8.3.1 分类变量与列联表 教学设计-2024-2025学年高二下学期数学人教A版（2019）选择性必修第三册

该高中数学教学设计聚焦分类变量、2×2列联表及频率分析法、等高堆积条形图等核心知识，通过“吸烟与肺癌”“性别与锻炼”等生活案例导入，对比数值变量引出分类变量概念，衔接回归分析与独立性分析，搭建知识支架。 亮点在于AI工具深度融合教学，如动态案例库展示真实数据、自动生成列联表、模拟抽样直观呈现样本误差，以数学眼光观察现实问题，数学思维推理统计严谨性，贯穿数据分析核心素养。学生通过实操提升数据处理能力，教师可直接使用丰富案例与工具资源，高效突破重难点。

附件： 教学设计 课程基本信息 课题 8.3.1 分类变量与列联表 课型 新授课 学科 数学 年级 高二 学段 高中 版本章节 人教 2019A 版选择性必修第三册第八章 8.3.1 教学目标 1. 知识与技能：了解分类变量与数值变量的区别，理解 2×2 列联表和等高堆积条形图的概念，能运用频率分析法、图形分析法初步检验两个分类变量的独立性。 2. 过程与方法：通过实际案例探究，经历 “提出问题 — 分析数据 — 构建模型 — 得出结论” 的统计分析过程，提升数据分析、逻辑推理核心素养。 3. 情感态度与价值观：感受统计知识在现实生活中的应用，培养严谨的数据分析态度，体会 AI 工具对教学的辅助作用，激发学习数学的兴趣。 教学重难点 重点： 1. 掌握 2×2 列联表的结构与数据整理方法。 2. 运用频率分析法和图形分析法（等高堆积条形图）判断两个分类变量的关联性。 3. 贯穿数据分析核心素养，让学生经历完整的统计分析流程。 难点： 1. 区分回归分析与独立性分析的适用场景，理解分类变量关联性判断的逻辑。 2. 理解基于样本频率推断总体概率可能存在的误差，为后续 “独立性检验” 铺垫。 学情分析 高二学生已学习过数值变量的相关知识（如回归分析），具备一定的数据分析基础，但对分类变量的统计分析方法较为陌生。学生思维活跃，能运用电脑、平板等设备操作基础软件，对 AI 工具辅助学习有一定接受度，但在复杂数据整理和逻辑推理方面仍需引导。此外，学生对统计结论的严谨性理解不足，需通过实例强化 “样本推断总体存在误差” 的认知。 教学准备 1. 教师准备：制作融合动画、互动模块的 PPT 课件；准备 “体育锻炼与性别”“吸烟与肺癌”“学校与数学成绩” 等案例的原始数据；调试 AI 工具（如腾讯智服数据可视化模块、Geogebra 统计分析插件）。 2. 学生准备：提前了解 Excel 基本数据录入与图表生成操作。 教学过程 教学任务 教学内容 设计意图 创新设计（含AI应用） 情境导入（5 分钟） 1. 展示生活案例：“吸烟是否增加患肺癌风险”“性别是否影响体育锻炼频率”，提问学生：如何用数学方法分析这类问题？ 2. 对比身高、体重等数值变量，引出 “分类变量” 概念，举例说明分类变量的特点（如性别：男 / 女，锻炼情况：经常 / 不经常）。 1. 从现实问题切入，激发学生学习兴趣，体现数学的应用性。 2. 通过与已知知识对比，自然引入新概念，降低理解难度。 1. 用 AI 工具（腾讯智服）生成动态案例库，学生点击案例可查看相关真实数据（如世界卫生组织吸烟与肺癌统计数据），增强素材时代性。 2. 播放 AI 制作的动画短片，直观展示分类变量与数值变量的区别，帮助学生快速理解概念。 概念解析（10 分钟） 1. 讲解分类变量定义：取值为分类数据，可通过实数编号（如 1 表示男生，0 表示女生），但编号无大小和运算意义。 2. 结合 “体育锻炼与性别” 案例，引导学生整理数据，生成 2×2 列联表，讲解列联表结构（核心数据、合计数据的含义）。 3. 对比回归分析，说明独立性分析的适用场景：研究分类变量间的关联性。 1. 明确分类变量的本质特征，为后续分析奠定基础。 2. 通过实例构建列联表，让学生掌握数据整理方法，提升数据处理能力。 3. 区分不同统计方法的适用场景，突破教学难点。 1. 学生在平板上使用 AI 表格工具（如 WPS AI 表格），输入 “体育锻炼与性别” 案例的原始数据（女生 523 人，331 人经常锻炼；男生 601 人，473 人经常锻炼），AI 自动生成 2×2 列联表并标注各部分含义，减少手动计算误差，提升实操性。 2. 用 AI 思维导图工具梳理 “回归分析 vs 独立性分析” 的对比要点，学生可实时补充内容，形成个性化知识框架。 案例探究（15 分钟） 1. 以 “甲、乙两校数学成绩优秀率差异” 为例，引导学生用频率分析法分析：（1）计算甲校优秀率（10/43≈23.26%）、乙校优秀率（7/45≈15.56%）；（2）对比频率差异，初步判断两校优秀率存在差异。 2. 讲解等高堆积条形图的绘制方法，用图形直观展示频率差异。3. 提问：基于样本频率推断总体结论是否可能出错？引导学生思考样本随机性带来的误差，为后续 “独立性检验” 铺垫。 1. 让学生经历 “计算 — 对比 — 推断” 的分析过程，落实频率分析法的教学重点。 2. 通过图形化展示，提升学生的直观分析能力，强化数据分析核心素养。 3. 引发学生对统计结论严谨性的思考，培养逻辑推理能力。 1. 学生使用 AI 绘图工具（如 Canva AI），输入两校成绩数据，AI 自动生成等高堆积条形图，并标注优秀率、不优秀率的具体数值，学生可调整图表颜色、比例，增强对图形的理解，同时提升审美与工具使用能力。 2. 用 AI 模拟抽样工具，重复抽取不同样本（如从两校各抽取 50 人、100 人），展示样本频率的波动情况，直观呈现 “样本随机性导致误差” 的现象，解决 “抽象概念难理解” 的教学问题。 巩固练习（10 分钟） 1. 布置课堂练习：（1）根据 “网络与中学生成绩” 数据（经常上网 200 人，80 人不及格；不经常上网 800 人，120 人不及格），用 AI 工具生成 2×2 列联表；（2）通过频率分析和等高堆积条形图，判断经常上网与成绩是否有关联。 2. 小组讨论：练习（2）的推断结论是否可能出错？原因是什么？ 1. 及时巩固列联表、频率分析、图形分析的方法，检验学习效果。 2. 通过小组讨论，深化对样本误差的理解，进一步突破教学难点。 1. 小组使用 AI 协作工具（如腾讯文档 AI）共同完成练习，AI 实时检查列联表数据是否正确，对频率计算错误的地方给出提示，帮助学生及时修正，提升练习准确性。 2. AI 随机生成不同样本量的 “网络与成绩” 数据（如样本量 400 人、800 人），小组对比不同样本下的推断结论，分析样本量对误差的影响，解决 “样本误差抽象难感知” 的问题。 课堂小结（5 分钟） 1. 引导学生梳理本节课知识点：分类变量、2×2 列联表、频率分析法、等高堆积条形图。 2. 总结统计分析的一般流程：提出问题 — 整理数据（列联表）— 分析数据（频率 / 图形）— 得出结论 — 思考误差。 3. 预告下节课内容：独立性检验（解决样本误差量化问题）。 1. 帮助学生构建系统化的知识体系，强化记忆。 2. 提炼统计分析的通用流程，提升学生的迁移应用能力。 3. 承上启下，为后续学习做好铺垫。 1. 用 AI 总结工具生成本节课的知识框架（含重点、难点、易错点），学生可根据自身学习情况，让 AI 补充个性化的薄弱点解析（如 “列联表合计数据计算方法”“等高堆积条形图与普通条形图的区别”），满足不同学生的学习需求。 作业设计 1. 基础作业：完成课本 P135 习题 8.3 第 1、3 题，使用 AI 工具（如 Mathway）核对计算结果，对错误题目生成详细解析。 2. 拓展作业：选取生活中的一个分类变量关联问题（如 “是否熬夜与上课犯困”），设计调查方案，收集 100 个样本数据，用 AI 工具生成 2×2 列联表和等高堆积条形图，撰写简短分析报告（含结论与误差思考）。 3. 预习作业：通过 AI 学习平台（如学科网）观看 “独立性检验” 预习视频，记录预习疑问，下次课分享。 板书设计 左侧：知识框架 右侧：案例解析 1. 概念 - 分类变量：取值为分类数据，编号无实际意义 - 2×2 列联表：核心数据 + 合计数据 - 等高堆积条形图：直观展示频率差异2. 方法 - 频率分析法：计算→对比→推断 - 图形分析法：等高堆积条形图3. 注意：样本误差导致结论可能出错 案例 1：体育锻炼与性别列联表核心数据：女生：192（不经常），331（经常）男生：128（不经常），473（经常）频率分析：女生经常锻炼率≈63.3%男生经常锻炼率≈78.7%结论：男生更经常锻炼案例 2：两校数学成绩优秀率：甲校≈23.26%，乙校≈15.56%结论：甲校优秀率更高 课堂小结 1. 知识层面：掌握了分类变量、2×2 列联表、等高堆积条形图的核心内容，学会用频率分析法和图形分析法判断分类变量关联性。 2. 能力层面：经历了完整的统计分析流程，提升了数据分析、逻辑推理能力，学会运用 AI 工具辅助数据处理与分析。 3. 思维层面：认识到统计结论的严谨性，理解样本随机性带来的误差，为后续深入学习统计方法奠定思维基础。 教学反思 1. 优势：本节课通过真实案例导入，结合 AI 工具提升了教学的实操性和趣味性；教学环节完整，从概念到方法再到应用，衔接自然，核心素养贯穿始终；分层作业设计满足不同学生需求，拓展作业能激发学生的实践能力。 2. 不足：教师对 AI 工具的操作不够熟练，导致课堂互动节奏略有延迟；对 “回归分析与独立性分析的区别” 讲解仍不够深入，部分学生课后仍有疑问。 3. 改进方向：下次课前增加 10 分钟 AI 工具基础操作微课，提前发放给学生预习；用 AI 动画演示 “回归分析解决数值变量预测，独立性分析解决分类变量关联” 的具体场景，进一步突破教学难点。 学科网（北京）股份有限公司 $