高二数学选择性必修第一册成对数据线性相关性教学设计

高二数学选择性必修第一册成对数据线性相关性教学设计一、教学内容的价值定位本节课选自北师大版高中数学选择性必修第一册第七章第二节，是学生从确定性数学走向随机性数学的关键节点。在此之前，学生已经掌握了函数的概念，习惯了"给定一个自变量，就有唯一确定的因变量"这种严密的一一对应关系。然而，真实世界中的变量关系远比函数关系宽松：父亲的身高与儿子的身高相关，却做不到精确预测；学习时间的长短与考试成绩相关，但同样受天赋、方法、状态的影响。本节课要完成的，正是帮助学生建立"统计相关"这一全新的数学观念，学会用散点图观察成对数据的整体性态，用相关系数r刻画线性相关的方向与强弱，并初步理解回归直线y＝bx＋a的产生逻辑。从课程标准的角度看，这部分内容承载着"数据分析"这一数学核心素养的落地任务。学生不仅要会算，更要会看、会判断、会解释。会看，是指能从散点图中读出变量的变化趋势；会判断，是指能区分正相关、负相关与不相关，能辨析相关关系与因果关系的本质差异；会解释，是指能结合生活情境说明统计结论的意义与局限。这三层能力层层递进，构成本节课能力培养的纵线。从知识前后的衔接看，本节课上承必修阶段的抽样方法与数字特征，下接第三章将要深入的最小二乘法与一元线性回归模型，同时为正态分布、独立性检验等内容奠定直观基础。可以说，这是一节"观念先行、算法铺垫"的课，其教学重心不在于计算技巧的训练，而在于统计直觉的培养。二、学情研判授课对象为高二学生，他们已完成函数、平面向量、基础概率统计等内容的学习，具备以下已有经验：其一，在生活中积累了大量模糊的"相关"经验，如"多吃蔬菜身体好""勤锻炼的人不容易感冒"，但这些经验往往与因果关系混杂，缺乏辨析；其二，会用平均数、方差描述单变量数据，但面对两个变量的联合数据时，缺乏处理工具；其三，部分学生在信息类课程中接触过Excel绘制散点图，具备初步的技术操作经验。同时需要预判三类学习困难。第一类困难是观念层面的：学生容易把"相关"等同于"因果"，看到冰淇淋销量与溺水事故数同步上升，就得出"吃冰淇淋导致溺水"的荒谬结论。第二类困难是工具层面的：相关系数公式形式复杂，学生容易陷入机械代公式而忽视公式背后的均值中心化思想。第三类困难是边界层面的：相关系数只度量线性相关，对抛物线形等曲线关系可能得出r接近零的结果，学生若不理解这一点，就会产生"r小就是没有关系"的误判。基于以上研判，本节课的教学策略确定为：以真实数据情境驱动，以散点图的直观感知先于公式的抽象运算，以辨析性讨论破除"相关即因果"的思维惯性，以尺规作图与信息技术相结合的方式降低运算负担，把宝贵的课堂时间留给观念建构。三、教学目标知识目标：理解两个变量之间函数关系与相关关系的区别；掌握散点图的画法并能据此判断变量间的相关方向与程度；理解相关系数r的统计意义，记住|r|≤1，并能解读不同取值所反映的线性相关强弱；初步了解回归直线"穿过数据中心、拟合整体趋势"的含义。能力目标：能针对实际问题收集或选取成对数据，独立完成绘制散点图、计算相关系数、作出回归直线的全过程，体验"数据—图形—数值—结论"的完整统计推断链条。素养目标：在经历完整的数据分析过程中发展数据分析与数学运算素养；通过对"相关不等于因果"的案例辨析，养成严谨审辨的思维品质；在小组协作处理真实数据的过程中体会数学方法对认识世界的价值。教学重点：用散点图直观感知成对数据的相关性，理解相关系数的统计意义。教学难点：理解相关系数只刻画线性相关这一本质属性，辨析相关关系与因果关系的区别。四、教学方法与课前准备教法上采用问题驱动法与探究式教学法，以一条贯穿始终的主情境统摄全课，辅以对比辨析和小组合作。学法上引导学生经历"观察—猜想—验证—反思"的探究路径。课前准备包括三项。其一，教师准备若干组真实或高度拟真的成对数据：某班学生身高与体重数据、某城市月平均气温与冰淇淋月销量数据、昼夜温差与感冒就诊人数数据等。其二，学生预习教材，回忆平均数、方差的计算公式，并思考"两个人都说某种产品好，这种说法可信吗"这类日常生活中的推断依据问题。其三，机房或大屏安装好电子表格软件，确保课堂上能即时绘图演示。五、教学过程（一）情境导入：从"猜成绩"说起课堂伊始，教师抛出第一个问题：学期过半，小明的数学平时作业平均分为85分，请猜测他期中考试的数学成绩。学生很自然地说出80多分、90分左右等答案。教师追问：你为什么敢这么猜？学生的回答会触及关键——平时成绩和考试成绩有关系。教师随即展示第二个问题：现在告诉你小明穿43码的鞋，请再猜他的数学期中成绩。教室里会出现笑声，学生立刻指出鞋码与成绩"没关系"。这两问一笑之间，教学的第一块基石悄然奠定：变量与变量之间，有的有关系，有的没关系；有关系的，关系也分强弱。教师板书课题"成对数据的线性相关性"，并提出本节课的三大驱动问题：怎样看出两个变量有没有关系？这种关系有多强，能用一个数字来度量吗？知道了关系，能不能做预测？设计意图说明：以猜成绩这一贴近学生的认知冲突开场，用鞋码这一反例制造对比，让学生在未学任何术语之前先激活对"相关"的朴素直觉，三个驱动问题则为整节课画出清晰的认知地图。（二）概念建构：从函数关系到相关关系教师引导学生回顾函数的定义品格：对于x的每一个取值，y都有唯一确定的值与之对应。随后给出三组实例请学生辨析：圆的半径r与面积S＝πr²；商品销量x与销售额y（价格固定时）；人的身高x与体重y。学生容易判断前两个是函数关系，对第三个产生犹豫。教师组织简短讨论后明确：身高确定，体重并不能唯一确定——同是一米七，有人五十千克，有人八十千克。但身高较高的人，体重总体上也倾向于较大。这种"不能唯一确定，却存在总体趋势"的关系，就是相关关系。教师板书对比框架：函数关系是确定性关系，一个x对应唯一的y；相关关系是非确定性关系，一个x对应y的一个分布，但y随x呈现总体性的变化趋势。强调"总体趋势"四字——统计研究的是群体的规律，不保证个体的准确。紧接着给出一组快问快答巩固概念：树木的年轮数与树龄、存钱的年数与本息总和（利率固定）、一个人的年龄与其记忆力、农作物的施肥量与产量。学生判断并说明理由。教师特别点评施肥量的例子：适量施肥增产，过量反而减产，这提示相关关系还可能不是单调直线型的，埋下后续伏笔。（三）直观感知：散点图的画法与读法教师给出某班10名学生的身高（单位：cm）与体重（单位：kg）数据：身高依次为158、162、165、168、170、172、175、178、180、183，体重依次为50、53、55、57、60、61、65、68、70、75。提出问题：表格里的数字密密麻麻，有没有一种几何方式能让关系"一眼可见"？学生联想到函数图象，教师顺势引入散点图：以身高为横坐标、体重为纵坐标，把每一对数据（xi，yi）描成平面直角坐标系中的一个点，n对数据就得到n个点，这样的图叫散点图。学生在坐标纸上动手描点，教师用软件同步演示。描完后组织观察讨论：这些点落在一条直线上吗？不在。但它们大致沿着什么分布？一条从左下向右上伸展的带形区域。教师由此提炼读图要领，板书三个判断维度：一看方向——点群由左下向右上延伸为正相关，由左上向右下延伸为负相关；二看聚散——点越聚拢在某条直线附近，线性相关越强，越分散则越弱；三看例外——个别远离群体的点（离群点）值得注意，它可能来自记录错误，也可能提示特殊个体。随后展示四幅不同的散点图请学生判断：明显的正相关、明显的负相关、几乎无规律（不相关）、明显的曲线型（如抛物线状）。第四幅图为难点埋下种子，此时只要求学生观察"点有规律但不是直线规律"，教师暂不深入，只说一句"这个问题我们学完相关系数再回来解决"，制造悬念。设计意图说明：散点图的教学遵循"先动手、再观察、后提炼"的顺序，让图形语言的生成来自学生自己的作图经验。四幅对比图覆盖正、负、无、曲四种典型，构建完整的直观分类框架。（四）定量刻画：相关系数的产生与解读教师承上启下：看图很好用，但"比较相关"和"非常相关"这种语言太模糊。如果两个班的数据都差不多，靠眼睛能分出谁的相关更强吗？数学需要一把精确的尺子。这把尺子就是相关系数，记作r。教师不急于给出公式全貌，而是先引导学生思考构造思路。把每个数据组的x减去平均数x̄、y减去平均数ȳ，相当于把坐标原点平移到数据中心（x̄，ȳ）。此时，若x比平均水平高时y也倾向于比平均水平高，那么(xi－x̄)(yi－ȳ)这个乘积就倾向于为正，求和之后总和为正，反映正相关；反之为负。为了不让数据的单位（身高用厘米还是用米）影响结果，再除以两个标准差式的量进行标准化。思路铺垫之后，给出公式：r＝Σ(xi－x̄)(yi－ȳ)÷√[Σ(xi－x̄)²·Σ(yi－ȳ)²]教师强调公式可以借助计算器或软件完成计算，本节课重在理解而非手算速度。随后给出相关系数的核心性质并用图示逐一对应：r的取值范围是－1≤r≤1。r＞0表示正相关，r＜0表示负相关。|r|越接近1，线性相关越强；|r|越接近0，线性相关越弱。当r＝1或r＝－1时，所有点恰好落在一条直线上，此时相关关系退化为确定的线性函数关系；当r＝0时，称两个变量线性不相关。随后安排一组精练的解读练习，给出四个r值：0.92、－0.85、0.23、－0.05，请学生分别用一句话描述其反映的相关情况，并尝试联想生活实例。学生给出诸如"r＝0.92表示很强的正相关，比如身高与体重"等回答，教师予以评价规范。（五）难点攻坚：相关系数的边界与"相关不等于因果"这是本节课思维含量最高的环节，教师分三步推进。第一步，兑现悬念。回到之前那幅抛物线状的散点图，告知学生这组数据算出的r约为0.03。学生愕然：明明规律如此明显，r却几乎为零！教师点拨：r的全名是"线性相关系数"，它只度量"直线型"的关联程度。抛物线的左支下降、右支上升，对线性贡献相互抵消，所以r接近零。由此得到重要结论：r小只能说明线性相关弱，不能断言两个变量没有任何关系。判断之前，先看散点图——图与数要结合，不能偏废。第二步，辨析因果。教师讲述经典案例：某沿海城市统计发现，冰淇淋月销量与当月溺水事故起数的相关系数高达0.9。有记者据此报道"冰淇淋是溺水元凶"。请学生评判。讨论中学生逐渐指向真相：背后潜伏着第三个变量——气温。天热，吃冰的人多，下水游泳的人也多，两者被气温这只"看不见的手"同时推高。教师总结：相关关系只说明两个变量"同涨同落或此消彼长"，要建立因果，还需要控制实验、机理分析等更严格的证据。这是统计思维的底线，也是公民面对媒体数据报道时应有的清醒。第三步，临界情形的讨论。教师提问：样本数据很少时，比如只有3对数据，算出的r可信吗？学生讨论后认识到：样本量太小，r的偶然性大，结论不稳定。教师指出这正是统计学中"样本代表性"思想的延伸，为后续学习埋下伏笔。（六）走向预测：回归直线的初步认识教师回到开课时未完成的第三个驱动问题：知道了身高与体重强相关，能否由身高预测体重？答案是肯定的——既然点群沿一条带形分布，就用一条直线作为这个带形的"中线"，让它尽可能靠近所有的点，这条直线叫作回归直线，记作y＝bx＋a，其中b叫回归系数。教师用软件演示：拖动直线的斜率和截距，直线上移下压，点与直线的偏离程度随之变化。学生直观感受到"总有一条位置最合适的"。教师说明：什么样的"靠近"算最好，需要把每个点与直线在竖直方向上的偏差平方后加起来，让它达到最小，这就是最小二乘法，是下节课的主角，本节课只需记住结论——回归直线必过样本中心点（x̄，ȳ），并知道b＝r·(sy/sx)这样的换算关系存在即可。利用前面身高体重数据算出的回归直线（演示得b≈0.98，a≈－109），教师请学生预测身高173cm者的体重：代入得y≈0.98×173－109≈60.5kg。随后教师郑重提醒两点：其一，这个预测是"平均水平"的估计，具体到某一个人完全可能偏离；其二，不能无边界外推——用这条直线去预测身高100cm婴儿的体重显然荒唐。统计模型的有效期，仅限于数据来源的范围。这种对模型适用范围的自觉，是数学建模素养的重要组成。（七）课堂小结：一张知识网，一条思维线教师引导学生共同完成知识结构梳理。知识层面：相关关系的概念→散点图的绘制与判读→相关系数r的计算与解读（范围、方向、强弱）→回归直线的意义与预测应用。方法层面：数形结合思想贯穿始终，先画散点图再计算r是必须遵守的操作顺序。思想层面：统计结论谈的是趋势而非必然，相关不等于因果，模型有边界。教师以一句话收束全课：函数让我们精确地把握世界，统计让我们诚实地面对世界——承认不确定，再用数学的方法度量这份不确定，这正是理性精神的体现。（八）分层作业设计基础层：教材本节习题，给定成对数据求相关系数并判断相关强弱；给四个散点图与四个r值（0.97、－0.66、0.10、0.55），要求连线配对。提高层：收集本小组8名同学的物理分数与数学分数，绘制散点图、计算相关系数，写一段150字左右的数据分析报告，要求包含对是否存在因果关系的审慎讨论。拓展层：查阅"辛普森悖论"的资料，思考为什么分组数据中呈现的趋势可能在合并后反转，下节课用两分钟向同学分享。此题意在开阔统计视野，满足不同层次学生的发展需求。六、板书设计主板书呈三栏式布局。左栏：概念辨析——函数关系（确定）与相关关系（不确定但有趋势）。中栏：工具——散点图（看方向、看聚散）；相关系数r的公式与性