$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

몬테카를로 시뮬레이션의 난수 생성에 관한 교사들의 이해에 관한 연구
Study on Teachers' Understanding on Generating Random Number in Monte Carlo Simulation 원문보기

학교수학 = School Mathematics, v.17 no.2, 2015년, pp.241 - 255  

허남구 (대전송촌고등학교) ,  강향임 (한국교원대학교)

초록
AI-Helper 아이콘AI-Helper

본 연구는 35명의 예비교사와 현직교사를 대상으로 몬테카를로 시뮬레이션난수 생성 아이디어에 관한 이해를 분석하여 학교현장에 교육적 함의를 제공하는데 그 목적이 있다. 연구의 분석 결과, 실험 대상의 70%가 확률 문제 해결을 위해 제시된 세 가지 유형의 난수 생성 아이디어에서 적절한 아이디어를 선택하지 못했고, 자신의 선택을 설명하는 과정에서 오류를 나타냈다. 오류 유형으로는 첫째, 연속확률분포에서 한 점 또는 경계가 선택될 확률은 확률밀도함수에 대입한 값과 같다. 둘째, 교사B의 아이디어는 조건부확률로 문제를 변형하여 표본공간을 확장한 것임에도 처음 제시된 표본공간으로만 문제를 해석하려는 오류를 나타냈다. 셋째, 두 확률변수 X, Y가 독립일 때에만 $P(X=x,\;Y=y)=p(X=x){\times}P(Y=y{\mid}X=x)$이 성립한다는 오류를 나타냈다.

Abstract AI-Helper 아이콘AI-Helper

The purpose of this study is to analyze teachers' understanding on generating random number in Monte Carlo simulation and to provide educational implications in school practice. The results showed that the 70% of the teachers selected wrong ideas from three types for random-number as strategies for ...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 이 결과는 컴퓨터 시뮬레이션의 난수 생성에 관한 교사들의 이해가 부족하다는 판단을 가능하게 한다. 다음으로 교사A와 교사C의 아이디어가 옳다고 선택한 응답자가 자신의 생각을 설명하는 과정에서 나타낸 오류를 살펴보자.
  • 이를 위해 본 연구에서는 과녁 문제를 단순화하여 예비교사와 현직교사들을 대상으로 몬테카를로 시뮬레이션 난수 생성 아이디어에 관한 이해가 어떠한지를 분석하여 컴퓨터 시뮬레이션의 활용에 대한 교육적 시사점을 제공하고자 한다. 동시에 검사지의 반응에서 나타나는 오류를 분석하여 학교현장에 의미 있는 시사점을 제공하고자 한다.
  • 본 연구는 교사들의 몬테카를로 시뮬레이션의 난수 생성 아이디어에 대한 이해를 살펴보고, 교사들의 반응에서 나타난 오류를 분석해 보았다. 향후 컴퓨터 시뮬레이션을 활용한 확률과 통계 교육에 있어, 교사의 시뮬레이션 과정에 대한 이해와 교수학적 효과에 대한 후속 연구가 진행되길 기대한다.
  • 본 연구에서는 기하학적 확률 문제의 해결을 위한 몬테카를로 시뮬레이션 난수 생성 아이디어에 관한 교사들의 이해를 확인하고자 반응 분석과 각 반응에 대한 해결 전략을 분석하였다. 본 연구는 충청북도 소재 H대학교 대학원에 재학중인 예비교사와 현직교사 35명(예비교사 29명, 현직교사 6명)을 대상으로 하였다.
  • 본 연구에서는 몬테카를로 시뮬레이션에서의 난수 생성 방법에 관한 이해의 특징을 알아보기 위해 예비교사와 현직교사 35명(이하 학생들)을 대상으로 검사를 실시하였다. 검사 결과, 학생들은 제시된 확률문제를 해결하기 위한 몬테카를로 시뮬레이션의 시행에 있어 적절한 난수 생성 아이디어를 선택하는데 어려움을 나타냈다.
  • 이때, 교사가 컴퓨터 시뮬레이션 과정을 이해하고 있다면 확률 지도를 위한 풍부한 교수학적 지식으로부터 보다 유연하고 효과적인 수업을 진행할 수 있을 것이다. 이를 위해 본 연구에서는 과녁 문제를 단순화하여 예비교사와 현직교사들을 대상으로 몬테카를로 시뮬레이션 난수 생성 아이디어에 관한 이해가 어떠한지를 분석하여 컴퓨터 시뮬레이션의 활용에 대한 교육적 시사점을 제공하고자 한다. 동시에 검사지의 반응에서 나타나는 오류를 분석하여 학교현장에 의미 있는 시사점을 제공하고자 한다.
  • 그러나 학교 현장에서는 컴퓨터 시뮬레이션의 활용이 잘 이루어지지 않고 있다(신보미, 이경화, 2006). 이에 본 연구에서는 몬테카를로 시뮬레이션을 통해 통계적으로 접근 가능한 과녁 문제를 해결하기 위한 세 가지 난수 생성 아이디어를 예비교사와 현직교사에게 제시하고, 이 세 가지 몬테카를로 시뮬레이션 난수 생성 아이디어를 어떻게 해석하는지를 분석하였다. 분석 결과는 다음과 같다.
  • 따라서 극좌표의 사용, 직교좌표계에서 두 변수 사이의 독립, 그리고 직교좌표에서 두 변수 사이의 종속과 관련하여 세 가지 아이디어를 제시하였다. 즉, 본 연구의 과제는 세 가지 유형의 난수 생성 아이디어 중 가장 적절하다고 생각하는 답안을 선택한 후, 적절하다고 생각한 것과 적절하지 않다고 생각한 것에 대한 이유를 서술 하는 것이다. 이 과제는 통계학 전공 교수 2명과 동료교사 2명의 검토를 거쳐 문항을 확정하였다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
컴퓨터 시뮬레이션은 어떤 도구인가? 이와 같은 어려움은 컴퓨터 시뮬레이션을 이용하면 해결할 수 있다(Shaughnessy, 1997; 신보미, 이경화, 2006; 신보미, 이경화, 2008). 컴퓨터 시뮬레이션은 학생이 많은 횟수의 시행을 반복하고 시행 결과를 관찰할 수 있도록 도울 수있으며, 통계적 확률로의 유연한 접근성을 확보해 줄 수 있는 도구이다.
확률과 통계 과목의 목표인 수학적 및 통계적으로 사고하고 의사소통하는 능력을 길러주는 것을 무엇을 통해 확인할 수 있는가? 2009개정 교육과정에서 확률과 통계 과목의 목표 중에 하나는 수학적 및 통계적으로 사고하고 의사소통하는 능력을 길러주는 것이다. 이는 확률과 통계 교과서의 확률단원에 기술되어있는 학습목표로서 ‘통계적 확률과 수학적 확률의 의미를 이해한다’를 통해 쉽게 확인할 수 있다.
몬테카를로 시뮬레이션은 무엇인가? 컴퓨터 시뮬레이션 중 난수를 이용한 확률적 모의 방법을 몬테카를로 시뮬레이션이라 한다. 확률 교육에서 사용되는 컴퓨터 시뮬레이션은 주로 주사위를 던지는 시뮬레이션, 윷을 던지는 시뮬레이션, 동전을 던지는 시뮬레이션 등 난수를 통해 모의실험을 하는 몬테카를로 시뮬레이션이 대부분이다.
질의응답 정보가 도움이 되었나요?

참고문헌 (28)

  1. 교육과학기술부(2012). 수학과 교육과정. (교육과학기술부 고시 제 2011-361 [별책 8]). 서울: 우신기획. 

  2. 교육부(2015). 제2차 수학교육 종합 계획. 

  3. 김상길(1999). 컴퓨터 시뮬레이션 프로그램(Interactive probability)을 이용한 확률 및 기댓값 지도에 관한 연구. 한국교원대학교 대학원 석사학위논문. 

  4. 김원경(2011). 교사를 위한 확률과 통계학. 서울: 교우사. 

  5. 김원경 외(2014). 고등학교 확률과 통계. 서울: (주)비상교육. 

  6. 신동선, 류희찬(2002). 수학교육과 컴퓨터. 서울: 경문사. 

  7. 신보미, 이경화(2006). 컴퓨터 시뮬레이션을 통한 통계적 확률 지도에 대한 연구. 수학교육학연구, 16(2), 139-156. 

  8. 신보미, 이경화(2008). 시뮬레이션을 활용한 확률 지식의 교수학적 변환. 수학교육학연구, 18(1), 25-50. 

  9. 신항균 외(2014). 고등학교 확률과 통계. 서울: (주)지학사. 

  10. 양성민(1998). 시뮬레이션 기초. 서울: 경성대학교 출판부. 

  11. 양은순(2008). 중등수학 확률영역에서의 컴퓨터 시뮬레이션 연구. 부산대학교 교육대학원 석사학위논문. 

  12. 우정호 외(2014). 고등학교 확률과 통계. 서울: 두산동아(주). 

  13. 이강섭 외(2014). 고등학교 확률과 통계. 서울: (주)미래엔. 

  14. 이윤석(2012). 몬테카를로 시뮬레이션을 활용한 도로에서 차량 당 $CO_2$ 배출량 연구. 경기대학교 대학원 석사학위논문. 

  15. 이준열 외(2014). 고등학교 확률과 통계. 서울: (주)천재교육. 

  16. 정상권 외(2014). 고등학교 확률과 통계. 서울: (주)금성출판사. 

  17. 조차미, 박종률, 강순자(2008). Bertrand's paradox의 분석을 통한 기하학적 확률에 관한 연구. 학교수학, 10(2), 181-197. 

  18. Anderson, H. L. (1986). Metropolis, Monte Carlo, and the Maniac. Los Alamos Science, 14, 96-108. 

  19. Chance, B., delMas, R., & Garfield, J. (2004). Reasoning about sampling distributions. In Ben-Zvi, D. & Garfield, J. (Eds.), The challenge of developing statistics literacy, 295-323. the Netherlands, BV: Kluwer academic publishers. 

  20. Hellekalek, P. (1998). Good random number generators are (not so) easy to find. Mathematics and computers in simulation, 46, 485-505. 

  21. Hogg, R. V. & Craig, A. T. (2002). 수리통계학 개론(이재창, 이용구 역), 서울: 경문사. (영어 원작은 1995년 출판) 

  22. Metropolis, N. (1987). The beginning of the Monte Carlo method. Los Alamos Science (1987 Special Issue dedicated to Stanislaw Ulam), 125-130. 

  23. NCTM(2000). Curriculum and evaluation standard for school mathematics. Reston, VA: Author. 

  24. Park, S. K. & Miller, K. W. (1988). Random number generators : good ones are hard to find. Communications of the ACM, 31(10), 1192-1201. 

  25. Shaughnessy, J. M. (1993). Probability and statistics. Mathematics teacher, 86(3), 244-248. 

  26. Shaughnessy, J. M. (1997). Missed opportunities in research on the teaching and learning of data and chance. In Biddulph, F., & Carr, K. (Eds.), Proceedings of the Twentieth Annual Conference of the Mathematics Education Research Group of Australasia, 1, 6-22. 

  27. Rotorua, NZ: University of Waikato. Tarantola, A. (2005). Inverse problem theory and methods for model parameter estimation. Philadelphia, PA: SIAM. 

  28. Travers, K. J. & Gray, K. G. (1981). The Monte Carlo method: A fresh approach to teaching probabilistic concepts. Mathematics teacher, 74(5), 327-334. 

저자의 다른 논문 :

관련 콘텐츠

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로