Come leggere la notazione matematica: simboli, indici, sommatorie e quantificatori

Un piccolo glossario di una quarantina di simboli con cui leggerai ogni definizione della serie Basi di IA — dagli indici e dalle lettere greche a ∑ e argmin, fino a ∀ ed ∃. Con un promemoria alla fine.

12 minuti Matěj Žalmánek 2026-10-15

Serie Basi di IA Parte 4 di 52

1. Mappa dell’intelligenza artificiale: che cos’è ciascuna cosa e come si incastra tutto
2. Breve storia dell’intelligenza artificiale: da Turing ai modelli linguistici
3. Dati, modello, addestramento, inferenza: i concetti di base su un unico esempio
4. Come leggere la notazione matematica: simboli, indici, sommatorie e quantificatori
5. Insiemi e relazioni: i mattoncini con cui si costruiscono le definizioni nell’IA
6. Funzioni e applicazioni: perché ogni modello di IA è una funzione
7. Logica e dimostrazioni: le regole con cui si ragiona nell’IA
8. Grafi e alberi: la struttura su cui poggiano la ricerca e le reti neurali
9. Algebra lineare per l’apprendimento automatico: vettori, matrici e perché l’IA soprattutto moltiplica
10. Derivate, gradiente e regola della catena: come un modello capisce in quale direzione imparare
11. Discesa del gradiente: come impara un modello
12. Che cos’è la probabilità: dal lancio di un dado agli assiomi di Kolmogorov
13. Probabilità condizionata e teorema di Bayes: come cambiare una stima quando scopri qualcosa di nuovo
14. Variabile aleatoria e funzione di ripartizione: una sola funzione che dice tutto sulla distribuzione
15. Funzione di densità e funzione di massa: perché una variabile continua ha probabilità zero in un punto
16. Valore atteso, varianza e covarianza: dove si trova una distribuzione, quanto è larga e che cosa è legato a che cosa
17. Panoramica delle distribuzioni di probabilità: Bernoulli, binomiale, Poisson, uniforme, normale ed esponenziale
18. Legge dei grandi numeri e teorema del limite centrale: perché le medie si comportano in modo così prevedibile
19. Statistica e stima dei parametri: massima verosimiglianza, MAP e intervalli di confidenza
20. Teoria dell’informazione: entropia, entropia incrociata e divergenza KL — da dove vengono le funzioni di perdita
21. Ricerca nello spazio degli stati: BFS, DFS, UCS e A* con animazioni
22. Giochi e avversari: minimax, potatura alfa-beta e Monte Carlo tree search
23. Soddisfacimento di vincoli: backtracking, propagazione dei vincoli e AC-3 su un sudoku e una mappa delle regioni ceche
24. Logica e sistemi basati sulla conoscenza: concatenazione in avanti e all’indietro, risoluzione e sistemi esperti
25. Pianificazione: STRIPS, il mondo dei blocchi, euristiche dal rilassamento e pianificazione negli agenti IA
26. Ricerca locale e ricottura simulata: un commesso viaggiatore tra i capoluoghi di regione cechi
27. Algoritmi genetici: popolazione, incrocio, mutazione e selezione su uno zaino per l’escursione
28. Strategie evolutive e programmazione genetica: dalla regola di un quinto alla legge di Keplero
29. Ottimizzazione con colonie di formiche: come una traccia di feromone trova un percorso breve
30. Ottimizzazione a sciame di particelle: inerzia, esperienza propria ed esperienza dello sciame
31. Neuroevoluzione: evoluzione dei pesi e della forma delle reti neurali e l’algoritmo NEAT
32. Insiemi fuzzy e funzioni di appartenenza: come scrivere «un po’ caldo»
33. Logica fuzzy e probabilità: perché «un po’ caldo» non significa «probabilmente caldo»
34. Logica fuzzy: t-norme, implicazioni e regole SE–ALLORA
35. Controllo fuzzy: Mamdani e Sugeno, dal ventilatore al pendolo inverso su un carrello
36. Clustering fuzzy: l’algoritmo fuzzy c-means e i punti tra i cluster
37. Sistemi neuro-fuzzy (ANFIS): regole fuzzy che imparano dai dati
38. Catene di Markov: matrice di transizione, distribuzione stazionaria e PageRank
39. Modelli di Markov nascosti: l’algoritmo di Viterbi e il casinò disonesto
40. Reti bayesiane: perché l’erba è bagnata e che cosa significa per l’irrigatore
41. Filtro di Kalman: come stimare da misure imprecise dove si trova un’auto e a che velocità va
42. Tipi di apprendimento automatico: supervisionato, non supervisionato, semi-supervisionato e altri
43. Prompt, contesto e RAG: come dare a un modello le informazioni giuste
44. Autoencoder variazionali (VAE): immagini nuove da uno spazio latente continuo
45. Reti generative avversarie (GAN): il falsario contro il detective
46. Modelli di diffusione: come il rumore puro diventa un’immagine
47. Processi decisionali di Markov: stati, azioni, ricompense ed equazioni di Bellman
48. Q-learning e DQN: imparare il valore delle azioni, dalla tabella alla rete neurale
49. Policy gradient e PPO: imparare direttamente la politica
50. Come funziona un agente IA: un modello linguistico in un ciclo con strumenti
51. Programmare con agenti IA: incarico, test e controllo
52. Valutazione e sicurezza dei sistemi di IA: come misurare e come sorvegliare

Programma completo della serie 52 di 83 argomenti pubblicati

La notazione matematica sembra un codice cifrato, ma è solo un’abbreviazione. La frase «somma i quadrati di tutti i numeri della lista» si può scrivere come ∑_i x_i² e significa esattamente la stessa cosa — solo che è più corta e non si può interpretare in due modi.

I simboli che incontrerai negli articoli sull’intelligenza artificiale sono sorprendentemente pochi: una quarantina. Qui li passeremo in rassegna per gruppi, per ognuno diremo come si legge e alla fine leggeremo alcune definizioni vere prese da altre parti. Il promemoria con tutti i simboli lo trovi nell’ultimo capitolo.

1. Perché la matematica usa i simboli

Il linguaggio naturale è ambiguo. «Ogni studente ha letto un libro» può voler dire che ognuno ha letto un libro diverso, oppure che tutti hanno letto lo stesso. Nella notazione, ∀s ∃k e ∃k ∀s sono due frasi diverse e nessuno le confonde. La notazione è precisa, breve e internazionale: una formula di un libro di testo cinese la leggi esattamente come una di un libro italiano.

2. Variabili, indici e lettere greche

Una variabile è una lettera che sta al posto di un numero o di un altro oggetto: x, y, n. Si scrive in corsivo. Quando i valori sono più d’uno, li distinguiamo con un indice — un piccolo numero o una piccola lettera in basso a destra:

• x₁, x₂, x₃ — primo, secondo, terzo valore («x uno, x due…»),
• x_i — «x con indice i» (o semplicemente «x i»), l’i-esimo valore, dove i può essere un numero qualsiasi,
• A_i,j — l’elemento nella i-esima riga e nella j-esima colonna di una tabella (matrice),
• x⁽ⁱ⁾ — l’i-esimo esempio nei dati; le parentesi distinguono l’indice dalla potenza x².

Un apice o un cappello sopra la lettera trasforma una variabile in una sua parente: s′ («s primo») è lo stato successivo a s, ŷ («y cappello») è una stima del valore vero y e x̄ («x segnato») è la media. L’asterisco indica il meglio: θ* sono i parametri ottimali, C* il costo ottimale.

Le lettere latine sono poche, e così la matematica prende in prestito quelle greche. Nell’IA alcune hanno un significato consolidato — quando le vedi, di solito sai di che cosa si tratta:

3. Gli insiemi nella notazione

Un insieme è un gruppo di elementi; si scrive tra parentesi graffe: {1, 2, 3} oppure {↑, →, ↓, ←}. Con lettere maiuscole a doppio tratto si indicano gli insiemi numerici noti: ℕ i naturali (1, 2, 3, …), ℤ gli interi, ℝ i reali. ℝⁿ sono tutte le liste di n numeri reali — i vettori.

• x ∈ S — «x appartiene a S», ne è un elemento; x ∉ S — non appartiene,
• A ⊆ B — «A è un sottoinsieme di B»: tutto ciò che sta in A sta anche in B,
• A ∪ B — unione (ciò che sta in almeno uno), A ∩ B — intersezione (ciò che sta in entrambi),
• A × B — prodotto cartesiano: tutte le coppie (a, b),
• ∅ — insieme vuoto, |S| — numero di elementi,
• {x ∈ ℝ : x > 0} — «l’insieme di tutti gli x reali tali che x > 0»; i due punti (o la barra verticale) si leggono «tali che».

Le parentesi tonde, invece, indicano un gruppo ordinato, in cui l’ordine conta: (3, 1) non è la stessa cosa di (1, 3). Così si scrivono coppie, coordinate e n-uple — per esempio un problema di ricerca come la sestupla (S, s₀, A, T, G, c). A insiemi e relazioni è dedicata una parte a sé.

4. Sommatoria e produttoria: ∑ e ∏

Definizione — sommatoria e produttoria

∑_i=mⁿ a_i = a_m + a_m+1 + … + a_n,   ∏_i=mⁿ a_i = a_m · a_m+1 · … · a_n.

La variabile sotto il simbolo (i) è l’indice di sommatoria; l’estremo inferiore m dice da dove partire, quello superiore n dove fermarsi. Per m > n la somma vale 0 e il prodotto 1.

Prendiamo la lista x = (3, 1, 4, 1, 5), cioè x₁ = 3, x₂ = 1 e così via. Allora:

L’ultima riga è la formula che incontrerai più spesso: (1/n) ∑ è la media. Quando la sommatoria non ha estremi (∑_i), si somma su tutti gli i che hanno senso — di solito su tutti gli esempi nei dati.

5. Funzioni, frecce e argmin

f(x) si legge «f di x» — il valore della funzione f per l’input x. La scrittura f : X → Y («f da X a Y») dice da dove la funzione prende gli input e dove stanno gli output: f : ℝ² → {0, 1} prende una coppia di numeri e restituisce 0 oppure 1 — è un classificatore di punti nel piano.

• x ↦ x² — «x va in x al quadrato»; descrive una funzione senza nome,
• f_θ(x) — una funzione il cui comportamento è determinato dai parametri θ («f con indice theta di x»),
• g ∘ f — composizione («g composto f»): prima f, poi g, cioè g(f(x)),
• θ ← θ − η ∇J — la freccia verso sinistra è un’assegnazione in un algoritmo: «il nuovo valore di θ è…»; := significa «si definisce come».

Definizione — min, max, argmin, argmax

min_{x ∈ X} f(x) è il valore più piccolo che f assume sull’insieme X.

argmin_{x ∈ X} f(x) è quella x (o l’insieme di tutte queste x) in cui f assume quel valore minimo. Analogamente max e argmax.

6. Connettivi logici e quantificatori

Definizione — negazione dei quantificatori

¬(∀x : P(x)) ⇔ ∃x : ¬P(x)   e   ¬(∃x : P(x)) ⇔ ∀x : ¬P(x).

Attenzione all’implicazione ⇒: afferma soltanto che, se vale P, vale anche Q. Sul caso in cui P non vale non dice nulla. Da x > 2 ⇒ x² > 4 non segue che x² > 4 ⇒ x > 2 — basta prendere x = −3.

7. Altri segni che incontrerai

• |x| — valore assoluto (|−3| = 3); ‖x‖ — lunghezza di un vettore (norma),
• ⌊x⌋, ⌈x⌉ — arrotondamento per difetto e per eccesso (⌊2,7⌋ = 2, ⌈2,1⌉ = 3),
• ≈ — circa uguale; ∝ — proporzionale a («cresce allo stesso modo di»); ≫ — molto maggiore di,
• ∞ — infinito; [0, 1] — intervallo con gli estremi inclusi, (0, 1) — senza,
• ∇f («nabla f») — gradiente, la direzione di crescita più rapida; ∂f/∂x — derivata parziale,
• O(n²) — «O grande di n al quadrato»: quanto velocemente crescono il tempo o la memoria di un algoritmo,
• P(A | B) — probabilità di A sapendo che si è verificato B; 𝔼[X] — valore atteso,
• w^⊤ — trasposizione: la riga diventa colonna e viceversa; w^⊤x è il prodotto scalare.

8. Leggi una definizione intera

Ora mettiamo tutto insieme. Questa è la definizione dell’addestramento di un modello presa dalla parte sui tipi di apprendimento automatico. I numeri colorati rimandano alle spiegazioni qui sotto:

1. θ* — «theta asterisco» (spesso «theta star»): i parametri migliori del modello, quelli che cerchiamo.
2. argmin_θ — «quel θ per cui l’espressione che segue è minima».
3. (1/n) ∑_i=1ⁿ — la media su tutti gli n esempi nei dati.
4. L( … ) — funzione di perdita: quanto costa un errore.
5. f_θ(x_i) — che cosa risponde il modello con parametri θ all’i-esimo input.
6. y_i — la risposta corretta per l’i-esimo input.

E un’altra ancora, dalla parte sulla ricerca — la funzione di priorità dell’algoritmo A*:

Si legge «f di n è uguale a g di n più h di n»: la stima del costo dell’intero percorso attraverso lo stato n è il costo che abbiamo già pagato fino a n (g), più una stima di quanto resta (h). Lo stesso procedimento funziona per ogni definizione: trovare la relazione principale (=, ≤, ⇔), scomporre entrambi i lati in parti e tradurre ciascuna in parole.

9. Promemoria

10. Riepilogo

• La notazione matematica è una frase abbreviata: si legge da sinistra a destra, simbolo per simbolo.
• Gli indici distinguono i valori, le lettere greche nell’IA hanno significati consolidati (θ parametri, η tasso di apprendimento, γ sconto).
• ∑ è un ciclo che somma; (1/n) ∑ è la media; argmin cerca il punto, non il valore.
• ∀ ed ∃ trasformano proprietà in affermazioni precise; per confutare un «per ogni» basta un controesempio.

Con questo piccolo vocabolario leggerai tutte le definizioni della serie. Se incontri un simbolo che qui manca, scrivici — lo aggiungeremo.

La vedi diversamente? Scrivi a support@coden-app.com.