Category: Mathematics and Logic

Cosa misura davvero la velocità della luce?

~ Marco Piovesan ~ Leave a comment

Stai leggendo di c — la lettera che i fisici usano per indicare quella che comunemente chiamiamo “velocità della luce”. Il suo valore misurato è circa 300.000 chilometri al secondo nel vuoto: la velocità con cui un raggio di luce percorre la distanza tra Roma e Tokyo in meno di un centesimo di secondo. È il numero più celebre della fisica moderna, protagonista di equazioni come E=mc². Eppure il nome con cui lo chiamiamo è, come vedremo, profondamente sbagliato.
Chiamare c una “velocità” è come definire il tasso di cambio euro-dollaro “il prezzo di un dollaro”: tecnicamente si può argomentare, ma si perde completamente il punto. c non descrive quanto velocemente la luce attraversa lo spazio. Rappresenta qualcosa di molto più strano e fondamentale: la firma geometrica della realtà in cui viviamo.

  1. Il numero che scompare: perché c = 1
    Sei abituato a sentire 300.000 km/s come se fosse un dato sacro dell’universo. Non lo è.
    Quel numero è un artefatto storico, legato alle unità di misura che gli esseri umani hanno scelto per ragioni pratiche e del tutto arbitrarie. Abbiamo definito il chilometro pensando alla geometria della Terra, e il secondo pensando alla rotazione terrestre. Nessuna delle due scelte ha a che fare con la struttura profonda dell’universo.
    Se misurassimo le distanze in miglia, il numero cambierebbe. Se usassimo gli anni-luce per le distanze e gli anni per il tempo, quel numero svanirebbe del tutto: c diventerebbe esattamente 1.
    Nei sistemi di unità che i fisici teorici usano per spogliare le equazioni da ogni sovrastruttura umana, c non è un numero grande. È un numero puro, adimensionale, privo di unità di misura. È l’1 dell’universo.
    Questo ci dice qualcosa di cruciale: c non è un valore di movimento. È un rapporto di conversione — il numero che permette alla geometria quadridimensionale di funzionare senza l’impiccio delle nostre unità arbitrarie.
  2. Lo spaziotempo: quando spazio e tempo diventano una cosa sola
    Per capire cosa sia davvero c, dobbiamo prima fare un passo indietro e chiederci: cos’è lo spaziotempo?
    Prima di Einstein, spazio e tempo erano considerati entità separate. Lo spazio era il palcoscenico — tre dimensioni in cui gli oggetti si muovono. Il tempo era qualcosa di diverso, una freccia che scorreva indipendente, uguale per tutti.
    Nel 1905 Einstein mostrò che non funziona così. Nel 1908 il matematico Hermann Minkowski formalizzò l’idea in modo rigoroso: spazio e tempo sono dimensioni della stessa struttura, che chiamiamo spaziotempo. Immagina di descrivere la posizione di un evento — diciamo, un fulmine che cade. Non basta dire dove è caduto (latitudine, longitudine, altitudine: tre coordinate spaziali). Devi anche dire quando. Servono quattro coordinate in totale: tre spaziali e una temporale. Lo spaziotempo è quella struttura quadridimensionale.
    È qui che entra c. Per sommare una coordinata spaziale (in chilometri) con una coordinata temporale (in secondi) serve un fattore di conversione. Quel fattore è c: stabilisce che un secondo di tempo “equivale” a circa 300.000 km di spazio. Senza c, spazio e tempo parlerebbero lingue diverse e non potrebbero essere unificati.
  3. Il tasso di cambio tra spazio e tempo
    Torniamo alla nostra analogia con la valuta.
    Quando cambi euro in dollari, usi un tasso di cambio. Quel tasso non è né un euro né un dollaro: è la relazione tra i due. Bene: c fa esattamente la stessa cosa tra spazio e tempo all’interno dello spaziotempo.
    Questa equivalenza non è solo una comodità matematica — suggerisce qualcosa di fisicamente profondo: spazio e tempo non sono due sostanze diverse. Sono la stessa entità, percepita diversamente solo perché la nostra biologia ci ha costretti a inventare due parole per descriverla.
    Noi ci muoviamo liberamente nelle tre direzioni spaziali. Lungo la dimensione temporale, invece, veniamo trasportati — sempre in avanti, senza controllo. È questa asimmetria cognitiva che ci ha portati a vedere spazio e tempo come cose separate. c è la costante che ricuce questa separazione artificiale.
  4. Il budget di movimento: tutti a velocità c
    Eccoti uno dei concetti più vertiginosi della fisica moderna.
    Ogni oggetto nell’universo — un fotone, un elettrone, tu in questo momento — si muove attraverso lo spaziotempo a una velocità totale costante, sempre uguale a c. Prima di spiegare perché, vale la pena chiarire cosa sia un fotone: è la particella elementare che costituisce la luce e, più in generale, tutta la radiazione elettromagnetica. Non ha massa — ci torneremo — e questo lo rende un caso limite fondamentale.
    Il punto centrale è che questo budget totale di movimento pari a c si distribuisce tra le dimensioni dello spaziotempo. Questa non è un’intuizione magica: deriva direttamente dalla metrica di Minkowski, l’equazione che descrive la “distanza” nello spaziotempo in modo analogo al teorema di Pitagora per lo spazio ordinario. Ma l’immagine è potente e corretta:
    ∙ Se sei fermo nello spazio, tutto il tuo budget di movimento scorre lungo la dimensione temporale, alla velocità massima possibile. Stai “invecchiando” nel tempo alla velocità c.
    ∙ Se inizi a muoverti nello spazio, la geometria impone che tu sottragga qualcosa al tuo moto temporale. Risultato: il tuo tempo rallenta. Questo non è un effetto misterioso — è il meccanismo geometrico della dilatazione del tempo, confermato sperimentalmente con orologi a bordo di aerei e satelliti GPS.
    ∙ Se non hai massa — come un fotone — esaurisci l’intero budget nello spazio, senza lasciare nulla al tempo.
    Più vai veloce nello spazio, più lentamente ti muovi nel tempo. Non è una metafora: è geometria.
  5. Perché la luce “viaggia a c”: non è una spinta, è una mancanza
    Perché i fotoni si muovono esattamente a c? Non perché qualcosa li spinga. Ma perché non hanno altra scelta.
    La massa agisce come un’ancora: trattiene gli oggetti dall’investire tutto il loro budget di moto nelle direzioni spaziali. Pensa a te che corri: più corri veloce, più il tuo orologio biologico rallenta (in misura infinitesimale alle velocità umane, ma il principio vale). La massa è ciò che ti lega parzialmente alla dimensione temporale.
    Un fotone non ha massa, quindi non ha nulla che lo trattenga: la geometria stessa lo porta istantaneamente al limite. E poiché esaurisce tutto il suo budget nel moto spaziale, un fotone non possiede più alcun moto nella dimensione temporale. Dal suo “punto di vista” — se un punto di vista potesse esistere per un’entità senza massa — il tempo non scorre. L’universo intero viene attraversato in un istante eterno. Il fotone non invecchia perché ha scambiato tutta la sua esistenza temporale con il movimento nello spazio.
  6. Non un limite di velocità: un’impossibilità geometrica
    Si sente spesso dire che c è un “limite cosmico”, come se un poliziotto invisibile impedisse alle cose di andare più veloci. Non funziona così.
    Superare c non è vietato — è geometricamente impossibile, nello stesso senso in cui è impossibile disegnare un triangolo con quattro lati. Non esiste nella struttura dello spaziotempo uno spazio per qualcosa che si muova più velocemente di c. Non è una legge che potrebbe essere abrogata con la tecnologia giusta: è la forma stessa della realtà.
    Anche i viaggi iperluminali della fantascienza — motori a curvatura, wormhole — non “superano” c. Cercano di aggirare il problema piegando la geometria: rendere vicini due punti che erano lontani. Ma anche qui la fisica mette un limite: tenere aperto un wormhole richiederebbe materia con densità di energia negativa, che non siamo in grado di produrre — e che forse non esiste in forma macroscopica. La geometria permette l’idea; la realtà nega i mezzi.
  7. Un fossile del linguaggio: la geometria di Minkowski
    Il nome “velocità della luce” è un fossile storico. Nasce nell’Ottocento, quando James Clerk Maxwell scoprì che la luce si propagava a velocità finita — e la luce era l’unica cosa senza massa che si conoscesse. Il nome rimase, anche quando la comprensione andò ben oltre.
    Se Maxwell non avesse mai lavorato sull’elettromagnetismo, c esisterebbe comunque: è la costante della geometria di Minkowski, la struttura quadridimensionale che governa lo spaziotempo.
    Questa geometria ha una simmetria fondamentale chiamata invarianza di Lorentz. Cosa significa? In fisica, una simmetria è una trasformazione che lascia le leggi invariate. L’invarianza di Lorentz garantisce che le leggi della fisica appaiano identiche per qualunque osservatore, indipendentemente dal suo moto — che tu sia fermo su una panchina o dentro un treno ad alta velocità, le stesse equazioni valgono. c è il numero che rende possibile questa simmetria: è la costante che compare nelle trasformazioni di Lorentz e che rimane uguale per tutti gli osservatori. Proprio questo — il fatto che la velocità della luce sia la stessa in tutti i sistemi di riferimento — fu il punto di partenza sperimentale di Einstein nel 1905.
    In questa prospettiva, la contrazione di Lorentz — il fatto che gli oggetti in moto appaiano più corti — non è una compressione fisica: è una rotazione geometrica nello spaziotempo, analoga a come un oggetto ruotato nello spazio ordinario sembra più corto se visto di lato.
    E la celebre E = mc² non riguarda la luce: afferma che energia e massa sono la stessa grandezza espressa in unità diverse, con c² che funge da fattore di conversione tra joule e chilogrammi. La luce, in quella formula, è un ospite illustre ma non il protagonista.

Conclusione: l’impronta digitale dell’universo
In ultima analisi, c è il numero che definisce in quale tipo di geometria viviamo. Non è un limite imposto dall’ingegneria — è la forma stessa della realtà.
Resta però una domanda aperta, e onestamente affascinante: perché c ha proprio quel valore? Perché 300.000 km/s e non il doppio? Se il valore fosse diverso, gli atomi cambierebbero dimensione, le stelle brucerebbero in modo diverso, la vita come la conosciamo svanirebbe. Alcuni fisici, nel contesto della Teoria delle Stringhe, suggeriscono che il nostro universo sia solo uno dei moltissimi possibili, e che abbia questa particolare firma geometrica per ragioni statistiche — quella che si chiama selezione antropica: siamo qui a fare questa domanda proprio perché il valore di c è compatibile con la nostra esistenza. Altri sperano in una teoria più profonda, in cui c non sia un dato di partenza arbitrario ma un risultato inevitabile.
Non lo sappiamo ancora.
Quello che sappiamo è che noi — tu, io, ogni atomo del tuo corpo — siamo processi interamente costituiti da questa costante. Non siamo osservatori di c: siamo geometria in movimento, indissolubilmente legati al numero che dice allo spazio quanto vale nel tempo.

Modifiche rispetto alla versione precedente: introdotta la definizione di c nella prima sezione; aggiunta sezione dedicata allo spaziotempo (sezione 2, prima della valuta); definito il fotone nel punto in cui compare; spiegata la metrica di Minkowski come base del “budget di movimento”; chiarito il significato di invarianza di Lorentz e simmetria; aggiunta la selezione antropica in conclusione.

Università per trovare il senso

~ Marco Piovesan ~ Leave a comment

Provo a usare i contenuti di questo libro per delineare alcuni consigli per studenti universitari su come pensare meglio, studiare meglio e decidere meglio in un mondo complesso.

L’università non è soltanto un luogo in cui si accumulano conoscenze. L’ho già scritto in altri post qui sotto ma va sempre ribadito. È, o dovrebbe essere, una palestra di giudizio. Studiare bene non significa solo ricordare informazioni, ma imparare a distinguere tra ciò che è fondato e ciò che è soltanto plausibile, tra ciò che sappiamo e ciò che crediamo di sapere, tra una buona argomentazione e una tesi semplicemente espressa con sicurezza.

Molti studenti arrivano all’università con un’idea implicita dello studio come ricerca della risposta giusta. Ma la formazione universitaria, soprattutto quando è autentica, mostra presto che i problemi importanti raramente si presentano in forma chiusa. Più spesso si lavora in condizioni di incertezza, informazione incompleta, interpretazioni concorrenti, dati imperfetti, linguaggi specialistici, conflitti tra metodi e disaccordi tra esperti.

Per questo serve una disciplina mentale ulteriore. Non basta studiare di più: bisogna imparare a pensare meglio. Questa guida nasce esattamente da qui.

Non cercare subito la certezza: impara a ragionare per gradi

Uno degli errori più comuni nello studio universitario è cercare subito una posizione definitiva: “qual è la teoria giusta?”, “qual è l’interpretazione corretta?”, “chi ha ragione?”. Nei contesti seri, molto spesso la domanda migliore non è questa. La domanda migliore è:

– quanto è solida questa tesi?

– quali prove la sostengono?

– quanto è generale?

– in quali casi funziona bene e in quali meno?

Uno studente maturo non ragiona in modo binario. Impara a distinguere tra ipotesi deboli, tesi plausibili, argomenti robusti, risultati molto ben supportati.

Applicazione pratica. Quando studi un autore, una teoria o un articolo, non limitarti a chiederti “cosa dice?”. Chiediti anche: su quali assunzioni si regge? quali dati o argomenti usa? quale spazio lascia al dubbio? quali sarebbero le obiezioni più forti?

L’incertezza non è una sconfitta: è parte del lavoro intellettuale

Molti studenti vivono l’incertezza come un segno di insufficienza personale: “se non ho capito tutto, vuol dire che non sono adatto”, “se ci sono più interpretazioni, allora non sto capendo”.

È spesso il contrario. Nei percorsi universitari migliori, capire davvero significa anche vedere dove stanno i limiti di una teoria, i margini di errore di una ricerca, i punti ancora controversi. L’incertezza non segnala necessariamente ignoranza; spesso segnala accesso a un livello di comprensione più sofisticato.

Applicazione pratica. Nelle tue sintesi o nei tuoi appunti, crea sempre tre colonne mentali: cose ben accertate, cose probabili ma discutibili, cose aperte o controverse. Questa abitudine migliora enormemente la qualità dello studio e prepara meglio agli esami orali, alle tesi e alla ricerca.

Non confondere informazione con comprensione

Leggere molto non equivale a capire. Evidenziare molto non equivale a selezionare bene. Avere molti PDF non equivale ad avere una mappa mentale. Uno dei problemi tipici dell’università contemporanea è l’overload informativo. Lo studente rischia di essere sommerso da materiali, slides, articoli, riassunti, video, dispense, appunti altrui. In questo scenario la vera abilità non è accumulare, ma discriminare.

Comprendere significa:

– riconoscere la struttura di un argomento,

– identificare la domanda a cui un testo risponde,

– distinguere tra tesi centrale ed elementi accessori,

– capire quali prove fanno davvero il lavoro pesante.

Applicazione pratica. Dopo ogni lezione o lettura, prova a scrivere in 5 righe: qual è la domanda centrale? qual è la risposta proposta? con quali argomenti? che cosa resta non risolto? Se non riesci a farlo, probabilmente non hai ancora capito davvero il testo.

Fai controlli di plausibilità: non tutto ciò che suona bene regge

Una delle lezioni più utili per studenti di qualsiasi disciplina è imparare a fare controlli rapidi di plausibilità. Non serve essere matematici o fisici per sviluppare questa capacità. Molte affermazioni accademiche o giornalistiche sembrano convincenti perché ben formulate, non perché ben fondate. Imparare a testarle con una domanda semplice è un enorme vantaggio cognitivo.

Per esempio: l’ordine di grandezza è plausibile? il dato è compatibile con ciò che già sappiamo? la conclusione è proporzionata all’evidenza? si sta confondendo un caso particolare con una regola generale?

Applicazione pratica. Quando incontri un numero, una relazione causale o una generalizzazione, fermati e chiediti: mi sembra grande o piccolo rispetto a cosa? quanti casi servirebbero per sostenerla? esistono spiegazioni alternative? Questo ti rende meno vulnerabile alla retorica e più capace di giudizio indipendente.

Distingui sempre tra fatti, interpretazioni e valori

Una parte enorme delle discussioni universitarie si confonde perché mescola livelli diversi.

Esempio: un testo può riportare un fatto, un autore può interpretare quel fatto in un certo modo, una comunità scientifica o politica può poi decidere che cosa farne in base a valori, priorità e fini. Questi tre livelli non sono la stessa cosa. Molti studenti, soprattutto all’inizio, reagiscono a una posizione teorica come se fosse solo un’opinione arbitraria, oppure trattano una scelta normativa come se fosse la conclusione obbligata dei dati. Entrambi gli errori sono seri.

Applicazione pratica. Quando prepari un esame o scrivi un elaborato, prova a segnalare esplicitamente: quali sono i dati o i fatti richiamati, quale interpretazione ne viene data, quali giudizi di valore o implicazioni pratiche vengono aggiunti. Questa distinzione ti farà scrivere meglio e discutere meglio.

Studiare non è confermare ciò che già pensi

Lo studente brillante non è quello che trova sempre conferme alle proprie intuizioni. È quello che sa mettere alla prova le proprie idee. Il rischio più comune è leggere un testo cercando solo ciò che coincide con ciò che già pensiamo. Questo produce un’illusione di comprensione e una falsa sensazione di padronanza. In realtà stiamo usando il testo per confermarci, non per imparare.

Applicazione pratica. Quando studi una teoria o una posizione che ti convince, imponiti due esercizi: trova l’obiezione più forte contro di essa; prova a formulare nel modo più corretto la posizione opposta. Questa pratica non indebolisce la tua tesi. La rende più solida, perché ti costringe a capire davvero il campo del problema.

Non tutte le fonti valgono allo stesso modo

All’università si deve imparare anche una gerarchia delle prove e delle fonti. Non tutto ciò che trovi online, senti in aula o leggi in un riassunto ha lo stesso peso. Uno studente universitario deve progressivamente imparare a distinguere: manuale e articolo scientifico, articolo teorico e articolo empirico, dato e commento, fonte primaria e fonte secondaria, sintesi utile e semplificazione fuorviante.

Applicazione pratica. Quando lavori su un argomento, chiediti sempre: questa informazione da dove viene? è una fonte primaria o una rielaborazione? è una posizione consolidata o controversa? è descrittiva o valutativa? Saper classificare una fonte è parte integrante della formazione universitaria.

Impara a discutere senza ridurre tutto a scontro

Molti studenti hanno due modalità estreme: o evitano del tutto il confronto, oppure lo vivono come competizione. Entrambe impoveriscono l’apprendimento. Discutere bene non significa vincere. Significa chiarire il problema, capire dove si colloca il vero disaccordo, vedere se dipende da dati, definizioni, metodi o valori.

Applicazione pratica. In una discussione con compagni o docenti prova a identificare: siamo in disaccordo sui fatti? sull’interpretazione dei fatti? sulle priorità normative? sul significato dei termini? Spesso una discussione si sblocca appena si capisce questo.

I gruppi aiutano, ma solo se lavorano bene

Studiare con altri può essere estremamente utile, ma non automaticamente. I gruppi funzionano male quando diventano luoghi di distribuzione passiva di soluzioni, rassicurazione reciproca o ripetizione meccanica. Funzionano bene quando: obbligano a spiegare, fanno emergere dubbi reali, espongono a punti di vista diversi, permettono di correggersi.

Applicazione pratica. In un gruppo di studio, evitate il formato “ognuno legge il suo pezzo e poi lo ripete”. Meglio: uno espone, uno obietta, uno sintetizza, uno verifica se la spiegazione ha retto. Il gruppo deve aumentare il controllo reciproco della qualità del ragionamento, non solo dividere il carico.

Fidati degli esperti, ma in modo intelligente

La vita universitaria introduce progressivamente al mondo dell’expertise. Non puoi ricostruire da zero tutto quello che studi; devi fidarti di manuali, docenti, articoli, metodi, comunità scientifiche. Ma questa fiducia non deve essere cieca. Fiducia intelligente significa chiedersi: questa posizione è ben argomentata? è condivisa da una comunità ampia o è marginale? quali metodi la sostengono? quali limiti vengono riconosciuti?

Applicazione pratica. Non sostituire mai il giudizio con la deferenza totale, ma non sostituire neppure la competenza con l’opinione personale. Il buon studente impara a riconoscere quando deve affidarsi e quando deve interrogare criticamente.

Decidere bene anche quando non hai tutte le informazioni

Gli studenti spesso rimandano decisioni importanti perché aspettano una chiarezza completa che non arriverà: quale corso scegliere, quale relatore contattare, su quale tema fare tesi, se partire in Erasmus, come organizzare il semestre. Le decisioni serie raramente si prendono con informazione perfetta. Si prendono con informazione sufficiente, buoni criteri, consapevolezza dei rischi e disponibilità a correggersi.

Applicazione pratica. Quando devi decidere, prova questa sequenza: qual è l’obiettivo reale? quali sono le 2-3 opzioni migliori? quali sono i costi reversibili e quelli irreversibili? che informazione mi manca davvero? quale sarebbe una decisione ragionevole già adesso? Questo riduce l’ansia e migliora la qualità delle scelte.

Scrivere bene significa pensare con ordine

La scrittura universitaria non è un semplice veicolo finale del pensiero. È uno strumento di chiarificazione del pensiero stesso. Molti studenti credono di avere capito un argomento, ma scoprono il contrario quando provano a scriverlo.

Scrivere bene vuol dire: formulare una tesi, ordinarne le ragioni, distinguere ciò che è centrale da ciò che è accessorio, anticipare obiezioni, dosare i passaggi.

Applicazione pratica. Quando scrivi un elaborato, non partire dalle frasi. Parti dalla struttura: qual è la mia tesi? perché dovrebbe convincere? quale obiezione seria devo affrontare? che cosa voglio che il lettore capisca alla fine?

L’università serve anche a costruire carattere intellettuale

Oltre alle competenze, l’università dovrebbe formare disposizioni mentali stabili: pazienza davanti alla complessità, umiltà davanti ai limiti del proprio sapere, coraggio nel rivedere le proprie idee, precisione nell’uso dei concetti, responsabilità nell’argomentazione. Queste qualità non sono ornamentali. Sono parte sostanziale della vita intellettuale. Uno studente universitario cresce davvero quando smette di usare lo studio solo per ottenere risultati immediati e comincia a usarlo per trasformare il proprio modo di guardare i problemi.

Cinque abitudini concrete da adottare subito

Prima abitudine: alla fine di ogni lezione, scrivi la domanda principale a cui quella lezione cercava di rispondere.

Seconda abitudine: quando leggi, separa sempre tesi, argomenti, evidenze e conclusioni.

Terza abitudine: una volta a settimana, prova a spiegare ad alta voce un concetto difficile in modo semplice ma rigoroso.

Quarta abitudine: quando sei convinto di qualcosa, cerca deliberatamente un’obiezione forte.

Quinta abitudine: prima di un esame, non ripassare solo “cosa dice l’autore”, ma anche “perché lo dice” e “che cosa potrebbe contestargli un avversario serio”.

La vera formazione universitaria non consiste nel passare da un esame all’altro, ma nel diventare una persona capace di giudicare meglio. Questo richiede conoscenze, certo, ma richiede anche metodo, autocontrollo intellettuale, capacità di distinguere livelli diversi del discorso, sensibilità alla qualità delle prove e disponibilità a correggersi.

In un mondo saturo di informazioni, opinioni e pseudo-certezze, lo studente non ha bisogno soltanto di sapere di più. Ha bisogno di imparare a pensare con maggiore rigore, maggiore chiarezza e maggiore onestà.

È questa, in fondo, una delle promesse più alte dell’università: non soltanto insegnarti qualcosa, ma insegnarti a diventare il tipo di persona che sa che cosa fare quando le risposte non sono già date.

Fenomeni semplici, complicati e complessi. Il ruolo del ceteris paribus

~ Marco Piovesan ~ Leave a comment

L’economia politica studia come individui, imprese e istituzioni prendono decisioni sotto vincoli – risorse scarse, tecnologia disponibile, informazione imperfetta, regole formali e informali – e come queste decisioni, interagendo tra loro, producano esiti collettivi: prezzi e quantità, distribuzione del reddito, occupazione e inflazione, crescita, volatilità, stabilità finanziaria, emissioni, benessere. Il punto decisivo è che questi esiti non sono la semplice somma di azioni indipendenti. Sono spesso equilibri (o disequilibri) in cui ciò che fai tu modifica le opportunità e le strategie degli altri. Gli agenti inoltre non sono oggetti inerti: apprendono, anticipano, imitano, negoziano, cambiano credenze, reagiscono alle regole e talvolta reagiscono perfino alle descrizioni che noi facciamo del sistema.

Quando ha senso trattare un fenomeno come semplice, quando come complicato e quando come complesso?

L’etimologia aiuta a fissare le idee.

“Semplice” viene dal latino simplex, da sim- (uno solo) e plectere (piegare): letteralmente “piegato una sola volta”. Un fenomeno è semplice quando poche variabili contano davvero e le relazioni tra esse sono stabili nel dominio che ci interessa. Le connessioni sono lineari o quasi, e piccole variazioni producono effetti prevedibili.

“Complicato” deriva da cum + plectere: “piegare insieme”, intrecciare più fili. Qui i passaggi e le variabili sono molti, l’architettura è articolata, ma il sistema resta scomponibile: possiamo analizzarne i sottosistemi separatamente e, in linea di principio, più informazione e più capacità di calcolo migliorano la previsione in modo affidabile.

“Complesso”, dalla stessa radice cum + plectere, condivide l’idea dell’intreccio ma ne cambia la natura. Il tratto distintivo non è la quantità dei pezzi, bensì la loro interdipendenza adattiva. Le parti si influenzano reciprocamente attraverso feedback, effetti di rete, soglie, non linearità, aspettative, cambi di regime. In questi sistemi il tutto non è riducibile alla somma delle parti e l’aumento di informazione non garantisce maggiore prevedibilità, perché il sistema può reagire alle stesse informazioni.

Un’immagine mentale chiarisce la differenza. Il semplice è come un meccanismo con poche ruote dentate: se giri una manopola, sai con buona approssimazione cosa succede. Il complicato è come un aereo: migliaia di componenti, ma progettati in modo modulare; il comportamento di ciascuna parte non cambia strategicamente quando la osservi. Il complesso è più simile a un ecosistema o a un sistema di traffico urbano con individui che scelgono il percorso: l’interazione genera pattern emergenti, gli agenti si adattano e piccole differenze nelle condizioni iniziali possono produrre esiti molto diversi, soprattutto vicino a soglie critiche.

In microeconomia esistono ambiti davvero semplici in senso forte. Pensa al vincolo di bilancio del consumatore o al problema elementare di massimizzazione del profitto: sono relazioni aritmetiche e logiche. Se il reddito è dato e i prezzi sono dati, il consumatore non può spendere più di quanto ha; se la tecnologia è data, l’impresa non può produrre oltre ciò che consente la funzione di produzione. Questa semplicità non è banalità: è alfabetizzazione. I vincoli definiscono lo spazio delle possibilità. Quando si dice che “la micro è troppo semplice”, spesso si confonde la funzione pedagogica di questi strumenti con la natura complessiva della disciplina. Il complicato emerge quando il problema resta dello stesso tipo ma aumenta il numero di dettagli. Un consumatore con molti beni, vincoli non lineari, tasse differenziate; un’impresa multiprodotto con molte restrizioni tecniche; un’asta con regole articolate. Il problema è più difficile, ma non cambia natura: con più informazione e più calcolo possiamo, in linea di principio, trovare la soluzione. Le preferenze e la tecnologia non cambiano perché le stiamo studiando. Il complesso appare quando le decisioni di ciascuno dipendono in modo strategico da quelle degli altri e quando le aspettative influenzano gli esiti. È il terreno dell’interazione strategica, degli effetti di rete, delle esternalità, delle dinamiche di mercato con entrata e uscita. Qui non basta chiedersi “qual è l’effetto medio di una variazione di prezzo?”, ma “come reagiscono gli altri agenti?”, “si attivano feedback che amplificano o attenuano l’effetto?”, “esistono soglie oltre le quali il mercato cambia struttura?”. In questi casi la microeconomia diventa analisi di equilibri, di meccanismi e di regimi: l’esito dipende dall’intreccio delle scelte, non solo dal singolo problema di ottimizzazione.

Questa distinzione prepara a comprendere il ruolo dei modelli. Un modello non è una fotografia del mondo; è una mappa. Una mappa della metropolitana è eccellente per muoversi tra linee e stazioni, pessima per capire l’altimetria. In economia esistono modelli costruiti per isolare un canale causale, modelli per valutare controfattuali di policy, modelli per guidare l’identificazione empirica, modelli per esplorare vulnerabilità e soglie nei sistemi complessi (Simon, 1962; Weaver, 1948). Il rigore non consiste nel pretendere che un singolo modello faccia tutto, ma nel dichiarare quale problema sta affrontando, quali assunzioni lo rendono trattabile e dove prevediamo che possa fallire (Friedman, 1953; Hausman, 1992).

Qui entra il ceteris paribus. Non significa “nel mondo il resto resta fermo”. Significa: sto formulando un’affermazione su un meccanismo specifico, non sull’intero sistema. È una clausola di significato. Prendiamo l’enunciato classico: “se il prezzo aumenta, la quantità domandata diminuisce”. Senza clausole è ambiguo: potrebbe essere smentito se nel frattempo aumentano redditi, cambia la qualità, mutano i prezzi dei sostituti o le aspettative. Con il ceteris paribus l’enunciato diventa preciso: se aumenta il prezzo e gli altri determinanti rilevanti non si muovono in modo da interferire, il canale di sostituzione spinge la domanda verso il basso. Stiamo isolando un effetto marginale, una tendenza causale (Cartwright, 1989; Strevens, 2012). Se nella realtà agiscono più forze simultaneamente, non abbiamo “salvato” la teoria: stiamo distinguendo canali che interagiscono. Nelle scienze sociali molte “leggi” sono generalizzazioni su capacità causali che si manifestano sotto condizioni appropriate. Il ceteris paribus rende esplicite tali condizioni. Senza di esso, le frasi diventano vaghe e meno scientifiche.

Tuttavia, nei sistemi complessi il ceteris paribus può essere usato ingenuamente. L’errore tipico è tenere fisso ciò che in realtà reagisce alla variabile che stiamo modificando: un problema di endogeneità concettuale. La critica di Lucas (1976) formalizza questa intuizione: relazioni econometriche stimate in un certo regime di regole e aspettative possono cambiare se la policy altera quel regime. Cambiare le regole può cambiare la partita; e non possiamo usare le statistiche della vecchia partita per prevedere la nuova come se nulla fosse.

Da qui una distinzione fondamentale per uno studente di economia politica: effetto parziale ed effetto totale. L’effetto parziale isola un canale, spesso in equilibrio parziale. L’effetto totale lascia reagire l’intero sistema: prezzi, quantità, aspettative, entrate e uscite dal mercato, innovazione, norme. Nei sistemi semplici o complicati la differenza può essere contenuta; nei sistemi complessi può essere enorme, perché l’interazione tra canali genera feedback e cambi di regime.

La ricerca empirica moderna può essere letta come un tentativo di rendere operativo il ceteris paribus. Nei dati il “resto” non è mai uguale, quindi occorre costruire confronti credibili per identificare effetti causali: esperimenti randomizzati, difference-in-differences, regression discontinuity, strumenti (Angrist e Pischke, 2009; Imbens e Rubin, 2015). Studi come Card e Krueger (1994) mostrano come disegni empirici possano isolare un canale in contesti reali.

Ma anche un disegno causale impeccabile stima tipicamente un effetto locale, in un certo contesto e sotto un certo regime. La generalizzazione richiede teoria e comprensione dei meccanismi. In un sistema complesso, scalare una policy può modificarne l’effetto proprio perché cambia la struttura del sistema.

La filosofia della scienza entra qui in modo operativo. Un enunciato economico ben formulato deve specificare:

– quale meccanismo è in gioco;

– sotto quali condizioni è dominante;

– quali condizioni lo indeboliscono o lo ribaltano;

– se si parla di breve o lungo periodo;

– se l’analisi è di equilibrio parziale o generale;

– quale parte è identificata empiricamente e

– quale è extrapolazione teorica.

Questa è precisione scientifica. In sintesi, il ceteris paribus è la punteggiatura della lingua economica. Nei fenomeni semplici e complicati spesso basta per produrre buona scienza. Nei fenomeni complessi è il primo passo, non l’ultimo: dopo aver isolato un canale dobbiamo chiederci come reagisce il sistema, quali feedback si attivano, quali soglie possono essere attraversate e se stiamo cambiando regime. L’economia non promette onniscienza; promette conoscenza condizionale, meccanicistica e disciplinata, insieme a un’analisi esplicita di portata e robustezza delle proprie affermazioni.

Fenomeni sociali e analisi economica

~ Marco Piovesan ~ Leave a comment

Quando vogliamo capire un fenomeno sociale o economico — per esempio migrazione, diseguaglianza, povertà o cambiamento climatico — la prima cosa da fare è chiarire che cosa stiamo cercando di capire. Sembra banale, ma non lo è. Dire “voglio studiare la povertà” non basta, perché “povertà” può significare molte cose: può essere un reddito sotto una certa soglia, può essere l’assenza di beni essenziali, può essere una condizione di deprivazione che riguarda salute, istruzione, casa. Lo stesso vale per “migrazione” o “cambiamento climatico”: dobbiamo decidere quale aspetto misuriamo, con quale unità, in quale periodo, in quali luoghi. Finché non definiamo l’oggetto in modo osservabile e misurabile, non abbiamo ancora un problema empirico testabile: abbiamo un tema (o una domanda generale), ma non ancora una strategia per metterlo alla prova con i dati.

Misurare significa raccogliere dati (e trasformare informazioni in variabili)

Misurare significa raccogliere dati. I dati sono informazioni associate a unità di osservazione. Spesso sono numeri (reddito, età, temperatura), ma possono anche essere categorie (occupato/disoccupato, titolo di studio, partito votato) o persino testi (risposte aperte, post, articoli): per fare analisi quantitativa, queste informazioni vengono in genere codificate in variabili utilizzabili.

L’unità di osservazione può essere una persona, una famiglia, un’impresa, un comune, una regione, un paese. Se misuro il reddito di una persona in un certo anno, sto facendo un’osservazione. Se misuro il reddito di molte persone nello stesso anno, ottengo un insieme di osservazioni. Se misuro il reddito della stessa persona in anni diversi, ottengo una serie di osservazioni nel tempo. Se misuro il reddito di persone diverse in luoghi diversi e anni diversi, ottengo un insieme ancora più ricco.

Una volta raccolti i dati, succede quasi sempre una cosa: i valori non sono tutti uguali. Cambiano tra persone, tra territori, tra anni. Proprio perché cambiano, diciamo che stiamo osservando una variabile. Una variabile è una grandezza che può assumere valori diversi. Il reddito è una variabile perché varia tra individui e nel tempo. Il tasso di disoccupazione è una variabile perché cambia tra regioni e tra periodi. La temperatura media è una variabile perché cambia nel tempo e nello spazio. Anche gli anni di istruzione sono una variabile, perché non tutti studiano lo stesso numero di anni.

Misurare e descrivere non è ancora spiegare

A questo punto abbiamo fatto un passo fondamentale: abbiamo trasformato un fenomeno in qualcosa di misurabile. Ma misurare e descrivere non è ancora spiegare. La domanda successiva è: perché osserviamo questa variazione? Perché alcune persone hanno redditi più alti di altre? Perché alcune regioni sono più povere? Perché alcuni paesi emettono più CO₂?

Quando chiediamo “perché”, stiamo entrando nel territorio delle spiegazioni, e quindi dei modelli.

Che cos’è un modello (e cosa non è)

Un modello economico è un modo di scrivere un’ipotesi in forma precisa. Non è la realtà, e non è “la verità”. È una rappresentazione semplificata che serve a ragionare in modo rigoroso. Il modello ci obbliga a essere chiari: quali variabili contano, e quale relazione immaginiamo tra loro.

Se pensiamo che il reddito dipenda dall’istruzione, possiamo chiamare il reddito Y e l’istruzione X e dire che Y è funzione di X, cioè Y = f(X). Questa frase significa: l’istruzione è una possibile causa o determinante del reddito. Ma, ed è essenziale capirlo, questa è un’ipotesi di lavoro. Non è ancora una conclusione.

Dati e grafici: vedere un’associazione

Per vedere se l’ipotesi è compatibile con i dati, possiamo iniziare con una rappresentazione semplice: un grafico cartesiano. Mettiamo gli anni di istruzione sull’asse orizzontale e il reddito sull’asse verticale. Ogni punto del grafico rappresenta una singola osservazione: una persona in un certo luogo e in un certo momento, con un certo numero di anni di istruzione e un certo reddito.

Se i punti sono sparsi a caso, senza forma, allora non vediamo una relazione sistematica. Se invece i punti mostrano un andamento, per esempio crescente, allora vediamo un’associazione: all’aumentare dell’istruzione, il reddito tende a essere più alto.

Associazione ≠ causalità: la distinzione centrale

Questa è una scoperta? È un’informazione importante, ma non è ancora una conclusione causale. Qui entra la distinzione più importante di tutta l’economia empirica: associazione non significa causalità.

Dire che due variabili sono associate significa dire che si muovono insieme nei dati. Dire che una variabile causa l’altra significa qualcosa di più forte: significa che se intervenissimo sul mondo e cambiassimo X, allora Y cambierebbe come conseguenza di questo cambiamento.

Perché non possiamo passare direttamente da “si muovono insieme” a “una causa l’altra”?

Perché esistono spiegazioni alternative che producono lo stesso andamento nei dati.

(1) Causalità inversa (reverse causality). Può essere che non sia (solo) X a influenzare Y, ma anche il contrario. Un esempio più chiaro, nel caso istruzione–reddito, è questo: le persone scelgono quanta istruzione fare anche in base alle aspettative sul rendimento futuro (opportunità di carriera, salari attesi). In questo senso, un “reddito atteso” o le prospettive economiche (legate a Y) possono influenzare la scelta di X.

(2) Confondimento (confounding). Esiste una terza variabile che influenza sia l’istruzione sia il reddito. Chiamiamola U. U potrebbe essere abilità, motivazione, salute, qualità della scuola, ambiente familiare, risorse dei genitori. Se U spinge una persona a studiare di più e, indipendentemente, la rende anche più produttiva e quindi più pagata, allora istruzione e reddito appaiono legati anche se una parte del legame non è l’effetto dell’istruzione, ma l’effetto comune di U su entrambe.

(3) Selezione (selection). Le persone non ricevono istruzione a caso. Studiano di più o di meno per vincoli, scelte, opportunità. Se chi studia di più è diverso da chi studia di meno già prima (per caratteristiche osservate o non osservate), allora confrontare i due gruppi non equivale a isolare l’effetto dell’istruzione.

Intervento vs osservazione: la logica di Pearl (do-notation)

Questo modo di ragionare è stato reso estremamente chiaro da Judea Pearl, che insiste su un punto: la causalità riguarda gli interventi, non solo le osservazioni.

Osservare X = x significa guardare chi ha un certo livello di istruzione; ma queste persone possono essere diverse per molte caratteristiche. Intervenire su X significa fissare dall’esterno il livello di istruzione, come se potessimo “impostare” X, e poi vedere cosa succede a Y. Pearl usa la notazione do(X = x) per indicare un intervento.

A questo punto serve anche una piccola nota di notazione:

E[·] indica il valore atteso, che qui possiamo leggere come “media”.

La differenza è decisiva:

E[Y | X = x] è la media di Y tra chi osserviamo avere X = x; E[Y | do(X = x)] è la media che avremmo se imponessimo X = x (cioè se facessimo un intervento).

In generale non sono la stessa cosa, proprio a causa di selezione e confondimento.

In sintesi: osservare “chi ha X = x” non equivale a “imporre X = x”.

Grafi causali: visualizzare confondimento e percorsi

Per essere più concreti, possiamo rappresentare le ipotesi causali con grafi fatti di variabili e frecce.

Se crediamo che l’istruzione influenzi il reddito, disegniamo una freccia da X → Y. Se crediamo che una variabile U influenzi sia l’istruzione sia il reddito, disegniamo U → X e U → Y.

Questo disegno serve a capire quali sono i percorsi attraverso cui X e Y risultano collegati nei dati. Il compito dell’analisi causale è bloccare i percorsi di confondimento, cioè fare in modo che la variazione in X che utilizziamo per stimare l’effetto su Y non sia contaminata da U.

La regressione: quantificare un’associazione (non “creare” causalità)

A questo punto entra uno strumento quantitativo fondamentale: la regressione. La regressione lineare stimata con i minimi quadrati ordinari (OLS) è un modo per riassumere in numeri l’andamento che vediamo nei dati. Nella forma più semplice, scriviamo il reddito come una costante più un coefficiente moltiplicato per l’istruzione, più un termine di errore:

Y = a + bX + errore

Il coefficiente davanti a X descrive di quanto cambia Y, in media, quando X aumenta di una unità, secondo la migliore approssimazione lineare dei dati. OLS sceglie quel coefficiente in modo da rendere piccoli, nel complesso, gli scarti tra i valori osservati del reddito e i valori che la retta “predice”. In altre parole, disegna la retta che meglio attraversa la nuvola di punti.

È fondamentale capire il ruolo del termine di errore. Non è un semplice dettaglio tecnico. Dentro l’errore c’è tutto ciò che influenza il reddito e che non abbiamo incluso esplicitamente nel modello: abilità, motivazione, salute, contesto familiare, condizioni locali, e così via. Se questi fattori sono correlati con l’istruzione, il coefficiente stimato mescola l’effetto dell’istruzione con l’effetto dei confondenti. Per questo una regressione semplice descrive un’associazione, ma non diventa automaticamente causale.

In sintesi: la regressione riassume “come stanno insieme” X e Y nei dati; la causalità dipende dal disegno.

Regressioni con controlli: cosa significa “a parità delle altre variabili”

Per ridurre il confondimento, si usano regressioni con controlli. In una regressione con controlli includiamo altre variabili, come età, genere, regione, istruzione dei genitori, esperienza lavorativa.

Che cosa significa “controllare” in modo preciso? Significa confrontare persone che hanno gli stessi valori dei controlli. Quando diciamo che il coefficiente dell’istruzione è stimato “a parità delle altre variabili”, stiamo dicendo: stiamo confrontando persone simili rispetto ai controlli inclusi, e dentro questo confronto stimiamo l’associazione tra istruzione e reddito. Questo è il significato concreto di ceteris paribus.

Ma anche qui bisogna essere rigorosi: “a parità delle altre variabili” significa a parità delle variabili che abbiamo incluso, non a parità di tutto ciò che esiste nel mondo. Se esistono confondenti non osservati che restano fuori, il problema può rimanere.

Inoltre, controllare non è sempre una buona idea: se controlliamo per una variabile che è un effetto dell’istruzione (un mediatore), rischiamo di “togliere” parte dell’effetto che vogliamo misurare; se controlliamo per una variabile influenzata sia da X sia da Y (un caso tipico di collider), possiamo introdurre nuove distorsioni.

Per questo la scelta di cosa controllare deve essere guidata da una chiara idea causale, non da un automatismo.

In sintesi: i controlli aiutano solo se scelti con logica causale; altrimenti possono peggiorare.

Identificazione: quando la variazione in X assomiglia a un intervento

Come fa allora uno scienziato a stimare un effetto causale in modo credibile? L’idea generale è creare, o sfruttare, una situazione in cui la variazione di X sia equivalente a un intervento, cioè assomigli a do(X).

Il caso più pulito è la randomizzazione: se X viene assegnata a caso, allora non è correlata ai confondenti, e il confronto tra gruppi con X diversa identifica un effetto causale. Quando la randomizzazione non è possibile, si cercano quasi-esperimenti: regole, riforme, soglie, lotterie, shock esterni che generano variazione in X indipendente dai confondenti. In altri casi si usano strumenti: variabili che spingono X ma non influenzano Y se non attraverso X e non sono legate ai confondenti.

In tutti questi casi, la regressione può essere usata per quantificare l’effetto, ma il punto centrale rimane il disegno che rende credibile l’interpretazione causale.

In sintesi: la tecnica (regressione) non basta; serve un disegno che renda plausibile “come se fosse un intervento”.

Incertezza: perché anche le buone stime non sono perfette

Fin qui abbiamo parlato di causalità e di metodi. Ora dobbiamo aggiungere un altro pezzo indispensabile: l’incertezza. Anche quando il disegno è corretto, le stime non sono perfette perché i dati contengono rumore e perché spesso osserviamo solo un campione. Qui entra la probabilità.

La probabilità, in questo contesto, serve a descrivere che cosa succederebbe se ripetessimo lo stesso studio molte volte. Se prendiamo un campione di individui e stimiamo un coefficiente, quel coefficiente dipende dal campione specifico. Se prendessimo un altro campione, otterremmo un numero leggermente diverso. Questa variabilità tra campioni è inevitabile. L’inferenza statistica serve a misurarla.

Errori standard e intervalli di confidenza

Il modo più comune per descrivere la precisione di una stima è l’errore standard: una misura di quanto la nostra stima cambierebbe se ripetessimo l’analisi su campioni diversi. Se l’errore standard è piccolo, la stima è precisa; se è grande, la stima è imprecisa. L’errore standard dipende dalla dimensione del campione, dal rumore nei dati e da quanta variazione utile abbiamo in X.

Un modo molto chiaro per comunicare precisione è l’intervallo di confidenza. Un intervallo di confidenza al 95% è costruito in modo tale che, se ripetessimo lo studio moltissime volte e costruissimo ogni volta lo stesso tipo di intervallo, nel 95% dei casi l’intervallo conterrebbe il vero valore del parametro.

Lettura pratica: l’intervallo di confidenza ci dice quali valori del coefficiente sono compatibili con i dati, tenendo conto dell’incertezza. Intervalli stretti indicano molta informazione; intervalli larghi indicano che i dati non permettono conclusioni precise.

p-value, significatività e rilevanza

Accanto agli intervalli, spesso si usano i test di ipotesi e la significatività statistica. Il caso più comune è testare se un coefficiente è diverso da zero.

L’ipotesi nulla dice: il coefficiente è zero, quindi nel modello specificato non c’è effetto. Il test valuta quanto sarebbe raro ottenere un coefficiente almeno così grande in valore assoluto se l’effetto vero fosse davvero zero.

Questa rarità viene riassunta dal p-value. Il p-value è la probabilità di osservare un risultato almeno così estremo, assumendo che l’ipotesi nulla sia vera. Non è la probabilità che l’ipotesi nulla sia vera.

Quando un p-value è piccolo, diciamo che il risultato è “statisticamente significativo” rispetto a una soglia scelta, spesso 5%. Questo significa: se l’effetto vero fosse zero, sarebbe raro vedere un risultato come quello osservato. Ma non significa che l’effetto sia grande o importante. Significativo non vuol dire rilevante.

Errori di tipo I e II e potenza statistica

Possiamo sbagliare in due modi: concludere che c’è un effetto quando in realtà non c’è (falso positivo, errore di tipo I); non rilevare un effetto che esiste davvero (falso negativo, errore di tipo II).

La potenza statistica (power) è la probabilità che un test riesca a rilevare un effetto quando l’effetto esiste davvero. Uno studio con alta potenza ha buone probabilità di individuare un effetto reale; uno studio con bassa potenza rischia di produrre risultati “non significativi” anche quando l’effetto è presente.

Un punto importantissimo: un risultato non significativo non prova che l’effetto sia zero. Può semplicemente significare che lo studio non aveva abbastanza informazione per distinguerlo da zero.

Da cosa dipende la potenza? Dipende dalla grandezza dell’effetto, dal rumore nei dati, dalla dimensione del campione e dalla soglia di significatività scelta.

Test multipli e disciplina della ricerca

C’è una trappola comune quando si lavora con i dati: se si provano molte ipotesi, molte specificazioni, molti sottogruppi, è facile trovare qualche risultato “significativo” solo per caso. Anche se ogni singolo test ha una probabilità del 5% di produrre un falso positivo sotto l’ipotesi nulla, facendo molti test la probabilità di trovare almeno un falso positivo cresce.

Questo è il motivo per cui la ricerca empirica richiede disciplina: chiarezza su quali analisi sono principali e quali esplorative, trasparenza sulle scelte, e attenzione ai test multipli. Non perché la statistica sia fragile, ma perché l’uso non disciplinato dei test può produrre conclusioni ingannevoli.

Tirando le fila: la logica completa del metodo empirico

Si parte da un fenomeno e lo si rende misurabile. La misura produce variabili che variano tra unità, luoghi o tempi. Si osservano relazioni nei dati e si quantificano con strumenti come la regressione. Si costruisce un modello come ipotesi rigorosa sui meccanismi. Si distingue l’associazione dalla causalità e si ragiona in termini di interventi, cioè di cosa succederebbe se cambiassimo X. Si costruisce, quando possibile, un disegno che renda credibile interpretare la variazione in X come un intervento, bloccando il confondimento. Infine, si usa la probabilità per quantificare l’incertezza: errori standard e intervalli di confidenza per la precisione, p-value e test per valutare compatibilità con l’ipotesi nulla, e potenza per capire se lo studio è in grado di rilevare effetti reali.

Solo mettendo insieme questi pezzi possiamo trasformare dei numeri (e più in generale dei dati) in conoscenza affidabile, senza confondere ciò che i dati mostrano con ciò che possiamo davvero concludere.

Perché tutto questo è importante per il tuo futuro

Nella vita professionale — in un’amministrazione pubblica, in un’impresa, in una ONG, nel giornalismo, nella consulenza o nella ricerca — incontrerai continuamente affermazioni come: “questa politica riduce la povertà”, “questa riforma aumenta l’occupazione”, “questa formazione fa crescere i salari”, “questa misura ambientale funziona”. Queste sono affermazioni causali. I metodi quantitativi servono a valutare se sono fondate oppure se stanno confondendo correlazioni, selezione e confondimento. In altre parole, imparare questi strumenti significa imparare a distinguere tra un risultato convincente e una conclusione fragile: è una competenza chiave per leggere (e produrre) evidenza credibile nel mondo reale.

Mini-glossario (essenziale)

Unità di osservazione: l’oggetto su cui misuri (persona, famiglia, impresa, regione…).

Variabile: una grandezza che può assumere valori diversi (reddito, anni di istruzione, disoccupazione…).

Associazione: X e Y si muovono insieme nei dati.

Causalità: cambiare X con un intervento cambia Y.

Confondente (U): variabile che influenza sia X sia Y, “sporcando” l’associazione.

Selezione: X non è assegnata a caso; i gruppi con X diversa differiscono già “prima”. do(X=x): notazione per un intervento che impone X=x.

Regressione (OLS): metodo che stima una relazione lineare “media” tra variabili.

Errore standard: misura della variabilità della stima tra campioni.

Intervallo di confidenza: insieme di valori compatibili con i dati (con una certa regola di costruzione).

p-value: probabilità di un risultato almeno così estremo se l’ipotesi nulla fosse vera.

Potenza (power): probabilità di rilevare un effetto se l’effetto esiste davvero.

Quasi-esperimento / identificazione: situazione in cui la variazione in X è credibilmente “come se” fosse random.

Il linguaggio matematico della natura e della società

~ Marco Piovesan ~ Leave a comment

Una delle idee più profonde della scienza moderna è che la natura obbedisca a leggi che possono essere espresse in forma matematica. Non si tratta solo di un modo comodo di descrivere il mondo, ma della convinzione che dietro la varietà dei fenomeni esista un ordine necessario, astratto, e in qualche senso intelligibile. Questa idea, però, non è sempre esistita. È il risultato di una lunga storia intellettuale, fatta di intuizioni, resistenze e svolte radicali.

Le prime tracce di questa visione risalgono all’antica Grecia. Nel VI secolo a.C., i pitagorici scoprono che fenomeni naturali apparentemente qualitativi, come l’armonia musicale, obbediscono a rapporti numerici semplici. La relazione tra lunghezza delle corde e intervalli sonori porta alla famosa tesi secondo cui “tutto è numero” (Aristotele, Metafisica, I, 5). È un’idea potente, ma ancora lontana dalla scienza nel senso moderno: il numero non è uno strumento di misurazione empirica, bensì il principio metafisico dell’ordine cosmico.

Con Platone, nel IV secolo a.C., la matematica assume un ruolo centrale nella conoscenza. Nel Timeo, il cosmo è costruito secondo proporzioni geometriche, e le forme matematiche rappresentano la struttura profonda del reale. La matematica è vista come il linguaggio dell’intelligibile, superiore al mondo sensibile e mutevole. Non a caso, la tradizione attribuisce all’Accademia il motto “nessuno entri qui se non conosce la geometria”. Tuttavia, anche in Platone la matematica non nasce dall’osservazione sistematica della natura, ma da una concezione filosofica dell’ordine.

Aristotele introduce una svolta decisiva, ma ambigua. Da un lato fonda la fisica come studio della natura; dall’altro separa nettamente la matematica dalla spiegazione dei fenomeni naturali. Per Aristotele, la matematica astrae dalle qualità reali e non può cogliere le cause dei processi fisici (Fisica, II, 2). La sua enorme influenza farà sì che, per secoli, la matematizzazione della natura venga vista con sospetto: utile per descrivere, ma incapace di spiegare.

Un’eccezione straordinaria è Archimede (III secolo a.C.). Nei suoi lavori sulla leva e sul galleggiamento, Archimede usa dimostrazioni matematiche per derivare leggi fisiche generali, anticipando un metodo che diventerà centrale solo molto più tardi (On Floating Bodies). Einstein lo definirà uno dei più grandi geni scientifici di tutti i tempi. Eppure, il suo approccio rimane isolato e non genera una tradizione continua.

Durante il Medioevo, la matematica viene applicata in modo sporadico allo studio del moto (si pensi ai “calculatores” di Oxford, come Thomas Bradwardine), ma l’idea che la natura sia governata universalmente da leggi matematiche non è ancora dominante. La fisica resta prevalentemente qualitativa e teleologica.

La svolta arriva tra XVI e XVII secolo, con quella che oggi chiamiamo Rivoluzione scientifica. Galileo Galilei rende esplicita una nuova concezione della natura: il mondo fisico è governato da leggi necessarie, e queste leggi sono matematiche. Nel Saggiatore (1623) scrive che “il libro della natura è scritto in caratteri matematici”, e che senza triangoli, cerchi e numeri è impossibile comprenderlo. Qui la matematica non è più una filosofia dell’ordine, ma uno strumento operativo per formulare leggi, fare previsioni e confrontarle con l’esperienza.

Con Isaac Newton questa visione raggiunge una forma compiuta. Nei Principia Mathematica (1687), le stesse equazioni descrivono la caduta dei gravi sulla Terra e il moto dei pianeti nei cieli. È un passaggio concettuale enorme: non solo la natura obbedisce a leggi matematiche, ma queste leggi sono universali. Come scriverà Laplace un secolo dopo, in linea di principio una mente che conoscesse tutte le leggi e le condizioni iniziali potrebbe prevedere l’intero futuro dell’universo (Essai philosophique sur les probabilités, 1814).

Da quel momento in poi, l’idea che comprendere significhi “trovare le equazioni” diventa il cuore della scienza moderna. Dalla termodinamica all’elettromagnetismo, dalla meccanica quantistica alla relatività generale, la matematica non accompagna la fisica: la costituisce.

Resta però una domanda aperta e affascinante, formulata in modo celebre da Eugene Wigner: perché la matematica funziona così bene nel descrivere il mondo? Nel suo saggio The Unreasonable Effectiveness of Mathematics in the Natural Sciences (1960), Wigner parla di un “miracolo” che non sappiamo spiegare del tutto. La matematica è una scoperta o un’invenzione? È il linguaggio della natura o il filtro della mente umana?

Questa fiducia nella matematica non rimane confinata alle scienze naturali. A partire dal XVIII secolo, l’idea che anche i fenomeni sociali ed economici possano obbedire a regolarità formali comincia a prendere piede. Se la natura fisica è governata da leggi, perché non dovrebbero esserlo anche i comportamenti umani quando osservati in aggregato?

Un primo passo in questa direzione è compiuto da Pierre-Simon Laplace e da Adolphe Quetelet. Quest’ultimo, nel XIX secolo, introduce il concetto di “uomo medio” e mostra che fenomeni come criminalità, matrimoni o suicidi presentano una sorprendente stabilità statistica nel tempo (Quetelet, Sur l’homme et le développement de ses facultés, 1835). Per Quetelet, la regolarità dei dati sociali suggerisce l’esistenza di leggi statistiche che governano il comportamento collettivo, anche se le azioni individuali restano libere e imprevedibili.

In economia, la matematizzazione prende forma in modo sistematico tra XIX e XX secolo. Da Cournot a Walras, l’analisi economica viene costruita sempre più esplicitamente come un sistema di equazioni. L’equilibrio generale walrasiano rappresenta un tentativo ambizioso di descrivere l’intero sistema economico come un insieme coerente di relazioni matematiche tra agenti, prezzi e quantità. Lionel Robbins definirà l’economia come la scienza che studia il comportamento umano come relazione tra fini e mezzi scarsi, aprendo la strada a una formalizzazione sempre più rigorosa.

Nel Novecento, questo approccio si consolida. La teoria dei giochi, sviluppata da John von Neumann e Oskar Morgenstern (Theory of Games and Economic Behavior, 1944), applica strumenti matematici sofisticati allo studio delle interazioni strategiche, mostrando come cooperazione, conflitto e istituzioni possano essere analizzati con lo stesso rigore delle leggi fisiche. Più tardi, l’econometria rende possibile il confronto sistematico tra modelli matematici e dati empirici, rafforzando l’idea che i fenomeni economici possano essere spiegati, almeno in parte, attraverso relazioni quantitative.

Naturalmente, la matematica nelle scienze sociali ha uno status diverso rispetto alle scienze naturali. Le “leggi” economiche e sociali sono tipicamente probabilistiche, dipendenti dal contesto istituzionale e storico, e soggette a cambiamento quando gli individui reagiscono ai modelli stessi. Come osservava Keynes, “gli atomi dell’economia non sono come gli atomi della fisica”. Eppure, proprio la matematica consente di rendere esplicite le ipotesi, di chiarire i meccanismi causali e di distinguere ciò che segue logicamente da ciò che è solo intuitivo.

In questo senso, l’estensione della matematica ai fenomeni sociali rappresenta una continuazione naturale della svolta galileiana. Non perché la società sia una macchina governata da leggi rigide, ma perché trattare i comportamenti umani come oggetti di analisi formale permette di individuare regolarità, vincoli e trade-off che altrimenti resterebbero nascosti. Come nelle scienze naturali, la matematica non elimina la complessità del reale, ma offre un modo potente per pensarla.

Forse la risposta sta proprio nella storia di questa idea. L’uomo non ha semplicemente “scoperto” che la natura obbedisce a leggi matematiche in un istante preciso. Ha imparato, gradualmente, che trattare il mondo come se fosse matematicamente ordinato permette di comprenderlo meglio, di prevederne il comportamento e di intervenire su di esso. In questo senso, la matematica non è solo il linguaggio della natura, ma anche una straordinaria estensione delle nostre capacità cognitive.

Ed è proprio questa convergenza tra struttura del mondo e struttura del pensiero che rende la scienza moderna una delle più radicali avventure intellettuali della storia umana.