storia della matematica | The Math of Things

Tartini, il _diavolo_ e i battimenti

Fri, 10 Jul 2026 00:00:00 +0000

Il sogno del diavolo violinista

Padova, primi decenni del Settecento. Il violinista e compositore Giuseppe Tartini racconta di aver fatto, una notte, un sogno particolarmente vivido: il diavolo in persona gli appare ai piedi del letto e comincia a suonare il suo violino, eseguendo una sonata di una bellezza e di una difficoltà tecnica sovrumane. Tartini si sveglia di scatto, afferra lo strumento e cerca disperatamente di ricostruire quello che ha appena sentito. Il risultato — che lui stesso definirà sempre “molto inferiore” a quello del sogno — è la Sonata in sol minore, passata alla storia come Trillo del Diavolo, uno dei pezzi più temuti del repertorio violinistico barocco.

È un aneddoto perfetto, forse troppo perfetto: lo racconta l’astronomo francese Jérôme Lalande, che dice di averlo sentito da Tartini stesso, ma non ne esiste alcuna conferma diretta dell’epoca. È del tutto plausibile che Tartini l’abbia costruito, o quantomeno abbellito, per dare un’aura leggendaria a un brano già di per sé fuori misura. Ma il legame tra Tartini e “cose che sembrano magia ma sono fisica” non finisce con un sogno raccontato bene — e la parte più interessante, per noi, non è quello che sentì dormendo, ma quello che scoprì restando sveglio, con l’orecchio incollato allo strumento.

Il terzo suono che non c’è

Tartini non era solo un virtuoso: era anche un teorico attento, uno dei pochi della sua epoca a fermarsi ad ascoltare perché certe cose suonassero bene. Notò un fenomeno acustico sottile e riproducibile: suonando insieme, con intonazione molto precisa, due note su corde diverse del violino, si sente comparire un terzo suono, più grave, che nessuno dei due musicisti sta effettivamente producendo.

Lo chiamò terzo suono — oggi lo conosciamo come tono di combinazione o tono differenziale — e non si limitò a stupirsene: ne fece uno strumento didattico concreto. Insegnava ai suoi allievi a usarlo come verifica dell’intonazione: se, suonando una doppia corda, il terzo suono fantasma non emergeva stabile e chiaro, voleva dire che le due note non erano perfettamente accordate tra loro. Tartini aveva scoperto empiricamente, con il solo orecchio, un fenomeno che la fisica delle onde avrebbe formalizzato solo più avanti.

La spiegazione: i battimenti

Quando due onde sonore di frequenza leggermente diversa, $f_1$ e $f_2$, si sovrappongono nell’aria, si sommano punto per punto, per il principio di sovrapposizione. Con le formule di prostaferesi si può scrivere:

$$ \sin(2\pi f_1 t) + \sin(2\pi f_2 t) = 2\cos!\left(2\pi,\frac{f_1-f_2}{2},t\right)\sin!\left(2\pi,\frac{f_1+f_2}{2},t\right) \tag{1} $$

Il risultato è un’onda che oscilla rapidamente alla frequenza media $\frac{f_1+f_2}{2}$, ma la cui ampiezza è modulata lentamente da un termine di frequenza $\frac{f_1-f_2}{2}$: è il fenomeno dei battimenti, un suono che pulsa più o meno velocemente a seconda di quanto le due frequenze originali sono vicine. Più le note sono simili, più il battito rallenta — accordare due corde ascoltando il battito che si spegne è tecnica antica quanto la musica stessa, e resta il metodo con cui un’orchestra intona ancora oggi.

Il battito è l’inviluppo, non l’onda veloce

Nel grafico si vede esattamente cosa dice la formula $(1)$: l’onda rapida (in corallo) è racchiusa da un inviluppo che sale e scende — è quello il battito che si sente, non l’oscillazione veloce sottostante.

Il terzo suono di Tartini, però, è qualcosa di leggermente diverso e più sottile del semplice battito lento. È un vero suono differenziale, percepito a una frequenza pari a $f_1 - f_2$, e non nasce nell’aria: nasce nell’orecchio. È generato dalla risposta non lineare dell’apparato uditivo (e in parte dello strumento stesso) quando due note sufficientemente intense vengono elaborate insieme. In termini moderni, l’orecchio non è un sistema perfettamente lineare, e la sovrapposizione di due frequenze pure genera, nell’elaborazione meccanica e neurale del suono, componenti aggiuntive a frequenze somma e differenza — lo stesso principio, per inciso, su cui si basano i mixer di frequenza usati ancora oggi in radiotecnica. Tartini aveva sentito, con l’orecchio di un violinista del Settecento, un effetto che nel Novecento sarebbe diventato un capitolo di elettronica.

Quando la trigonometria si mette a suonare

Questa storia è un ponte naturale tra tre mondi che a scuola raramente si parlano tra loro: la musica, la trigonometria — le formule di prostaferesi, spesso ridotte a puro esercizio di manipolazione algebrica — e la fisica delle onde.

Qualche spunto per portarla in classe:

partire da un esperimento diretto: generare, con un’app o un generatore di toni, due frequenze pure vicine tra loro (per esempio 440 Hz e 444 Hz) e far ascoltare il battito risultante, poi mostrare che la formula $(1)$ lo predice esattamente
derivare in classe la somma di due seni con frequenze diverse, collegandola in tempo reale al battito appena ascoltato: la trigonometria smette di essere astratta quando la si può sentire
distinguere il battimento (interferenza fisica dell’onda nell’aria, lineare, prevista dalla formula) dal tono di combinazione di Tartini (fenomeno percettivo, non lineare, generato dall’orecchio): un’occasione naturale per introdurre l’idea di sistema lineare contro sistema non lineare in modo intuitivo, prima ancora di darle un nome

Un aneddoto che parte da un sogno diabolico — vero o costruito che sia — e finisce dritto in una formula di prostaferesi: difficile trovare un gancio più efficace per far sembrare viva la trigonometria.

La legge di _Benford_

Sun, 15 Mar 2026 00:00:00 +0000

Le pagine consumate di un libro di logaritmi

Nel 1938 il fisico americano Frank Benford lavorava ai General Electric Research Laboratories. Come tutti gli scienziati della sua epoca, per fare i calcoli usava tavole di logaritmi stampate su carta: libri spessi, fitti di numeri, consultati ogni giorno da chiunque avesse bisogno di moltiplicare o dividere qualcosa di complicato.

Un dettaglio gli saltò all’occhio — uno di quei dettagli che chiunque altro avrebbe ignorato distrattamente per anni: le prime pagine della tavola erano molto più consumate, sporche e sgualcite delle ultime. Le pagine iniziali contenevano i logaritmi dei numeri che cominciano con la cifra 1; le ultime, quelli dei numeri che cominciano con 9.

Possibile che le persone avessero davvero bisogno di calcolare più spesso logaritmi di numeri che iniziano per 1 piuttosto che per 9? A prima vista sembra assurdo: se i numeri “capitano” nei calcoli in modo casuale, ogni prima cifra da 1 a 9 dovrebbe comparire più o meno con la stessa frequenza, circa una volta su nove.

Benford non si limitò a intuire qualcosa: raccolse dati. Tantissimi dati, di ogni tipo — aree di fiumi, popolazioni di città, costanti fisiche, numeri tratti da riviste, indirizzi di case, pesi atomici. Oltre 20.000 numeri in totale. E scoprì che non era affatto un caso: in moltissimi insiemi di dati reali, il numero 1 compare come prima cifra circa il 30% delle volte, il 2 circa il 18%, e così via, in una distribuzione decrescente fino al 9, che compare solo il 4,6% delle volte.

La formula

La legge — in realtà già osservata nel 1881 dall’astronomo Simon Newcomb, per lo stesso identico motivo (le pagine consumate delle tavole logaritmiche) ma poi dimenticata per quasi sessant’anni — afferma che la probabilità che la prima cifra significativa di un numero sia $d$ (con $d = 1, 2, \dots, 9$) è:

$$ P(d) = \log_{10}\left(1 + \frac{1}{d}\right) \tag{B} $$

Da cui:

$d$	$P(d)$
1	30,1%
2	17,6%
3	12,5%
4	9,7%
5	7,9%
6	6,7%
7	5,8%
8	5,1%
9	4,6%

Il crollo di probabilità dal numero 1 al numero 9

Il grafico mostra bene quello che la tabella lascia solo intuire: la curva non è affatto piatta come ci si aspetterebbe da cifre “equiprobabili” (la linea tratteggiata all'11,1%), ma crolla rapidamente dal primo all’ultimo digit. Il numero 1 è più di sei volte più frequente del 9.

Perché funziona: l’invarianza di scala

L’intuizione chiave è questa: se una legge sulla distribuzione delle cifre esiste davvero in natura, non può dipendere dall’unità di misura che scegliamo di usare. La lunghezza di un fiume espressa in chilometri o in miglia deve seguire la stessa legge sulle prime cifre — altrimenti la “legge” sarebbe solo un artefatto del sistema metrico scelto, non una proprietà dei numeri in sé.

Si può dimostrare che l’unica distribuzione di probabilità sulle prime cifre che resta invariata cambiando unità di misura — cioè moltiplicando tutti i dati per una costante qualsiasi — è proprio quella logaritmica di Benford. È una conseguenza elegante, e per nulla ovvia, della struttura del logaritmo: la proprietà $\log(ab) = \log a + \log b$ trasla semplicemente la distribuzione, e l’unica distribuzione “stabile” per traslazione su una scala ciclica — le cifre da 1 a 9 si ripetono a ogni ordine di grandezza — è proprio quella logaritmica stessa.

Detto in modo più semplice: la legge di Benford emerge quando i dati spaziano su più ordini di grandezza, come le popolazioni dei paesi (da poche migliaia a centinaia di milioni) o gli importi di fatture (da pochi euro a milioni di euro). Non funziona invece su insiemi “vincolati” a un intervallo stretto — per esempio le altezze delle persone in centimetri, che stanno quasi tutte tra 140 e 200 e non attraversano ordini di grandezza diversi.

Come si scovano le frodi

Ed è qui che la storia diventa avvincente. Se i numeri “onesti” — bilanci reali, dati di censimento, importi di transazioni legittime — seguono la legge di Benford, allora i numeri inventati da una persona non la seguono, perché nessuno, quando falsifica cifre per un bilancio o una dichiarazione dei redditi, pensa istintivamente “devo far cominciare il maggior numero possibile di cifre con 1”.

Negli anni Novanta il ricercatore Mark Nigrini trasformò questa osservazione in uno strumento reale di forensic accounting: applicando la legge di Benford ai bilanci aziendali, ai rimborsi spese, alle dichiarazioni fiscali, è possibile individuare in modo statistico gli insiemi di numeri “sospetti” — quelli che si discostano troppo dalla distribuzione attesa — e concentrare lì i controlli. Il metodo è oggi usato realmente da revisori contabili e agenzie fiscali, incluso l’IRS statunitense, ed è stato impiegato anche per analizzare anomalie in alcuni set di risultati elettorali (con tutte le cautele metodologiche del caso: la legge di Benford è un indizio statistico, non una prova, e va applicata solo a dati che ne rispettano le condizioni — range ampio, nessun limite artificiale ai valori). Proprio perché i dati manipolati “a mano” tradiscono quasi sempre una firma statistica diversa da quella dei dati genuini, un discostamento marcato è un buon punto da cui partire a indagare, non una condanna.

Dai logaritmi al detective: portarla in classe

Questa storia è un ponte perfetto tra due mondi che a scuola sembrano lontanissimi: i logaritmi, spesso percepiti come pura tecnica di calcolo senza vita, e la probabilità e statistica applicate a un problema quasi investigativo.

Un’attività efficace in classe:

far raccogliere agli studenti un insieme di dati reali con ampio range di ordini di grandezza (popolazione dei comuni italiani, numeri civici, valori di bilancio di un’azienda quotata, persino il numero di “mi piace” sotto dei post social)
contare le prime cifre e confrontare la distribuzione osservata con quella teorica prevista dalla formula $(B)$
discutere perché la legge funziona (invarianza di scala) e perché no su altri insiemi di dati, vincolati in un range stretto

È un esempio raro in cui uno strumento puramente matematico, nato da un’osservazione quasi aneddotica su pagine di carta consumate, diventa concretamente uno strumento investigativo usato ancora oggi.

Turing, Bletchley Park e la probabilità che decise una _guerra_

Thu, 22 Jan 2026 00:00:00 +0000

Un bicchiere di ghiaccio, in un film

C’è una scena, in The Imitation Game (2014), diventata quasi iconica: Alan Turing, interpretato da Benedict Cumberbatch, versa dell’acqua ghiacciata sul suo computer elettromeccanico — la “Bomba” — per raffreddarlo e farlo ripartire in un momento cruciale. È una scena tesa, drammatica, perfetta per il grande schermo. Ed è completamente inventata. Non è mai successo: la vera Bombe di Bletchley Park non funzionava affatto in questo modo, e non aveva bisogno di essere raffreddata a mano con del ghiaccio.

Il film prende molte licenze narrative dello stesso tipo: Turing non ha mai chiamato la macchina “Christopher” in pubblico, non ha lavorato in solitudine contro il parere di tutti gli altri crittografi, e — il punto che ci interessa davvero — il vero momento della svolta non fu meccanico, ma statistico.

Il vero problema, dopo aver rotto Enigma

Rompere il cifrario Enigma non significava affatto vincere la guerra all’istante. Ogni giorno la macchina tedesca cambiava configurazione, e ogni giorno gli analisti di Bletchley Park dovevano ritrovare la chiave del giorno: la Bombe di Turing serviva esattamente a questo, scartando meccanicamente le combinazioni impossibili in poche ore invece che in anni di calcolo manuale.

Ma una volta decifrati i messaggi, si presentava un problema nuovo, meno raccontato nei film ma altrettanto decisivo: ogni giorno arrivavano centinaia di messaggi decifrati. Non c’era il tempo, né le risorse, per agire su tutti. Bisognava scegliere quali fossero davvero urgenti — quale convoglio tedesco intercettare, quale attacco anticipare — e quali invece lasciar correre, anche a costo di ignorare informazioni vere, pur di non rivelare ai tedeschi che il loro cifrario era stato violato.

Era, in sostanza, un problema di probabilità condizionata: dato un messaggio decifrato, qual è la probabilità che sia davvero rilevante e urgente, alla luce di tutto ciò che già si sa sul contesto — rotte navali note, pattern di traffico radio, informazioni da altre fonti? E qual è il rischio, agendo su quell’informazione, di tradire il fatto che Enigma è compromessa?

Il ragionamento bayesiano nascosto

Bletchley Park — e in particolare la sezione diretta da Turing — applicava, senza sempre chiamarlo esplicitamente così, un ragionamento bayesiano: aggiornare continuamente la probabilità che un’informazione fosse vera e utile, mano a mano che arrivavano nuovi indizi. È un metodo che Turing stesso contribuì a formalizzare durante la guerra, introducendo tra l’altro il concetto di ban e deciban come unità di misura del peso dell’evidenza — un’applicazione pratica e originale del ragionamento bayesiano, sviluppata proprio per le esigenze del lavoro crittanalitico.

Il teorema di Bayes formalizza esattamente questo tipo di aggiornamento:

$$ P(A \mid B) = \frac{P(B \mid A), P(A)}{P(B)} \tag{Ba} $$

dove $A$ potrebbe essere “questo convoglio verrà davvero attaccato” e $B$ “abbiamo intercettato questo particolare messaggio”. Non basta il singolo messaggio isolato: contano la probabilità a priori — quanto era plausibile l’evento prima ancora di intercettare qualcosa — e come ogni nuovo indizio la corregge.

L’evidenza non crea la probabilità, la aggiorna

Un esempio semplificato ma realistico rende l’idea: se prima di intercettare nulla la probabilità che un certo convoglio venga attaccato è bassa, diciamo l'8%, e poi arriva un messaggio cifrato che la rende molto più plausibile, la probabilità a posteriori può salire fino all'82%. Non è un salto arbitrario: è esattamente quello che la formula $(Ba)$ calcola, pesando quanto quel tipo di messaggio è tipico di un vero attacco imminente rispetto a quanto compare comunque, per altri motivi, nel traffico intercettato.

C’è un episodio storico spesso citato per rendere l’idea, sebbene la ricostruzione popolare ne semplifichi i dettagli: quando gli Alleati appresero, grazie a Enigma, di un attacco imminente su una città specifica, la decisione di non evacuarla preventivamente — per non insospettire i tedeschi sulla violazione del codice — è il tipo di scelta che nasce proprio da un bilanciamento tra rischi calcolati: il costo immediato contro il vantaggio strategico, per anni, di poter continuare a leggere le comunicazioni nemiche. È esattamente il tipo di calcolo costi-benefici in condizioni di incertezza che sta al cuore della teoria delle decisioni bayesiana. Vale la pena trattare questo aneddoto con cautela in classe: i dettagli esatti dell’episodio (spesso associato a Coventry, novembre 1940) sono discussi dagli storici, e alcune fonti ridimensionano fortemente il ruolo diretto di Churchill nella decisione specifica. Il valore didattico sta nella struttura del ragionamento, non nella cronaca puntuale.

Una guerra vinta anche a colpi di probabilità

Questa storia permette di introdurre la probabilità condizionata e il teorema di Bayes partendo da un contesto che gli studenti spesso già conoscono — molti hanno visto il film — ma di cui ignorano il vero nocciolo matematico. Alcuni spunti:

distinguere, guardando insieme una clip del film, tra il dramma raccontato (la scena del ghiaccio, l’isolamento romantico di Turing) e il vero problema matematico affrontato a Bletchley Park (decidere quali informazioni usare senza rivelarsi)
costruire un piccolo esempio numerico di aggiornamento bayesiano: partire da una probabilità a priori bassa, introdurre un “indizio” (un test, un messaggio intercettato) e calcolare la probabilità a posteriori con la formula $(Ba)$ — lo stesso schema logico usato oggi nei test medici o nei filtri antispam
discutere il paradosso, insieme morale e matematico, della decisione di non agire sempre sull’informazione migliore, quando l’atto stesso di agire rischia di distruggere il valore futuro dell’informazione

È un esempio potente di come un singolo teorema — spesso insegnato in modo asettico, come formula da applicare a palline colorate in un’urna — abbia avuto, nella storia reale, un peso paragonabile a quello di una battaglia.

Una mela, forse due leggende

C’è un ultimo capitolo di questa storia che il film racconta appena, e che merita una precisazione, perché mischia un fatto tragicamente reale con una leggenda metropolitana molto amata ma priva di riscontri.

Nel 1952 Turing fu condannato per “gross indecency” — l’omosessualità era reato penale nel Regno Unito — per una relazione con un uomo. Gli fu offerta una scelta tra il carcere e la castrazione chimica tramite iniezioni di estrogeni; scelse la seconda. Il 7 giugno 1954 fu trovato morto nella sua abitazione: la causa fu avvelenamento da cianuro, e accanto al letto c’era una mela morsicata, mai analizzata per verificare se contenesse il veleno. L’inchiesta ufficiale concluse per il suicidio, sebbene alcuni storici abbiano in seguito sollevato dubbi anche su questa ricostruzione, ipotizzando un incidente. Nel 2009 il governo britannico ha presentato scuse pubbliche, e nel 2013 Turing ha ricevuto la grazia reale postuma.

Da qui nasce la leggenda: la mela morsicata sarebbe stata un omaggio nascosto di Steve Jobs, che avrebbe scelto quel simbolo per il logo Apple in memoria di Turing. È una storia che circola da decenni, ripetuta anche da fonti autorevoli — ma non ci sono prove che sia vera, e sia Jobs sia il designer del logo, Rob Janoff, l’hanno smentita esplicitamente più volte: Janoff ha raccontato che il morso serviva solo a evitare che, in piccolo, la mela fosse scambiata per una ciliegia, e a dare un senso di scala e di “morso”, appunto, in un gioco di parole con byte.

Resta una leggenda perché è una storia bellissima, non perché sia documentata. Ma proprio per questo è un buon esercizio da fare in classe insieme al resto: imparare a distinguere una fonte storica verificabile — la condanna, la castrazione chimica, la morte per cianuro — da un aneddoto suggestivo che si è propagato perché meritava di essere vero, un po’ come càpita, ironicamente, a tanti numeri che si vorrebbero veri solo perché tornano comodi. Anche qui, in fondo, si torna a fare i conti con l’evidenza — a pesarla, non a darla per buona.