Glanz: aiMOOC über GPT aiMOOC Action erstellt

2026-09-28T21:46:36Z

aiMOOC über GPT aiMOOC Action erstellt

Neue Seite

{{T}}
{{BR}}
= ABI - Modellgrenzen fachsprachlich reflektieren =

'''Mini-Beschreibung:''' Prüfe Definitionsbereich, Parameterannahmen, Messungenauigkeit und reale Einschränkungen eines mathematischen Modells. Trainiere Formulierungen wie „unter der Modellannahme“, „im betrachteten Intervall“ und „das Modell berücksichtigt nicht“.

[[Datei:Linear regression residuals.svg|500px|rahmenlos|center]]

Ein mathematisches Modell ist keine Kopie der Wirklichkeit. Es beschreibt ausgewählte Zusammenhänge mit [[Variable|Variablen]], [[Parameter|Parametern]], [[Funktion|Funktionen]], [[Gleichung|Gleichungen]], [[Diagramm|Diagrammen]] oder Wahrscheinlichkeiten. Im Abitur zählt deshalb nicht nur das Rechnen, sondern auch die fachsprachliche Prüfung: '''Wo gilt das Modell? Welche Annahmen stecken darin? Wie genau sind die Daten? Was bleibt unberücksichtigt?'''

{{BR}}
= Lernziele =

Nach diesem aiMOOC kannst Du
# [[Definitionsbereich]]: mathematischen und sachlich sinnvollen Definitionsbereich unterscheiden.
# [[Parameter]]: Parameterannahmen benennen und ihre Wirkung auf Ergebnisse untersuchen.
# [[Messunsicherheit]]: Messwerte, Modellwerte und Abweichungen fachsprachlich auseinanderhalten.
# [[Modellkritik]]: reale Einschränkungen erkennen und eine Modellgrenze präzise formulieren.
# [[Mathematisches Modell|Modellieren]]: Ergebnisse im Kontext interpretieren, validieren und nicht unzulässig extrapolieren.
# [[Abitur Mathematik]]: Basisfach und Leistungsfach angemessen differenzieren und digitale Werkzeuge kritisch nutzen.

{{BR}}
= Prüfungsbezug Baden-Württemberg 2027 =

Für den Prüfungsjahrgang 2027 gilt im Mathematik-Leistungsfach am allgemein bildenden Gymnasium eine schriftliche Bearbeitungszeit von 300 Minuten einschließlich Auswahlzeit. Teil A wird ohne Formelsammlung und WTR bearbeitet und spätestens nach 110 Minuten abgegeben; anschließend stehen für Teil B die zugelassene Formelsammlung und der eingeführte wissenschaftliche Taschenrechner zur Verfügung. Im Basisfach besteht die mündliche Prüfung aus einem etwa zehnminütigen Vortrag nach ungefähr 20 Minuten Vorbereitungszeit und einem etwa zehnminütigen Prüfungsgespräch; sie verbindet Analysis mit Analytischer Geometrie oder Stochastik und ist in beiden Teilen hilfsmittelfrei.<ref>Ministerium für Kultus, Jugend und Sport Baden-Württemberg: Erlass für die Abiturprüfung 2027, Fach Mathematik, Stand 09.09.2025.</ref>

'''Wichtig:''' GeoGebra, LearningApps, Videos, KI-Systeme und andere Werkzeuge dieses Kurses sind Übungswerkzeuge. Sie sind '''nicht automatisch Prüfungshilfsmittel'''. Prüfe für Deinen Prüfungsjahrgang immer den gültigen Facherlass.

Der Bildungsplan betont beim mathematischen Modellieren unter anderem das Vereinfachen von Realsituationen, das Auswählen passender Modelle, das Übersetzen mathematischer Ergebnisse in die Realität sowie das Überprüfen und Bewerten der Modelllösung.<ref>Bildungsplan Baden-Württemberg Mathematik, prozessbezogene Kompetenz 2.3 Mathematisch modellieren.</ref>

{{BR}}
= Vorwissen-Check =

'''Kurzcheck 1:''' Eine Formel ist für alle reellen Zahlen definiert. Muss das Sachmodell deshalb für alle reellen Zahlen sinnvoll sein?

<div class="mw-collapsible mw-collapsed">
'''Lösung einblenden'''
<div class="mw-collapsible-content">
Nein. Der mathematische Definitionsbereich kann größer sein als der sachlich sinnvolle Bereich. Beispiel: <math>f(t)=20+70e^{-0{,}25t}</math> ist mathematisch für alle <math>t\in\mathbb{R}</math> definiert. Bei einer Messung ab dem Startzeitpunkt kann sachlich etwa nur <math>t\ge 0</math> sinnvoll sein.
</div>
</div>

'''Kurzcheck 2:''' Was bedeutet ein Parameter in <math>f(x)=a\cdot e^{-kx}</math>?

<div class="mw-collapsible mw-collapsed">
'''Lösung einblenden'''
<div class="mw-collapsible-content">
<math>a</math> und <math>k</math> bestimmen die konkrete Form des Modells. Werden sie aus Messdaten geschätzt, sind sie keine unveränderlichen Naturkonstanten des Modells.
</div>
</div>

'''Kurzcheck 3:''' Ist ein kleiner Modellfehler dasselbe wie ein Beweis für die Richtigkeit des Modells?

<div class="mw-collapsible mw-collapsed">
'''Lösung einblenden'''
<div class="mw-collapsible-content">
Nein. Eine gute Anpassung an vorhandene Daten zeigt zunächst nur, dass das Modell diese Daten hinreichend gut beschreiben kann. Andere Modelle können ebenfalls passen; außerdem können Messfehler oder ausgelassene Einflussgrößen bestehen.
</div>
</div>

{{BR}}
= Das Vier-Punkte-Prüfschema =

[[Datei:Scatter plots.png|500px|rahmenlos|center]]

Für ein Modell <math>y=f(x;p)</math> mit Parameter <math>p</math> prüfst Du vier Ebenen:

# '''Definitionsbereich:''' Mathematisch kann <math>x\in D_{\mathrm{math}}</math> gelten, sachlich aber nur <math>x\in D_{\mathrm{real}}</math> mit <math>D_{\mathrm{real}}\subseteq D_{\mathrm{math}}</math>.
# '''Parameterannahmen:''' Ist <math>p</math> konstant, gemessen, geschätzt oder nur für einen begrenzten Zeitraum plausibel?
# '''Messungenauigkeit:''' Zu einem Messwert <math>y_i</math> kann ein Modellwert <math>f(x_i)</math> abweichen. Ein Residuum ist <math>r_i=y_i-f(x_i)</math>.
# '''Reale Einschränkungen:''' Welche Einflussgrößen fehlen? Welche Bedingungen ändern sich in der Realität?

'''Fachsprache:'''
„'''Unter der Modellannahme''', dass <math>p</math> konstant bleibt, ...“

„'''Im betrachteten Intervall''' <math>[a;b]</math> beschreibt die Funktion die Daten näherungsweise ...“

„'''Das Modell berücksichtigt nicht''', dass ...“

„Wegen der '''Messungenauigkeit''' ist der berechnete Wert als Näherungswert zu interpretieren.“

{{BR}}
= Visueller Modellierungszyklus =

'''Realsituation''' → '''vereinfachen''' → <math>f(x;p)</math> → '''rechnen''' → '''interpretieren''' → '''mit Daten prüfen''' → '''Modellgrenze benennen'''

Das Ergebnis eines Rechenwegs ist erst dann vollständig, wenn Du es wieder auf die Realsituation beziehst.

{{BR}}
= Interaktives Beispiel 1: Abkühlung =

Ein vereinfachtes Modell für die Temperatur eines Gegenstands lautet

<math>T(t)=20+70e^{-0{,}25t}</math>

mit <math>t</math> in Minuten und <math>T(t)</math> in Grad Celsius.

[[Datei:Exponential-decay-half-life.svg|500px|rahmenlos|center]]

'''Schritt 1 – Modellwert:'''

<math>T(8)=20+70e^{-2}</math>

<math>T(8)\approx 29{,}47</math>

'''Schritt 2 – Kontext:'''

Nach dem Modell beträgt die Temperatur nach acht Minuten ungefähr <math>29{,}5</math> Grad Celsius.

'''Schritt 3 – Grenze:'''

Ein sinnvoller Messzeitraum sei <math>0\le t\le 20</math>. Dann gilt als sachlicher Definitionsbereich

<math>D_{\mathrm{real}}=[0;20]</math>.

'''Fachsprachlich:''' Im betrachteten Intervall <math>[0;20]</math> beschreibt das Modell die Abkühlung unter der Modellannahme einer konstanten Umgebungstemperatur von <math>20</math> Grad Celsius. Das Modell berücksichtigt nicht, dass sich Umgebungstemperatur, Luftbewegung oder Wärmeübergang ändern können.

{{BR}}
== Dynamischer Graph: Parameter verändern ==

<iframe> https://www.geogebra.org/graphing?lang=de </iframe>

Gib nacheinander ein:

<math>f(x)=20+70e^{-0{,}25x}</math>

<math>g(x)=20+70e^{-0{,}23x}</math>

<math>h(x)=20+70e^{-0{,}27x}</math>

Vergleiche die drei Graphen im Intervall <math>0\le x\le 20</math>. Formuliere anschließend: „Unter der Modellannahme <math>k=...</math> ...“. Prüfe, wie stark sich der Wert bei <math>x=8</math> ändert.

'''Hinweis:''' Ein dynamisches Werkzeug macht Parameterwirkungen sichtbar. Es ersetzt keine mathematische Begründung.

{{#ev:youtube| https://www.youtube.com/watch?v=6U5XpAHqeSE |500|center}}

{{BR}}
= Interaktives Beispiel 2: Messwerte und Residuen =

Messdaten können durch

<math>y_i=f(x_i)+\varepsilon_i</math>

beschrieben werden. Dabei steht <math>\varepsilon_i</math> für eine Abweichung zwischen Messung und Modell.

[[Datei:LinearRegression.svg|500px|rahmenlos|center]]

Für das Residuum gilt

<math>r_i=y_i-\hat y_i</math>

mit

<math>\hat y_i=f(x_i)</math>.

Ein kleines <math>|r_i|</math> bedeutet eine kleine Abweichung an dieser Stelle. Es beweist nicht, dass das Modell außerhalb des beobachteten Bereichs gültig ist.

[[Datei:Least Squares.gif|500px|rahmenlos|center]]

Die Animation zeigt anschaulich, wie sich die Summe quadrierter Abweichungen bei unterschiedlichen Geraden verändert.

{{#ev:youtube| https://www.youtube.com/watch?v=SvofyI0w0nc |500|center}}

{{BR}}
== Dynamische Geometrie: Residuum sichtbar machen ==

<iframe> https://www.geogebra.org/classic?lang=de </iframe>

Erzeuge eine Gerade <math>g</math>, einen beweglichen Messpunkt <math>P=(x_P;y_P)</math> und den Punkt <math>Q=(x_P;g(x_P))</math>. Die vertikale Differenz ist

<math>r=y_P-g(x_P)</math>.

Ziehe <math>P</math>. Beobachte Vorzeichen und Betrag von <math>r</math>. Beschreibe anschließend nicht nur „der Punkt liegt daneben“, sondern „das Residuum ist positiv“ oder „der Betrag des Residuums ist groß“.

{{BR}}
= Modellgrenze 1: Definitionsbereich =

[[Datei:Graph of a polynomial of the 5th degree.svg|500px|rahmenlos|center]]

Ein Funktionsterm kann außerhalb des Sachbereichs weiterlaufen. Das bedeutet nicht, dass die Realität diesem Verlauf folgt.

Beispiel:

<math>s(v)=0{,}01v^2</math>

kann als vereinfachtes Modell eines Weges in Abhängigkeit von einer Geschwindigkeit <math>v</math> verwendet werden. Mathematisch ist der Term auch für <math>v<0</math> definiert. Eine Sachaufgabe kann aber nur <math>v\ge 0</math> betrachten.

'''Gute Formulierung:''' Im betrachteten Geschwindigkeitsbereich ist das Modell nutzbar. Negative Werte von <math>v</math> gehören nicht zum sachlich sinnvollen Definitionsbereich.

{{BR}}
= Modellgrenze 2: Parameterannahmen =

Für

<math>N(t)=N_0\cdot q^t</math>

bestimmt <math>q</math> den Wachstumsfaktor.

Wenn <math>q=1{,}08</math> aus einer begrenzten Datenreihe geschätzt wurde, ist die Fortsetzung

<math>N(t)=N_0\cdot 1{,}08^t</math>

für sehr große <math>t</math> eine Extrapolation.

'''Gute Formulierung:''' Unter der Modellannahme eines konstanten Wachstumsfaktors <math>q=1{,}08</math> ergibt sich ... Das Modell berücksichtigt nicht, dass Ressourcen, Verhalten oder äußere Bedingungen den Wachstumsfaktor verändern können.

{{BR}}
= Modellgrenze 3: Messungenauigkeit =

Angenommen, eine Messung besitzt die Toleranz

<math>\Delta y=\pm 0{,}5</math>.

Dann ist eine Angabe wie

<math>y=29{,}473821</math>

fachlich irreführend präzise.

Sinnvoller ist beispielsweise

<math>y\approx 29{,}5</math>.

'''Gute Formulierung:''' Wegen der Messungenauigkeit ist eine Genauigkeit auf viele Nachkommastellen nicht begründet.

{{BR}}
= Modellgrenze 4: Reale Einschränkungen =

Ein Modell kann mathematisch korrekt gerechnet und trotzdem sachlich unvollständig sein.

Beispiel Abkühlung:

<math>T(t)=T_U+(T_0-T_U)e^{-kt}</math>

nimmt in dieser Form insbesondere konstante Modellparameter an. Ändert sich die Umgebung, kann die Modellgüte sinken.

'''Gute Formulierung:''' Das Modell berücksichtigt nicht, dass <math>T_U</math> und <math>k</math> in einer realen Situation zeitabhängig sein können.

{{BR}}
= Basisfach und Leistungsfach =

'''Basisfach:''' Erkenne den Sachbereich, erläutere die Bedeutung von Parametern, deute Graphen, prüfe Plausibilität und formuliere Modellgrenzen verständlich und anschaulich.

'''Leistungsfach:''' Begründe zusätzlich präziser, vergleiche Modellvarianten, untersuche Parameteränderungen systematisch und trenne Modell, Daten und Schlussfolgerung formal.

Beispiel einer vertieften Parameterprüfung:

<math>T_k(t)=20+70e^{-kt}</math>

mit

<math>k\in[0{,}23;0{,}27]</math>.

Vergleiche

<math>T_{0{,}23}(8)</math>, <math>T_{0{,}25}(8)</math>, <math>T_{0{,}27}(8)</math>.

Eine belastbare Aussage nennt nicht nur einen Einzelwert, sondern erläutert, wie empfindlich das Ergebnis auf die Parameterannahme reagiert.

{{BR}}
= Übungen mit Hilfen und Feedback =

{{BR}}
== Übung 1: Definitionsbereich ==

Ein Modell lautet

<math>h(t)=-5t^2+20t+1</math>.

Es beschreibt eine Höhe für <math>0\le t\le 4</math>.

'''Aufgabe:''' Warum wäre die Aussage „Bei <math>t=10</math> beträgt die Höhe <math>h(10)</math>“ problematisch?

<div class="mw-collapsible mw-collapsed">
'''Hilfe'''
<div class="mw-collapsible-content">
Vergleiche den mathematischen Funktionsterm mit dem angegebenen Sachintervall.
</div>
</div>

<div class="mw-collapsible mw-collapsed">
'''Feedback'''
<div class="mw-collapsible-content">
Eine passende Formulierung lautet: „Der Wert <math>h(10)</math> liegt außerhalb des betrachteten Intervalls <math>[0;4]</math>. Das Modell erlaubt dort keine sachlich abgesicherte Aussage.“
</div>
</div>

{{BR}}
== Übung 2: Parameterannahme ==

Gegeben ist

<math>P(t)=500\cdot 1{,}04^t</math>.

'''Aufgabe:''' Formuliere eine Modellgrenze, ohne den Term zu verändern.

<div class="mw-collapsible mw-collapsed">
'''Hilfe'''
<div class="mw-collapsible-content">
Frage Dich, ob der Faktor <math>1{,}04</math> langfristig konstant bleiben muss.
</div>
</div>

<div class="mw-collapsible mw-collapsed">
'''Feedback'''
<div class="mw-collapsible-content">
„Unter der Modellannahme eines konstanten jährlichen Wachstumsfaktors von <math>1{,}04</math> beschreibt das Modell die Entwicklung. Es berücksichtigt nicht, dass sich die Wachstumsrate ändern kann.“
</div>
</div>

{{BR}}
== Übung 3: Messungenauigkeit ==

Ein Sensor liefert <math>12{,}4</math> mit einer Messunsicherheit von <math>\pm 0{,}2</math>. Ein Modell liefert <math>12{,}53</math>.

'''Aufgabe:''' Ist die Abweichung automatisch ein Beweis gegen das Modell?

<div class="mw-collapsible mw-collapsed">
'''Hilfe'''
<div class="mw-collapsible-content">
Vergleiche zunächst Größenordnung von Messunsicherheit und Abweichung.
</div>
</div>

<div class="mw-collapsible mw-collapsed">
'''Feedback'''
<div class="mw-collapsible-content">
Nein. Der Unterschied beträgt <math>|12{,}4-12{,}53|=0{,}13</math>. Er liegt in derselben Größenordnung wie die angegebene Messunsicherheit. Für eine Modellbewertung sind weitere Messwerte und der Kontext nötig.
</div>
</div>

{{BR}}
= Fehleranalyse =

'''Fehler:''' „Die Funktion ist für alle <math>x</math> definiert, also gilt das Modell immer.“

'''Korrektur:''' Mathematischer und sachlicher Definitionsbereich können verschieden sein.

'''Fehler:''' „Der Taschenrechner zeigt <math>17{,}283746</math>, also ist das Ergebnis so genau.“

'''Korrektur:''' Die sinnvolle Genauigkeit hängt von Daten, Parametern und Messgenauigkeit ab.

'''Fehler:''' „Die Punkte liegen fast auf dem Graphen, also ist das Modell bewiesen.“

'''Korrektur:''' Gute Anpassung stützt die Verwendbarkeit im beobachteten Bereich, beweist aber keine allgemeine Gültigkeit.

'''Fehler:''' „Eine KI hat denselben Wert erhalten, also stimmt der Beweis.“

'''Korrektur:''' KI-Ausgaben müssen mathematisch geprüft werden. Eine KI-Antwort ersetzt weder Begründung noch Beweis.

{{BR}}
= Selbstkontrolle =

Prüfe bei jeder Modellierungsaufgabe diese vier Fragen:

# In welchem Intervall oder Bereich wird das Modell verwendet?
# Welche Parameter werden als konstant oder bekannt vorausgesetzt?
# Welche Mess- oder Rundungsunsicherheiten beeinflussen das Ergebnis?
# Welche realen Einflussgrößen fehlen im Modell?

'''Musterformulierung:''' „Im betrachteten Intervall <math>[a;b]</math> liefert das Modell unter der Annahme eines konstanten Parameters <math>p</math> eine plausible Näherung. Wegen der Messunsicherheit sind die Werte nicht beliebig genau. Das Modell berücksichtigt nicht, dass sich weitere Einflussgrößen außerhalb des Beobachtungsbereichs ändern können.“

{{BR}}
= Transfer =

Ein Modell für eine Konzentration sei

<math>C(t)=80e^{-0{,}12t}</math>

und wurde anhand von Messungen für

<math>0\le t\le 12</math>

angepasst.

Bewerte die Aussage: „Nach <math>100</math> Stunden ist die Konzentration durch <math>C(100)</math> zuverlässig vorhergesagt.“

Eine vollständige Antwort enthält mindestens: Intervallbezug, Extrapolation, Parameterannahme und reale Einschränkungen.

{{BR}}
= Kompetenzcheck =

Kannst Du ohne Hilfsmittel
# erklären, warum <math>D_{\mathrm{math}}</math> und <math>D_{\mathrm{real}}</math> verschieden sein können?
# eine Parameterannahme in einem Funktionsterm erkennen?
# aus <math>r_i=y_i-f(x_i)</math> die Bedeutung eines Residuums erklären?
# eine Extrapolation als solche kennzeichnen?
# eine fachsprachliche Modellgrenze mit „unter der Modellannahme“, „im betrachteten Intervall“ oder „das Modell berücksichtigt nicht“ formulieren?

Wenn Du bei mindestens zwei Punkten unsicher bist, wiederhole die Beispiele zu Definitionsbereich und Parameterannahmen.

{{BR}}
= Reflexion =

Welche Aussage ist stärker?

„Das Modell ist falsch.“

oder

„Das Modell beschreibt die Daten im betrachteten Intervall gut, berücksichtigt aber die Veränderung des Parameters <math>k</math> nicht.“

Begründe, warum die zweite Formulierung mathematisch informativer ist.

{{BR}}
= Folgekurs =

Weiterführend passen:
# [[ABI - Modellwahl und Modellvergleich begründen]]
# [[ABI - Exponentialfunktionen im Sachzusammenhang]]
# [[ABI - Regression und Residuen interpretieren]]
# [[ABI - Abiturtraining Analysis Baden-Württemberg]]

{{BR}}
= Interaktive Aufgaben =

{{BR}}
== Quiz: Teste Dein Wissen ==

{{MC}}

'''Welche Aussage beschreibt den sachlichen Definitionsbereich am treffendsten?'''
(Der Bereich der Variablenwerte, für den das Modell im Kontext sinnvoll verwendet wird)
(!Der Bereich aller Zahlen, die ein Taschenrechner anzeigen kann)
(!Immer die Menge der reellen Zahlen)
(!Nur die Menge der Nullstellen)

{{E}}
<br>

{{MC}}

'''Welche Formulierung ist fachsprachlich besonders geeignet, um eine Annahme zu kennzeichnen?'''
(Unter der Modellannahme eines konstanten Parameters)
(!Die Formel ist in der Realität immer exakt)
(!Der Rechner beweist das Ergebnis)
(!Das Modell gilt ohne Einschränkung)

{{E}}
<br>

{{MC}}

'''Was ist bei einem Modellparameter zu prüfen?'''
(Ob sein angenommener Wert im betrachteten Kontext plausibel und hinreichend konstant ist)
(!Ob er immer eine ganze Zahl ist)
(!Ob er zwingend eine Naturkonstante ist)
(!Ob er aus dem Definitionsbereich entfernt werden muss)

{{E}}
<br>

{{MC}}

'''Was beschreibt ein Residuum?'''
(Die Differenz zwischen Messwert und zugehörigem Modellwert)
(!Die Ableitung des Modells)
(!Den Definitionsbereich des Modells)
(!Die Anzahl der Parameter)

{{E}}
<br>

{{MC}}

'''Was ist eine Extrapolation?'''
(Eine Modellanwendung außerhalb des durch Daten oder Kontext gestützten Bereichs)
(!Eine Ableitung innerhalb eines Intervalls)
(!Eine exakte Messung)
(!Eine Einheitenumrechnung)

{{E}}
<br>

{{MC}}

'''Welche Aussage benennt eine reale Einschränkung eines Modells?'''
(Das Modell berücksichtigt Änderungen der Umgebungstemperatur nicht)
(!Die Funktion besitzt einen Graphen)
(!Der Term enthält eine Variable)
(!Der Rechner zeigt Nachkommastellen)

{{E}}
<br>

{{MC}}

'''Was ist bei einer Messunsicherheit von plus oder minus 0,5 besonders zu beachten?'''
(Eine Ausgabe mit vielen Nachkommastellen kann eine unbegründete Genauigkeit vortäuschen)
(!Jeder Messwert ist exakt)
(!Runden ist grundsätzlich verboten)
(!Messungenauigkeit betrifft nur negative Zahlen)

{{E}}
<br>

{{MC}}

'''Welche Aussage zu einer guten Datenanpassung ist korrekt?'''
(Eine gute Anpassung stützt die Verwendbarkeit im beobachteten Bereich, beweist aber keine allgemeine Gültigkeit)
(!Eine gute Anpassung beweist das Modell für alle Zeiten)
(!Eine gute Anpassung macht Messfehler unmöglich)
(!Eine gute Anpassung ersetzt die Kontextprüfung)

{{E}}
<br>

{{MC}}

'''Wie wird im Leistungsfach gegenüber dem Basisfach typischerweise stärker differenziert?'''
(Durch vertiefte Formalisierung, Begründung und systematischen Modellvergleich)
(!Durch den Verzicht auf Begründungen)
(!Durch ausschließliches Kopfrechnen)
(!Durch das Weglassen des Sachkontexts)

{{E}}
<br>

{{MC}}

'''Welche Aussage zu KI-Ausgaben in Mathematik ist korrekt?'''
(KI-Ausgaben müssen mathematisch geprüft werden und ersetzen keinen Beweis)
(!Eine KI-Ausgabe ist automatisch ein Beweis)
(!Eine KI-Ausgabe darf nie kontrolliert werden)
(!Eine KI-Ausgabe ist immer genauer als Messdaten)

{{E}}
<br>

{{BR}}
== Memory ==

<div class="memo-quiz">
{|
|-
| Definitionsbereich || sinnvoller Bereich der Eingangsgröße
|-
| Parameterannahme || vorausgesetzter oder geschätzter Modellwert
|-
| Residuum || Messwert minus Modellwert
|-
| Extrapolation || Anwendung außerhalb des gestützten Bereichs
|-
| Messunsicherheit || begrenzte Genauigkeit einer Messung
|-
| Validierung || Vergleich von Modellergebnis und Realität
|}
{{E}}
<br>

{{BR}}
== Drag and Drop ==

<div class="lueckentext-quiz">

{| class="wikitable"
! Ordne die richtigen Begriffe zu.
! Modellprüfung
|-
| '''Definitionsbereich'''
| Prüfe, für welche Eingabewerte das Modell im Sachkontext sinnvoll ist.
|-
| '''Parameterannahme'''
| Prüfe, welche Größen als konstant, bekannt oder geschätzt vorausgesetzt werden.
|-
| '''Messungenauigkeit'''
| Prüfe, wie genau Beobachtungen und daraus bestimmte Größen sind.
|-
| '''Extrapolation'''
| Prüfe, ob das Modell außerhalb des beobachteten Bereichs benutzt wird.
|-
| '''Realrestriktion'''
| Prüfe, welche realen Einflussgrößen das Modell nicht erfasst.

|}
{{E}}

<br>

{{BR}}
== Kreuzworträtsel ==

<div class="kreuzwort-quiz">
{|
|-
| Definitionsbereich || Wie heißt der Bereich, in dem Eingabewerte zugelassen oder sinnvoll sind?
|-
| Parameter || Wie heißt eine Größe, die die konkrete Form eines Modells festlegt?
|-
| Residuum || Wie heißt die Differenz zwischen Messwert und Modellwert?
|-
| Extrapolation || Wie heißt die Anwendung eines Modells außerhalb des gestützten Datenbereichs?
|-
| Messfehler || Wie heißt eine Abweichung, die bei realen Messungen auftreten kann?
|-
| Validierung || Wie heißt die Überprüfung eines Modells an Realität oder Daten?
|}
{{E}}
<br>

{{BR}}
== LearningApps ==

<iframe> https://learningapps.org/index.php?s=ABI+-+Modellgrenzen+fachsprachlich+reflektieren </iframe>

{{BR}}
== Lückentext ==

<quiz display=simple>
{'''Vervollständige den Text.'''<br>
|type="{}"}
Ein mathematisches Modell ist nur in einem sachlich sinnvollen { Definitionsbereich } zu verwenden.
Eine Rechnung außerhalb des durch Daten gestützten Bereichs kann eine { Extrapolation } sein.
Ein aus Daten geschätzter Modellwert kann als { Parameter } in einer Funktion auftreten.
Die Differenz zwischen einem Messwert und dem zugehörigen Modellwert heißt { Residuum }.
Eine präzise Modellkritik nennt eine konkrete { Modellannahme }.
Digitale oder KI-gestützte Ergebnisse müssen mathematisch { geprüft } werden.
</quiz>

<br>

{{BR}}
= Offene Aufgaben =

{{BR}}
=== Leicht ===
# [[Definitionsbereich]]: Finde drei Alltagssituationen, in denen ein mathematischer Term für mehr Zahlen definiert ist als das reale Modell sinnvoll zulässt.
# [[Fachsprache]]: Formuliere fünf Sätze mit „im betrachteten Intervall“ zu selbst gewählten Funktionsmodellen.
# [[Messunsicherheit]]: Miss zehnmal dieselbe Länge mit einem verfügbaren Messgerät und beschreibe die Streuung ohne personenbezogene Daten zu erfassen.
# [[Modellannahme]]: Markiere in drei Sachaufgaben jeweils eine Annahme, die für den verwendeten Funktionsterm notwendig ist.

{{BR}}
=== Standard ===
# [[Exponentialfunktion]]: Erstelle in GeoGebra ein Modell <math>f(t)=a e^{-kt}</math> mit Schiebereglern für <math>a</math> und <math>k</math> und dokumentiere zwei Parameterwirkungen.
# [[Regression]]: Erzeuge selbst eine kleine anonyme Messreihe, passe eine Gerade an und untersuche mindestens drei Residuen.
# [[Modellkritik]]: Nimm eine veröffentlichte Grafik mit Trendkurve und formuliere zwei Aussagen zur Gültigkeit und zwei zu ihren Grenzen.
# [[Erklärvideo]]: Produziere ein kurzes Video, in dem Du „unter der Modellannahme“, „im betrachteten Intervall“ und „das Modell berücksichtigt nicht“ an einem Beispiel verwendest.

{{BR}}
=== Schwer ===
# [[Modellvergleich]]: Vergleiche zwei verschiedene Funktionstypen für denselben Datensatz und begründe, welcher Bereich jeweils plausibel beschrieben wird, ohne einen unbegründeten Sieger zu behaupten.
# [[Parametersensitivität]]: Untersuche bei <math>T_k(t)=20+70e^{-kt}</math> mehrere Werte von <math>k</math> und erkläre, wie empfindlich eine Vorhersage auf die Parameterwahl reagiert.
# [[Fehleranalyse]]: Erstelle ein Lernplakat mit fünf typischen Fehlformulierungen zu Modellen und jeweils einer fachsprachlich verbesserten Version.
# [[Abiturtraining]]: Entwickle eine eigene Modellierungsaufgabe im Stil der Kursstufe mit Daten, Rechenweg, Interpretation, Modellkritik und Erwartungshorizont für Basisfach und Leistungsfach.

{{:Offene Aufgabe - MOOC erstellen}}

{{BR}}
= Lernkontrolle =

# [[Transfer Definitionsbereich]]: Ein Modell ist mathematisch auf <math>\mathbb{R}</math> definiert, wurde aber nur für <math>0\le t\le 15</math> anhand von Daten geprüft. Beurteile eine Vorhersage bei <math>t=50</math> und begründe fachsprachlich.
# [[Parameterkritik]]: Zwei Gruppen verwenden für dasselbe Modell die Parameter <math>k=0{,}24</math> und <math>k=0{,}27</math>. Erkläre, wie Du ohne vorschnelles Urteil untersuchst, welche Konsequenzen das für Vorhersagen hat.
# [[Messdaten]]: Ein Modellwert liegt außerhalb der angegebenen Messunsicherheit eines einzelnen Messpunkts. Erkläre, warum daraus noch keine vollständige Modellbewertung folgt.
# [[Modellverbesserung]]: Ein Abkühlungsmodell nimmt eine konstante Umgebungstemperatur an. Entwickle eine Idee, wie das Modell oder das Messdesign verbessert werden könnte, wenn die Umgebungstemperatur schwankt.
# [[Fachsprache]]: Schreibe eine ungenaue Aussage wie „Das Modell stimmt“ so um, dass Gültigkeitsbereich, Annahme und reale Einschränkung sichtbar werden.
# [[KI-Kontrolle]]: Eine KI extrapoliert eine Funktion weit über den Datenbereich hinaus und liefert zehn Nachkommastellen. Analysiere mindestens drei Gründe, warum diese Ausgabe kritisch geprüft werden muss.

<br>
<br>

{{BR}}
= Lernnachweis =

Für einen Lernnachweis solltest Du zeigen, dass Du
# mathematischen und sachlichen Definitionsbereich unterscheiden kannst.
# mindestens eine Parameterannahme aus einem Modell herausarbeitest.
# Messwerte, Modellwerte und Residuen korrekt interpretierst.
# Extrapolation und reale Einschränkungen fachsprachlich benennst.
# Rechenschritte mit passenden mathematischen Ausdrücken nachvollziehbar darstellst.
# Basisfach verständig und anschaulich argumentierst beziehungsweise im Leistungsfach zusätzlich vertieft begründest und formalisierst.
# digitale oder KI-gestützte Ergebnisse eigenständig mathematisch prüfst.

<br>
<br>

{{BR}}
= OERs zum Thema =

<iframe> https://de.m.wikipedia.org/wiki/Mathematisches_Modell </iframe>

# [https://www.bildungsplaene-bw.de/ Mathematik-Bildungsplan Baden-Württemberg]
# [https://km.baden-wuerttemberg.de/de/schule/gymnasium/termine-und-informationen-zum-abitur Abiturinformationen Baden-Württemberg]
# [https://www.iqb.hu-berlin.de/de/schule/sekundarstufe-ii/begleitendedokumente/ IQB-Begleitdokumente Mathematik]
# [https://www.iqb.hu-berlin.de/de/schule/aufgaben/sekii/abiturpruefungsaufgaben-mathematik/ IQB-Abiturprüfungsaufgaben Mathematik]

Die eingebundenen Wikimedia-Commons-Dateien sind über ihre jeweilige Dateiseite mit Lizenz- und Urheberangaben dokumentiert. YouTube-Videos werden eingebettet und nicht neu veröffentlicht.

{{BR}}
= Verknüpfte Lernbereiche =

{| align=center
{{:D-Tab}}
'''[[Mathematisches Modell]]'''
# [[Definitionsbereich]]
# [[Parameter]]
# [[Messunsicherheit]]
# [[Regression]]
# [[Extrapolation]]
# [[Validierung]]
# [[Analysis]]
# [[Stochastik]]
# [[Abitur Mathematik]]
|}

[[Kategorie:Mathematik]]
[[Kategorie:Abitur]]
[[Kategorie:Baden-Württemberg]]
[[Kategorie:Kursstufe]]
[[Kategorie:Analysis]]
[[Kategorie:Modellieren]]
[[Kategorie:Basisfach]]
[[Kategorie:Leistungsfach]]

{{BR}}
= aiMOOC-Projekte =
[[Kategorie:AI_MOOC]] [[Kategorie:GPT aiMOOC]]
{{MT}}

ABI - Modellgrenzen fachsprachlich reflektieren - Versionsgeschichte

Glanz: aiMOOC über GPT aiMOOC Action erstellt