχες τιμές να στρογγυλεύονται στο μέτρο ή το
πολύ στο δεκάποντο. Χρειάζεται ιδιαίτερη προσοχή όταν έχουμε να βγάλουμε
μέσους όρους από τιμές με μεγάλη διασπορά.
Η εμφάνιση μη στατιστικών σημαντικών ψηφίων είναι ΛΑΘΟΣ που υποδηλώνει
απροσεξία, άγνοια ή σκοπιμότητα.
Η μέτρηση 438.57±5.46 δείχνει ότι στατιστικά σημαντικό μπορεί να είναι μόνο το
πρώτο ακέραιο ψηφίο, οπότε η μέτρηση πρέπει να στρογγυλευτεί ως 438.5±5.5 ή
439±5.
Οι μετρήσεις 15, 100, 27 έχουν μεγάλη διασπορά, γι’αυτό και η μέση τιμή τους
πρέπει να εμφανιστεί στρογγυλεμένη ως 47±46. Τυχόν εμφάνιση μέσου όρου 47.333
είναι λάθος, γιατί δίνει την εντύπωση ότι το τυπικό σφάλμα είναι κλάσμα του μέτρου
δηλ. πολλές τάξεις μικρότερο από το πραγματικό.
Page 26 of 58
27
Ένα συνηθισμένο χαρακτηριστικό λάθος: “Για την κατασκευή ενός σπιτιού
απαιτούνται εκσκαφές 350.3856m3”. Τα πολλά δεκαδικά προφανώς δεν έχουν καμμία
σημασία σε χωματουργικά έργα.
ΜΕΤΑΔΟΣΗ ΤΩΝ ΣΦΑΛΜΑΤΩΝ

Συνήθως οι υπολογισμοί ορισμένων μεγεθών προέρχονται από μαθηματικούς τύπους
οι οποίοι περιλαμβάνουν μία ή περισσότερες μεταβλητές: πχ το εμβαδόν ενός κύκλου
αποτελεί εκτίμηση που προκύπτει από συνάρτηση μίας μεταβλητής, το εμβαδόν ενός
ορθογωνίου παραλληλογράμου προκύπτει από συνάρτηση δύο μεταβητών, η
μεταβολή ενός υψομέτρου προκύπτει από συνάρτηση δύο μεταβλητών (δηλ. δύο
διαφορετικών μετρήσεων), κλπ. Επι πλέον, τα σφάλματα συσσωρεύονται, πχ.
μέτρηση με μετροταινία 30μ ενός μήκους 85 μέτρων σημαίνει «άθροισμα» τριών
μετρήσεων (30, 30, 25μ) που κάθε μία έχει σφάλμα.
Είναι προφανές ότι τα σφάλματα κάθε μέτρησης ή μεταβλητής επηρεάζουν και το
τελικό αποτέλεσμα της μέτρησης ή του υπολογισμού (ενός απλού αθροίσματος
μηκών στην περίπτωση της μετροταινίας ή μιας αλγεβρικής συνάρτησης στην
περίπτωση του υπολογισμού εμβαδού κύκλου). Το πώς το επηρεάζουν εξαρτάται
α) από τις στατιστικές ιδιότητες των σφαλμάτων των μεταβλητών
β) την ίδια τη συνάρτηση στην οποία υπεισέρχονται
Υπάρχουν δύο εσφαλμένες απόψεις σχετικά με τα σφάλματα.

Η πρώτη αφορά τα μικρά σφάλματα, τα οποία αγνοεί επειδή τα υποτιμά. Όμως, τα
σφάλματα ακόμη και αν είναι μικρά, όταν συσσωρεύονται δημιουργούν μεγάλα
προβλήματα. Παράδειγμα, σε μια οικοδομή είναι δυνατόν η συσσώρευση μερικών
μικρών (τάξης εκατοστών) σφαλμάτων μέτρησης μηκών να εμφανίσει σχετικά
μεγάλες διαφοροποιήσεις σε κάποια διάσταση με πολλά λειτουργικά προβλήματα.
Για παράδειγμα, να μην μπορεί να ανοίξει η πόρτα σε ένα WC γιατί λόγω μικρών
σφαλμάτων στην εφαρμογή του οικοδομικού σχεδίου οι σχετικές θέσεις πόρτας και
ειδών υγιεινής έχουν αλλάξει!
Σε πλέον σημαντικά από επιστημονική άποψη θέματα, ενώ οι επιταχυνσιογράφοι
καταγράφουν επιταχύνσεις με μεγάλη ακρίβεια, τα περιορισμένα σφάλματά τους
συσσωρεύνται και μέσω της διπλής ολοκλήρωσης οδηγούν πολλές φορές σε
εξωπραγματικές εκτιμήσεις μετατόπισης.
Η δεύτερη αφορά τον τρόπο με τον οποίο προσδιορίζει το εύρος τους. Για
παράδειγμα, μερικοί υποθέτουν ότι αν κάνει κάποιος υπολογισμούς με τις ακραίες
τιμές (πχ. μ-σ, μ+σ) των μεταβλητών, μπορεί να υπολογίσει και τα αντίστοιχα όρια
της τελικής τιμής. Αυτό είναι απολύτως λάθος γιατί
πρώτον, αν οι συναρτήσεις είναι πολύπλοκες (κλάσματα, εκθετικές, κλπ) με
περισσότερες μάλιστα από μία μεταβλητές), από μια τέτοια προσέγγιση προκύπτουν
παράλογα αποτελέσματα. Μόνον σε ειδικές περιπτώσεις μπορεί να υπολογιστεί με
την προσέγγιση αυτή κάποιο λογικό μέγιστο πιθανό σφάλμα, αλλά η εκτίμηση αυτή
δεν θα είναι στατιστικά αμερόληπτη και θα είναι πεσσιμιστική, και
δεύτερον, τα σφάλματα είναι «πιθανότητες», και δεν είναι λογικό να θεωρούμε ότι
όλες οι μεταβλητές λαμβάνουν συγχρόνως ομόσημες ακραίες τιμές, δηλαδή
xM=xΣΚ + xMK, αλλά
σΜ≠σΣΚ+σΚΜ
Page 27 of 58
28
ΝΟΜΟΣ ΜΕΤΑΔΟΣΗΣ ΣΦΑΛΜΑΤΩΝ – ΑΠΛΗ ΜΟΡΦΗ
Ο υπολογισμός του σφάλματος (της μεταβλητότητας) μιας μεταβλητής f που είναι

συνάρτηση άλλων μεταβλητών καθορίζεται από τον Νόμο Μετάδοσης των
Σφαλμάτων (ΝΜΣ). Στην απλή του μορφή ο νόμος αυτός ισχύει γιά συνάρτηση
f(x,y,..) όπου οι μεταβλητές x,y, .. είναι ασυσχέτιστες. Στην περίπτωση αυτή το
σφάλμα σf της f προσδιορίζεται από την εξίσωση:
2 2
⎛ ∂f ⎞ ⎛ ∂f ⎞
σ = ⎜ ⎟ σ x2 + ⎜ ⎟ σ y2 + ....
2
⎝ ∂x ⎠ ⎝ ∂y ⎠
f
όπου σx, σy, … είναι τα σφάλματα των μεταβλητών x,y, .. Η εφαρμογή του Νόμου
Μετάδοσης Σφαλμάτων και εκτίμησης σφάλματος μιας μεταβλητής στην απλή του
μορφή (ασυσχέτιστα δεδομένα) γίνεται με βάση μια τυποποιημένη διαδικασία με τα
ακόλουθα τέσσερα βήματα
ΒΗΜΑ 1: ορίζουμε τη συνάρτηση f= f(x, y,... )
ΒΗΜΑ 2: εξετάζουμε αν οι μετρήσεις μας είναι ασυσχέτιστες (αν δεν είναι, ΔΕΝ
ισχύει ο ΝΜΣ στην απλή του μορφή, αλλά στη γενική που εξετάζεται στη συνέχεια)
ΒΗΜΑ 3: προσδιορίζουμε τα τυπικά σφάλματα των μεταβλητών x, y, ... (των

μετρήσεων μας, δηλαδή). Φροντίζουμε να έχουμε ομογενείς τιμές ως προς τις
μονάδες για τα μεγέθη που πολλαπλασιάζονται και αθροίζονται και υπολογίζουμε το
σφάλμα της f.
Προσοχή: Οι γωνίες στα σφάλματα εισάγονται ως rad, γιατί οι βαθμοί δεν είναι
αδιάστατα μεγέθη.
ΒΗΜΑ 4: κάνουμε τις πράξεις υπολογίζοντας πρώτα τις μερικές παραγώγους και
τέλος το σφάλμα της μεταβλητής προσέχοντας να έχουμε ομογενείς παραστάσεις ως
προς τις μονάδες μονάδες.
Ένα μήκος 45.5μ μετρήθηκε με δύο διαδοχικές μετρήσεις με μετροταινία μήκους
30μ. Η πρώτη μέτρηση αντιστοιχούσε σε ολόκληρη τη μετροταινία, 30μ, η δεύτερη
έδειξε 15.5μ. Κάθε μέτρηση είχε ακρίβεια σο=5cm. Οι μετρήσεις θεωρούνται
ασυσχέτιστες . Ζητείται η ακρίβεια του συνολικού μήκους.
Η λύση βασίζεται στην τεχνική των 4 βημάτων.
ΒΗΜΑ 1: Δημιουργούμε τη συνάρτηση f=ℓ1+ ℓ2. Η καλύτερη εκτίμηση του
ζητούμενου μεγέθους είναι 30.0+15.5=45.5m
ΒΗΜΑ 2: Οι δύο μετρήσεις θεωρούνται ασυσχέτιστες, άρα ισχύει ο ΝΜΣ στην απλή
μορφή.
ΒΗΜΑ 3: Οι δύο μετρήσεις έχουν κοινό σφάλμα σℓ=±5cm
ΒΗΜΑ 4: Υπολογίζουμε τις μερικές παραγώγους της f ως προς ℓ1, ℓ2 και κάνουμε
τις πράξεις. Τελικά προκύπτει ότι σf = 2√5 cm. Το συνολικό μήκος έχει τιμή
45.50±0.07m.
Page 28 of 58
29
Θεωρούμε τη μεταβλητή f=Σxi, i=1, 2, .. ν όπου xi ασυσχέτιστες μεταβλητές ίσης
ακρίβειας σο. Ζητείται το σφάλμα της f.
Λύση: Πρόκειται για γενίκευση της προηγούμενης περίπτωσης για ν μετρήσεις ίσης
ακριβείας. Εφαρμόζεται όπως ανωτέρω η τεχνική των 4 βημάτων, δημιουργείται η
συνάρτηση f=Σxi και τελικά υπολογίζεται ο τύπος
σf =σο√ν
Η πρόσοψη ορθογωνίου οικοπέδου μετρήθηκε με μετροταινία που παρέχει ακρίβεια
σα=2cm και βρέθηκε α=25.00m, και το βάθος του με ταχυμετρία που παρέχει
ακρίβεια σβ=10cm και βρέθηκε β=80.00m. Να υπολογιστεί το Εμβαδόν Ε του
οικοπέδου (πρέπει υποχρεωτικά να εμφανιστεί και η ακρίβειά του).
Λύση: Η λύση βασίζεται στην τεχνική των 4 βημάτων.

ΒΗΜΑ 1: Δημιουργούμε τη συνάρτηση Ε=α.β. Η καλύτερη εκτίμηση του
ζητούμενου μεγέθους είναι 25.00 m x 80.00m =2000m2.
ΒΗΜΑ 2: Οι δύο μετρήσεις είναι ασυσχέτιστες (διαφορετικά όργανα)
ΒΗΜΑ 3: Οι δύο μετρήσεις έχουν σφάλμα σα=2cm και σβ=10cm
ΒΗΜΑ 4: Υπολογίζουμε τις μερικές παραγώγους της Ε ως προς α, β και
καταλήγουμε εύκολα στη σχέση
σ Ε2 = β 2σ α2 + α 2σ β2
Μετατρέπουμε όλες τις τιμές σε ενιαία μονάδα (m) οπότε προκύπτει
σΕ2=80.002(0.02)2+25.002(0.10)2=8.8m2, άρα Ε=2000±3m2.
Σε κυκλική δεξαμενή (σιλό) μετρήθηκε η περίμετρος Π=62.8±0.19m. Να υπολογιστεί
το μήκος της ακτίνας R της δεξαμενής.
Λύση: Η περίμετρος συνδέεται με την ακτίνα R με τη σχέση Π=2πR. Επιλύουμε ως

προς R. Επόμενο βήμα ο υπολογισμός του σφάλματος της ακτίνας.
Εφαρμόζουμε την τεχνική των 4 βημάτων για τη συνάρτηση μιάς μεταβλητής
R=Π/2π (προφανώς ασυσχέτιστη μεταβλητή, γνωστή η τιμή του σR και τελικά
προκύπτει
σ2R =σ2Π/(2π)2
Επιλύουμε ως προς σR και αντικαθιστούμε τις μονάδες και εμφανίζουμε το
αποτέλεσμα ως R± σR, ή 10.00±0.03m
Το παράδειγμα αυτό δείχνει ότι

• μπορούμε να εφαρμόσουμε το ΝΜΣ σε συνάρτηση μόνο μίας μεταβλητής, και
• μπορεί μια άγνωστη μεταβλητή να είναι στο αριστερό ή το δεξιό μέρος μιάς
εξίσωσης.
Page 29 of 58
30
ΝΟΜΟΣ ΜΕΤΑΔΟΣΗΣ ΣΦΑΛΜΑΤΩΝ (ΝΜΣ) -ΓΕΝΙΚΕΥΜΕΝΗ ΜΟΡΦΗ
Μέχρι τώρα έχουμε ασχοληθεί με την περίπτωση της εκτίμησης του σφάλματος μιας
μονοδιάστατης μεταβλητής y που είναι συνάρτηση κάποιων άλλων μεταβλητών xi
y=f(x1, x2, ..) με την προϋπόθεση ότι οι μεταβλητές x1, x2, .... είναι ασυσχέτιστες,
δηλαδή ότι η συμμεταβλητότητα μεταξύ των xi είναι 0.
Αυτό σημαίνει ότι οι μεταβλητές xi μπορεί να θεωρηθούν συνιστώσες ενός
διανύσματος x διαστάσεως ν
x=[x1, x2, ..xν]T
του οποίου οι στατιστικές ιδιότητες (σφάλματα, αβεβαιότητες, κλπ) περιγράφονται

από έναν Πίνακα Μεταβλητότητας-Συμμεταβλητότητας Σx
⎡σ 12 0 0⎤
⎢ ⎥
⎢ 0 σ22
0⎥
Σx =
⎢ ⎥
⎢ ⎥
⎣⎢ 0 0 σν2 ⎦⎥
όπου μόνο τα διαγώνια στοιχεία του Πίνακα τα οποία εκφράζουν τις αντίστοιχες
μεταβλητότητες είναι μη μηδενικά. Στην περίπτωση αυτή ισχύει ο γνωστός πλέον
τύπος του ΝΜΣ
2 2
⎛ ∂f ⎞ 2 ⎛ ∂f ⎞ 2
σ =⎜
2
y ⎟ σ x1 + ⎜ ⎟ σ x2 + ...
⎝ ∂x1 ⎠ ⎝ ∂x2 ⎠
Προφανώς αυτός ο τύπος είναι μια μερική περίπτωση. Για το λόγο αυτό στην εξ.
4.12 χρησιμοποιούμε για απλότητα ένα δείκτη στα στοιχεία του Πίνακα Σx ενώ
κανονικά θα έπρεπε να χρησιμοποιούμε δύο (δηλ. σ11 αντί για σ1).
Πολύ συχνά οι συμμεταβλητότητες στον Πίνακα Σx δεν είναι μηδενικές, οπότε
αντιμετωπίζουμε δύο περιπτώσεις
ΝΜΣ σε γραμμικές σχέσεις
Εστω μια μεταβλητή x ν διαστάσεων
x=[x1, x2, ..xν]T
(που εκφράζει πχ τις καρτεσιανές συντεταγμένες ενός σημείου) και της οποίας οι
στατιστικές ιδιότητες (σφάλματα, αβεβαιότητες, κλπ) περιγράφονται από έναν
Πίνακα Μεταβλητότητας-Συμμεταβλητότητας Σxx
Page 30 of 58
31
⎡σ 112 σ 12 σ 1ν ⎤
⎢ ⎥
⎢ σ 22
2
⎥
Σ xx =
⎢ ⎥
⎢ ⎥
⎣⎢ σνν2 ⎦⎥
όπου σ ij2 η μεταβλητότητα (i=j, δηλ. διαγώνιο στοιχείο) και σ ij η συμμεταβλητότητα
(i≠j, δηλ. μη διαγώνιο στοιχείο). Εάν οι συμμεταβλητότητες σ ij δεν είναι μηδενικές,
προφανώς οι μεταβλητές x1, x2, ... δεν είναι ασυσχέτιστες.
Θεωρούμε μια άλλη μεταβλητή y=[y1, y2, ..yν]T που ορίζεται από τη γραμμική σχέση
y=Ax+B
όπου Α, Β, πίνακες σταθερών όρων, κατάλληλων διαστάσεων.
Στην περίπτωση αυτή ο Πίνακας Μεταβλητότητας-Συμμεταβλητότητας Σyy της
μεταβλητής y δίνεται από τη σχέση
Σyy =A Σxx AT
Όπως αποδεικνύεται στα εγχειρίδια της Γραμμικής Αλγεβρας, η τετραγωνική αυτή

σχέση αντιστοιχεί σε κωνικές τομές, ελλείψεις στην προκειμένη περίπτωση.
Εστω ότι οι μεταβλητές x, y συνδέονται με τις σχέσεις
y1=α x1 + β, y2=αx2 + β,
που με μορφή Πίνακα γράφονται
y=Ax+B
⎡α 0 ⎤ ⎡β ⎤ ⎡σ σ 12 ⎤
όπου Α= ⎢ ⎥ Β= ⎢ ⎥ και επιπλέον δίνεται Σxx= ⎢ 11 ⎥
⎣0 α ⎦ ⎣β ⎦ ⎣σ 12 σ 22 ⎦
Με βάση τον τύπο 4.15, ο Πίνακας Μεταβλητότητας-Συμμεταβλητότητας Σyy της

μεταβλητής y προσδιορίζεται από τη σχέση Σyy=AΣxxAT
ΝΜΣ σε μη γραμμικές σχέσεις
Εστω μια μεταβλητή y διάστασης m που συνδέεται με τη μεταβλητή x διάστασης n

με τη μη γραμική σχέση y=f(x), ενώ οι στατιστικές ιδιότητες του x περιγράφονται
από τον Πίνακα Μεταβλητότητας-Συμμεταβλητότητας Σxx.
Στην περίπτωση αυτή, ο Πίνακας Μεταβλητότητας-Συμμεταβλητότητας Σyy του

δίνεται από τη σχέση
Σyy =Jyx Σxx JyxT
όπου Jyx =είναι ο Ιακωβιανός Πίνακας της y ως προς x.
Ο Πίνακας αυτός είναι της μορφής
Page 31 of 58
32
⎡ ∂y1 ∂y1 ∂y1 ⎤

⎢ ∂x ...
∂x2 ∂xn ⎥
⎢ 1 ⎥
⎢ ∂y2 ∂y2 ⎥
∂y ⎢ ... ... ⎥
J yx = = ⎢ ∂x1 ∂x2 ⎥
∂x
⎢ ... ... ... ... ⎥
⎢ ⎥
⎢ ∂ym ∂ym ... ∂ym ⎥
⎢⎣ ∂x1 ∂x2 ∂xn ⎥⎦
Εάν η σχέση f είναι γραμμική, η Ιακωβιανή ταυτίζεται με τον Πίνακα που συνδέει τις
δύο μεταβλητές και αναγόμαστε στην προηγούμενη περίπτωση.
Εστω ότι οι μεταβλητές x, y συνδέονται με τη μη γραμμική σχέση
y1 = x1 + 2 x2 + 3x32 , y2 = 7 − 2 x22 + 5 x3
και οι στατιστικές ιδιότητες του x προσδιορίζονται από τον Πίνακα
⎡σ x21x1 σ x1 x2 σ x1x3 ⎤
⎢ ⎥
Σ xx = ⎢ σ x22 x2 σ x2 x3 ⎥
⎢ ⎥
⎢⎣ σ x23 x3 ⎥⎦
Ο Πίνακας Μεταβλητότητας-Συμμεταβλητότητας Σyy της y υπολογίζεται ως εξής:
Πρώτα υπολογίζεται η Ιακωβιανή της y ως προς x.
⎡ ∂y1 ∂y1 ∂y1 ⎤

⎢ ⎥
∂y ⎢ ∂x1 ∂x2 ∂x3 ⎥ ⎡1 2 6 x3 ⎤
J yx = = =⎢
∂x ⎢ ∂y2 ∂y2 ∂y2 ⎥ ⎣0 −4 x2 5 ⎥⎦
⎢ ∂x ∂x ∂x3 ⎥⎦
⎣ 1 2
Στη συνέχεια αντικαθιστούμε τους γνωστούς πλέον Πίνακες στη σχέση, η οποία
παίρνει τη μορφή
⎡σ x21x1 σx x σx x ⎤ ⎡ 1 0 ⎤
⎡1 6 x3 ⎤ ⎢ ⎥
1 2 1 3
2
Σ yy = ⎢ ⋅⎢ σ 2
σ x x ⎥ ⋅ ⎢⎢ 2 −4 x2 ⎥⎥
⎣ 0 −4 x2 5 ⎥⎦ ⎢ x2 x2 2 3
⎥ ⎢6 x
⎢⎣ σ 2
x3 x3 ⎥⎦ ⎣ 3 5 ⎥⎦
Mετά από συνόρθωση ενός δικτύου έχει υπολογιστεί ο Πίνακας Γ των
συντεταγμένων τριών σημείων 1, 2, 3, καθώς και ο αντίστοιχος Πίνακας ΣΓ
διαστάσεων 6x6, όπου στη διαγώνιο είναι τα στοιχεία σχ12, σψ12, σχ22, σψ22, σχ32, σψ32.
Ζητείται το τυπικό σφάλμα του μήκους των σημείων 1, 2.
Page 32 of 58
33
Λύση: Προφανώς από τους Πίνακες αυτούς μας ενδιαφέρει μόνο το τμήμα τους που
αφορά τα σημεία 1 και 2, και τα υπόλοιπα στοιχεία τα αγνοούμε. Στην περίπτωση
αυτή από τους Πίνακες Γ και ΣΓ δημιουργούμε δύο νέους Πίνακες Β και ΣΒ, όπου
Β=[χ1,ψ1,χ2,ψ2]T
και περιέχει μόνο τις συντεταγμένες των δύο σημείων 1 και 2, που μας ενδιαφέρουν,
καθώς και ένα Πίνακα ΣΒ διαστάσεων 4x4 με διαγώνια στοιχεία σχ12, σψ12, σχ22, σψ22,
καθώς και τα αντίστοιχα μη διαγώνια (συμμεταβλητότητες) που γενικά είναι μη
μηδενικά.
Δημιουργούμε τη μη γραμμική συνάρτηση Ζ που εκφράζει το ζητούμενο μήκος
Ζ=√[( χ1-χ2)2+(ψ1-ψ2)2].
Η μεταβλητότητα Σz της μονοδιάστατης μεταβλητής Ζ περιγράφεται από πίνακα 1x1
και υπολογίζεται από την εξ. 4.16 για μη γραμμικές συναρτήσεις,
Σz =JzB ΣB JzBT
όπου Jzx είναι ο Ιακωβιανός Πίνακας της z ως προς x

⎡ ∂z ∂z ∂z ∂z ⎤ 1
J ZB = ⎢ ⎥ = [( x1 − x2 ) ( y1 − y 2 ) −( x1 − x2 ) −( y1 − y 2 )]
⎣ ∂x1 ∂y1 ∂x2 ∂y1 ⎦ Z
Page 33 of 58
34
ΕΦΑΡΜΟΓΕΣ ΤΟΥ ΝΜΣ
ΣΦΑΛΜΑ ΤΟΥ ΑΠΛΟΥ ΜΕΣΟΥ ΟΡΟΥ (ΜΟ)
Εστω ότι έχουμε ν μετρήσεις ενός μεγέθους και ότι κάθε μέτρηση έχει τυπικό σφάλμα
σο. Προφανώς η μέση τιμή (απλός ΜΟ) μ ή x δίνεται από τον τύπο
x + x2 + ... + xv
x= 1
ν
Θέλουμε να υπολογίσουμε το τυπικό σφάλμα της. Εφαρμόζουμε τη μεθοδολογία του
ΝΜΣ σε απλή μορφή:
ΒΗΜΑ 1 Θεωρούμε τις μετρήσεις ασυσχέτιστες

ΒΗΜΑ 2 Ορίζουμε τη συνάρτηση μ= 1/ν(x1+x2+…+xν)= x1/ν+x2/ν+…+xν/ν
ΒΗΜΑ 3 Γνωρίζουμε ότι κάθε μέτρηση xi εχει τυπικό σφάλμα σο
ΒΗΜΑ 4 Εφαρμόζουμε τον ΝΜΣ και προκύπτει ότι
σμ2=ν(1/ν2)σο2 ή σμ2=σο2/ν ή σμ=σο/√ν
Προσοχή, όπως είχε τονιστεί σε άλλη παράγραφο, το τυπικό σφάλμα του ΜΕΣΟΥ
ΟΡΟΥ είναι διαφορετικό (μικρότερο) από το τυπικό σφάλμα της ΜΙΑΣ
ΠΑΡΑΤΗΡΗΣΗΣ σο το οποίο ορίζεται από τη σχέση
1 ν
σ o2 = ∑
ν − 1 i =1
( xi − x )2
ν
1
Επομένως σ μ2 = ∑ ( x − x )2
ν (ν − 1) i =1 i
Ενα μήκος ℓ μετρήθηκε 6 φορές με το ίδιο όργανο και τον ίδιο παρατηρητή και
βρέθηκαν τα ακόλουθα αποτελέσματα σε m :
ℓ1 = 2.305 ℓ2 = 2.317 ℓ3 = 2.326 ℓ4 = 2.320 ℓ5 = 2.314 ℓ6 = 2.308
Ζητείται να βρεθεί η πιθανότερη τιμή μ του μήκους αυτού, καθώς και το αντίστοιχο
μέσο τετραγωνικό σφάλμα της.
Λύση: Στον Πίνακα μεταφέρουμε τις n=6 μετρήσεις, και υπολογίζουμε τη μέση τιμή,
τις αποκλίσεις κάθε μέτρησης από τη μέση τιμή και τα αντίστοιχα τετράγωνα τους.
ℓi υi = μ - ℓi υiυi
(m) (mm) (mm2)
2,305 10 100
2,317 -2 4
2,326 -11 121
2,320 -5 25
2,314 1 1
2,308 7 49
Σℓi=[ℓ]= [13,890] 300
Παράδειγμα διαδικασίας υπολογισμού τυπικής απόκλισης
Η πιθανότερη τιμή του μήκους είναι μ=Σℓi/n= [ℓ]/6= 13.890/6=2.315 m

Το τυπικό σφάλμα σο μιάς μέτρησης προκύπτει:
Page 34 of 58
35
300
σο =
[υυ ]
= 7.8mm =
n −1 5
Το τυπικό σφάλμα (μ.τ.σ.) της πιθανότερης τιμής (καλύτερης τιμής ή του μέσου όρου
των μετρήσεων) προκύπτει :
σο [υυ ] 7.8
σ μ
=
n
=
n(n − 1)
=
6
= 3.2mm
ΣΦΑΛΜΑ ΑΜΟ ΜΕ ΒΑΣΗ ΤΗ ΣΥΧΝΟΤΗΤΑ ΕΜΦΑΝΙΣΗΣ ΜΕΤΡΗΣΕΩΝ
Όπως αναφέρθηκε πιο πάνω, μπορεί να υπολογιστεί ο Ανηγμένος Μέσος Ορος

(ΑΜΟ) με βάση την εξής συλλογιστική:
Θεωρούμε ότι ένα ευθύγραμμο τμήμα μετρήθηκε n φορές με μετρήσεις ίσης
ακρίβειας και προέκυψαν τα εξής αποτελέσματα
Η τιμή x4 καταγράφηκε p4 φορές κλπ, όπου Σpi=n
Είναι προφανές ότι η μέση τιμή x ή μ θα δίνεται από τον τύπο
x =μ= (p1 φορές το x1 + p2 φορές το x2 + …)/n ή
x=
∑p x i i
∑p i
Η τιμή αυτή, όπως έχει αναλυθεί στην παραγρ. 2.8 αποτελεί τον Ανηγμένο Μέσο
Ορο (ΑΜΟ) των μετρήσεων και οι τιμές pi που αποτελούν τις συχνότητες εμφάνισης
μιας τιμής σε ένα σύνολο μετρήσεων ονομάζονται βάρη και υποδηλώνουν πόσο
σημαντική είναι μία μέτρηση στη διαμόρφωση του μέσου όρου. Είναι προφανές ότι
όλες οι διαθέσιμες μετρήσεις (εκτός από εκείνες για τις οποίες υπάρχει σαφής ένδειξη
για χονδροειδή σφάλματα και τις οποίες αποκλείουμε) συμμετέχουν στη διαμόρφωση
του μέσου όρου, και γι’ αυτό όλες πρέπει λαμβάνονται υπ’ όψη στον υπολογισμό του.
Το τυπικό σφάλμα του ανηγμένου μέσου όρου υπολογίζεται εφαρμόζοντας απλά το

ΝΜΣ σε 4 βήματα.
ΒΗΜΑ 1 ορίζουμε τη συνάρτηση μ= Σxipi/Σpi = x1p1/Σpi + x2p2/Σpi + x3p2/Σpi …
όπου pi και Σpi είναι σταθεροί αριθμοί και τα xi n μεταβλητές.
ΒΗΜΑ 2 Θεωρούμε τις μετρήσεις ασυσχέτιστες
ΒΗΜΑ 3 Θεωρούμε ότι κάθε μέτρηση xi έχει τυπικό σφάλμα σi2. Η τιμή του
συνδέεται με τον αριθμό των μετρήσεων pi και το σφάλμα της μονάδας σύμφωνα με
την εξίσωση 4.6 με τον τύπο
σ i2 = σ ο2 / pi
Τα pi είναι γνωστά ενώ το σο2 προκύπτει όπως στο προηγούμενο παράδειγμα από τις
τιμές των υi, το αντίστοιχο βάρος pi και τον βαθμό ελευθερίας n-1 με βάση τον τύπο
1 ν
σ ο2 = ∑
ν − 1 i =1
piυι2
οπότε οι τιμές των σi2 είναι γνωστές.
Page 35 of 58
36
ΒΗΜΑ 4 Εφαρμόζουμε τον τύπο μετάδοσης στη συνάρτηση μ. Για κάθε μεταβλητή
η μερική παράγωγος θα είναι pi/Σpi και το σφάλμα σi. Οπότε
ν ν
1 pi2σ ο2 1 σ ο2
σ μ = ∑ pi σ ι /(∑ pi ) =
2 2 2
∑ p = ( p)2 σ ο ∑ p = p
2
i =1 i =1 ( ∑ p )2 i ∑ ∑
Τελικά προκύπτει προκύπτει ότι
σμ2=σο2/ Σpi
Μετρήθηκαν οι υψομετρικές διαφορές hi σημείου Ρ από έξη σημεία γνωστών
υψομέτρων Ηi (απαλλαγμένων από σφάλματα ή με αμελητέα σφάλματα). Η ακρίβεια
κάθε μέτρησης είναι αντίστροφη προς το μήκος της χωροστάθμισης και δίνεται με τη
μορφή βαρών pi. Να προσδιοριστεί το υψόμετρο Hp του σημείου Ρ.
H1 = 1043.64 m h1 = -314.73 m p1 = 248

H2 = 619.02 m h2 = 109.20 m p2 = 12
H3 = 480.81 m h3 = 248.24 m p3 = 30
H4 = 1247.01 m h4 = -518.43 m p4 = 111
H5 = 928.18 m h5 = -199.16 m p5 = 26
H6 = 418.71 m h6 = 310.13 m p6 = 30
Λύση
Θέτουμε : ℓ i = Hi + hi, και σχηματίζουμε τον πίνακα:
i ℓi pi pi ℓ i υi υiυi pi υiυi
(m) (m) (cm) (cm2) (cm2)
1 728.91 248 180769.68 -9 81 20088
2 728.22 12 8738.64 60 3600 43200
3 729.05 30 21871.50 -23 529 15870
4 728.58 111 80872.38 24 576 63936
5 729.02 26 18954.52 -20 400 10400
6 728.84 30 21865.20 -2 4 120
Σ 457 333071.92 153614
Παράδειγμα διαδικασίας υπολογισμού ανηγμένου ΜΟ με βάρη
Προκύπτει ότι η πιθανότερη τιμή του υψομέτρου Hp του σημείου Ρ είναι:
HP =
[ pl] = 333071.92m = 728.82m
[ p] 457
Το σφάλμα της μονάδας βάρους (δηλαδή μέσο σφάλμα ανά 1 km χωροστάθμησης)

είναι:
piυiυi 153614
σ 0
=
n −1
=
5
= 175.3cm
Page 36 of 58
37
Το τυπικό σφάλμα της πιθανότερης τιμής του υψομέτρου του σημείου Ρ είναι:
σ = σ 0
=
175.3
= 8.2cm
ΗP
[ p] 457
ΣΦΑΛΜΑ ΑΝΗΓΜΕΝΟΥ ΜΟ ΜΕ ΒΑΣΗ ΜΕΤΡΗΣΕΙΣ ΔΙΑΦΟΡΕΤΙΚΗΣ

ΑΚΡΙΒΕΙΑΣ
Μερικές φορές ένα μέγεθος έχει μετρηθεί με μεθόδους που παρέχουν διαφορετική
ακρίβεια, πχ, x1 ±σ1 και x2 ±σ2. Πώς θα υπολογίσουμε τον αντίστοιχο ανηγμένο
μέσο όρο μ (ή x ) και την ακρίβεια του σμ?
Το πρόβλημα λύνεται αν θεωρήσουμε ότι οι εκτιμήσεις x1, x2 με διαφορετικά
σφάλματα (ακρίβειες σ1, σ2) αντιστοιχούν σε p1 φανταστικές μετρήσεις μιας
μεταβλητής που έδωσαν τιμή x1 και σε p2 άλλες φανταστικές μετρήσεις της ίδιας
μεταβλητής που έδωσαν τιμή x2.
Προφανώς οι φανταστικές μετρήσεις έχουν κοινό άγνωστο σφάλμα μονάδας σο και
βάσε της 4.6 ισχύει
σ12=σο2/p1 και σ12=σο2/p2
Υποθέτοντας κατ’ αρχήν σο=1 (μοναδιαίο μέγεθος αλλά όχι αδιάστατο) προκύπτει
p1=1/σ12, p2=1/σ22
που ορίζουν τον φανταστικό αριθμό των μετρήσεων των δύο συνόλων από τις οποίες
προέκυψαν οι τιμές x1 και x2. Υπ όψιν ότι οι αριθμοί αυτοί δεν είναι γενικά
ακέραιοι.
Εχουμε αναχθεί επομένως στην προηγούμενη περίπτωση, με δύο ενότητες μετρήσεων
όπου
η τιμή x1 καταγράφηκε p1 φορές
η τιμή x2 καταγράφηκε p2 φορές
Επομένως, με βάση την εξ. 4.8
μ =(x1p1+x2p2)/(p1+p2)
Προφανώς o άνω τύπος μπορεί να γενικευτεί για ν μεταβλητές και αντιστοιχεί στον
τύπο του γενικευμένου ή ανηγμένου μέσου όρου που υπολογίστηκε με βάση την
εξίσωση
μ= x =
∑ pi xi
∑ pi
όπου τα βάρη προκύπτουν από τα γνωστά σφάλματα κάθε μεταβλητής. Επειδή ο άνω
τύπος εκφράζει λόγο των βαρών pi, η αυθαίρετη θεώρηση μοναδιαίου σφάλματος σο2
δεν έχει καμμία επίπτωση στο τελικό αποτέλεσμα.
Για την εκτίμηση του σφάλματος του γενικευμένου μέσου όρου εφαρμόζουμε κατά
τα γνωστά το ΝΜΣ με τα 4 βήματα για ασυσχέτιστες μεταβλητές xi με γνωστά
σφάλματα σi στη σχέση 4.8 όπου ο συντελεστής κάθε μεταβλητής xi θεωρείται
σταθερή (γνωστή) παράμετρος pi/Σpi και προκύπτει ότι
Page 37 of 58
38
ν
σ μ = ∑ pi2σ ι2 /( ∑ pi )2
2
i =1
Εναλλακτικά, αντικαθιστούμε τα σi2 με την τιμή piσο2 και οδηγούμαστε στην

προηγούμενη περίπτωση.
Το υψόμετρο του σημείου Μ υπολογίστηκε με δύο διαφορετικές μεθόδους
18.05±0.05m και 18.10±0.10m. Ποια είναι η πιο πιθανή τιμή του υψομέτρου?
Λύση: Από τις δύο τυπικές αποκλίσεις 0.05 και 0.10m και θεωρώντας κατ’ αρχήν
σο2=1 με βάση τους τύπους
p1=1/σ12, p2=1/σ22
υπολογίζουμε τα αντίστοιχα βάρη (προσωρινές τιμές)
p1=1/(0.05)2= 1002/52 και p2=1/(0.10)2 =1002/102 .
Θέτοντας αυθαίρετα βάρος 1 στη μέτρηση με το μεγαλύτερο σφάλμα, σύμφωνα με
όσα ειπώθηκαν προηγουμένως, εύκολα προκύπτει ότι p1/p2= 4/1. Αρα τα βάρη που
θεωρούμε για ευκολία είναι p2=1, p1=4.
Με βάση την εξ. 4.8, μ=(4x18.05+1x18.10)/(4+1)m=18.06m Στη συνέχεια
εφαρμόζουμε το ΝΜΣ στην εξίσωση αυτή γνωρίζοντας τα σφάλματα σ1 και σ2.
Οπότε προκύπτει σμ2=(4/(4+1))2σ12+(1/(4+1)) 2σ22
Πρακτικές επισημάνσεις
Ορισμένες πρακτικές επισημάνσεις μπορούν να γίνουν
Οι εκτιμήσεις των τιμών των ανηγμένων μέσων όρων (ΑΜΟ) και των σφαλμάτων
τους γίνεται εναλλακτικά και με τη Μέθοδο Ελαχίστων Τετραγώνων.
Πρώτον, ο έλεγχος τυχόν λαθών στον υπολογισμό των βαρών γίνεται εύκολα από το
γεγονός ότι μεγαλύτερα βάρη αντιστοιχούν σε μικρότερα τυπικά σφάλματα.
Δεύτερον, επειδή ο τύπος σφάλματος με βάρη περιέχει λόγους βαρών, συνιστάται να
δίνεται αυθαίρετα βάρος 1 σε μία μέτρηση pk και τα βάρη κάθε άλλης pi να
εκφράζονται ως λόγος pi/pk ώστε να προκύπτουν βάρη ακέραιες τιμές ή μικρά
νούμερα. Είναι επίσης από πρακτική άποψη σκόπιμο να χρησιμοποιούνται ως βάρη
τα ελάχιστα κοινά πολλαπλάσια των βαρών όπου είναι δυνατόν για να οδηγούμαστε
σε εύκολα κατανοητές και ελεγχόμενες λύσεις
Τρίτον, εάν ένα βάρος διαφέρει περισσότερο από μία τάξη μεγέθους των άλλων, η
αντίστοιχη τιμή μπορεί να απαλειφθεί γιατί ελάχιστα επιρρεάζει το ΜΟ , Τέταρτον,
όπως θα δειχτεί σε επόμενη παράγραφο, όταν υπάρχει μία μόνο άγνωστη μεταβλητή
και πολλαπλές (redundant), περισσότερες από τις αναγκαίες μετρήσεις, τότε
χρησιμοποιούμε την τεχνική του ανηγμένου μέσου όρου. Όταν οι άγνωστες
μεταβλητές είναι δύο ή περισσότερες, εφαρμόζουμε την τεχνική της συνόρθωσης (με
βάση τη Μέθοδο Ελαχίστων Τετραγώνων). Ο ανηγμένος μέσος όρος είναι μια
εκφυλισμένη μορφή της συνόρθωσης.
Page 38 of 58
39
ΜΕΤΑΒΟΛΕΣ ΜΕΤΑΒΛΗΤΩΝ
Σε πολλές περιπτώσεις καλούμαστε να απαντήσουμε στο ερώτημα αν υπάρχει

πραγματική ή καλύτερα σταστιστικά σημαντική μεταβολή στην τιμή μιας μεταβλητής
x ανάμεσα σε δύο χρονικές στιγμές σε δύο περιοχές, ή εάν δύο εκτιμήσεις μιας
μεταβλητής διαφέρουν.
Παραδείγματα
Μία εκτίμηση ενός μεγέθους είναι ίση με μια άλλη εκτίμηση, πχ. -25±20mm και -
20±15mm?
Η πρόσοψη ενός οικοπέδου έχει «αυξηθεί» λόγω καταπάτησης του γειτονικού
οικοπέδου?
Το ποσοστό ενός κόμματος έχει μεταβληθεί στο χρονικό διάστημα που μεσολαβεί
ανάμεσα σε δύο δημοσκοπήσεις?
Μεθοδολογία εκτίμησης διαφορών

Η απάντηση στα ερωτήματα αυτά δεν είναι εξ αρχής εύκολη ή εμφανής, κυρίως αν οι
διαφορές ανάμεσα στις δύο μετρήσεις είναι μικρές γιατί οι μετρήσεις περιέχουν
πάντα σφάλματα, και αναμένεται να υπάρχουν μικρές διαφορές ανάμεσα στις
μετρήσεις ακόμη και ενός μεγέθους που δεν μεταβάλλεται.
Η τεχνική που εφαρμόζεται είναι να εξετάζουμε τις στατιστικές ιδιότητες της

μεταβλητής
Δx=x1-x2
όπου 1 και 2 αντιστοιχούν στις δύο μετρήσεις με βάση τη μεθοδολογία που
αναλύθηκε στην εκτίμηση της Στατιστικής Σημαντικότητας . Στην περίπτωση όμως
των μεταβολών υπάρχει μια βασική ιδιομορφία: το τυπικό σφάλμα της μεταβλητής
Δx είναι διαφορετικό από το τυπικό σφάλμα σ της μεταβλητής x (ή των σ1 και σ2) και
εκτιμάται με το Νόμο Μετάδοσης των Σφαλμάτων.
Επιλογή επιπέδου σημαντικότητας

Η εκτίμηση της στατιστικής σημαντικότητας των μεταβολών κάποιων μεταβλητών
είναι προφανώς πιθανοτική και αναφέρεται σε συγκεκριμένο επίπεδο εμπιστοσύνης.
Η επιλογή αυτή βασίζεται στη σπουδαιότητα του έργου που εξετάζουμε και την
κρισιμότητα της απόφασής μας. Για απλές επιστημονικές εφαρμογές χωρίς ιδιαίτερη
σημασία το επίπεδο 1σ (68%) είναι αρκετό. Οσο αυξάνει η σημαντικότητα του έργου
ή της μελέτης, αυξάνεται και το επίπεδο σημαντικότητας που χρησιμοποιείται. Είναι
δηλαδή μια προσέγγιση ανάλογη με του συντελεστή ασφαλείας που χρησιμοποιείται
στα διάφορα τεχνικά έργα.
Για παράδειγμα, αν ένας μηχανικός εξέταζε τη σταθερότητα ενός πυρηνικού
αντιδραστήρα, θα έπρεπε να αναφέρεται σε επίπεδα σημαντικότητας 99.9999%.
Τη χρονική στιγμή 1 ένα μήκος (πχ η πρόσοψη ενός οικοπέδου) είχε υπολογιστεί
ℓ1±σ1 και τη στιγμή 2 ℓ2±σ2. Μπορεί να υποστηριχτεί ότι μετατοπίστηκαν τα όρια?
Η απάντηση προκύπτει από την εξέταση των στατιστικών ιδιοτήτων της νέας
μεταβλητής ℓ= ℓ1 -ℓ2 και του σφάλματός της σℓ που προκύπτει από τα σ1 και σ2 από
την εφαρμογή του Νόμου Μετάδοσης Σφαλμάτων για ασυσχέτιστες μεταβλητές.
Προφανώς η ακρίβεια (σφάλμα) του μήκους θα είναι σℓ=√(σ12+σ22).
Page 39 of 58
40
Εστω ότι οι συντεταγμένες ενός σημείου Α τις χρονικές στιγμές 1 και 2 δίνονται από
τα διανύσματα x1 και x2, και τα στατιστικά τους χαρακτηριστικά από τους πίνακες
Σx1, ΣX2. Ζητούνται τα αντίστοιχα στοιχεία της μεταβολής των συντεταγμένων που
εκφράζουν πιθανή μετατόπιση του σημείου Α
Λύση: Προφανώς η σχέση Δx=x1-x2
που συνδέει τα δύο διανύσματα είναι γραμμική, οπότε σύμφωνα με τα προεκτεθέντα
Δx=x1-x2, ΣΔ= Σx1+ ΣX2.
Από στατιστικές μελέτες υπολογίστηκε ότι οι μέσοι βαθμοί πτυχίου Χα, Χβ δύο ίδιων
Τμημάτων δύο διαφορετικών Πανεπιστημίων α, β έχουν τυπικές αποκλίσεις σα, σβ.
Να εξεταστεί αν υπάρχουν στατιστικά σημαντικές διαφοροποιήσεις στη
βαθμολόγηση των φοιτητών των δύο διαφορετικών Τμημάτων αν ο αντίστοιχος
συντελεστής συσχέτισης μεταξύ Χα, Χβ είναι α) ρ=0, β) ρ=0.85
Λύση: Εξετάζεται αν η διαφορά των βαθμών Υ=Χα-Χβ είναι στατιστικά σημαντική

με βάση την κανονική κατανομή. Αυτό απαιτεί να υπολογιστεί το τυπικό σφάλμα σY
της διαφοράς των δύο τιμών στις δύο διαφορετικές περιπτώσεις
Περίπτωση α
Οι δύο μεταβλητές είναι ασυσχέτισες και άρα εφαρμόζεται ο ΝΜΣ στην απλή του
μορφή. Ακολουθούμε τα 4 βήματα. Ορίζεται η μεταβλητή Υ=Χα-Χβ, κλπ και
καταλήγουμε ότι σY=√(σα2+σβ2).
Περίπτωση β
Οι δύο μεταβλητές Χα, Χβ δεν είναι προφανώς ασυσχέτιστες. Για να υπολογίσουμε
το μητρώο ΣΥ της μεταβλητής Υ=Χα-Χβ πρέπει να αναχθούμε σε μια γραμμική σχέση
πινάκων που συνδέει τις επί μέρους μεταβλητές .
Ορίζεται το μητρώο C= [1 -1] που συνδέει την άγνωστη μεταβλητή Υ με τις δύο
μεταβλητές Χα, Χβ
⎡ Χα ⎤
Υ = [1 −1] ⎢ ⎥ ή Υ=CX
⎣Χβ ⎦
Το επόμενο βήμα είναι να υπολογίσουμε το μητρώο Σx
⎡ σ 2 σ αβ ⎤
ΣΧ = ⎢ α 2 ⎥
⎢⎣σ αβ σ β ⎥⎦
από τα διαθέσιμα δεδομένα. Οι μεταβλητότητες είναι γνωστές, η δε
συμμεταβλητότητα των Χα, Χβ υπολογίζεται ως
ρ= σαβ /(σασβ)
Επειδή η σχέση Υ=CX είναι γραμμική, η μεταβλητότητα σ2Υ του Υ προκύπτει από τη
σχέση 4.3.1
σ2Υ= ΣΥ=CΣCT
και θα είναι προφανώς πίνακας διαστάσεων 1x1. Η ρίζα της τιμής αυτής θα μας
δώσει το τυπικό σφάλμα της μεταβλητής.
Page 40 of 58
41
Εχοντας πλέον γνωστά τη μέση τιμή της Υ και την τυπική της απόκλιση σY εκτιμούμε
σε τι επίπεδο σημαντικότητας η τιμή Υ διαφέρει από το 0.
ΔΙΑΔΟΧΙΚΗ ΕΦΑΡΜΟΓΗ ΤΟΥ ΝΜΣ

Μερικές φορές πχ. ζητείται το σφάλμα της μεταβολής γωνιών ενώ είναι γνωστές
τιμές διευθύνσεων. Όπως είναι γνωστό, οι γωνίες μετρώνται με τοπογραφικά όργανα
ως διαφορές διευθύνσεων.
Είναι προφανές ότι απαιτείται να υπολογιστούν πρώτα τα σφάλματα των γωνιών και
μετά τα σφάλματα των μεταβολών των γωνιών. Η διαδικασία βασίζεται στην
διαδοχική εφαρμογή του ΝΜΣ.
Αντίστοιχη περίπτωση είναι η εκτίμηση μεταβολής υψομετρικών διαφορών μεταξύ
δύο σημείων τα υψόμετρα των οποίων είναι μετρημένα σε δύο περιόδους μετρήσεων.
Σε πρώτη φάση πρέπει να υπολογιστούν τα σφάλματα των υψομετρικών διαφορών
κάθε περιόδου και σε δεύτερη τα σφάλματα των μεταβολών τους.
Παράδειγμα1
Για τον έλεγχο της κλίσης ενός κτιρίου δίπλα σε μία μεγάλη εκσκαφή έγιναν
μετρήσεις των υψομέτρων δύο σημείων Α και Β σε δύο περιόδους 1 και 2, και
προέκυψαν τα υψόμετρα ΗΑ1, ΗΑ2, ΗΒ1, ΗΒ2 με αντίστοιχα σφάλματα. Εάν η
απόσταση μεταξύ Α, Β παρέμεινε σταθερή d, ποια είναι είναι η μεταβολή της κλίσης
g του τμήματος ΑΒ μεταξύ των περιόδων 1 και 2?
Λύση: Η υψομετρική διαφορά των σημείων Α, Β στις δύο περιόδους μετρήσεων 1, 2

ήταν:
δ1 = Η Α1 − Η Β1
δ 2 = Η Α − ΗΒ
2 2
Η μεταβολή των υψομετρικών διαφορών ήταν

δ=δ2-δ1
και η μεταβολή της κλίσης ήταν
Page 41 of 58
42
Δg=δ/d = (δ2-δ1)/d
Ενας απλός τρόπος υπολογισμού του σφάλματος του Δg θα ήταν να υπολογίσει
κανείς σε πρώτο στάδιο με βάση τον ΝΜΣ το σφάλμα κάθε μίας από τις μεταβλητές
δ1, δ2 και σε δεύτερο, εφαρμόζοντας για δεύτερη φορά το ΝΜΣ στην εξίσωση
Δg=δ/d = (δ2-δ1)/d να υπολογίσει το σφάλμα της Δg.
Τα υψόμετρα είναι κοντά το ένα στο άλλο και θεωρούνται ίσης ακρίβειας και
ασυσχέτιστα. Εάν σΗ η ακρίβεια κάθε υψομέτρου, τότε σδ1=σδ2=σΗ√2
Ζητείται να υπολογιστεί ο όγκος V±σV μιάς σφαίρας της οποίας η ακτίνα της R
υπολογίστηκε από μια εξίσωση R=F(x, y) όπου x, y είναι δύο μεταβλητές με
γνωστούς μέσους όρους και Πίνακα Σ (μεταβλητότητας- Συμμεταβλητότητας).
Λύση: Η λύση γίνεται σε δύο στάδιο. Σε πρώτο στάδιο υπολογίζουμε κατά τα
γνωστά με εφαρμογή του ΝΜΣ (σε απλή ή γενικευμένη μορφή, ανάλογα με τη μορφή
της εξίσωσης, γραμμική ή μη και την τιμή της συμμεταβλητότητας, μηδενική ή μη)
στην εξίσωση R=F(x, y) το R±σ R.
Σε δεύτερο στάδιο εφαρμόζουμε τον ΝΜΣ στην απλή μορφή στην εξίσωση V=4πR3/3
για τη μοναδική μεταβλητή R και υπολογίζουμε την τιμή του σV.
Page 42 of 58
43
Η ΜΕΘΟΔΟΣ ΤΩΝ ΕΛΑΧΙΣΤΩΝ ΤΕΤΡΑΓΩΝΩΝ (ΜΕΤ)
Τα διάφορα λογιστικά πακέτα (πχ ΕXCEL) περιέχουν ρουτίνες που επιτρέπουν την
προσαρμογή ευθείας γραμμής ή άλλων εξισώσεων σε ένα αριθμό σημείων
(παρατηρήσεων), συνήθως περισσότερων στον αριθμό από τον αριθμό των
παραμέτρων που προσδιορίζουν τις διάφορες εξισώσεις (πχ δύο παραμέτρους για
ευθεία γραμμή, τρείς για παραβολή, κλπ).
Η μέθοδος που χρησιμοποιείται συνήθως είναι η Μέθοδος Ελαχίστων Τετραγώνων
(ΜΕΤ).
Η ΒΑΣΙΚΗ ΜΕΘΟΔΟΛΟΓΙΑ
Η μέθοδος γίνεται κατανοητή με το ακόλουθο παράδειγμα.
Πολλαπλές μετρήσεις τριών άγνωστων διαδοχικών μηκών σε ευθεία.
Εστω ότι έχουμε 4 σημεία σε ευθεία που ορίζουν τρία διαδοχικά άγνωστα μήκη, x1,
x2, x3. Κάνουμε διάφορους συνδυασμούς μετρήσεων ℓi όπως φαίνεται στο Σχ. 5.1.
Είναι προφανές ότι:
• οι μετρήσεις ℓi είναι περισσότερες απ΄ ότι τα άγνωστα μήκη xi. (n=4
παρατηρήσεις και m=3 αγνώστοι). Αρα δεν είναι δυνατή μια κλασσική
αλγεβρική λύση.
• οι διάφορες μετρήσεις δεν είναι συμβατές μεταξύ τους, πχ. ℓ1≠ ℓ2+ ℓ3 γιατί
περιέχουν μικρο-σφάλματα υi.
Η μεθοδολογία για να υπολογίσουμε τις καλύτερες εκτιμήσεις των άγνωστων
μεταβλητών x1, x2, x3 είναι η ακόλουθη:
Υποθέτουμε ότι κάθε μέτρηση περιέχει ένα άγνωστο τυχαίο σφάλμα υi.
Με βάση αυτή την υπόθεση δημιουργείται το εξής σύστημα των εξής γραμμικών
εξισώσεων
x1 + x2 + x3 = ℓ1 + υ1
x2 + x3 = ℓ2 + υ2
x1 = ℓ3 + υ3
x1 + x2 = ℓ4 + υ4
Page 43 of 58
44
Σε μορφή Πινάκων το σύστημα των 4 αυτών εξισώσεων γράφεται
⎡1 1 1⎤ ⎡ l 1 ⎤ ⎡υ1 ⎤
⎢0 ⎥ ⎡ x1 ⎤ ⎢ ⎥ ⎢ ⎥
⎢ 1 1⎥ ⎢ ⎥ ⎢ l 2 ⎥ ⎢υ2 ⎥
⋅ x2 = +
⎢1 0 0 ⎥ ⎢ ⎥ ⎢ l 3 ⎥ ⎢υ3 ⎥
⎢ ⎥ ⎢ x3 ⎥ ⎢ ⎥ ⎢ ⎥
⎣1 1 0 ⎦ ⎣ ⎦ ⎣l 4 ⎦ ⎣υ 4 ⎦
ή συμβολικά
Α x= ℓ+υ
Προφανώς το σύστημα δεν λύνεται αλγεβρικά γιατί οι άγνωστοι είναι περισσότεροι

από τις εξισώσεις (n=4 παρατηρήσεις, m=3 άγνωστες μεταβλητές και m=3 άγνωστα
σφάλματα).
Η λύση που δίνεται στο πρόβλημα αυτό είναι να προσθέσουμε εξισώσεις που
εκφράζουν κάποια συνθήκη ώστε να έχουμε ίσο αριθμό εξισώσεων και αγνώστων.
Η συνθήκη που εισάγεται οδηγεί στο να αναζητήσουμε τη (μοναδική) λύση η οποία
εξασφαλίζει ότι τα σφάλματα υi είναι
• τυχαία και
• ελάχιστα.
Επειδή όμως τα σφάλματα αυτά έχουν διαφορετικό πρόσημο, η πιο εύκολη λύση
είναι να ελαχιστοποιήσουμε το άθροισμα των τετραγώνων τους, δηλαδή να
προσθέσουμε τις ελλείπουσες εξισώσεις από τη συνθήκη
∑υ 2
= min
Από τη συνθήκη αυτή έχει πάρει και την ονομασία της η μέθοδος (Μέθοδος
Ελαχίστων Τετραγώνων, ΜΕΤ).
Η τεχνική που ακολουθείται είναι να λύσουμε κατ’ αρχήν την εξίσωση Α x= ℓ+υ
ως προς τα υ, υ =Α x- ℓ, να υπολογίσουμε στη συνέχεια το άθροισμα των
τετραγώνων τους Συ2= (Αx- ℓ)T (Ax - ℓ) και τέλος να υπολογίσουμε την ελάχιστη
τιμή των υ2 μηδενίζοντας τις μερικές παραγώγους της συνάρτησης
υ2= (Αx- ℓ)T (Ax - ℓ)
για κάθε τιμή του xi. Μετά τις πράξεις οδηγούμαστε στο σύστημα των εξισώσεων
(ATA) x= AT ℓ
το οποίο χαρακτηρίζεται από ίσο αριθμό αγνώστων και παρατηρήσεων και
ονομάζεται Σύστημα Κανονικών Εξισώσεων. Εφόσον ο Πίνακας (ATA)
αντιστρέφεται (οι προϋποθέσεις αναλύονται στη συνέχεια), μας οδηγεί στη λύση
x$ = (ATA)-1 AT ℓ
που προσδιορίζει τις εκτιμήσεις του x που ικανοποιούν τη συνθήκη των Ελαχίστων
Τετραγώνων. Η λύση αυτή προφανώς εξαρτάται μόνο από γνωστές παραμέτρους.
Στη συνέχεια, αντικαθιστώντας την εκτίμηση x$ του διανύσματος x στην αρχική
εξίσωση Αx= ℓ+υ υπολογίζουμε τις καλύτερες εκτιμήσεις υ$ i των υi
υ =Α x$ - ℓ
και το τυπικό σφάλμα των μετρήσεων
Page 44 of 58
45
όπου n=αριθμός παρατηρήσεων, m=αριθμός αγνώστων, και n-m εκφράζει την

υπερστατικότητα, redundancy ή βαθμούς ελευθερίας του συστήματος.
και τον Πίνακα Μεταβλητότητας-Συμμεταβλητότητας (v-cov)
σο2(ATA)-1
Τα διαγώνια στοιχεία του Πίνακα αυτού εκφράζουν τις μεταβλητότητες των
συνιστωσών του Χ, και τα μη διαγώνια τις συμμεταβλητότητες τους.
Είναι προφανώς ότι όσο αυξάνεται η υπερστατικότητα ενός συστήματος
παρατηρήσεων μειώνονται οι αβεβαιότητες των αγνώστων.
Η διαδικασία της επίλυσης συστήματος υπερστατικών παρατηρήσεων, κυρίως όταν
αναφέρεται σε γεωμετρικά δεδομένα, ονομάζεται συνόρθωση (adjustment).
Να σημειωθεί ότι στις απλές στατιστικές εφαρμογές, πχ. εξ. 2.3, υπεισέρχεται
μεταβλητή αντίστοιχη προς την υπερστατικότητα (redundancy) των μετρήσεων (ο
βαθμός ελευθερίας) , αλλά παίρνει τιμή n ή n-1 (πχ στην εκτίμηση της
μεταβλητότητας).
Η εκτίμηση με ΜΕΤ παρέχει εκτιμήτριες αμερόληπτες (τύπου BLUE, Best Linear
Unbiased Estimator).
ΦΥΣΙΚΗ ΣΗΜΑΣΙΑ ΕΠΙΛΥΣΗΣ ΜΕ ΜΕΤ

Στη Γεωδαισία ο βασικός στόχος είναι ο προσδιορισμός συντεταγμένων διαφόρων
σημείων. Γεωμετρικά αυτό μπορεί να αντιμετωπιστεί ως προσδιορισμός της τομής
γεωμετρικών τόπων, όπως αναλύθηκε στην παράγραφο 4.2. Για παράδειγμα, στην
περίπτωση του Σχ. 5.2 η θέση του σημείου Μ ορίζεται από την απόστασή του από
δύο γνωστά σημεία Α και Β. Επομένως αντιστοιχεί στην τομή δύο γεωμετρικών
τόπων, δύο κύκλων που ορίζονται από τα κέντρα τους και τις ακτίνες τους.
Σε όλες τις προηγούμενες περιπτώσεις ο προσδιορισμός της τομής των δύο

γεωμετρικών τόπων είναι δυνατός εάν πληρούνται ορισμένα γεωμετρικά κριτήρια (να
τέμνονται οι κύκλοι), και είναι σαφής ακόμη και αν υπάρχουν σφάλματα στις
μετρήσεις. Απλά η λύση (τομή γεωμετρικών τόπων) θα διαφέρει από την πραγματική
θέση του σημείου Μ όπως ενδεικτικά εικονίζεται στα ακόλουθα Σχήματα και θα
βρίσκεται σε ένα χώρο, την έλλειψη σφάλματος. Οι διαστάσεις της έλλειψης
σφάλματος θα είναι μικρές όταν οι δύο γεωμετερικοί τόποι (κύκλοι) τέμνονται
περίπου κάθετα, και θα αυξάνουν όσο τείνουν να ταυτίζονται. Σε αυτή την περίπτωση
ο μεγάλος άξονας θα είναι παράλληλος στη μέση διεύθυνση τομής των δύο
γεωμετρικών τόπων.
Εάν όμως έχει μετρηθεί η απόσταση του σημείου Μ από τρία ή περισσότερα σημεία
γνωστών συντεταγμένων, τότε ακόμη και εάν πληρούνται τα γεωμετρικά κριτήρια της
τομής των κύκλων ανά δύο, λόγω σφαλμάτων (ασυμβατότητας) των μετρήσεων οι
τρείς κύκλοι δεν θα τέμνονται σε ένα κοινό σημείο, αλλά θα τέμνονται ανά δύο σε
τρία διαφορετικά σημεία. Η καλύτερη εκτίμηση της θέσης του σημείου Μ θα ήταν
στο κέντρο βάρους του σχήματος που ορίζουν ανά δύο οι τομές των κύκλων. Οσο
πιο συμμετρικό και μικρό σε διαστάσεις τρίγωνο ή πολύγωνο ορίζουν οι κοινές τομές,
τόσο πιο πολύ το κέντρο βάρους του προσεγγίζει την αληθή τιμή θέση του σημείου
Μ.
Page 45 of 58
46
Εάν υπήρχαν άπειρες μετρήσεις τέτοιων κύκλων, τότε η περιβάλλουσα των τομών θα
όριζε μια έλλειψη, και αν δεν υπήρχαν συστηματικά σφάλματα, το κέντρο της
έλλειψης θα ταυτιζόταν με την αληθή θέση του σημείου Μ.
Στην ιδανική περίπτωση (μετρήσεις χωρίς σφάλματα) οι τρείς κύκλοι (γεωμετρικοί

τόποι) τέμνονται σε ένα σημείο. Στην πραγματικότητα οι τρείς κύκλοι τέμνονται ανά
δύο σε τρία σημεία που ορίζουν ένα χώρο αβεβαιότητας (σκιασμένη περιοχή). Η πιο
πιθανή θέση του ζητούμενου σημείου θα ήταν το κέντρο βάρους του χώρου
αβεβαιότητας. Εκτός από τα τρία σημεία, οι κύκλοι τέμονται και σε άλλα σημεία που
μπορεί να απορροφθούν με βάση ωρισμένες γεωμτερικές προϋποθέσεις (πχ να είναι
πάνω στην επιφάνεια της γής, κλπ).
Ο προσδιορισμός συντεταγμένων δέκτου GPS επιτυγχάνεται ως τομή τριών

γεωμετρικών τόπων-σφαιρών: κάθε σφαίρα αντιστοιχεί στο γεωμετρικό τόπο των
σημείων που απέχουν από τη γνωστή θέση ενός δορυφόρου σταθερή απόσταση, ίση με
τη μετρημένη απόσταση του δορυφόρου από το δέκτη.
Page 46 of 58
47
ΠΡΟΫΠΟΘΕΣΕΙΣ ΕΠΙΛΥΣΗΣ ΤΟΥ ΣΥΣΤΗΜΑΤΟΣ ΤΩΝ ΚΑΝΟΝΙΚΩΝ

ΕΞΙΣΩΣΕΩΝ
Η βασική προϋπόθεση της επίλυσης του Συστήματος των Κανονικών Εξισώσεων με
τη ΜΕΤ είναι ο Πίνακας (ATA) να είναι αντιστρέψιμος. Αυτό επιτυγχάνεται όταν οι
παρατηρήσεις είναι γραμμικά ανεξάρτητες μεταξύ τους, δηλαδή όταν μία
τουλάχιστον παρατήρηση δεν αποτελεί γραμμικό συνδυασμό άλλων παρατηρήσεων.
Πχ., στο παράδειγμα στην αρχή της παραγράφου, αν προσθέσουμε μία ακόμη
παρατήρηση που είναι συνδυασμός των δύο πρώτων (πχ x1+2x2+x3= ℓ1 + ℓ2), τo
σύστημα των εξισώσεων που θα δημιουργηθεί θα οδηγεί σε Πίνακα που είναι ιδιάζων
(singular) και επομένως μη αντιστρέψιμος (διακρίνουσα μηδενική).
Η λύση είναι να γίνεται η επιλογή των εξισώσεων με προσοχή και να αποκλείονται οι
παρατηρήσεις που δεν είναι ανεξάρτητες, δηλ. γραμμικός συνδυασμός άλλων.
Αντίθετα με άλλες μεθόδους, η ανάλυση μετρήσεων με τη ΜΕΤ δεν προϋποθέτει
καμμία γνώση στατιστικής κατανομής των μετρήσεων/μεταβλητών, προϋποθέτει
μόνο ότι τα σφάλματα είναι τυχαία.
ΓΕΩΜΕΤΡΙΚΕΣ ΔΕΣΜΕΥΣΕΙΣ- ΣΥΝΘΗΚΕΣ

Στο αρχικό παράδειγμα όλες οι εξισώσεις ήταν απλές παρατηρήσεις, δηλαδή
συνέδεαν άγνωστες μεταβλητές με μετρήσεις. Υπάρχουν όμως και περιπτώσεις όπου
συνδυάζονται απλές παρατηρήσεις και γεωμετρικές συνθήκες, πχ. το άθροισμα των
γωνιών ενός τριγώνου να ισούται με δύο ορθές.
Στη μέθοδο επίλυσης του προβλήματος που παρουσιάστηκε είναι δυνατός ο
συνδυασμός και απλών παρατηρήσεων και γεωμετρικών συνθηκών. Στην περίπτωση
ενός τριγώνου οι γεωμετρικές συνθήκες ενσωματώνουν και παρατηρήσεις, όπως
αναλύεται στο επόμενο παράδειγμα.
Υπόψιν ότι υπάρχουν αρκετές μέθοδοι συνόρθωσης με τη ΜΕΤ, η μέθοδος όμως που
παρουσιάστηκε («Μέθοδος Εμμεσων Παρατηρήσεων») είναι η απλούστερη και
καλύπτει γενικά όλες τις περιπτώσεις.
Εστω ότι έχουμε μετρήσει τις τρείς άγνωστες γωνίες του τριγώνου α, β, γ και έχουμε
εκτιμήσει τις τιμές ℓ1, ℓ2, ℓ3 αντίστοιχα. Προφανώς οι μετρήσεις δεν ικανοποιούν
τη συνθήκη α+β+γ=200g λόγω σφαλμάτων υ που επιρρεάζουν κάθε μέτρηση.
Ζητούνται οι καλύτερες εκτιμήσεις των τριών γωνιών.
Λύση: Προφανώς οι τρείς μετρήσεις μας δίνουν ένα σύστημα υπερστατικό, γιατί δύο
μόνο μετρήσεις γωνιών αρκούν για να προσδιοριστούν τα στοιχεία ενός τριγώνου.
Τις δύο γωνίες α, β θεωρούμε ως αγνώστους και συνθέτουμε το σύστημα των
εξισώσεων παρατήρησης.
1α + 0β = ℓ1 + υ1
0α + 1β = ℓ2 + υ2
1α + 1β = 200g- ℓ3 + υ3
Οι δύο πρώτες εξισώσεις είναι απλές παρατηρήσεις, η τρίτη είναι συνδυασμός
παρατήρησης και γεωμετρικής συνθήκης.
Το σύστημα αυτό έχει τη μορφή Αx= ℓ+υ και λύνεται όπως ανωτέρω.
Page 47 of 58
48
Υποθέτουμε ότι τρείς διαφορετικές μετρήσεις ενός μήκους έχουν δώσει τιμές ℓ1, ℓ2,
ℓ3. Υποθέτοντας ότι οι τρείς μετρήσεις είναι ασυσχέτιστες και ίδιας ακρίβειας, να
υπολογιστεί η καλύτερη εκτίμηση του μήκους με τη ΜΕΤ.
Λύση: Εχουμε έναν άγνωστο x (m=1) και τρείς μετρήσεις ℓ1, ℓ2, ℓ3 (n=3) οι οποίες
περιέχουν άγνωστα σφάλματα υi. Δημιουργούμε το σύστημα των εξισώσεων
παρατήρησης
1 . x = ℓ1 + υ1
1 . x = ℓ2 + υ2
1 . x = ℓ3 + υ3
που σε μορφή Πινάκων γράφονται

⎡1⎤ ⎡ l 1 ⎤ ⎡υ1 ⎤
⎢1⎥ ⋅ x = ⎢ l ⎥ + ⎢υ ⎥ ή Αx= ℓ+υ
⎢ ⎥ [ ] ⎢ 2⎥ ⎢ 2⎥
⎢⎣1⎥⎦ ⎢⎣ l 3 ⎥⎦ ⎢⎣υ3 ⎥⎦
απ τον οποίο προκύπτει το σύστημα των κανονικών εξισώσεων (ATA) x= AT ℓ
⎡1⎤ ⎡ l1 ⎤
[1 1 1] ⎢1⎥ [ x ] = [1 1 1] ⎢⎢l 2 ⎥⎥
⎢ ⎥
⎢⎣1⎥⎦ ⎢⎣l 3 ⎥⎦
που καταλήγει 3 x$ = ℓ1+ ℓ2+ ℓ3 ή x$ =( ℓ1+ ℓ2+ ℓ3 )/3 , εκτίμηση που ισοδυναμεί με
τον απλό ΜΟ.
Η μεταβλητότητα της εκτιμήτριας x$ προκύπτει από τους τύπους σο=√(Σ υ$ i υ$ i )/(n-m)
και σο2(ATA)-1 .
ΜΗ ΓΡΑΜΜΙΚΕΣ ΕΞΙΣΩΣΕΙΣ
Οι εξισώσεις συνδέουν τους αγνώστους με τα μετρούμενα μεγέθη που εξετάστηκαν

μέχρι στιγμής είναι γραμμικές και εκφράζονται από μητρώα. Υπάρχουν όμως
περιπτώσεις σχέσεων μη γραμμικών. Η περίπτωση αυτή αφορά μετρήσεις
αποστάσεων μεταξύ σημείων των οποίων είναι άγνωστες οι συντεταγμένες,
τριγωνομετρικές σχέσεις, κλπ. Η αντιμετώπιση των περιπτώσεων αυτών γίνεται με
Page 48 of 58
49
μία διαδικασία μετασχηματισμού μη γραμμικών εξισώσεων παρατήρησης σε

γραμμικές εξισώσεις εύκολα κατανοητή σε μορφή σταδίων.
Διαδικασία μετασχηματισμού μη γραμμικών σε γραμμικές εξισώσεις
Η διαδικασία μετασχηματισμού μη γραμμικών εξισώσεων παρατήρησης σε

γραμμικές εξισώσεις διαιρείται σε πέντε στάδια
Στάδιο 1: Δημιουργούμε το σύστημα των εξισώσεων παρατήρησης που

περιλαμβάνουν και μη γραμμικές εξισώσεις.
Στάδιο 2: Για κάθε μεταβλητή x που συνδέεται με μέτρηση με μη γραμμική σχέση

υπολογίζουμε με κάποιο τρόπο μια προσεγγιστική τιμή xo (πχ με γραφική λύση,
προσεγγιστική λύση, λύση με επιλεγμένες εξισώσεις). Επομένως ισχύει η εξίσωση
x=xo+δx
όπου δx μια άγνωστη τιμή, και επομένως μπορούμε να αντικαταστήσουμε τη
μεταβλητή x με τη μεταβλητή xo+δx
Στάδιο 3: Αναλύουμε τις μη γραμμικές εξισώσεις σε σειρές Taylor και

αντικαθιστούμε τις μεταβλητές x με την xo+δx. Εάν οι προσεγγιστικές τιμές xo των
μεταβλητών είναι κοντά στις πραγματικές, τότε οι τιμές των μη γραμμικών όρων της
σειράς είναι αμελητέοι, μπορούν να αγνοηθούν, και να αναχθούμε σε γραμμικές
εξισώσεις. Αν υπάρχουν και γραμμικές εξισώσεις στο σύστημα των εξισώσεων
παρατήρησης, γίνεται και σε αυτές η αντικατάσταση των αντίστοιχων μεταβλητών.
Εχουμε επομένως αναχθεί σε σύστημα γραμμικών εξισώσεων παρατήρησης
διαφορετικών μεταβλητών των δx.
Στάδιο 4: Επιλύουμε κατά τα γνωστά τα σύστημα των γραμμικών εξισώσεων που

έχει δημιουργηθεί.
Στάδιο 5: Εχοντας υπολογίσει τις καλύτερες εκτιμήσεις των μεταβλητών δx και του
αντίστοιχου Πίνακα Μεταβλητότητας-Συμμεταβλητότητας Σ μετασχηματίζουμε
εύκολα τις τιμές δx σε εκτιμήσεις των τιμών της x. O μετασχηματισμός αυτός
προφανώς δεν επιρρεάζει τον Πίνακα Σ.
8.6.2 Βασικές περιπτώσεις γραμμικοποίησης

Η πιο συνήθης περίπτωση που υπάρχει ανάγκη γραμμικοποίησης στη Γεωδαισία είναι
για τον προσδιορισμό συντεταγμένων σημείων μεταξύ των οποίων έχουν γίνει
μετρήσεις μηκών και γωνιών κατά τη μέτρηση δικτύων. Οι περιπτώσεις αυτές
αναλύονται στη συνέχεια, και αποτελούν πρότυπο για κάθε άλλου τύπου εφαρμογή.
Page 49 of 58
50
Μετρήθηκαν οι αποστάσεις σημείου από 3 διαφορετικά γνωστά σημεία 1,2,3. Να
υπολογιστούν οι συντεταγμένες του Μ.
Υπολογισμός συντεταγμένων σημείου Μ με βάση μετρήσεις αποστάσεων από τρία

σημεία 1, 2, 3 γνωστών συντεταγμένων.
Λύση: Γεωμετρικά το πρόβλημα ανάγεται στον υπολογισμό κοινού σημείου τομής

τριών γεωμετρικών τόπων, τριών κύκλων με ακτίνα S1 και κέντρο το σημείο 1, S2 και
κέντρο το σημείο 2 και S3 και κέντρο το σημείο 3. Επειδή οι μετρήσεις περιέχουν
σφάλματα,οι κύκλοι (γεωμετρικοί τόποι της θέσης σημείου Μ με κέντρο καθένα από
τα σημεία 1, 2, 3 και ακτίνα τις μετρημένες αποστάσεις τους από το σημείο Μ)
τέμνονται ανά δύο σε διαφορετικό σημείο και επομένως οι λύσεις δεν είναι συμβατές.
Η επίλυση του προβλήματος γίνεται με βάση τη μεθοδολογία που καθορίστηκε πιο
πάνω σε 5 στάδια
Στάδιο 1: Η σχέση που συνδέει τις άγνωστες συντεταγμένες x, y του σημείου Μ με

τις μετρήσεις μήκους Si είναι της μορφής
S i = ( x − xi ) 2 + ( y − y i ) 2
(όπου xi, yi, οι συντεταγμένες των σημείων 1, 2, 3) είναι μη γραμμική, και οδηγεί σε
τρείς μη γραμμικές εξισώσεις με δύο αγνώστους.
Στάδιο 2: Υπολογίζουμε προσεγγιστικές συντεταγμένες x%, y του σημείου Μ που για
απλότητα συμβολίζουμε με xο, yο. Οι άγνωστες συντεταγμένες x, y του Μ
συνδέονται με τις γνωστές τιμές xο, yο με τις σχέσεις
x=xo+δx, y=yo+δy
όπου δx, δy άγνωστες μεταβλητές.
Στάδιο 3: Γραμμικοποιούμε τις τρείς εξισώσεις παρατηρήσεων
S i = ( x − xi ) 2 + ( y − y i ) 2 με ανάπτυξη σε σειρά Taylor για τη θέση xο, yο κρατώντας
μόνο τις πρώτες παραγώγους. Οι νέες γραμμικές εξισώσεις λαμβάνουν τη μορφή
x0 − x i y − yi
δx + 0 δ y = Si − Si + υi
Si Si
όπου Si οι αποστάσεις του σημείου i από το σημείο (xο, yο), δηλ. η προσεγγιστική
τιμή του μήκους Si.
Το σύστημα των εξισώσεων αυτό είναι γραμμικό με τρεις εξισώσεις (μια για κάθε
σημείο) και δύο αγνώστους (δx, δy) και αποτελεί σύστημα της μορφής Α·x = l + υ
Page 50 of 58
51
Στάδιο 4: Επιλύουμε το γραμμικό υπερστατικό σύστημα που έχει δημιουργηθεί με τη

μέθοδο που έχει αναλυθεί προηγούμενα και υπολογίζουμε τις εκτιμήσεις των
μεταβλητών δx, δy και τον Πίνακα Μεταβλητότητας-Συμμεταβλητότητας Σ.
Στάδιο 5: Από τις εκτιμήσεις των δx, δy υπολογίζουμε τις τιμές των x, y.
∧ ∧
δx + x 0 = x
∧ ∧
δy + y 0 = y
Αν οι μετρήσεις περιέχουν μόνο τυχαία σφάλματα και το μοντέλο (και οι πράξεις!)

είναι επιτυχές, τότε όλα τα υπόλοιπα θα έχουν μικρές τιμές και θα εκφράζουν τυχαία
μεταβλητή και θα έχουν κανονική κατανομή.
Αν μία τιμή υi αποκλίνει αισθητά από τις άλλες, αυτό σημαίνει μάλλον ότι η
αντίστοιχη μέτρηση περιείχε κάποιο άλλο τύπο σφάλματος (πχ. χονδροειδές) και
πρέπει να απορριφθεί και να επαναληφθεί η διαδικασία προσαρμογής με τις
υπόλοιπες εξισώσεις. Είναι πάντως πολύ πιθανό το «πρόβλημα» να μην περιορίζεται
στη συγκεκριμένη μέτρηση, αλλά σε άλλες, και απλά να αντανακλάται σε κάποια
μέτρηση, Αν αυτό παρατηρείται σε αρκετές εξισώσεις, τότε είναι προφανές ότι το
μοντέλο παρατήρησης δεν είναι απολύτως συμβατό με τις μετρήσεις.
Page 51 of 58
52
ΣΧΕΔΙΑΣΜΟΣ ΚΑΙ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΣΥΣΤΗΜΑΤΟΣ ΜΕΤΡΗΣΕΩΝ

Όπως προκύπτει από τη θεωρία, η αβεβαιότητα (σφάλμα) της εκτίμησης μιας τιμής
με βάση τη ΜΕΤ είναι συνδυασμός δύο παραγόντων: του Πίνακα (ATA)-1 και της
μεταβλητότητας της μονάδας.
Ο Πίνακας (ATA)-1 εξαρτάται αποκλειστικά από τον Πίνακα Α ο οποίος εκφράζει το
μοντέλλο (τη γεωμετρία) των παρατηρήσεων, είναι γνωστός εκ των προτέρων και δεν
εξαρτάται από τις μετρήσεις. Αντίθετα, η μεταβλητή σο2 εκφράζει μόνο ένα
συντελεστή κλίμακας. Επομένως, στην περίπτωση πχ της έλλειψης σφάλματος
μπορεί κανείς να εκτιμήσει χωρίς μετρήσεις ποια θα είναι η μορφή της και να
διαπιστώσει αν το συγκεκριμένο σύστημα μετρήσεων ικανοποιεί τις απαιτήσεις του.
Η ποιότητα των μετρήσεων απλά θα μεγαλώσει ή μικρύνει τους άξονες της έλλειψης.
Η σημασία αυτού φαίνεται στο ακόλουθο Σχήμα.
Χαρακτηριστικό παράδειγμα που δείχνει πώς η έλλειψη σφάλματος του ενός σημείου
που προσδιορίζεται από τις γωνίες στη βάση του τριγώνου (εμπροσθοτομία) εξαρτάται
από τη γεωμετρία των παρατηρήσεων. Το μήκος της βάσης του τριγώνου και η
αβεβαιότητα των γωνιών είναι σε όλες τις περιπτώσεις ίδια, και μόνο οι γωνίες του
τριγώνου διαφέρουν. Οι διαφορές τους οδηγούν σε δραματικές διαφορές της έλλειψης
σφάλματος. Για εποπτικούς λόγους σφάλματα γωνιών (γωνίες σκιασμένες) και
ελλείψεις είναι έντονα παραμορφωμένες. Γνωρίζοντας εκ των προτέρων τις
προσεγγιστικές διαστάσεις του τριγώνου και των αβεβαιοτήτων μετρήσεων
επιτυγχάνεται προσεγγιστική εκτίμηση των αναμενόμενων σφαλμάτων.
Page 52 of 58
53
ΠΑΡΑΔΕΙΓΜΑΤΑ ΓΕΝΙΚΗΣ ΣΗΜΑΣΙΑΣ
ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΙ ΚΑΡΤΕΣΙΑΝΩΝ ΣΥΝΤΕΤΑΓΜΕΝΩΝ
Σε διάφορες επιστήμες συχνά χρησιμοποιείται ένας γραμμικός μετασχηματισμός που

μετασχηματίζει ένα επίπεδο καρτεσιανό σύστημα αναφοράς που χρησιμοποιούμε σε
ένα άλλο. Για παράδειγμα, έχουμε μετρήσει ένα γήπεδο σε ένα αυθαίρετο (τοπικό)
σύστημα αναφοράς (δηλ. με αυθαίρετο βορρά και αυθαίρετη αρχή των αξόνων) για
την αποτύπωση και θέλουμε να μετατρέψουμε τις συντεταγμένες σε ένα άλλο
σύστημα (πχ στο εθνικό, σε ένα προσανατολισμένο στο βορρά, κλπ). Η διαδικασία
απαιτεί στροφή και μετατόπιση των συντεταγμένων (και του σχήματος που
αποτύπωσαμε) και περιγράφεται από ένα γραμμικό μετασχηματισμό των
συντεταγμένων,.
Ο μετασχηματισμός αυτός σε μορφή Πινάκων προσδιορίζεται από την εξίσωση
Χ*=RΧ+xo
όπου
Χ* οι νέες συνταγμένες
Χ οι παλιές συνταγμένες
R o Πίνακας στροφής που για δισδιάστατο σύστημα δίνεται από τον τύπο
⎡ cos θ − sin θ ⎤
R=⎢ ⎥
⎣ sin θ cos θ ⎦
xo οι συντεταγμένες της νέας αρχής των αξόνων και θ η γωνία (αζιμούθιο) στροφής
(σταθερός αριθμός), όπως φαίνεται στο ακόλουθο Σχήμα.
Ενας μνημονικός κανόνας για τον Πίνακα Στροφής R είναι ότι στην κύρια διαγώνιο
έχουμε το cosθ, στην άλλη δύο αντίθετα στοιχεία, η ορίζουσα έχει τιμή 1, ότι το cosθ
είναι στη θέση 1.1 ενώ το sinθ στην επόμενη θέση 1.2 (προηγείται το c μετά το s
όπως στο αλφάβητο).
Σχηματική παράσταση της μετατροπής του συστήματος συντεταγμένων που

περιλαμβάνει στροφή των αξόνων κατά γωνία θ και μετατόπιση της αρχής των αξόνων.
Οι συντεταγμένες ενός σημείου Μ είναι διαφορετικές στα δύο συστήματα, αλλά
συνδέονται με γραμμική σχέση.
Page 53 of 58
54
Εάν οι συντεταγμένες στο αρχικό σύστημα αναφοράς έχουν στατιστικές ιδιότητες που
προσδιορίζονται από ένα Πίνακα v-cov Σ, τότε οι συντεταγμένες στο νέο σύστημα
αναφοράς προσδιορίζονται από Πίνακα Σ* ως
Σ*=RΣRT
ΜΕΤΑΤΡΟΠΗ ΠΟΛΙΚΩΝ ΣΥΝΤΕΤΑΓΜΕΝΩΝ ΣΕ ΚΑΡΤΕΣΙΑΝΕΣ

Πολλές φορές είναι γνωστές οι συντεταγμένες ενός σημείου σε πολικές
συντεταγμένες και ζητείται η μετατροπή τους σε καρτεσιανές, και αντίστροφα. Για
παράδειγμα, τα όργανα total station μετράνε σε πολικές συντεταγμένες. Οι εξισώσεις
που συνδέουν τις δύο συντεταγμένες είναι γνωστές,
x=rsinθ και y=rcosθ
Ζητείται να υπολογιστεί ο Πίνακας v-cov των καρτεσιανών όταν είναι γνωστός ο
αντίστοιχος των πολικών.
Η λύση του προβλήματος είναι απλή. Εφαρμόζοντας τον ΝΜΣ για μη γραμμικές
μεταβλητές, ο ζητούμενος Πίνακας θα είναι Σxy=JΣθrJT όπου J o Ιακωβιανός Πίνακας
του μετασχηματισμού.
Με ένα όργανο total station μετρήθηκαν οι πολικές συνεταγμένες ενός σημείου Μ,
γωνία θ±σθ και απόσταση r±σr και τη συνδιακύμανση σθr.
Ζητούνται οι καρτεσιανές συντεταγμένες και οι αβεβαιότητές τους.
Προφανώς ο Πίνακας Σθr (Μεταβλητότητας-Συμμεταβλητότητας των πολικών
⎡σ σ rθ ⎤
συντεταγμένων [θ r]T παρέχεται από τον τύπο Σθr= ⎢ θ
⎣ σ r ⎥⎦
και οι πολικές και καρτεσιανές συντεταγμένες συνδέονται με τις σχέσεις
x=rsinθ και y=rcosθ
Επομένως Σxy=JΣθrJT
⎡ sinθ r cosθ ⎤
όπου J= ⎢ ⎥
⎣cos θ −r sinθ ⎦
Συνήθως, ο Πίνακας Σθr θεωρείται διαγώνιος γιατί οι μετρήσεις γωνιών και
αποστάσεων θεωρούνται ασυσχέτιστες.
ΓΡΑΜΜΙΚΗ ΠΑΡΕΜΒΟΛΗ
ΠΡΟΣΑΡΜΟΓΗ ΕΥΘΕΙΑΣ ΓΡΑΜΜΗΣ

Εστω σύνολο n σημείων (ωi, hi), i=1, 2.. n. που έχουν προκύψει από μετρήσεις και τα
οποία θεωρούμε ότι εκφράζουν μια γραμμική σχέση που εικονίζεται με κόκκινη
γραμμή στο ακόλουθο Σχήμα. Εστω ότι η ευθεία αυτή γραμμή αντιστοιχεί στην
εξίσωση ω=ah+b
Page 54 of 58
55
που προσδιορίζεται από δύο άγνωστες παραμέτρους a, b που θέλουμε να

υπολογιστούν από τις διαθέσιμες μετρήσεις.
Είναι προφανές ότι επειδή οι μετρήσεις περιέχουν τυχαία σφάλματα, τα σημεία (ωi,
hi) δεν θα βρίσκονται πάνω στη γραμμή, αλλά σε απόσταση υ1 από αυτή κατά μήκος
του κατακόρυφου άξονα.
Τυπική περίπτωση προσαρμογής ευθείας γραμμής σε σημεία που προέρχονται από

μετρήσεις (γραμμική παρεμβολή). Η ευθεία γραμμή προσδιορίζεται από δύο
παραμέτρους, a, b, και αποκλίνει από τα σημεία των μετρήσεων. Ο «μέσος όρος» των
αποστάσεων αυτών πρακτικά εκφράζει την ποιότητα (ακρίβεια, σφάλμα) της
προσαρμογής.
Πιο συγκεκριμένα, όταν η μεταβλητή h πάρει τιμή h1, η μεταβλητή ω θα πάρει τιμή
ω1 που θα αποκλείει από την ευθεία κατά υ1. Αντίστοιχα συμβαίνει για κάθε ένα από
τα n σημεία. Αν αντικαταστήσουμε τις τιμές hi, ωi, υi στην εξίσωση // για κάθε
σημείο θα προκύψει μία εξίσωση εξίσωση της μορφής
h1a+b=ω1+υ1.
Συνολικά δημιουργούνται n εξισώσεις σε μορφή Πίνακα
⎡ h1 1 ⎤ ⎡ ω1 ⎤ ⎡υ1 ⎤
⎢h 1 ⎥ ⎢ω ⎥ ⎢υ ⎥
⎢ 2 ⎥ ⎡a ⎤ ⎢ 2⎥ ⎢ 2⎥
⎢ h3 1 ⎥ • ⎢ ⎥ = ⎢ω3 ⎥ + ⎢υ3 ⎥
⎢ ⎥ ⎣b ⎦ ⎢ ⎥ ⎢ ⎥
⎢ ... ...⎥ ⎢ ... ⎥ ⎢ ... ⎥
⎢⎣ hn 1 ⎥⎦ ⎢⎣ωn ⎥⎦ ⎢⎣υn ⎥⎦
με 2+n αγνώστους (α, β, υ1, …υn) . Το σύστημα είναι της μορφής Ax= ℓ +υ, λύνεται
με βάση τη θεωρία της ΜΕΤ και προκύπτει λύση
x̂ =[α, b]T
Page 55 of 58
56
που περιγράφει τις δύο παραμέτρους της ευθείας γραμμής που προσαρμόζεται
καλύτερα στις παρατηρήσεις. Με βάση τις δύο τιμές αυτές προσδιορίζεται η
εξίσωση ω=αh+b που προσαρμόζεται καλύτερα στις παρατηρήσεις μας.
Η «στιβαρότητα» της λύσης προσδιορίζεται από τον Πίνακα Μεταβλητότητας-
Συμμεταβλητότητας που είναι Πίνακας διαστάσεων 2×2 της μορφής
⎡σ αα
2
σ αβ ⎤
Σxx= ⎢σ 2 ⎥
σ ββ
⎣⎢ αβ ⎦⎥
Ο οποίος είναι προφανώς γινόμενο του σο2 και του Πίνακα (ΑΤΑ)-1.
Εάν τα δεδομένα αποκλίνουν από την ευθεία, είναι προφανές ότι οι τιμές των
στοιχείων της Σxx θα είναι μεγάλες και η εκτίμηση των παραμέτρων a, b δεν θα είναι
σταστιστικά σημαντική, οπότε και η γραμμική προσέγγιση θα είναι ασαφής.
ΑΒΕΒΑΙΟΤΗΤΑ (ΣΦΑΛΜΑ) ΠΑΡΕΜΒΟΛΗΣ

Ενας βασικός σκοπός της προσαρμογής ευθείας γραμμής σε μετρήσεις είναι να
εκτιμηθεί και η τιμή μιας μεταβλητής για σημείο στο οποίο δεν υπάρχουν μετρήσεις
(predicted value), πχ σε παρεμβολή (interpolation). Η αβεβαιότητα αυτή σχηματικά
εμφανίζεται με “error bars”.
Όπως έχει αναλυθεί προηγουμένως, η αβεβαιότητα των παρεμβαλόμενων τιμών
(predicted values) είναι συνάρτηση δύο παραγόντων
(α) του Πίνακα v-cov που περιγράφει την «ποιότητα» της γραμμικής προσαρμογής
(β) των δύο παραμέτρων α, b που προσδιορίζουν την ευθεία παρεμβολής.
Το ερώτημα που προκύπτει είναι τι σφάλμα έχει μια τιμή ωk που

εκτιμάται για το σημείο hk.
Σε μορφή πίνακα η τιμή αυτή προκύπτει από την εξίσωση

⎡a ⎤
ωk = [ hk 1] ⎢ ⎥
⎣b ⎦
Πρόκειται προφανώς για γραμμικό μετασχηματισμό της μορφής
Z=CX
όπου ο Πίνακας C περιλαμβάνει μόνο γνωστά, σταθερά στοιχεία (το σημείο hk για το
οποίο θέλουμε να κάνουμε την πρόβλεψη και το 1) και ο Πίνακας Χ μεταβλητές, ή
καλύτερα τιμές που έχουν σφάλματα. Ο Πίνακας Μεταβλητότητας-
Συμμεταβλητότητας του Χ είναι γνωστός, άρα ο αντίστοιχος Πίνακας
Μεταβλητότητας-Συμμεταβλητότητας του Ζ θα δίνεται από τη σχέση
Σωω =C Σxx CT
και θα είναι διαστάσεων 1 x 1, γιατί το ωk είναι μονοδιάστατο. Η τιμή αυτή θα είναι
και η αβεβαιότητα (τυπικό σφάλμα) της εκτίμησης της τιμής ωk και συνήθως
εμφανίζεται ως διάστημα εμπιστοσύνης, και γραφικά απεικονίζεται ως ράβδος
αβεβαιότητας (error bar).
Page 56 of 58
57
ΠΡΟΣΑΡΜΟΓΗ ΠΟΛΥΩΝΥΜΟΥ
Από μετρήσεις έχουν προκύψει ν ζεύγη τιμών μεταξύ των μεταβλητών z, t.

Θεωρούμε ότι οι δύο μεταβλητές z, t συνδέονται με σχέση της μορφής
z = αt 2 + βt + γ
και ζητάμε τους συντελεστές της εξίσωσης και τις αβεβαιότητές τους.
Λύση: Οι ν μετρήσεις περιέχουν άγνωστα σφάλματα υi και μας δίνουν ν εξισώσεις της
μορφής
zi = α t i 2 + β t i + γ + υi
όπου άγνωστοι είναι οι συντελεστές α, β, γ και τα υi ενώ τα zi, ti είναι γνωστές
παράμετροι. Φέρνουμε τις ν εξισώσεις αυτές στη μορφή
t i 2 ⋅ α + t i ⋅ β + 1⋅ γ = −zi + υi
που δημιουργεί τους εξής Πίνακες που αντιστοιχούν στην τυπική μορφή των
γραμμικών εξισώσεων Α ·x= l + υ.
⎡t12 t1 1 ⎤ ⎡α ⎤ ⎡ − z1 ⎤
⎢ ⎥ ⎢ ⎥
A = ⎢... ... ...⎥ x= ⎢ β ⎥ l = ⎢⎢ ... ⎥⎥ κλπ.
⎢tν2 tν 1 ⎥ ⎢⎣ γ ⎥⎦ ⎢⎣ −zν ⎥⎦
⎣ ⎦
Η συνέχεια της λύσης είναι προφανής. Η εκτίμηση των σφαλμάτων της τιμής της
μεταβλητής z για τιμή t=to γίνεται όπως και στην περίπτωση γραμμικής παρεμβολής.
ΠΡΟΣΑΡΜΟΓΗ ΤΡΙΓΩΝΟΜΕΤΡΙΚΗΣ ΣΥΝΑΡΤΗΣΗΣ
Πολύ συχνά απαιτείται να προσαρμοστεί κάποια περιοδική συνάρτηση σε

υπάρχουσες ν μετρήσεις (ζεύγη μετρήσεων), πχ συνάρτηση του τύπου
y=a +bsinθ ή
y=a +bsin(kt+φ)
όπου a, b, k, φ είναι άγνωστοι παράμετροι που ζητάμε να προσδιορίσουμε.
Οι δύο περιπτώσεις είναι διαφορετικές.
Στην περίπτωση τηςπρώτης εξίσωσης οι άγνωστοι παράμετροι θα είναι ο μεταβλητές
a και b, ενώ οι τιμές των y και θ θεωρούνται γνωστοί αριθμοί (τα ζεύγη των
μετρήσεων). Είναι προφανές ότι εφόσον οι τιμές της θ θεωρούνται γνωστές, θα είναι
γνωστή και η αντίστοιχη τιμή του sinθ, επομένως αναγόμαστε στην περίπτωση της
απλής γραμμικής προσαρμογής.
Ειδικότερα, οι εξισώσεις παρατήρησης μπορούν αν γραφούν ως
1 . a + sinθi . b =yi + υi
και ο Πίνακας Α θα έχει δύο στήλες, η με 1 και η άλλη με sinθi, και ν σειρές.
Η περίπτωση της δεύτερης εξίσωσης αντίθετα αντιμετωπίζεται ως περίπτωση

προσαρμογής μη γραμμικής καμπύλης με ανάπτυξη του τριγωνομετρικού όρου σε
σειρά Taylor γύρω από προσεγγιστικές τιμές ko, θο κρατώντας μόνο το γραμμικό όρο
και οι άγνωστοι k, θ θα αντικατασταθούν από τους δk , δθ με βάση τις εξισώσεις
k=ko+δk
θ=θο+δθ
Στη διαδικασία αυτή της προσαρμογής οι άγνωστοι παράμετροι θα είναι ο

μεταβλητές a, b, δk, δθ, ενώ οι τιμές των yi, ti, θi θεωρούνται γνωστοί αριθμοί.
Page 57 of 58
58
Επιλεγμένη Βιβλιογραφία
Ανώνυμος 1978-79. Θεωρία Σφαλμάτων και Μέθοδος Ελαχίστων Τετραγώνων
(Σημειώσεις). Ανωτέρα Γεωδαισία και Χαρτογραφία, ΕΜΠ.
Μπαντέλας A, Σαββαϊδης Π., Υφαντης Ι., Δούκας Ι. 1995. Γεωδαισία, τόμοι 1&2 Εκδόσεις
Αδελφών Κυριακίδη Α.Ε. Θεσσαλονίκη
Παπαδημητρίου, Α., 1996 (ανατύπωση). Γεωδαιτικές Μετρήσεις, Τμ. Πολιτικών Μηχανικών
Παν. Πατρών, Εκτ. Κέντρο Πανεπιστημίου Πατρών.
Page 58 of 58

Topography

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Topography

Uploaded by

Copyright:

Available Formats

1

Σημειώσεις για το Μάθημα

ΛΑΘΗ ΚΑΙ ΣΦΑΛΜΑΤΑ

ΜΕΤΡΗΣΕΙΣ ΚΑΙ ΣΦΑΛΜΑΤΑ

μετρήσεις με μετροταινία ορισμένου τύπου και ορισμένη διαδικασία σε ένα

ΣΤΑΤΙΣΤΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΤΩΝ ΜΕΤΡΗΣΕΩΝ

Οι μετρήσεις και οι μεταβλητές που εξετάζουμε μπορεί να είναι μονοδιάστατες (πχ.

Η ΚΑΝΟΝΙΚΗ ΚΑΤΑΝΟΜΗ ΣΕ ΜΟΝΟΔΙΑΣΤΑΤΑ ΜΕΓΕΘΗ

Η έννοια της κανονικής κατανομής

(β) τη διακύμανση ή μεταβλητότητα σ2 μιάς παρατήρησης που συμβολίζεται

Πρακτική σημασία των παραμέτρων της κανονικής κατανομής

Η τυπική απόκλιση του δείγματος (ή συνόλου μετρήσεων ενός άγνωστου μεγέθους)

Βασικές ιδιότητες της κανονικής κατανομής

Η καμπύλη της κανονικής κατανομής έχει μερικές βασικές ιδιότητες

Η ΠΙΘΑΝΟΤΙΚΗ ΔΙΑΣΤΑΣΗ ΤΩΝ ΜΕΤΡΗΣΕΩΝ

Η προηγούμενη παρατήρηση –ιδιότητα μας μεταφέρει από το πεδίο των μετρήσεων

Η τελευταία αυτή ιδιότητα υποδηλώνει ότι η συχνότητα ή πιθανότητα εμφάνισης μιας

Η πιθανότητα Ρ μια μέτρησης να βρεθεί σε διαστήματα που ορίζονται από ακέραια

P [-σx < x - μx < +σx] = 0.68 ή 68%

ΔΕΙΓΜΑ ΚΑΙ ΠΛΗΘΥΣΜΟΣ

ενώ σε περίπτωση ολόκληρου πληθυσμού μεγέθους Ν ο τύπος

ΑΝΗΓΜΕΝΟΣ ΜΕΣΟΣ ΟΡΟΣ

Στη διαδικασία υπολογισμού του ΑΜΟ συνήθως αγνοείται η αβεβαιότητα ή το

Διπλωματικής έχει εξαιρετικά μεγάλο βάρος και αντιστοιχεί σε βαθμό αρκετών

ΑΜΕΡΟΛΗΠΤΕΣ ΚΑΙ ΜΗ ΕΚΤΙΜΗΣΕΙΣ

ΣΤΑΤΙΣΤΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΤΩΝ ΠΟΛΥΔΙΑΣΤΑΤΩΝ ΜΕΤΡΗΣΕΩΝ

ΜΕΤΑΒΛΗΤΟΤΗΤΑ, ΣΥΜΜΕΤΑΒΛΗΤΟΤΗΤΑ ΚΑΙ ΣΥΣΧΕΤΙΣΗ

Η μεταβλητότητα var(x) ή σx2 ή σxx2 μιάς μεταβλητής (ή μιας μέτρησης) x εκφράζει

Εάν cov(x,y)=0 (ή cov(x,y) →0) οι δύο μεταβλητές θεωρούνται ασυσχέτιστες,

t xi(t) υx,i= xi (t ) - x υ x,i

Παράδειγμα υπολογισμού συμμεταβλητότητας μεταξύ δύο μεταβλητών x(t) και y(t).

Συντελεστής γραμμικής συσχέτισης για διάφορες κατανομές σημείων. Αριστερά, ρ=0,

Προσοχή, ο συντελεστής γραμμικής συσχέτισης παρέχει μόνο απλή ένδειξη της

Παράδειγμα από τη Wikipedia, xαρακτηριστική περίπτωση των περιορισμών στην

ΔΙΣΔΙΑΣΤΑΤΗ ΚΑΝΟΝΙΚΗ ΚΑΤΑΝΟΜΗ

Σε αντιστοιχία με τη μονοδιάστατη κατανομή που ορίζει μια αξονική κατανονομή

και γραφικά αντιστοιχεί στο κωδωνοειδές του επόμενου σχήματος.

Η δισ-διάστατη κανονική κατανομή αντιστοιχεί σε τρισδιάστατο κωδωνοειδές. Αν

Ο Πίνακας Μεταβλητότητας-Συμμεταβλητότητας εκφράζει τις στατιστικές ιδιότητες

Στην περίπτωση μονο-διάστατης μεταβλητής ο Πίνακας εκφυλίζεται σε μονο-

ΕΙΔΗ ΣΦΑΛΜΑΤΩΝ ΚΑΙ ΠΟΙΟΤΗΤΑ ΕΚΤΙΜΗΣΕΩΝ

Η αδυναμία υπολογισμού «αληθών τιμών» οφείλεται στην ύπαρξη διαφόρων

Ανω, η γνωστή τεχνική της χωροστάθμισης. Κάτω, η ανισότητα στις αποστάσεις

Συστηματικά σφάλματα εμπεριέχονται σε όλες τις μετρήσεις, αλλά συχνά τα

ΠΟΙΟΤΗΤΑ ΤΩΝ ΜΕΤΡΗΣΕΩΝ

Συνήθως ταυτίζονται οι όροι «ποιότητα», «ακρίβεια» και «σφάλμα» μετρήσεων.

Η ακρίβεια (precision) προσδιορίζεται από το τυπικό σφάλμα του συνόλου των

Ακρίβεια και αξιοπιστία των μετρήσεων σε μια εποπτική προσέγγιση με βάση το

Στις περισσότερες επιστήμες μπορεί να εκτιμηθεί μόνο η ακρίβεια των μετρήσεων,

άθροισμα γωνιών τριγώνων, τετραπλεύρων, αθροιστικά μηδενική υψομετρική

ΕΚΦΡΑΣΗ ΤΗΣ ΑΚΡΙΒΕΙΑΣ ΕΚΤΙΜΗΣΕΩΝ

Η ακρίβεια ενός οργάνου ή μιάς μεθόδου μέτρησης χονδρικά ισοδυναμεί με το

Πρώτον, ως απόλυτο σφάλμα. Είναι η απλούστερη και περισσότερο συνηθισμένη

Δεύτερον, ως συνάρτηση μιάς μεταβλητής. Στην απλούστερη περίπτωση

Τρίτον, με σύνθετο τρόπο, ως επαλληλία ή σύνθεση δύο διαφορετικών σφαλμάτων.

μετά υπολογίζονται και αθροίζονται οι επι μέρους μεταβλητότητες (δηλ. τα

Η ΦΥΣΙΚΗ ΚΑΙ ΓΕΩΜΕΤΡΙΚΗ ΣΗΜΑΣΙΑ ΤΩΝ ΣΦΑΛΜΑΤΩΝ

Γραφική Παράσταση Σφαλμάτων

Γεωμετρική σημασία του σφάλματος σε μονοδιάστατα, γραμμικά και σε γωνιακά μεγέθη

Τυπικός τρόπος συνδυασμένης παρουσίασης διαφόρων τιμών (εκτιμήσεων) μιάς

Ο προσδιορισμός συντεταγμένων ενός σημείου στο επίπεδο μπορεί να αντιμετωπιστεί

Η γεωμετρική διάσταση των σφαλμάτων σε δύο διαστάσεις

Η έλλειψη σφάλματος ορίζεται ως ή έλλειψη που εγγράφεται στο τετράπλευρο που