Zusammenfassung
Wie lassen sich Zusammenhänge zwischen zwei Größen mit Hilfe des mathematischen Funktionsbegriffs modellieren? Das zentrale Anliegen dieses Aufsatzes besteht darin, ein bis in die Schulmathematik der unteren und mittleren Klassen reichendes Thema der modernen Mathematik konsistent zu rekonstruieren. Es wird dabei aufgezeigt, wie mit zunehmender mathematischer Kompetenz verfeinerte Methoden eingesetzt werden können, um auf zunehmend anspruchsvolle Weise ein und dasselbe Ziel zu verfolgen: Abhängigkeiten zwischen zwei metrisch skalierten Größen zu modellieren. Zugleich wird gezeigt, wie grundlegende Ideen zum Modellieren funktionaler Abhängigkeiten lebendig und wirklichkeitsnah gestaltet werden können. Dieser Zugang vernetzt zentrale Themen der Schulmathematik, insbesondere Funktionenlehre, Analysis, Stochastik, Lineare Algebra und Numerik. Die einzelnen Ansätze verwenden nicht nur unterschiedliche mathematische Methoden, sondern basieren auch auf unterschiedlichen konzeptionellen Vorstellungen und Modellierungsannahmen.
Abstract
How to model dependencies between two variables using the mathematical concept of a function? The central concern of this paper is to reconstruct a modern mathematical topic that reaches all the way into the lower grades of secondary school. It will be shown that with increasing mathematical competencies refined methods may be used in pursuit of one and the same goal: to model dependencies between two metric variables. At the same time we demonstrate how basic ideas for modeling functional dependencies may be used to enrich the classroom with addressing vivid and authentic problems. This approach connects central topics of the school mathematics curriculum, in particular algebra, calculus, probability, statistics, linear algebra and numerical mathematics. Different approaches are based not only on different mathematical assumptions and methods but also are founded on different conceptual epistemic views and modeling assumptions.
Notes
Bei genauer Betrachtung kommen auch Interpolationen nicht völlig ohne Modellannahmen aus. Implizit wird eine gewisse Glattheit z. B. in Form von Differenzierbarkeit der Modellfunktion vorausgesetzt, d. h. der Wert der Modellfunktion in einer kleinen Nachbarschaft eines Beobachtungspunktes kann nicht beliebig variieren, weil sonst der Approximationsfehler zwischen den Stützstellen beliebig groß werden kann.
Literatur
Ableitinger, C. (2010). Biomathematische Modelle im Unterricht. Wiesbaden: Vieweg+Teubner.
Anderson, C. (2008). The end of theory: the data deluge makes the scientific method obsolete. http://www.wired.com/2008/06/pb-theory/. Zugegriffen: 1. 4. 2016.
Behrends, E. (2013). Markovprozesse und stochastische Differentialgleichungen. Heidelberg: Springer.
Bellman, R. (1961). Adaptive Control Processes. Princeton: Princeton University Press.
Biehler, R. (1995). Funktionales Denken und statistische Zusammenhänge. In M. Neubrand (Hrsg.), Beiträge zum Mathematikunterricht (S. 98–101). Hildesheim: Franzbecker.
Biehler, R. (Hrsg.). (1999). Daten und Modelle. mathematik lehren, Heft 97.
Biehler, R., & Engel, J. (2015). Leitidee Daten und Zufall. In R. Bruder, L. Hefendehl-Hebeker, B. Schmidt-Thieme, & H.-G. Weigand (Hrsg.), Handbuch der Mathematikdidaktik (S. 221–251). Heidelberg: Springer.
Biehler, R., & Kombrink, K. (2004). Einführende Stochastikausbildung mit Unterstützung von interaktiv-dynamischer Werkzeugsoftware. In R. Biehler, J. Engel, & J. Meyer (Hrsg.), Anregungen zum Stochastikunterricht Bd. 2, (S. 151–168). Hildesheim: Franzbecker.
Biehler, R., & Weber, W. (Hrsg.). (1995). Explorative Datenanalyse. Computer + Unterricht, Heft 17.
Biehler, R., Hofmann, T., Maxara, C., & Prömmel, A. (2011). Daten und Zufall mit Fathom – Unterrichtsideen für die SI mit Software-Einführung. Braunschweig: Schroedel.
Blum, W., & Leiß, D. (2005). Modellieren im Unterricht mit der „Tanken“-Aufgabe. mathematik lehren, Heft 128, 18–21.
Bourdieu, P. (1988). Vive la crise! For heterodoxy in social science. Theory and Society, 17(5), 773–787.
Box, G. (1976). Science and Statistics. Journal of the American Statistical Association, 71(356), 791–799.
Breiman, L. (2001). Statistical modeling: The two cultures (with comments and a rejoinder by the author). Statistical Science, 16(3), 199–231.
Bruner, J. S. (1966). Der Prozeß der Erziehung. Berlin: Berlin-Verlag.
Bürker, M. (2007). Über die gute Modellierbarkeit bestimmter Wachstumsprozesse. Mathematische Semesterberichte, 54, 39–42.
Cobb, P., McClain, K., & Gravemeijer, L. (2003). Learning about statistical covariation. Cognition and Instruction, 21(1), 1–78.
Dürr, R., & Ziegenbalg, J. (1989). Mathematik für Computeranwendungen – Dynamische Prozesse und ihre Mathematisierung durch Differenzengleichungen. Paderborn: Schöningh.
Eichler, A., & Vogel, M. (2012). Leitidee Daten und Zufall: Von konkreten Beispielen zur Didaktik der Stochastik (2. Aufl.). Heidelberg: Springer Spektrum.
Engel, J. (1998). Zur stochastischen Modellierung funktionaler Abhängigkeiten: Konzepte, Postulate, Fundamentale Ideen. Mathematische Semesterberichte, 45, 95–112.
Engel, J. (1999a). Kurvenanpassung im Streudiagramm mit gleitenden gewichteten Mittelwerten. Praxis der Mathematik, 41(2), 69–74.
Engel, J. (1999b). Von der Datenwolke zur Funktion. Entdecken von funktionalen Zusammenhängen mithilfe von Glättungsverfahren. mathematik lehren, Heft 97, 60–64.
Engel, J. (2009). Anwendungsorientierte Mathematik: Von Daten zur Funktion. Eine Einführung in die mathematische Modellbildung für Lehramtsstudierende. Heidelberg: Springer.
Engel, J. (2011). Von Daten zur Funktion. Skizzen eines anwendungsorientieren Analysisunterrichts. In U. Kortenkamp, & A. Lambert (Hrsg.), Medien vernetzen / Zur Zukunft des Analysisunterrichts vor dem Hintergrund der Verfügbarkeit neuer Medien (S. 133–138). Hildesheim: Franzbecker.
Engel, J., & Sedlmeier, P. (2010). Correlation and Regression in the Training of Teachers. In C. Batanero, G. Burrill, C. Reading, & A. Rossman (Hrsg.), Teaching Statistics in School Mathematics – Challenges for Teaching and Teacher Education: A joint ICMI/IASE Study (S. 247–258). New York: Springer.
Engel, J., & Vogel, M. (2006). Funktionen in einer Welt voller Daten: Vernetzungen zwischen Stochastik, Algebra und Analysis. In J. Meyer (Hrsg.), Vernetzungen von Stochastik. Anregungen zum Stochastikunterricht Bd. 3 (S. 159–171). Hildesheim: Franzbecker.
Engel, J., & Vogel, M. (2012). Vom Geradebiegen krummer Beziehungen: Zugänge zum Modellieren nichtlinearer Zusammenhänge. Praxis der Mathematik in der Schule, 54(44), 29–34.
Engel, J., Sedlmeier, P., & Wörn, C. (2008). Modeling scatterplot data and the signal-noise metaphor: Towards statistical literacy for pre-service teachers. In C. Batanero, G. Burrill, C. Reading, & A. Rossman (Hrsg.), Proceedings of the ICMI Study 18 Conference and IASE 2008 Round Table Conference. Monterrey: ICMI/IASE. http://iase-web.org/documents/papers/rt2008/T4P8_Engel.pdf. Zugegriffen: 1. Apr. 2016.
Erickson, T. (2007). The Model Shop. Eeps media. http://www.eeps.com/pdfs/ModelShop071017.pdf. Zugegriffen: 1. Apr. 2016.
Fahrmeier, L., Kneip, T., & Lang, S. (2007). Regression. Modelle, Methoden und Anwendungen. Heidelberg: Springer.
Freudenthal, H. (1973). Mathematik als pädagogische Aufgabe. Stuttgart: Klett.
Gründer, K. J., Ritter, J., & Gabriel, G. (1984). Historisches Wörterbuch der Philosophie. Bd. 6. Darmstadt: Wissenschaftliche Buchgesellschaft.
Haerdle, W. (1990). Applied nonparametric regression. Cambridge: Cambridge University Press.
Hastie, T., Tibshirani, R., & Friedman, J. (2008). The Elements of Statistical Learning. Data Mining, Inference and Prediction (2. Aufl.). New York: Springer.
Heymann, H. W. (2013). Allgemeinbildung und Mathematik (2. Aufl.). Weinheim: Beltz.
Hull, & Langkamp (2001). Quantitative Environmental Learning Project. Exercises for an Integrated Mathematics and Earth and Environmental Science Classroom.Seattle Central Community College. http://www.seattlecentral.edu/qelp/. Zugegriffen: 1. Apr. 2016.
Inhetveen, H. (1976). Die Reform des gymnasialen Mathematikunterrichts zwischen 1890 und 1914. Bad Heilbrunn: Klinkhardt.
Kaiser, G., Blum, W., Borromeo Ferri, R., & Stillman, G. (2011). Trends in Teaching and Learning of Mathematical Modelling. Dordrecht: Springer.
Kaiser, G., Blum, W., Borromeo Ferri, R., & Greefrath, G. (2015). Anwendungen und Modellieren. In R. Bruder, L. Hefendehl-Hebeker, B. Schmidt-Thieme, & H.-G. Weigand (Hrsg.), Handbuch der Mathematikdidaktik (S. 357–383). Heidelberg: Springer.
Kant, I. (1900). Kritik der Reinen Vernunft. Ausgabe der Preußischen Akademie der Wissenschaften. Berlin: AA III, 75/KrV B 75.
Kirsch, A. (2004). Mathematik wirklich verstehen: eine Einführung in ihre Grundbegriffe und Denkweisen (4. Aufl.). Köln: Aulis-Verlag Deubner.
Klenke, A. (2013). Wahrscheinlichkeitstheorie (3. Aufl.). Heidelberg: Springer.
Kohorst, H., & Portscheller, P. (1999). Wozu Hefe nicht alles gut ist ... Vom exponentiellen zum logistschen Wachstum. mathematik lehren, Heft 97, 54–59.
Konold, C., & Miller, C. (2005). TinkerPlots. Dynamic Data Exploration. Emeryville, CA: Key Curriculum Press.
Konold, C., & Pollatsek, A. (2002). Data analysis as the search for signals in noisy processes. Journal for Research in Mathematics Education, 33(4), 259–289.
Krüger, K. (2000a). Erziehung zum funktionalen Denken. Zur Begriffsgeschichte eines didaktischen Prinzips. Berlin: Logos-Verlag.
Krüger, K. (2000b). Kinematisch-funktionales Denken als Ziel des höheren Mathematikunterrichts – das Scheitern der Meraner Reform. Mathematische Semesterberichte, 47(2), 221–241.
Luenberger, D. (1968). Optimization by Vector Space Methods. New York: Wiley.
Malle, G. (2000). Zwei Aspekte von Funktionen: Zuordnung und Kovariation. mathematik lehren, Heft 103, 8–11.
Marron, S. (1996). A personal view of smoothing and statistics. In W. Schimek, & M. Schimek (Hrsg.), Statistical Theory and Computational Aspects of Smoothing (S. 1–9). New York: Springer.
Meyer, J. (2004). Vernetzungen zwischen Vektorgeometrie und Beschreibender Statistik. Stochastik in der Schule, 24(1), 24–29.
Nemirovsky, R. (1996). A functional approach to algebra: Two issues that emerge. In N. Bednarz, C. Kieran, & L. Lee (Hrsg.), Approaches to algebra: Perspectives for research and teaching (S. 295–313). Dordrecht: Kluwer Academic Publishers.
Nordmeier, G. (1993). Beiträge zur elementaren Zeitreihenanalyse. Stochastik in der Schule, 13(3), 21–41.
R Core Team (2015). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Wien. http://www.R-project.org/. Zugegriffen: 1. Apr. 2016.
Riemer, W. (2009). Modellieren und Prognostizieren mit Funktionen – statistische Experimente rund ums Wasser. Praxis der Mathematik in der Schule, 51(26), 14–21.
Schmidt-Nielsen, K. (1983). Animal Physiology: Adaptation and Environment (3. Aufl.). Cambridge: Cambridge University Press.
Schupp, H. (2004). Allgemeinbildender Stochastikunterricht. In R. Biehler, J. Engel, & J. Meyer (Hrsg.), Neue Medien und innermathematische Vernetzungen in der Stochastik. Anregungen zum Stochastikunterricht Bd. 2, (S. 1–16). Hildesheim: Franzbecker.
Schreiber, A. (1979). Universelle Ideen im mathematischen Denken – ein Forschungsgegenstand der Fachdidaktik. mathematica didactica, 2, 165–171.
Schweiger, F. (1992). Fundamentale Ideen. Eine geisteswissenschaftliche Studie zur Mathematikdidaktik. Journal für Mathematik-Didaktik, 13(2/3), 199–214.
Seber, G. A. F., & Wild, C. (1989). Nonlinear Regression. New York: Wiley.
Tukey, J. (1977). Exploratory Data Analysis. Reading, MA: Addison Wesley.
Vohns, A. (2010). Fünf Thesen zur Bedeutung von Kohärenz- und Differenzerfahrungen im Umfeld einer Orientierung an mathematischen Ideen. Journal für Mathematik-Didaktik, 31, 227–255.
Vogel, D., & Wintermantel, G. (2003). explorative datenanalyse – statistik aktiv lernen. Stuttgart: Klett.
Vogel, M. (2008). Der atmosphärische CO2-Gehalt. mathematik lehren, Heft 148, 50–55.
Vollrath, H.-J., & Weigand, H.-G. (2006). Algebra in der Sekundarstufe. Heidelberg: Spektrum.
Weigand, H.-G. (1999). Wachstumsfolgen. mathematik lehren, Heft 96, 51–54.
Winter, H. (1995). Mathematikunterricht und Allgemeinbildung. Mitteilungen der Gesellschaft für Didaktik der Mathematik. 61, 37–46.
Zieffler, A., & Garfield, J. (2009). Modeling the growth of students’ covariational reasoning during an introductory statistics course. Statistics Education Research Journal, 8(1), 7–31.
Danksagung
Ich danke den Gutachterinnen und Gutachtern und Herausgebern für sorgfältige und konstruktive Rückmeldungen und Hinweise, insbesondere Rolf Biehler für seine Anregungen aus stochastikdidaktischer Sicht.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
About this article
Cite this article
Engel, J. Funktionen, Daten und Modelle: Vernetzende Zugänge zu zentralen Themen der (Schul-)Mathematik. J Math Didakt 37, 107–139 (2016). https://doi.org/10.1007/s13138-016-0094-4
Received:
Accepted:
Published:
Issue Date:
DOI: https://doi.org/10.1007/s13138-016-0094-4