MODELAGEM MATEMÁTICA EM SALA DE AULA: A VELOCIDADE DE ATLETAS DE ALTO RENDIMENTO EM UMA CORRIDA DE 100 METROS
##plugins.themes.bootstrap3.article.sidebar##
Palavras-chave:
modelagem matemática
situações de aprendizagem
biomecânica
estatisticas
regressão não linear
##plugins.themes.bootstrap3.article.main##
Edição:
v. 1 n. 1 (2024): junio
Seção: Artículos de Educación Matemática
Resumo
Neste artigo abordamos uma situação de aprendizagem baseada em modelagem utilizando modelos de posição, velocidade e aceleração construídos teoricamente e estimados a partir de dados reais. Em particular, este trabalho estende o modelo teórico proposto por Gómez, Marquina e Gómez [2] para o desempenho de Usain Bolt na corrida de 100 m, que lhe valeu o recorde mundial durante o Campeonato Mundial de Berlim de 2009. para adaptá-lo aos demais corredores de aquele evento. Mais precisamente, um modelo não linear é ajustado por mínimos quadrados aos dados do corredor relatados em Graubner e Nixdorf [3]. A partir destes modelos, desenvolve-se uma proposta para a sua implementação e gestão numa aula de matemática do nível secundário, tomando como quadro de referência o ciclo de modelação borromeu [1], com o objectivo de apresentar uma possível estratégia de gestão para o seu trabalho na disciplina de Matemática. sala de aula com alunos de 15 a 16 anos.
##plugins.themes.bootstrap3.article.details##
Lau Mego, C., & Parada , D. L. (2024). MODELAGEM MATEMÁTICA EM SALA DE AULA: A VELOCIDADE DE ATLETAS DE ALTO RENDIMENTO EM UMA CORRIDA DE 100 METROS. RIME, 1(1), 39-67. https://doi.org/10.32735/S2810-7187202400013183
Downloads
Não há dados estatísticos.
Referências
1. Borromeo R. Theoretical and empirical differentiations of phases in the modelling process. ZDM. 2006; 38: 86–95. https://doi.org/10.1007/BF02655883
2. Gómez JH, Marquina V, Gómez, RW. On the performance of Usain Bolt in the 100 m sprint. European Journal of Physics. 2013; 34(5): 1227. https://doi.org/10.48550/arXiv.1305.3947
3. Graubner R, Nixdorf E. Biomechanical analysis of the sprint and hurdles events at the 2009 IAAF World Championships in Athletics. New Stu-dies in Athletics. 2011; 1(2): 19–53.
4. Ministerio de Educación Nacional de Colombia. Estándares básicos de competencias en matemáticas. Potenciar el pensamiento matemático: ¡un reto escolar! 2006; pp. 46–95.
5. Vasco CE. El pensamiento variacional y la modelación matemática. Conferencia en Congreso Internacional: Tecnologías Computacionales en el Currículo de Matemáticas; 8–10 Mayo 2002; Bogotá.
6. Blum W, Niss M. Applied mathematical problem solving, modelling, applications, and links to other subjects. State, Trends and Issues in Mathematics Instruction, Educational Studies in Mathematics. 1991; 22(1): 37–68. https://doi.org/10.1007/BF00302716
7. Aravena M, Caamaño C, Giménez J. Modelos matemáticos a través de proyectos. RELIME. 2008; 11(1): 49–92.
8. Blomhøj M. Mathematical Applications and Modelling in the Teaching and Learning of Mathematics. Proceedings from Topic Study Group 21 at the 11th International Congress on Mathematical Education; 8–10 Julio 2008; Monterrey. Roskilde Universitet.
9. Aseeva OM. Modeling as a method of cognition of the surrounding real-ity. Molodoy Uchenyy [Young Researcher]. 2021; 6(348): 403–404. https://doi.org/10.1002/sce.20177
10. Schwarz CV, Gwekwerere YN. Using a guided inquiry and model-ing instructional framework (EIMA) to support preservice K‐8 science teaching. Science Education. 2007; 91(1): 158–186. https://doi.org/10.1002/sce.20177
11. Kaiser G, Sriraman B. A global survey of international perspectives on modelling in mathematics education. ZDM. 2006; 38: 302–310. https://doi.org/10.1007/BF02652813
12. Camarena, PC. La matemática en el contexto de las ciencias y la modelación. Cuadernos de Investigación y Formación en Educación Ma-temática. 2012; 7(10): 183–193.
13. Galbraith P, Stillman G. A framework for identifying student blockages during transitions in the modeling process. ZDM. 2006; 38(2): 143–162. https://doi.org/10.1007/BF02655886
14. Janjic NJ, Kapor DV, Doder DV, Doder RŽ, Savic BV. Model for the determination of instantaneous values of the velocity, instantaneous, and average acceleration for 100-m sprinters. The Journal of Strength & Conditioning Research. 2014; 28(12): 3432–3439. https://doi.org/10.1519/JSC.0000000000000606
15. Parrington L, Phillips E, Wong A, Finch M, Wain E, MacMahon C. Validation of inertial measurement units for tracking 100 m sprint data. ICBS Conference Proceedings Archive; 18–22 Julio 2016; Tsukuba.
16. Ritchhart R, Church M, Morrison K. Hacer visible el pensamiento. Cómo promover el compromiso, la comprensión y la autonomía de los estudiantes. Buenos Aires: Paidós; 2014.
17. Ferro SA. La carrera de velocidad: Metodología del Análisis Bio-mecánico. Madrid: Librerías Deportivas Esteban Sanz; 2001.
2. Gómez JH, Marquina V, Gómez, RW. On the performance of Usain Bolt in the 100 m sprint. European Journal of Physics. 2013; 34(5): 1227. https://doi.org/10.48550/arXiv.1305.3947
3. Graubner R, Nixdorf E. Biomechanical analysis of the sprint and hurdles events at the 2009 IAAF World Championships in Athletics. New Stu-dies in Athletics. 2011; 1(2): 19–53.
4. Ministerio de Educación Nacional de Colombia. Estándares básicos de competencias en matemáticas. Potenciar el pensamiento matemático: ¡un reto escolar! 2006; pp. 46–95.
5. Vasco CE. El pensamiento variacional y la modelación matemática. Conferencia en Congreso Internacional: Tecnologías Computacionales en el Currículo de Matemáticas; 8–10 Mayo 2002; Bogotá.
6. Blum W, Niss M. Applied mathematical problem solving, modelling, applications, and links to other subjects. State, Trends and Issues in Mathematics Instruction, Educational Studies in Mathematics. 1991; 22(1): 37–68. https://doi.org/10.1007/BF00302716
7. Aravena M, Caamaño C, Giménez J. Modelos matemáticos a través de proyectos. RELIME. 2008; 11(1): 49–92.
8. Blomhøj M. Mathematical Applications and Modelling in the Teaching and Learning of Mathematics. Proceedings from Topic Study Group 21 at the 11th International Congress on Mathematical Education; 8–10 Julio 2008; Monterrey. Roskilde Universitet.
9. Aseeva OM. Modeling as a method of cognition of the surrounding real-ity. Molodoy Uchenyy [Young Researcher]. 2021; 6(348): 403–404. https://doi.org/10.1002/sce.20177
10. Schwarz CV, Gwekwerere YN. Using a guided inquiry and model-ing instructional framework (EIMA) to support preservice K‐8 science teaching. Science Education. 2007; 91(1): 158–186. https://doi.org/10.1002/sce.20177
11. Kaiser G, Sriraman B. A global survey of international perspectives on modelling in mathematics education. ZDM. 2006; 38: 302–310. https://doi.org/10.1007/BF02652813
12. Camarena, PC. La matemática en el contexto de las ciencias y la modelación. Cuadernos de Investigación y Formación en Educación Ma-temática. 2012; 7(10): 183–193.
13. Galbraith P, Stillman G. A framework for identifying student blockages during transitions in the modeling process. ZDM. 2006; 38(2): 143–162. https://doi.org/10.1007/BF02655886
14. Janjic NJ, Kapor DV, Doder DV, Doder RŽ, Savic BV. Model for the determination of instantaneous values of the velocity, instantaneous, and average acceleration for 100-m sprinters. The Journal of Strength & Conditioning Research. 2014; 28(12): 3432–3439. https://doi.org/10.1519/JSC.0000000000000606
15. Parrington L, Phillips E, Wong A, Finch M, Wain E, MacMahon C. Validation of inertial measurement units for tracking 100 m sprint data. ICBS Conference Proceedings Archive; 18–22 Julio 2016; Tsukuba.
16. Ritchhart R, Church M, Morrison K. Hacer visible el pensamiento. Cómo promover el compromiso, la comprensión y la autonomía de los estudiantes. Buenos Aires: Paidós; 2014.
17. Ferro SA. La carrera de velocidad: Metodología del Análisis Bio-mecánico. Madrid: Librerías Deportivas Esteban Sanz; 2001.