8.3.1分类变量与列联表（教学设计）-【上好课】高二数学选择性必修第三册同步高效课堂（人教A版2019）

8.3.1分类变量与列联表

教学设计

一、教学目标

1. 了解 探究分类变量之间关系的方法
2. 制作、理解 2×2列联表，用频率分析法、图形分析法探究两个分类变量之间的关系
3. 能够对统计数据进行简单整理、初步分析提升数学抽象、数据建模及数据分析素养

二、教学重难点

重点：制作、理解 2×2列联表，用频率分析法、图形分析法探究两个分类变量之间的关系

难点：能够对统计数据进行简单整理、初步分析提升数学抽象、数据建模及数据分析素养．

三、学情分析与教材分析

1. 学情分析：

知识储备层面：学生已掌握数值变量统计方法（如散点图、相关系数），但分类变量统计工具（列联表、独立性检验）属于全新领域.多数学生能理解频数统计的直观意义（如“班级学生选科分布”），但尚未建立变量关联性的量化分析框架.例如，在“是否近视与用眼习惯”的关联性探究中，学生可能仅停留在频数对比层面，难以主动运用列联表结构（行变量、列变量、联合频数与边缘频数）系统整理数据.部分学生易混淆列联表与交叉分组表的功能差异，需通过实例对比（如“考试成绩与复习时间”的频数表与列联表）明确其统计指向性.

思维障碍层面：本节课存在三重认知挑战.其一，列联表与条件概率的关联性理解困难，学生可能忽略“在某变量固定下另一变量的频率分布”这一核心逻辑，需通过“性别与消费偏好”的分层频数计算（如男生中网购占比 vs. 总体网购占比）强化条件概率意识.其二，独立性检验的卡方统计量推导抽象，学生易卡在“期望频数计算”与“实际频数偏差量化”的衔接环节，建议结合“掷骰子与硬币抛掷结果是否独立”的模拟实验，用频数偏差直观解释卡方值意义.其三，统计推断结论与实际情境的关联性不足，学生可能机械套用临界值表，需通过“某药物疗效与患者年龄是否独立”的案例，结合显著性水平（如α=0.05）与P值对比，培养“证据驱动决策”的统计思维.

教学策略层面：建议采用“真实问题驱动+技术工具辅助”模式.以“校园垃圾分类意识与年级是否相关”为情境主线，引导学生经历“数据收集-列联表构建-频数分析-独立性检验”完整流程.分层设计任务：基础任务聚焦列联表绘制与边缘频率计算，拓展任务要求结合卡方值与临界值表作出推断，并撰写结论陈述（如“在95%置信度下拒绝独立性假设”）.借助GeoGebra动态演示卡方分布密度曲线，可视化临界值与P值关系，降低抽象公式理解难度.同时，提供医疗诊断、市场调研等领域的真实案例（如“吸烟与肺癌关联性研究”），引导学生用统计语言解释现实问题，深化对“相关≠因果”的辩证理解.

2. 教材分析：

本节课选自《2019人教A版高中数学选择性必修第三册》第八章《成对数据的统计分析》，本节课主要学习《分类变量与列联表》.

内容编排与逻辑结构：教材通过“问题驱动—案例建模—方法抽象”的路径展开教学.首先以“中学生体育锻炼与性别差异”的普查数据为切入点，引导学生通过计算频数比例（如男生经常锻炼比例比女生高15.4个百分点）直观感受变量差异，自然过渡到列联表对分类数据的结构化整理.接着，通过“两校数学成绩优秀率差异”的抽样调查案例，揭示频率估计概率的局限性，为独立性检验方法作铺垫.教材以2×2列联表为载体，通过“吸烟与肺癌风险”等真实数据，引导学生经历“数据整理—频数分析—条件概率比较”的完整流程，最终引出卡方统计量的构造逻辑，体现从定性描述到定量推断的思维进阶.

核心素养渗透：教材注重统计思维与数学建模能力的培养.在“网络使用与学习成绩关联性”案例中，学生需根据列联表数据绘制等高堆积条形图，通过图形中条形高度差异（如经常上网学生不及格率比不常上网者高25个百分点）初步判断变量关联，再结合卡方检验进行科学推断，培养“数据驱动决策”意识.同时，通过“独立性检验与反证法对比”的思考题，强化学生对统计推断与演绎证明差异的理解，提升逻辑推理素养.

教学建议：建议采用“三阶递进”教学模式.基础阶段，通过“性别与消费偏好”等生活化案例，帮助学生掌握列联表绘制与频数计算；提升阶段，结合Excel或GeoGebra软件动态生成卡方分布图，可视化临界值与P值关系，降低抽象公式理解难度；拓展阶段，引入“职业选择与教育背景”等跨学科案例，要求学生撰写统计报告并说明结论的适用范围，强化数学应用意识.此外，可设计分层任务：基础任务聚焦列联表数据整理，拓展任务要求结合卡方值与显著性水平作出推断，并反思样本随机性对结论的影响，深化对统计推断局限性的认知.

四、教学过程

1．创设背景，引入新知

思考：吸烟是否会增加患肺癌的风险？

　　吸烟已成为全球范围内严重危害健康、危害人类生存环境、降低人们的生活质量、缩短人类寿命的紧迫问题．为此，联合国固定每年5月31日为全球戒烟日．

   

 

2．探究新知

在现实生活中，人们经常需要回答一定范围内的两种现象或性质之间是否存在关联性或相互影响的问题．例如，就读不同学校是否对学生的成绩有影响，不同班级学生用于体育锻炼的时间是否有差别，吸烟是否会增加患肺癌的风险，等等．本节将要学习的独立性检验方法为我们提供了解决这类问题的方案．

师生：教师叙述本节内容的知识背景，点明课题.

【设计意图】引入新课，并引出分类变量的概念.

定义：在讨论上述问题时，为了表述方便，我们经常会使用一种特殊的随机变量，以区别不同的现象或性质，这类随机变量称为分类变量．

因此，变量分为：数值变量与分类变量

数值变量：例：人的身高；100米短跑所用时间；产品月销量数值变量的取值为实数.其大小和运算都有实际含义.两个数值变量之间的关系：回归分析法；

分类变量：例：班级；性别；是否经常锻炼；是否每年体检；

分类变量的取值可以用实数来表示；这些数值只作为编号使用，用来表示不同的类别；并没有通常的大小和运算意义，例如,学生所在的班级可以用1,2,3等表示,男性、女性可以用1,0表示

思考：如何利用统计数据判断一对分类变量之间是否具有关联性呢？

教师：对于这样的统计问题，有时可以利用普查数据，通过比较相关的比率给出问题的准确回答，但在大多数情况下，需要借助概率的观点和方法.我们先看下面的具体问题.

【设计意图】理解数值变量与分类变量的区别对理解回归分析法与相关分析法的区别起着至关要的作用，概念解析1的设计意图即是帮助理解回归分析法与相关分析法的区别，为突破这一教学难点做铺垫.