8.3列联表与独立性检验课件-2025-2026学年高二下学期数学人教A版择性必修第三册

该高中数学课件聚焦列联表与独立性检验，从学生锻炼习惯情境切入，通过条件概率比较、列联表构建、等高条形图直观分析，逐步过渡到独立性检验的严谨步骤，搭建从直观到理性的学习支架。 其亮点在于以真实情境培养数学眼光，通过反证法类比构建数学思维，用列联表和卡方公式规范数学语言。结合两校成绩比较等例题与生活案例，易错点提醒与口诀总结助力掌握，提升学生数据分析能力，也为教师提供结构化教学资源。

8.3 列联表与独立性检验 人教A版 · 选择性必修第三册 · 第八章 1.7.2013 大家好，今天我们来学习第八章的第三节——列联表与独立性检验。这是一个非常实用的统计方法，它能帮助我们判断两个分类变量之间是否存在关联。通过本节课的学习，我们将掌握如何从数据中发现规律，并进行科学的推断。 ‹#› 学习目标 1. 理解分类变量、列联表的概念，能根据数据建立2×2列联表。 2. 了解等高条形图的作用，并能利用其直观判断两个分类变量是否有关联。 3. 理解独立性检验的基本思想，掌握其核心步骤。 4. 熟记卡方()统计量的计算公式，并能根据给定数据进行计算。 5. 会查卡方临界值表，并能依据检验规则作出正确的统计推断。 1.7.2013 本节课我们将围绕三个维度展开学习。在知识与技能方面，我们要掌握分类变量、列联表、独立性检验等核心概念和方法。在过程与方法上，我们将通过解决实际问题，体验统计推断的全过程。最后，希望大家能感受到统计的魅力，培养严谨的科学态度。 ‹#› 分类变量 分类变量 ▌ 定义：变量的不同“值”仅表示个体所属的不同类别，不具有数值大小和方向意义，这类变量称为分类变量. ▌ 常见示例：性别 {男, 女}、产品质量 {合格, 不合格}、学历 {高中, 本科, 硕士}、垃圾分类 {可回收, 厨余, 有害, 其他}. ▌ 核心区别：与数值变量不同，分类变量是对事物的定性描述，不具有算术运算意义. 数值变量 数值变量的取值为实数，其大小和运算都有实际含义. 1.7.2013 首先我们来学习两个基本概念。第一是分类变量，像性别、产品质量这些表示不同类别的变量就是分类变量，它们描述的是事物的“质”，而不是“量”。第二是列联表，它能把两个分类变量的数据整理在一起。比如我们刚才的例子，就可以整理成一个2x2列联表，清晰地展示不同性别学生的锻炼情况，这是我们后续分析两个分类变量之间是否有关联的基础工具。 ‹#› 情境引入——身边的统计问题 女生统计数据 在校总人数：523 名 经常锻炼：331 名 (约63.3%) 男生统计数据 在校总人数：601 名 经常锻炼：473 名 (约78.7%) 思考与讨论 1.单纯对比人数，你能直接得出“性别”与“锻炼习惯”的关联吗？为什么？ 2.你认为，应该采用什么统计方法，才能更直观、科学地描述并判断这种关系？ 1.7.2013 让我们从一个身边的问题开始。学校想知道性别是否影响学生的锻炼习惯。这里有一些数据，女生523人中有331人经常锻炼，男生601人中有473人经常锻炼。大家思考一下，从这些数字里，你能直接得出结论吗？如果不能，我们应该用什么方法来更科学地分析呢？这就是我们今天要解决的问题。 ‹#› 情境引入 变量组合 不常锻炼(Y=0) 经常锻炼(Y=1) 合计 女性(X=0) 192 331 523 男性(X=1) 128 473 601 合计 320 804 1124 建立古典概型，使用条件概率语言.用表示该校全体学生构成的集合，定义一对分类变量如下：对于中的每一名学生，分别令 通过比较条件概率回答上面问题. 用表示事件和的积事件，用表示和的积事件. 如果从该校女生和男生中各随机选取一名学生，那么该女生属于经常锻炼群体的概率是，该男生属于经常锻炼群体的概率是 1.7.2013 首先我们来学习两个基本概念。第一是分类变量，像性别、产品质量这些表示不同类别的变量就是分类变量，它们描述的是事物的“质”，而不是“量”。第二是列联表，它能把两个分类变量的数据整理在一起。比如我们刚才的例子，就可以整理成一个2x2列联表，清晰地展示不同性别学生的锻炼情况，这是我们后续分析两个分类变量之间是否有关联的基础工具。 ‹#› 情境引入 在该校学生中，性别对体育锻炼的经常性有影响，男生更经常锻炼. 1.7.2013 首先我们来学习两个基本概念。第一是分类变量，像性别、产品质量这些表示不同类别的变量就是分类变量，它们描述的是事物的“质”，而不是“量”。第二是列联表，它能把两个分类变量的数据整理在一起。比如我们刚才的例子，就可以整理成一个2x2列联表，清晰地展示不同性别学生的锻炼情况，这是我们后续分析两个分类变量之间是否有关联的基础工具。 ‹#› 知识点一：列联表 2×2 列联表：将两个分类变量（如“性别”与“锻炼习惯”）的频数分布交叉汇总在一张表中，用来直观展示不同类别组合下的样本数量.定义一对分类变量X和Y如下：X＝ 和Y＝ 其样本频数列联表（称为2×2列联表）为： 合计 合计 列联表：观测数据按两个或更多属性进行交叉分类时所列出的频数表，称为列联表. 1.7.2013 首先我们来学习两个基本概念。第一是分类变量，像性别、产品质量这些表示不同类别的变量就是分类变量，它们描述的是事物的“质”，而不是“量”。第二是列联表，它能把两个分类变量的数据整理在一起。比如我们刚才的例子，就可以整理成一个2x2列联表，清晰地展示不同性别学生的锻炼情况，这是我们后续分析两个分类变量之间是否有关联的基础工具。 ‹#› 例题 例1： 为比较甲、乙两所学校学生的数学水平，采用简单随机抽样的方法抽取88名学生．通过测验得到了如下数据：甲校43名学生中有10名数学成绩优秀；乙校45名学生中有7名数学成绩优秀．试分析两校学生中数学成绩优秀率之间是否存在差异． 学校 数学成绩 合计 不优秀 优秀 甲校 33 10 43 乙校 38 7 45 合计 71 17 88 解：用表示两所学校的全体学生构成的集合．对于中每一名学生，定义分类变量X和Y如下： 甲校学生中数学成绩不优秀和优秀的频率分别为：和； 乙校学生中数学成绩不优秀和优秀的频率分别为： 和. 两校学生中数学成绩优秀率之间存在差异，甲校学生的数学成绩优秀率比乙校学生高. 1.7.2013 首先我们来学习两个基本概念。第一是分类变量，像性别、产品质量这些表示不同类别的变量就是分类变量，它们描述的是事物的“质”，而不是“量”。第二是列联表，它能把两个分类变量的数据整理在一起。比如我们刚才的例子，就可以整理成一个2x2列联表，清晰地展示不同性别学生的锻炼情况，这是我们后续分析两个分类变量之间是否有关联的基础工具。 ‹#› 知识点二：直观分析——等高条形图 核心作用：可视化关联 相比于枯燥的列联表数据，等高条形图通过视觉化的条形高度差异，能让我们更直观、更快速地感知两个分类变量之间是否存在关联性. 绘制与解读逻辑 1.计算条件频率：依据频率稳定于概率，， 2.绘制与观察：在高度为1的条形中展示频率，对比发现甲校“优秀”占比显著更高. 3.初步结论：从图形上直观判断，学校与数学成绩优秀率存在关联. ⚠️ 局限性：感性认知≠严谨结论 通过等高条形图的比较是感性且主观的，它无法量化差异程度.同时，观察到的差异可能只是由于抽样的随机性造成的，不能直接作为最终的推断依据. 思考：“两校学生的数学成绩优秀率存在差异”这一结论是否有可能是错误的？ 1.7.2013 有了列联表，我们还可以用更直观的方式来分析，那就是等高条形图。通过计算条件频率，我们可以看到男生经常锻炼的比例远高于女生。从图上看，这种高度差异非常明显。但是，这种直观的感觉可靠吗？它能不能作为我们下结论的依据呢？答案是不能，因为它不够严谨。 ‹#› 思想引入：从“直观”到“理性” 回顾：直观分析的局限 列联表、等高条形图等直观方法虽然能给我们提供初步印象，但无法量化数据的差异，因此得出的结论往往是不可靠的，需要更严谨的数学证明. 核心思想：类比“反证法” 🔹 数学反证法：先假设结论不成立，推导矛盾，从而证明结论成立. 🔹 独立性检验：先假设“两个分类变量独立（无关系）”，若在该假设下观测到的样本数据是一个小概率事件，则有理由推翻原假设，认为两者有关. 1.7.2013 既然直观分析不可靠，我们就需要一种更理性的方法。这里要引入一个非常重要的思想——独立性检验，它的逻辑和我们数学中的反证法很像。我们先大胆地假设两个变量是独立的，然后通过计算来检验这个假设是否合理。如果不合理，我们就推翻这个假设。 ‹#› 步骤一：提出零假设 () 零假设 () 定义：分类变量与相互独立，即两者之间不存在关联. 概率意义解读 通俗解释： 在零假设成立的条件下，“女生群体中经常锻炼的概率” 与 “男生群体中经常锻炼的概率” 是完全相等的. 案例说明： : “性别”与“体育锻炼的经常性”是独立的.简单来说，性别不会影响一个人锻炼的频率. 1.7.2013 独立性检验的第一步，就是提出零假设，记作H₀。在我们的例子里，零假设就是“性别”和“锻炼习惯”这两个变量是相互独立的，没有关系。与之相对的，是备择假设H₁，即两个变量不独立。我们的任务，就是通过检验，来判断应该接受H₀还是拒绝H₀。 ‹#› 步骤二：构造检验统计量——卡方 () 核心思想 衡量观测频数与在成立时的期望频数之间的差异，以此判断分类变量间的相关性. 2x2列联表 · 简化计算公式 值的大小意味着什么？ 数值越大，说明观测到的实际频数与“独立”假设下的理论期望频数之间的偏离程度越严重，原假设成立的可能性越小. 行列式 () 的角色 它是公式的核心驱动力.其绝对值越大，代表行变量与列变量之间的关联度越强.平方运算保证了无论正负偏离，最终结果都反映差异的严重程度. 1.7.2013 第二步，我们需要一个工具来衡量观测数据与假设之间的差异，这个工具就是卡方统计量，记作χ²。大家需要牢记这个简化公式。这个公式的核心是计算(ad-bc)的平方，它反映了实际数据与理论期望之间的偏离程度。χ²值越大，说明偏离越严重，原假设H₀成立的可能性就越小。 ‹#› 步骤三：确定检验规则 —— 临界值 小概率原理 在一次随机试验中，小概率事件几乎不可能发生. 这是我们判断“是否推翻假设”的逻辑基石. 临界值 对于一个给定的显著性水平 ，我们可以找到一个临界值 若成立，则满足概率关系： 常用临界值参考表 小概率值 对应临界值 0.1 2.706 0.05 3.841 0.01 6.635 0.005 7.879 0.001 10.828 拒绝零假设 当时，我们推断不成立，即认为不独立，该推断犯错误的概率不超过； 不拒绝零假设 当时，我们没有充分证据推断不成立，可以认为独立. 这种利用的取值推断分类变量和是否独立的方法称为独立性检验，读作“卡方独立性检验”，简称独立性检验. 1.7.2013 有了χ²值，我们如何判断它是否足够大呢？这就需要用到临界值表。我们会预先设定一个小概率α，比如0.05，然后找到对应的临界值，比如3.841。如果我们计算出的χ²值大于这个临界值，就说明在假设H₀成立的情况下，发生了小概率事件，我们就有理由拒绝H₀。 ‹#› 独立性检验完整步骤总结 01 确定变量 明确要研究的 两个分类变量 02 提出假设 建立零假设： 两个变量独立 03 构建表格 构建2×2列联表 确定 的值 04 计算统计量 将数据代入公式 计算的值 05 作出判断 比较与临界值 得出结论 💡 步骤口诀： 假设独立是前提，列表计算要仔细. | 卡方公式代数据，临界值前比一比. | 若大则拒无关系，结论表述要清晰. 1.7.2013 现在我们来总结一下独立性检验的完整步骤。总共五步：确定变量、提出假设、构建表格、计算统计量、作出判断。 为了方便大家记忆，我编了一个口诀，大家可以跟着念一遍：“假设独立是前提，列表计算要仔细。卡方公式代数据，临界值前比一比。若大则拒无关系，结论表述要清晰。” ‹#› 案例分析——饮食习惯与年龄 ❓ 提出问题 某同学调查了30位亲属的饮食习惯，数据如下表所示. 问：能否在犯错误概率不超过0.05的前提下，认为饮食习惯与年龄有关？ 人群 偏爱蔬菜 偏爱肉类 合计 50岁以下 4 8 12 50岁以上 16 2 18 1.假设: 饮食习惯与年龄相互独立. 2.计算卡方值: = 30 × (4×2 - 8×16)² / (12×18×20×10) =10 3.比较临界值: 10 > 3.841 4.得出结论: 在犯错误概率不超过0.05的前提下，认为饮食习惯与年龄有关. 1.7.2013 理论学完了，我们来看一个案例。这是一个关于饮食习惯和年龄的调查。我们按照刚才总结的步骤来操作：首先提出假设，然后构建列联表，接着代入公式计算出χ²值为10。最后，我们将10与临界值3.841比较，发现10更大。因此，我们可以得出结论：在犯错误概率不超过0.05的前提下，认为饮食习惯与年龄有关。 ‹#› 课堂练习 1 题目描述 在一项打鼾与患心脏病的调查中，共调查了1768人，经计算得的观测值为27.63.根据这一数据分析，我们有多大的把握认为打鼾与患心脏病有关？ A. 90% B. 95% C. 99% D. 99.9% 答案与解析 1. 比较观测值与临界值：27.63 > 10.828 (). 2. 结论：我们有99.9%的把握认为打鼾与患心脏病有关.正确答案：D 1.7.2013 我们来做个练习。这里有一个关于打鼾和心脏病的调查，计算出的χ²值是27.63。大家看一下临界值表，27.63比哪个临界值大？对，它比10.828还要大，而10.828对应的是α=0.001。所以，我们有99.9%的把握认为两者有关。 ‹#› 课堂练习 2：独立性检验 ▍ 题目背景 为考察高中生的性别与是否喜欢数学课程之间的关系，在某校随机抽取300名学生，得到如下列联表数据： 类别 喜欢数学 不喜欢数学 合计 男 37 85 122 女 35 143 178 合计 72 228 300 Q: 能否在犯错误概率不超过0.05的前提下，认为两者有关？ 💡 解题思路： 1. 零假设：性别与是否喜欢数学课程独立. 2. 计算：代入公式求得 χ² ≈4.514. 3. 比较：4.514 > = 3.841. 4. 结论：在犯错误概率不超过0.05的前提下，认为两者有关. 1.7.2013 再来一个练习，这次是关于性别和是否喜欢数学的。大家可以自己动手算一下，根据表格中的数据，a=37, b=85, c=35, d=143, n=300。代入公式计算出的χ²值大约是4.514。这个值大于3.841，所以我们可以得出结论：在犯错误概率不超过0.05的前提下，认为性别与是否喜欢数学有关。 ‹#› 知识梳理与方法总结 核心逻辑链条 1.分类变量→ 整理数据 2.2×2 列联表 3.等高条形图（直观判断是否有关联） 4.独立性检验（严谨证明：假设检验思想 · 计算统计量 · 临界值判断） 解题口诀 · 速记版 假设独立是前提，列表计算要仔细. 卡方公式代数据，临界值前比一比. 若大则拒无关系，结论表述要清晰. 1.7.2013 课程接近尾声，我们来梳理一下今天学习的知识。从分类变量开始，到列联表，再到直观的等高条形图，最后我们学习了严谨的独立性检验方法。整个过程体现了从感性到理性的认知升级。大家要牢记独立性检验的思想和步骤，特别是右下角的这个口诀，它涵盖了“假设、计算、比较、结论”四个关键步骤，能帮助我们快速准确地解题。 ‹#› 易错点提醒 01 混淆 的位置 严格按照列联表定义，注意行列分类标准， 的位置不能随意调换，否则后续计算全部错误. 02 卡方 () 计算错误 公式中包含多个分数项和求和运算，计算时要细心.特别注意先算分子的平方差，再乘，最后除以四个边缘乘积的和. 03 结论表述不当 ❌ 错误：“我们证明了两个变量有关.” ✅ 正确：“在犯错误概率不超过的前提下，认为两个变量有关联.” 04 误解统计量含义 卡方 () 值本身不是概率，而是一个衡量观测值与期望值偏离程度的统计量.值才是在“原假设成立”条件下，出现当前观测结果的概率. 1.7.2013 最后，我要强调几个易错点。首先，列联表中a,b,c,d的位置千万不能搞混，它直接决定了后续计算的正确性。其次，计算χ²公式复杂，计算时一定要细心，注意运算顺序，避免低级的计算错误。最关键的是结论的表述，我们不能说“证明了”两个变量有关，而应该说“在犯错误概率不超过α的前提下，认为两个变量有关”。最后，不要误解卡方值，它本身不是概率，而是一个衡量偏离程度的统计量。记住，统计推断是带有概率性质的。 ‹#› 布置作业 01 / 基础巩固 教材第134页，练习第 1, 3, 4题. 夯实基础知识，熟练掌握核心概念与基本计算. 02 / 能力提升 教材第135页，习题8.3 第 4, 5 题. 挑战进阶题型，提升对独立性检验原理的理解和应用能力. 03 / 实践探究 设计一个小调查，研究你感兴趣的两个分类变量（如：是否熬夜与是否迟到），收集数据并进行独立性检验，体会统计的实用价值. 1.7.2013 今天的课后作业分为三个层次。基础题和提升题请大家完成教材上的相应练习，巩固今天所学的知识。我特别推荐大家尝试一下实践题，自己设计一个调查，亲身感受一下统计在生活中的应用。这会让你对这部分知识有更深刻的理解。 ‹#› $