SlideShare a Scribd company logo
OSA II. Kaksiosaisen artikkelin ensimmäinen osa ilmestyi Dimensiossa 1/2007

Jatkuvat ei-missään derivoituvat
funktiot lukion pitkässä
matematiikassa
PAAVO HEISKANEN , FM, Fysiikan ja matematiikan lehtori, Jokelan lukio

Tein keväällä 2006 kahdessa lukiossa kyselyn jatkuvuuden ja derivoituvuuden osaamisesta. Tämän
kyselyn tulokset antavat olettaa, että pitkän matematiikan opiskelijat hallitsevat varsin heikosti jatkuvuuden ja derivoituvuuden välisen yhteyden (Heiskanen,
2006). Koska derivoituvuus on selkeästi vahvempi
ominaisuus kuin jatkuvuus, tavoitteena lienee kuitenkin, että derivaatan opiskeltuaan opiskelijat hallitsevat näiden käsitteiden välisen yhteyden paremmin.
Esittelen artikkelissani Tallin (2002) kehittelemän
menetelmän, jolla voidaan luoda havainnollinen kuva derivoituvuudesta käyttäen hyväksi paikallinen
suoruus -käsitettä. Tarkastelen myös kuinka jatkuvia
ei-missään derivoituvia funktioita voitaisiin käsitellä
lukion pitkässä matematiikassa ja miten niitä voitaisiin käyttää hyväksi derivoituvuus-käsitteen hallinnan syventämisessä.

Tutkin matematiikan pro gradu -tutkielmassani,
”Jatkuvuus- ja derivoituvuus-käsitteet lukion pitkässä
matematiikassa”, muun muassa jatkuvia ei-missään derivoituvia funktiota, lyhyesti CND-funktioita (Continuous Nowhere Differentiable). Lukiossa suorittamani kyselyn perusteella monet lukion pitkän matematiikan opiskelijat pitävät outona ajatusta, että tällaisia
funktioita on olemassa. Opiskelijoilla on käsitys, että yleensä jatkuvat funktiot ovat derivoituvia lukuun
ottamatta muutamia pisteitä. Käsitys ei ole lainkaan
yllättävä, sillä näinhän tilanne yleensä onkin kaikissa lukiossa vastaan tulevissa funktioissa. Tyypillisenä
esimerkkinä jatkuvasta funktiosta, joka on epäderivoituva, esitetään itseisarvofunktio f ( x) x , joka
ei ole derivoituva kohdassa x = 0. Monet opiskelijoista ymmärtävät kyllä, että jatkuvuus ei takaa derivoituvuutta, mutta heille saattaa jäädä käsitys, että
jatkuvalla funktiolla voi olla ”piikkejä” eli epäderivoituvuuskohtia vain äärellinen määrä tietyllä välillä
eli, että jatkuva funktio voi olla epäderivoituva vain
yksittäisissä pisteissä.

Reaalifunktiot ja jatkuvuus
Reaaliarvoiset funktiot ovat olleet 1600-luvulta lähtien

yleinen työkalu geometristen käyrien tutkimiseen sekä mekaniikan ja tähtitieteen laskuihin. Funktio-sana
ja merkintä y = f(x) ovat peräisin vasta 1700-luvulta.
Tuolloin käsitellyt reaalifunktiot olivat pääsääntöisesti alkeisfunktioista muodostettuja, mahdollisesti eri
kaavoilla eri määrittelyjoukoissa. Tällöin reaalifunktiot olivat siis jatkuvia lukuun ottamatta korkeintaan
määrittelyjoukkojen rajapisteitä. Tämä historia huomioonottaen on aivan luonnollista ajatella, että reaalifunktio on jatkuva lukuun ottamatta korkeintaan
yksittäisiä pisteitä. Ei ole siis lainkaan yllättävää, että
monet lukion pitkän matematiikan opiskelijat olettavat funktioiden olevan jatkuvia tai ainakin jatkuvia lukuun ottamatta yksittäisiä pisteitä (Heiskanen,
2006, s.202).
1800-luvulla funktion määritelmä alkoi tarkentua. Määriteltiin, että mikä tahansa piirretty käyrä on
funktio tai jos jokaista x vastaa yksikäsitteinen äärellinen y, niin y on x:n funktio. Nykymuotoinen funktion
määritelmä on peräisin Lejeune Dirichletiltä vuodelta 1837. Hän määritteli seuraavasti: Funktio f: A B
koostuu kahdesta joukosta, määrittelyjoukosta A ja arvojoukosta B, ja säännöstä, joka määrittää jokaiselle x
A yksikäsitteisen y B . Kun otetaan huomioon, että
derivaatta-käsite kehittyi varsin pitkälle jo Newtonin
ja Leibnizin aikaan 1600-luvun lopulla, niin nykyinen funktio-käsite on itse asiassa melko tuore (Heiskanen, 2005).

Derivoituvuus ja paikallinen suoruus
Tall (2002) esittelee metodin, jolla voidaan tutkia
funktion derivoituvuutta graafisesti tietokoneen avulla. Funktion kuvaajaa lähennetään pisteessä, jossa derivoituvuutta tutkitaan. Tall määrittelee kognitiivisen
juuren (cognitive root) käsitteeksi, joka on opiskelijalle
ymmärrettävä sillä hetkellä ja toimii siemenenä muodollisen käsitteen määrittelyssä. Esimerkiksi paikallinen
suoruus on kognitiivinen juuri derivoituvuuden käsitteelle. Tarkastellaan paikallisen suoruuden käsitettä
muutaman esimerkin avulla, joita on demonstroitu
Kawasakin Visual Calculus -ohjelmalla. Tutkitaan en-

eDimensio 1
siksi funktiota f(x) = sin(x), jonka kuvaaja piirretään
ensin välillä [–4,4], ja sen jälkeen lähennetään kuvaa
kohdassa x = 1 (kuva 1). Ohjelman avulla nähdään
selvästi, kuinka kuvaaja paikallisesti lähestyy suoraa
kohdassa x = 1, kun kuvaa lähennetään tarpeeksi.

Kuva 1: Funktion f(x) = sin(x) kuvaaja ja suurennos
piirrettynä Visual Calculus -ohjelmalla.

Toisena esimerkkinä tutkitaan funktion f ( x) x
kuvaajaa kohdassa x = 0. Ohjelman avulla nähdään
helposti, että kuvaaja ei suoristu origossa, vaikka kuvaa lähennettäisiin kuinka paljon tahansa (kuva 2).
Näin opiskelijat voivat geometrisesti tutkia funktioiden derivoituvuutta ja ”nähdä”, mitä derivoituvuus
on. Heille voidaan luoda derivoituvuudesta ja epäderivoituvuudesta ymmärrettävä visuaalinen havainto.
Paikallista suoruutta voi tutkia myös ilman tietokonetta esimerkiksi graafisen laskimen ZOOM-toiminnon avulla.

Kuva 2: Funktion f ( x ) x kuvaaja ja suurennos
piirrettynä Visual Calculus -ohjelmalla.

Opetuksessa voidaan käyttää hyväksi myös tilanteita, joissa tietokoneen esitysmuoto ja vastaava teoreettinen muotoilu muodostavat ristiriidan. Tutkitaan
x 2 1 kohdassa x = 0.
esimerkiksi funktiota f ( x)
Kun on opiskeltu derivaatan ketjusääntö, voivat opiskelijat laskea funktion f derivaatan analyyttisesti. Las-

2 eDimensio

kemisen jälkeen voidaan piirtää funktion kuvaaja välillä [–100,100]. Kuvaajaan näyttää muodostuvan
terävä piikki, joten geometrisen tarkastelun mukaan
funktio ei olisi derivoituva kohdassa x = 0. Lähentämällä kuvaajaa havaitaan kuitenkin, että kyseiseen
kohtaan ei muodostu terävää kärkeä vaan se ”oikenee” eli kuvaaja lähestyy paikallisesti suoraa, jolloin
funktio voidaan perustella derivoituvaksi kohdassa x
= 0 myös geometrisesti. Tilanne on esitetty kuvassa 3. Kun opiskelijoiden kanssa on tarkasteltu aikaisemmin derivaattaa tangentin kulmakertoimena, voi
painottaa, että tutkittavassa kohdassa derivoituvan
funktion kuvaaja lähenee paikallisesti nimenomaan
tangenttia.
Tämä esimerkki selventää myös sitä, että derivoituvuus on funktion paikallinen ominaisuus. Kun tutkitaan funktion derivoituvuutta annetussa kohdassa,
pitää kuvaajaakin tutkia paikallisesti. Tarkasteltaessa funktion kuvaajaa isolla alueella, kuten esimerkissä on aluksi tehty, ei voida sanoa sen derivoituvuudesta yksittäisessä kohdassa mitään. Vasta kun kuva
on lähennetty tarkasteltavan kohdan ”lähiympäristöön”, voidaan tutkia paikallista ominaisuutta derivoituvuus.

CND-funktiot lukio-opetuksessa
Jotta opiskelijat voisivat ymmärtää muodollisen todistuksen merkityksen matematiikassa, tulisi Tallin (2002,
s. 10-11) mukaan heille esittää esimerkkejä siitä, mikä
voi mennä pieleen käsitteiden intuitiivisessa tulkinnassa. Opiskelijoille voidaan näyttää esimerkiksi, että on
olemassa funktioita, jotka eivät ole missään pisteessä
paikallisesti suoria, jolloin heille muodostuu visuaalinen mielikuva siitä, mitä funktion epäderivoituvuus
tarkoittaa. Tämä ei onnistu helposti enää Visual Calculus -ohjelmalla, mutta tarkastelu voidaan toteuttaa
esimerkiksi Mathematicalla.
CND-funktioista voidaan tarkastella esimerkkinä
Weierstrassin funktiota, joka on klassinen esimerkki
tällaisista funktioista. Tarkasti Weierstrassin funktio
määritellään seuraavasti
f:
b k cos(a k x) ,

f ( x)
k 0

missä 0 < b < 1 ja a on pariton positiivinen kokonaisluku siten, että
ab 1

3
.
2

Lukiossa funktiosta voisi tarkastella esimerkkinä yhtä erikoistapausta, jossa esimerkiksi a = 7 ja b = 0,9 .
Tällöin funktio saadaan muotoon
0,9k cos(7 k x) .

W ( x)
k 0

Funktion rakennetta äärettömänä summana
voidaan selvittää opiskelijoille kirjoittamalla auki
osasummia
n 1

Sn

0,9k cos(7 k x)

k 0

ja tarkastelemalla näiden kuvaajia. Weierstrassin funktiohan saadaan raja-arvona W ( x) lim Sn .
n

Kuvassa 4 on esitetty osasummien kuvaajat n:n arvoilla 1, 2, 3 ja 4 välillä [–1,1] . Kuvista voidaan todeta opiskelijoiden kanssa, että aina n:n arvon kasvaessa yhdellä muodostuu kuvaajaan yhden huipun tilalle
seitsemän huippua (huomaa, että a = 7 ).
Osasummien kuvaajia tarkastelemalla voidaan luoda havainnollinen kuva siitä, kuinka funktion rakenne kehittyy n:n arvon kasvaessa. Opiskelijoille voidaan korostaa, että monimutkaiselta näyttävä funktio
on kuitenkin vain tavallisten trigonometristen funktioiden summa. Kuvaajien avulla nähdään, kuinka
funktioon alkaa muodostua yhä terävämpiä huippuja

Kuva 3: Tilanne, jossa kuvaaja voi antaa väärän
mielikuvan derivoituvuudesta.

n:n arvon kasvaessa. Tässä yhteydessä on hyvä muistuttaa mieleen paikallisen suoruuden käsite derivoituvuutta tutkittaessa, ja että funktio ei ole derivoituva
terävässä kärkipisteessä eli ”piikissä”. Kuvaajien tulkintaan opiskelijoiden kanssa kannattaa mielestäni
käyttää reilusti aikaa, koska on tärkeää, että opiskelijoille muodostuu selvä geometrinen käsitys, kuinka
Weierstrassin funktio rakentuu n:n arvon kasvaessa.

1

1.5
1

0.5

0.5
0

0

-0.5
-1

-0.5

-1.5
-0.5

0

0.5

-1

1

-0.5

0

0.5

1

0.5

1

10

2
5

1
0

0

-1
-5

-2
-1

-0.5

0

0.5

1

-1

-0.5

0

Kuva 4: Weierstrassin funktion osasummien kuvaajia.

eDimensio 3
Weierstrassin funktion muodostuminen näiden tutkittujen funktioiden raja-arvona, kun n kasvaa rajatta, on syytä käydä huolella läpi. Mutta koska emme
voi laskea äärettömän monen funktion summaa, joudumme tarkastelemaan aina osasummia.

x

[–0,1, 0,1]

10
8
6

Weierstrassin funktio ja paikallinen suoruus
Kun funktion rakennetta on käyty läpi ja tutkittu,
kuinka huiput käyvät yhä terävämmiksi n:n arvon kasvaessa, siirrytään tutkimaan tiettyä osasummaa geometrisesti. Funktion rakenteen tutkiminen onnistuu
hyvin jo esimerkiksi osasummalla, jossa n:n arvo on 51
(kuva 5). Tämän osasumman kuvaajien piirtäminen
onnistuu vielä suhteellisen nopeasti, mutta suurempien osasummien kuvaajien piirtäminen alkaa olla jo
aika hidasta tavallisella tietokoneella.

4
2
0

-0.1

x

-0.05

0

0.05

0.1

0

0.005

0.01

0

0.0005

0.001

[–0,01, 0,01]

10

10

8

6

5

4
0

2
-5

0
-0.01
-1

-0.5

0

0.5

Kuva 5: Weierstrassin funktion osasumman S51 kuvaaja
välillä [–1,1].

Tutkitaan funktion derivoituvuutta origossa
osasumman S51 avulla. Käytetään paikallisen suoruuden käsitettä ja tutkitaan, läheneekö funktion kuvaaja suoraa paikallisesti, mikäli sitä lähennetään origossa. Kuvassa 6 on esitetty 10-, 100-, ja 1000-kertaiset
suurennokset kuvassa 5 esitetystä kuvaajasta origon
läheisyydessä.
Suurennoksia tarkastelemalla huomataan, että tutkittavan funktion kuvaaja ei lähene suoraa origon ympäristössä eli että se ei ole derivoituva origossa. Kuitenkin funktio on jatkuva origossa jatkuvien funktioiden tasaisena raja-arvona. Jatkuvuutta voi tarkastella
opiskelijoiden kanssa funktion kuvaajista toteamalla esimerkiksi, että kuvien perusteella funktio näyttää olevan jatkuva. On syytä kuitenkin muistaa, että
kaikki edellä käsitellyt osasummat ovat todellisuudessa derivoituvia äärellisen monen derivoituvan funktion summana. Osasummia tarkastelemalla voidaan
kuitenkin luoda mielikuva siitä miksi Weierstrassin
funktiosta lopulta tulee ei-missään derivoituva. Ana-

4 eDimensio

-0.005

1

x

[–0,001, 0,001]

-0.001

-0.0005

10

8

6

4

2

Kuva 6: Weierstrassin funktion osasumman S51 kuvaajan
lähennys kohdassa x=0.

lyyttinen todistus jatkuvuudesta ja epäderivoituvuudesta löytyy esimerkiksi lähteestä Heiskanen (2006).
Sama tarkastelu voidaan tehdä missä kohdassa tahansa, ja päädytään samaan tulokseen. Kun vastaava
tarkastelu tehdään useammassa opiskelijoiden mielivaltaisesti valitsemassa kohdassa ja tarkastellaan,
kuinka kuvaajan perusteella funktio on jatkuva mutta epäderivoituva näissä kohdissa, muodostuu opiskelijoille mielikuva, että on olemassa jatkuvia ei-missään derivoituvia funktioita. Tarkoituksena ei ole, että
opiskelijat ymmärtävät funktioiden analyyttisen rakenteen tai että funktioiden ominaisuuksia todistetaan analyyttisesti, vaan että heille muodostuu mielikuva tällaisten funktioiden rakenteesta ja olemassaolosta.
Epäderivoituvuuskohdissa Weierstrassin funktion
kuvaajaan muodostuu piikki. Tällöin siis funktio vaihtuu epäderivoituvuuskohdassa kasvavasta laskevaksi
tai päinvastoin. CND-funktio on rakenteeltaan ”sahalaitainen”, eli se ei voi olla monotoninen. On syytä tuoda esille, että Weierstrassin funktio ei ole ainoa
CND-funktio. Muita vastaavia funktioita voidaan esitellä opiskelijoille lyhyesti ja tarkastella samalla, kuinka näiden kaikkien rakenne on ”sahalaitainen”. Esimerkkejä löytyy esimerkiksi lähteistä Thim (2003) ja
Heiskanen (2006).
Lukion oppikirjoissa ei mainita lainkaan erikoistapauksia, kuten CND-funktioita. Mielestäni tällaisten
erikoistapausten esitteleminen lukion pitkän matematiikan opiskelijoille selvittäisi jatkuvuuden ja derivoi-

tuvuuden ominaisuuksia sekä niiden välistä yhteyttä.
Vaikka funktioita ei voida käydä tarkasti analyyttisesti läpi, niiden geometrinen tarkastelu auttaisi käsitteiden hahmottamisessa. Jos opiskelija tietäisi, että
on olemassa funktioita, jotka ovat kaikkialla jatkuvia
mutta eivät ole missään derivoituvia, ja ymmärtäisi,
millaisia ne ovat rakenteeltaan, olisi hänellä jo varsin
paljon tietoa käsitteistä jatkuvuus ja derivoituvuus
Viitteet:
Gaul, R. & Kim, N. 2002. How Many continuous Nowhere Differentiable
Functions Are There? Nebraskan yliopisto: Mathematics Awareness Month. http://www.unomaha.edu/wwwmath/MAM/2002/Poster02/Contnondiff.pdf
(11.11.2006).
Heiskanen, P. 2005. Derivaatta antiikista nykyaikaan. Matematiikan LuK-tutkielma, Jyväskylän yliopisto: Matematiikan ja
tilastotieteen laitos. http://personal.inet.fi/koti/paavoheiskanen/opiskelu/luk.pdf
(12.11.2006).
Heiskanen, P. 2006. Jatkuvuus- ja derivoituvuus-käsitteet lukion pitkässä matematiikassa. Matematiikan pro gradu -työ,
Jyväskylän yliopisto: Matematiikan ja tilastotieteen laitos.
http://personal.inet.fi/koti/paavoheiskanen/opiskelu/gradu.pdf (11.11.2006).
Tall, D. 2002. Using Technology to Support an Embodied Approach
to Learning Concepts in Mathematics. Teoksessa Carvalho,
L.M. & Guimarães, L.C.: História e Tecnologia no Ensino da
Matemática, vol. 1, pp. 1-28, Rio de Janeiro, Brasil. Saatavana
sähköisenä: http://www.warwick.ac.uk/staff/David.Tall/pdfs/dot2003a-rio-plenary.pdf
(11.11.2006).
Thim, J. 2003. Continuous Nowhere Differentiable Functions. Master
Thesis, Luleå tekniska universitet. www.ludd.luth.se/~ivileel/master_thesis.pdf
(11.11.2006).

eDimensio 5

More Related Content

Featured

2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot
Marius Sescu
 
Everything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPTEverything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPT
Expeed Software
 
Product Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage EngineeringsProduct Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage Engineerings
Pixeldarts
 
How Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental HealthHow Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental Health
ThinkNow
 
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdfAI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
marketingartwork
 
Skeleton Culture Code
Skeleton Culture CodeSkeleton Culture Code
Skeleton Culture Code
Skeleton Technologies
 
PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024
Neil Kimberley
 
Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)
contently
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024
Albert Qian
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
Kurio // The Social Media Age(ncy)
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024
Search Engine Journal
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary
SpeakerHub
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd
Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next
Tessa Mero
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Lily Ray
 
How to have difficult conversations
How to have difficult conversations How to have difficult conversations
How to have difficult conversations
Rajiv Jayarajah, MAppComm, ACC
 
Introduction to Data Science
Introduction to Data ScienceIntroduction to Data Science
Introduction to Data Science
Christy Abraham Joy
 
Time Management & Productivity - Best Practices
Time Management & Productivity -  Best PracticesTime Management & Productivity -  Best Practices
Time Management & Productivity - Best Practices
Vit Horky
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project management
MindGenius
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
RachelPearson36
 

Featured (20)

2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot2024 State of Marketing Report – by Hubspot
2024 State of Marketing Report – by Hubspot
 
Everything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPTEverything You Need To Know About ChatGPT
Everything You Need To Know About ChatGPT
 
Product Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage EngineeringsProduct Design Trends in 2024 | Teenage Engineerings
Product Design Trends in 2024 | Teenage Engineerings
 
How Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental HealthHow Race, Age and Gender Shape Attitudes Towards Mental Health
How Race, Age and Gender Shape Attitudes Towards Mental Health
 
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdfAI Trends in Creative Operations 2024 by Artwork Flow.pdf
AI Trends in Creative Operations 2024 by Artwork Flow.pdf
 
Skeleton Culture Code
Skeleton Culture CodeSkeleton Culture Code
Skeleton Culture Code
 
PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024PEPSICO Presentation to CAGNY Conference Feb 2024
PEPSICO Presentation to CAGNY Conference Feb 2024
 
Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search Intent
 
How to have difficult conversations
How to have difficult conversations How to have difficult conversations
How to have difficult conversations
 
Introduction to Data Science
Introduction to Data ScienceIntroduction to Data Science
Introduction to Data Science
 
Time Management & Productivity - Best Practices
Time Management & Productivity -  Best PracticesTime Management & Productivity -  Best Practices
Time Management & Productivity - Best Practices
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project management
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
 

E dimensio2008 cnd2

  • 1. OSA II. Kaksiosaisen artikkelin ensimmäinen osa ilmestyi Dimensiossa 1/2007 Jatkuvat ei-missään derivoituvat funktiot lukion pitkässä matematiikassa PAAVO HEISKANEN , FM, Fysiikan ja matematiikan lehtori, Jokelan lukio Tein keväällä 2006 kahdessa lukiossa kyselyn jatkuvuuden ja derivoituvuuden osaamisesta. Tämän kyselyn tulokset antavat olettaa, että pitkän matematiikan opiskelijat hallitsevat varsin heikosti jatkuvuuden ja derivoituvuuden välisen yhteyden (Heiskanen, 2006). Koska derivoituvuus on selkeästi vahvempi ominaisuus kuin jatkuvuus, tavoitteena lienee kuitenkin, että derivaatan opiskeltuaan opiskelijat hallitsevat näiden käsitteiden välisen yhteyden paremmin. Esittelen artikkelissani Tallin (2002) kehittelemän menetelmän, jolla voidaan luoda havainnollinen kuva derivoituvuudesta käyttäen hyväksi paikallinen suoruus -käsitettä. Tarkastelen myös kuinka jatkuvia ei-missään derivoituvia funktioita voitaisiin käsitellä lukion pitkässä matematiikassa ja miten niitä voitaisiin käyttää hyväksi derivoituvuus-käsitteen hallinnan syventämisessä. Tutkin matematiikan pro gradu -tutkielmassani, ”Jatkuvuus- ja derivoituvuus-käsitteet lukion pitkässä matematiikassa”, muun muassa jatkuvia ei-missään derivoituvia funktiota, lyhyesti CND-funktioita (Continuous Nowhere Differentiable). Lukiossa suorittamani kyselyn perusteella monet lukion pitkän matematiikan opiskelijat pitävät outona ajatusta, että tällaisia funktioita on olemassa. Opiskelijoilla on käsitys, että yleensä jatkuvat funktiot ovat derivoituvia lukuun ottamatta muutamia pisteitä. Käsitys ei ole lainkaan yllättävä, sillä näinhän tilanne yleensä onkin kaikissa lukiossa vastaan tulevissa funktioissa. Tyypillisenä esimerkkinä jatkuvasta funktiosta, joka on epäderivoituva, esitetään itseisarvofunktio f ( x) x , joka ei ole derivoituva kohdassa x = 0. Monet opiskelijoista ymmärtävät kyllä, että jatkuvuus ei takaa derivoituvuutta, mutta heille saattaa jäädä käsitys, että jatkuvalla funktiolla voi olla ”piikkejä” eli epäderivoituvuuskohtia vain äärellinen määrä tietyllä välillä eli, että jatkuva funktio voi olla epäderivoituva vain yksittäisissä pisteissä. Reaalifunktiot ja jatkuvuus Reaaliarvoiset funktiot ovat olleet 1600-luvulta lähtien yleinen työkalu geometristen käyrien tutkimiseen sekä mekaniikan ja tähtitieteen laskuihin. Funktio-sana ja merkintä y = f(x) ovat peräisin vasta 1700-luvulta. Tuolloin käsitellyt reaalifunktiot olivat pääsääntöisesti alkeisfunktioista muodostettuja, mahdollisesti eri kaavoilla eri määrittelyjoukoissa. Tällöin reaalifunktiot olivat siis jatkuvia lukuun ottamatta korkeintaan määrittelyjoukkojen rajapisteitä. Tämä historia huomioonottaen on aivan luonnollista ajatella, että reaalifunktio on jatkuva lukuun ottamatta korkeintaan yksittäisiä pisteitä. Ei ole siis lainkaan yllättävää, että monet lukion pitkän matematiikan opiskelijat olettavat funktioiden olevan jatkuvia tai ainakin jatkuvia lukuun ottamatta yksittäisiä pisteitä (Heiskanen, 2006, s.202). 1800-luvulla funktion määritelmä alkoi tarkentua. Määriteltiin, että mikä tahansa piirretty käyrä on funktio tai jos jokaista x vastaa yksikäsitteinen äärellinen y, niin y on x:n funktio. Nykymuotoinen funktion määritelmä on peräisin Lejeune Dirichletiltä vuodelta 1837. Hän määritteli seuraavasti: Funktio f: A B koostuu kahdesta joukosta, määrittelyjoukosta A ja arvojoukosta B, ja säännöstä, joka määrittää jokaiselle x A yksikäsitteisen y B . Kun otetaan huomioon, että derivaatta-käsite kehittyi varsin pitkälle jo Newtonin ja Leibnizin aikaan 1600-luvun lopulla, niin nykyinen funktio-käsite on itse asiassa melko tuore (Heiskanen, 2005). Derivoituvuus ja paikallinen suoruus Tall (2002) esittelee metodin, jolla voidaan tutkia funktion derivoituvuutta graafisesti tietokoneen avulla. Funktion kuvaajaa lähennetään pisteessä, jossa derivoituvuutta tutkitaan. Tall määrittelee kognitiivisen juuren (cognitive root) käsitteeksi, joka on opiskelijalle ymmärrettävä sillä hetkellä ja toimii siemenenä muodollisen käsitteen määrittelyssä. Esimerkiksi paikallinen suoruus on kognitiivinen juuri derivoituvuuden käsitteelle. Tarkastellaan paikallisen suoruuden käsitettä muutaman esimerkin avulla, joita on demonstroitu Kawasakin Visual Calculus -ohjelmalla. Tutkitaan en- eDimensio 1
  • 2. siksi funktiota f(x) = sin(x), jonka kuvaaja piirretään ensin välillä [–4,4], ja sen jälkeen lähennetään kuvaa kohdassa x = 1 (kuva 1). Ohjelman avulla nähdään selvästi, kuinka kuvaaja paikallisesti lähestyy suoraa kohdassa x = 1, kun kuvaa lähennetään tarpeeksi. Kuva 1: Funktion f(x) = sin(x) kuvaaja ja suurennos piirrettynä Visual Calculus -ohjelmalla. Toisena esimerkkinä tutkitaan funktion f ( x) x kuvaajaa kohdassa x = 0. Ohjelman avulla nähdään helposti, että kuvaaja ei suoristu origossa, vaikka kuvaa lähennettäisiin kuinka paljon tahansa (kuva 2). Näin opiskelijat voivat geometrisesti tutkia funktioiden derivoituvuutta ja ”nähdä”, mitä derivoituvuus on. Heille voidaan luoda derivoituvuudesta ja epäderivoituvuudesta ymmärrettävä visuaalinen havainto. Paikallista suoruutta voi tutkia myös ilman tietokonetta esimerkiksi graafisen laskimen ZOOM-toiminnon avulla. Kuva 2: Funktion f ( x ) x kuvaaja ja suurennos piirrettynä Visual Calculus -ohjelmalla. Opetuksessa voidaan käyttää hyväksi myös tilanteita, joissa tietokoneen esitysmuoto ja vastaava teoreettinen muotoilu muodostavat ristiriidan. Tutkitaan x 2 1 kohdassa x = 0. esimerkiksi funktiota f ( x) Kun on opiskeltu derivaatan ketjusääntö, voivat opiskelijat laskea funktion f derivaatan analyyttisesti. Las- 2 eDimensio kemisen jälkeen voidaan piirtää funktion kuvaaja välillä [–100,100]. Kuvaajaan näyttää muodostuvan terävä piikki, joten geometrisen tarkastelun mukaan funktio ei olisi derivoituva kohdassa x = 0. Lähentämällä kuvaajaa havaitaan kuitenkin, että kyseiseen kohtaan ei muodostu terävää kärkeä vaan se ”oikenee” eli kuvaaja lähestyy paikallisesti suoraa, jolloin funktio voidaan perustella derivoituvaksi kohdassa x = 0 myös geometrisesti. Tilanne on esitetty kuvassa 3. Kun opiskelijoiden kanssa on tarkasteltu aikaisemmin derivaattaa tangentin kulmakertoimena, voi painottaa, että tutkittavassa kohdassa derivoituvan funktion kuvaaja lähenee paikallisesti nimenomaan tangenttia. Tämä esimerkki selventää myös sitä, että derivoituvuus on funktion paikallinen ominaisuus. Kun tutkitaan funktion derivoituvuutta annetussa kohdassa, pitää kuvaajaakin tutkia paikallisesti. Tarkasteltaessa funktion kuvaajaa isolla alueella, kuten esimerkissä on aluksi tehty, ei voida sanoa sen derivoituvuudesta yksittäisessä kohdassa mitään. Vasta kun kuva on lähennetty tarkasteltavan kohdan ”lähiympäristöön”, voidaan tutkia paikallista ominaisuutta derivoituvuus. CND-funktiot lukio-opetuksessa Jotta opiskelijat voisivat ymmärtää muodollisen todistuksen merkityksen matematiikassa, tulisi Tallin (2002, s. 10-11) mukaan heille esittää esimerkkejä siitä, mikä voi mennä pieleen käsitteiden intuitiivisessa tulkinnassa. Opiskelijoille voidaan näyttää esimerkiksi, että on olemassa funktioita, jotka eivät ole missään pisteessä paikallisesti suoria, jolloin heille muodostuu visuaalinen mielikuva siitä, mitä funktion epäderivoituvuus tarkoittaa. Tämä ei onnistu helposti enää Visual Calculus -ohjelmalla, mutta tarkastelu voidaan toteuttaa esimerkiksi Mathematicalla. CND-funktioista voidaan tarkastella esimerkkinä Weierstrassin funktiota, joka on klassinen esimerkki tällaisista funktioista. Tarkasti Weierstrassin funktio määritellään seuraavasti f: b k cos(a k x) , f ( x) k 0 missä 0 < b < 1 ja a on pariton positiivinen kokonaisluku siten, että ab 1 3 . 2 Lukiossa funktiosta voisi tarkastella esimerkkinä yhtä erikoistapausta, jossa esimerkiksi a = 7 ja b = 0,9 .
  • 3. Tällöin funktio saadaan muotoon 0,9k cos(7 k x) . W ( x) k 0 Funktion rakennetta äärettömänä summana voidaan selvittää opiskelijoille kirjoittamalla auki osasummia n 1 Sn 0,9k cos(7 k x) k 0 ja tarkastelemalla näiden kuvaajia. Weierstrassin funktiohan saadaan raja-arvona W ( x) lim Sn . n Kuvassa 4 on esitetty osasummien kuvaajat n:n arvoilla 1, 2, 3 ja 4 välillä [–1,1] . Kuvista voidaan todeta opiskelijoiden kanssa, että aina n:n arvon kasvaessa yhdellä muodostuu kuvaajaan yhden huipun tilalle seitsemän huippua (huomaa, että a = 7 ). Osasummien kuvaajia tarkastelemalla voidaan luoda havainnollinen kuva siitä, kuinka funktion rakenne kehittyy n:n arvon kasvaessa. Opiskelijoille voidaan korostaa, että monimutkaiselta näyttävä funktio on kuitenkin vain tavallisten trigonometristen funktioiden summa. Kuvaajien avulla nähdään, kuinka funktioon alkaa muodostua yhä terävämpiä huippuja Kuva 3: Tilanne, jossa kuvaaja voi antaa väärän mielikuvan derivoituvuudesta. n:n arvon kasvaessa. Tässä yhteydessä on hyvä muistuttaa mieleen paikallisen suoruuden käsite derivoituvuutta tutkittaessa, ja että funktio ei ole derivoituva terävässä kärkipisteessä eli ”piikissä”. Kuvaajien tulkintaan opiskelijoiden kanssa kannattaa mielestäni käyttää reilusti aikaa, koska on tärkeää, että opiskelijoille muodostuu selvä geometrinen käsitys, kuinka Weierstrassin funktio rakentuu n:n arvon kasvaessa. 1 1.5 1 0.5 0.5 0 0 -0.5 -1 -0.5 -1.5 -0.5 0 0.5 -1 1 -0.5 0 0.5 1 0.5 1 10 2 5 1 0 0 -1 -5 -2 -1 -0.5 0 0.5 1 -1 -0.5 0 Kuva 4: Weierstrassin funktion osasummien kuvaajia. eDimensio 3
  • 4. Weierstrassin funktion muodostuminen näiden tutkittujen funktioiden raja-arvona, kun n kasvaa rajatta, on syytä käydä huolella läpi. Mutta koska emme voi laskea äärettömän monen funktion summaa, joudumme tarkastelemaan aina osasummia. x [–0,1, 0,1] 10 8 6 Weierstrassin funktio ja paikallinen suoruus Kun funktion rakennetta on käyty läpi ja tutkittu, kuinka huiput käyvät yhä terävämmiksi n:n arvon kasvaessa, siirrytään tutkimaan tiettyä osasummaa geometrisesti. Funktion rakenteen tutkiminen onnistuu hyvin jo esimerkiksi osasummalla, jossa n:n arvo on 51 (kuva 5). Tämän osasumman kuvaajien piirtäminen onnistuu vielä suhteellisen nopeasti, mutta suurempien osasummien kuvaajien piirtäminen alkaa olla jo aika hidasta tavallisella tietokoneella. 4 2 0 -0.1 x -0.05 0 0.05 0.1 0 0.005 0.01 0 0.0005 0.001 [–0,01, 0,01] 10 10 8 6 5 4 0 2 -5 0 -0.01 -1 -0.5 0 0.5 Kuva 5: Weierstrassin funktion osasumman S51 kuvaaja välillä [–1,1]. Tutkitaan funktion derivoituvuutta origossa osasumman S51 avulla. Käytetään paikallisen suoruuden käsitettä ja tutkitaan, läheneekö funktion kuvaaja suoraa paikallisesti, mikäli sitä lähennetään origossa. Kuvassa 6 on esitetty 10-, 100-, ja 1000-kertaiset suurennokset kuvassa 5 esitetystä kuvaajasta origon läheisyydessä. Suurennoksia tarkastelemalla huomataan, että tutkittavan funktion kuvaaja ei lähene suoraa origon ympäristössä eli että se ei ole derivoituva origossa. Kuitenkin funktio on jatkuva origossa jatkuvien funktioiden tasaisena raja-arvona. Jatkuvuutta voi tarkastella opiskelijoiden kanssa funktion kuvaajista toteamalla esimerkiksi, että kuvien perusteella funktio näyttää olevan jatkuva. On syytä kuitenkin muistaa, että kaikki edellä käsitellyt osasummat ovat todellisuudessa derivoituvia äärellisen monen derivoituvan funktion summana. Osasummia tarkastelemalla voidaan kuitenkin luoda mielikuva siitä miksi Weierstrassin funktiosta lopulta tulee ei-missään derivoituva. Ana- 4 eDimensio -0.005 1 x [–0,001, 0,001] -0.001 -0.0005 10 8 6 4 2 Kuva 6: Weierstrassin funktion osasumman S51 kuvaajan lähennys kohdassa x=0. lyyttinen todistus jatkuvuudesta ja epäderivoituvuudesta löytyy esimerkiksi lähteestä Heiskanen (2006). Sama tarkastelu voidaan tehdä missä kohdassa tahansa, ja päädytään samaan tulokseen. Kun vastaava tarkastelu tehdään useammassa opiskelijoiden mielivaltaisesti valitsemassa kohdassa ja tarkastellaan,
  • 5. kuinka kuvaajan perusteella funktio on jatkuva mutta epäderivoituva näissä kohdissa, muodostuu opiskelijoille mielikuva, että on olemassa jatkuvia ei-missään derivoituvia funktioita. Tarkoituksena ei ole, että opiskelijat ymmärtävät funktioiden analyyttisen rakenteen tai että funktioiden ominaisuuksia todistetaan analyyttisesti, vaan että heille muodostuu mielikuva tällaisten funktioiden rakenteesta ja olemassaolosta. Epäderivoituvuuskohdissa Weierstrassin funktion kuvaajaan muodostuu piikki. Tällöin siis funktio vaihtuu epäderivoituvuuskohdassa kasvavasta laskevaksi tai päinvastoin. CND-funktio on rakenteeltaan ”sahalaitainen”, eli se ei voi olla monotoninen. On syytä tuoda esille, että Weierstrassin funktio ei ole ainoa CND-funktio. Muita vastaavia funktioita voidaan esitellä opiskelijoille lyhyesti ja tarkastella samalla, kuinka näiden kaikkien rakenne on ”sahalaitainen”. Esimerkkejä löytyy esimerkiksi lähteistä Thim (2003) ja Heiskanen (2006). Lukion oppikirjoissa ei mainita lainkaan erikoistapauksia, kuten CND-funktioita. Mielestäni tällaisten erikoistapausten esitteleminen lukion pitkän matematiikan opiskelijoille selvittäisi jatkuvuuden ja derivoi- tuvuuden ominaisuuksia sekä niiden välistä yhteyttä. Vaikka funktioita ei voida käydä tarkasti analyyttisesti läpi, niiden geometrinen tarkastelu auttaisi käsitteiden hahmottamisessa. Jos opiskelija tietäisi, että on olemassa funktioita, jotka ovat kaikkialla jatkuvia mutta eivät ole missään derivoituvia, ja ymmärtäisi, millaisia ne ovat rakenteeltaan, olisi hänellä jo varsin paljon tietoa käsitteistä jatkuvuus ja derivoituvuus Viitteet: Gaul, R. & Kim, N. 2002. How Many continuous Nowhere Differentiable Functions Are There? Nebraskan yliopisto: Mathematics Awareness Month. http://www.unomaha.edu/wwwmath/MAM/2002/Poster02/Contnondiff.pdf (11.11.2006). Heiskanen, P. 2005. Derivaatta antiikista nykyaikaan. Matematiikan LuK-tutkielma, Jyväskylän yliopisto: Matematiikan ja tilastotieteen laitos. http://personal.inet.fi/koti/paavoheiskanen/opiskelu/luk.pdf (12.11.2006). Heiskanen, P. 2006. Jatkuvuus- ja derivoituvuus-käsitteet lukion pitkässä matematiikassa. Matematiikan pro gradu -työ, Jyväskylän yliopisto: Matematiikan ja tilastotieteen laitos. http://personal.inet.fi/koti/paavoheiskanen/opiskelu/gradu.pdf (11.11.2006). Tall, D. 2002. Using Technology to Support an Embodied Approach to Learning Concepts in Mathematics. Teoksessa Carvalho, L.M. & Guimarães, L.C.: História e Tecnologia no Ensino da Matemática, vol. 1, pp. 1-28, Rio de Janeiro, Brasil. Saatavana sähköisenä: http://www.warwick.ac.uk/staff/David.Tall/pdfs/dot2003a-rio-plenary.pdf (11.11.2006). Thim, J. 2003. Continuous Nowhere Differentiable Functions. Master Thesis, Luleå tekniska universitet. www.ludd.luth.se/~ivileel/master_thesis.pdf (11.11.2006). eDimensio 5