Gymnasium Marktbreit/Wissenschaftswoche 2024/11bMatheInfo: Unterschied zwischen den Versionen

Aus ZUM Projektwiki
Keine Bearbeitungszusammenfassung
Zeile 59: Zeile 59:


=== Blick in die Zukunft ===
=== Blick in die Zukunft ===
Mit Hilfe der genannten Möglichkeiten möchte man aber nicht nur heute schon kurzfristige Vorhersagen treffen, sondern dies auch schon für eine entfernterer Zukunft versuchen. Jedoch erfolgen hierbei meist noch Unklarheiten bzw. Unstimmigkeiten, da die aktuellen KI-Programme zum aktuellen Zeitpunkt noch nicht so weit ausgereift sind.
Mit Hilfe der genannten Möglichkeiten möchte man aber nicht nur heute schon kurzfristige Vorhersagen treffen, sondern dies auch schon für eine entfernterer Zukunft versuchen. Dies wird beispielsweise in Bereichen der Medizin und Forschung angewendet. Jedoch erfolgen hierbei meist noch Unklarheiten bzw. Unstimmigkeiten, da die aktuellen KI-Programme zum aktuellen Zeitpunkt noch nicht so weit ausgereift sind.


=== Literaturverzeichnis===
=== Literaturverzeichnis===

Version vom 2. Juli 2024, 10:13 Uhr

Wissenschaftswoche 2024
[[Bild:|250px]]
Forschungsfrage: Wie kann man mit Hilfe von Funktionen die Zukunft vorhersagen?


Lineares Wachstum

Wenn eine Größe b absolut und konstant in einem zugehörigen Zeitabschnitt zu- oder abnimmt, spricht man von linearem Wachstum. Die Differenzengleichung lautet:

Mit der Gleichung wird die Rekursion(Zu-/Abnahme einer Größe in einer bestimmten Zeit) explizit festgelegt. Im Unterricht wird statt dieser Formel oft die Formel verwendet.

Graphisch wird das lineare Wachstum durch eine Gerade beschrieben. Lineares Wachstum istunbegrentzt, wenn ist.

Deshalb können in der Realität, nur Abschnitte von natürlichen Vorgängen (beispielsweise das Wachstum von Pflanzen) näherungsweise durch lineares Wachstum beschrieben werden, technische Vorgänge(beispielsweise der Füllstand einer Badewanne) können ebenfalls durch lineares Wachstum beschrieben werden, jedoch gibt es auch hier meistens eine Begrenzung(z.B. bedingt durch das Fassungsvermögender Badewanne).

der rote Graph stellt ein lineares Wachstum dar

Exponentielles Wachstum

Bei biologischen Wachstumsprozessen ist die Zunahme einer Größe zu Beginn oft proportional zum derzeitigen Bestand  

Beispiele: Bakterienwachstum, Wachstum durch Zellteilung, Bevölkerungswachstum, Ausbreitung von Pandemien, Abkühlungen

Die Differenzialgleichung lautet:

mit als Wachstumsfaktor

und als Wachstumsrate, %

Lösung der Gleichung:

Exponential growth no name.svg

Logistische Modelle

Logistische Modelle beschreiben Wachstumsprozesse in der Biologie und der Demographie.

Dadurch werden reale Wachstumsprozesse modelliert und es wird als Basismodell für Bevölkerungs-, Tierpopulations- und Pflanzenwachstum, Absatz für ein neues Produkt, Anzahl für Krankheiten immunisierter Personen.

Francois Verhulst hat es als erster benutzt, um die Bevölkerungsentwicklung zu beschreiben. Allerdings ist dies nur möglich gewesen, da der Belgier Benjamin Gompertz (1825) Vorarbeiten geleistet hatte.

Anfangs verläuft der Graph der Funktion meist exponentiell, nach der Zeit flacht er dann ab, sodass der typisch s-förmige Verlauf entsteht.

Das "Denken in Schritten" soll den Zugang zum inhaltlichen Verständnis erleichtern - Stichwort Proportionalität zu Bestand und Freiraum

Die Differenzialgleichung lautet:

mit , Kapazitätsgrenze (Sättigungswert und Maximum),

die Größe zum Zeitpunkt t, Größe zu Beginn des Beobachtungszeitraums, Konstante

Exam pass logistic curve.svg

Einsatz von Algorithmen und KI um Vorhersagen zu treffen

Heute werden viele Vorhersagen, wie z.B. das Wetter, durch Algorithmen und Big Data (Verwendung von großen Datenmengen) bestimmt. Es gibt aber auch weniger bekannte Anwendungszwecke:

Google entwickelte beispielsweise Google Flu Trends, ein Service, der Grippewellen vorhersagen sollte, jedoch waren die Vorhersagen, trotz erster Erfolge, meist unzuverlässig. Aus diesem Beispiel lässt sich gut ableiten, was bei der Verwendung von Algorithmen für Vorhersagen unbedingt beachtet werden muss. Um eine genaue Vorhersage treffen zu können, müssen Parameter ständig angepasst werden, da sich die Umstände in der Realität ständig verändern. Außerdem muss auf die Qualität der Daten geachtet werden.

Auch gibt es bereits seit Jahren den Versuch KI und Algorithmen einzusetzen, um Verbrechen vorherzusagen uns somit präventiv zu verhindern, oder Person per Kontrollen auszuwählen. Dieses Prozedere steht jedoch stark in der Kritik, da Vorhersagen, deren Grundlage rein aus bestehenden Daten bestehen, nie absolut dem entsprechen, was passieren wird.V.a. bei KI, die ihre Parameter selbst festlegt, ist nicht einsehbar, was diese Parameter besagen. Aufgrund dieser fehlenden Möglichkeit der Überwachung, kann es zu fatalen Fehlentscheidungen (z.B. bei Parametern, die auf Falschinformationen beruhen) oder Diskriminierung kommen.

Blick in die Zukunft

Mit Hilfe der genannten Möglichkeiten möchte man aber nicht nur heute schon kurzfristige Vorhersagen treffen, sondern dies auch schon für eine entfernterer Zukunft versuchen. Dies wird beispielsweise in Bereichen der Medizin und Forschung angewendet. Jedoch erfolgen hierbei meist noch Unklarheiten bzw. Unstimmigkeiten, da die aktuellen KI-Programme zum aktuellen Zeitpunkt noch nicht so weit ausgereift sind.

Literaturverzeichnis

  1. Ableitinger, C., "Biomathematische Modelle im Unterricht - Fachwissenschaftliche und didaktische Grundlagen und Unterrichtsmaterialien", 1. Auflage 2010, S.32 ff. (2.1.2 Exponentielles Wachstum)
  2. Ableitinger, C., " Biomathematische Modelle im Unterricht - Fachwissenschaftliche und didaktische Grundlagen und Unterrichtsmaterialien", 1.Auflage 2010, S.29 ff. (2.1.1 Lineares Wachstum)
  3. Ableitinger, C., "mathematiklehren - Erfolgreich unterrichten: Konzepte und Materialien", S.31 ff. (Ein Schritt nach dem anderen - Diskretisieren als Zugang zum logistischen Modell)
  4. Drösser, C., "Total berechenbar? Wenn Algorithmen für uns entscheiden", 2016, S.117 ff. (6. Vorhersagen - Wie aus Korrelationen Prognosen werden)