{"ok": true, "text": "Korrelation ist wie bei mir und Papas Kreditkarte: Wir tauchen auffällig oft gemeinsam im Club auf. 😄 Ob das eine das andere verursacht, klären wir gleich – an der Tafel rechnen wir den Korrelationskoeffizienten an einem echten Filialbeispiel durch.\n\n```tafel Korrelation: Bravais-Pearson und Spearman\n<h3 data-say=\"Die Korrelation misst, wie eng zwei Merkmale linear zusammenhängen.\">Korrelation – die Idee</h3>\n<p data-say=\"Das Vorzeichen zeigt die Richtung, der Betrag die Stärke.\">Der Korrelationskoeffizient \\( r \\) liegt immer zwischen −1 und +1. Nahe +1: je mehr, desto mehr. Nahe −1: je mehr, desto weniger. Nahe 0: kein linearer Zusammenhang.</p>\n<p data-say=\"Für die Klausur reicht die Formel mit den drei Summen, dann ist n oder n minus eins egal.\">\\( r = \\frac{\\sum (x_i - \\bar{x})(y_i - \\bar{y})}{\\sqrt{\\sum (x_i - \\bar{x})^2 \\cdot \\sum (y_i - \\bar{y})^2}} \\)</p>\n<div class=\"example\" data-say=\"Sechs Filialen einer Bäckereikette mit unterschiedlichem Werbebudget.\">Beispiel: Bäckereikette, sechs Filialen, Werbung x und Monatsumsatz y in Tausend Euro: A (2; 42), B (4; 45), C (5; 52), D (7; 50), E (8; 64), F (10; 71).</div>\n<div class=\"step\" data-say=\"Zuerst die Mittelwerte beider Merkmale.\">\n<b>Schritt 1 – Mittelwerte</b>\n<div class=\"calc\">\\( \\bar{x} = \\frac{36}{6} = 6 \\qquad \\bar{y} = \\frac{324}{6} = 54 \\)</div>\n</div>\n<table data-say=\"Für jede Filiale die Abweichungen, ihr Produkt und die Quadrate. Unten stehen die drei Summen, die wir brauchen.\">\n<tr><th>Filiale</th><th>\\( x_i - \\bar{x} \\)</th><th>\\( y_i - \\bar{y} \\)</th><th>Produkt</th><th>\\( (x_i - \\bar{x})^2 \\)</th><th>\\( (y_i - \\bar{y})^2 \\)</th></tr>\n<tr><td>A</td><td class=\"n\">−4</td><td class=\"n\">−12</td><td class=\"n\">48</td><td class=\"n\">16</td><td class=\"n\">144</td></tr>\n<tr><td>B</td><td class=\"n\">−2</td><td class=\"n\">−9</td><td class=\"n\">18</td><td class=\"n\">4</td><td class=\"n\">81</td></tr>\n<tr><td>C</td><td class=\"n\">−1</td><td class=\"n\">−2</td><td class=\"n\">2</td><td class=\"n\">1</td><td class=\"n\">4</td></tr>\n<tr><td>D</td><td class=\"n\">1</td><td class=\"n\">−4</td><td class=\"n\">−4</td><td class=\"n\">1</td><td class=\"n\">16</td></tr>\n<tr><td>E</td><td class=\"n\">2</td><td class=\"n\">10</td><td class=\"n\">20</td><td class=\"n\">4</td><td class=\"n\">100</td></tr>\n<tr><td>F</td><td class=\"n\">4</td><td class=\"n\">17</td><td class=\"n\">68</td><td class=\"n\">16</td><td class=\"n\">289</td></tr>\n<tr><td>Summe</td><td class=\"n\">0</td><td class=\"n\">0</td><td class=\"n\">152</td><td class=\"n\">42</td><td class=\"n\">634</td></tr>\n</table>\n<div class=\"step\" data-say=\"Jetzt die drei Summen in die Formel einsetzen.\">\n<b>Schritt 2 – Korrelationskoeffizient</b>\n<div class=\"calc\">\\( r = \\frac{152}{\\sqrt{42 \\cdot 634}} = \\frac{152}{163{,}18} \\approx 0{,}93 \\)</div>\n</div>\n<div class=\"step\" data-say=\"Das Quadrat von r ist das Bestimmtheitsmaß.\">\n<b>Schritt 3 – Bestimmtheitsmaß</b>\n<div class=\"calc\">\\( r^2 = 0{,}9315^2 \\approx 0{,}87 \\)</div>\n</div>\n<div class=\"result\" data-say=\"Starker positiver Zusammenhang. Rund 87 Prozent der Umsatzstreuung hängen linear mit der Werbung zusammen.\">r ≈ 0,93: starker positiver linearer Zusammenhang, \\( r^2 \\approx 0{,}87 \\)</div>\n<div class=\"step\" data-say=\"Zur Probe geht es auch über Kovarianz und Standardabweichungen. Hier mit eins durch n.\">\n<b>Probe – über Kovarianz und Standardabweichungen</b>\n<div class=\"calc\">\\( s_{xy} = \\frac{152}{6} \\approx 25{,}33 \\qquad s_x = \\sqrt{\\frac{42}{6}} \\approx 2{,}646 \\qquad s_y = \\sqrt{\\frac{634}{6}} \\approx 10{,}279 \\)</div>\n<div class=\"calc\">\\( r = \\frac{25{,}33}{2{,}646 \\cdot 10{,}279} \\approx 0{,}93 \\)</div>\n</div>\n<table data-say=\"So liest du den Betrag von r grob ab. Die Grenzen schwanken je nach Lehrbuch.\">\n<tr><th>Betrag von r</th><th>Interpretation</th></tr>\n<tr><td>unter 0,2</td><td>kein bzw. sehr schwacher Zusammenhang</td></tr>\n<tr><td>0,2 bis unter 0,5</td><td>schwach</td></tr>\n<tr><td>0,5 bis unter 0,8</td><td>mittel</td></tr>\n<tr><td>ab 0,8</td><td>stark</td></tr>\n</table>\n<div class=\"step\" data-say=\"Spearman rechnet mit Rängen. Nur C und D tauschen die Plätze.\">\n<b>Schritt 4 – Rangkorrelation nach Spearman</b>\n<div class=\"calc\">\\( r_s = 1 - \\frac{6 \\cdot \\sum d_i^2}{n(n^2 - 1)} = 1 - \\frac{6 \\cdot 2}{6 \\cdot 35} \\approx 0{,}94 \\)</div>\n</div>\n<div class=\"vs\" data-say=\"Pearson braucht metrische Daten, Spearman reichen Rangfolgen.\">\n<div><b>Pearson</b><br>metrische Daten<br>misst linearen Zusammenhang<br>ausreißeranfällig</div>\n<div><b>Spearman</b><br>Ränge, auch ordinale Daten<br>misst monotonen Zusammenhang<br>robuster</div>\n</div>\n<div class=\"warn\" data-say=\"Hohe Korrelation heißt nicht, dass Werbung den Umsatz verursacht.\">Typische Falle: Korrelation ist keine Kausalität. Vielleicht bekommen umsatzstarke Innenstadtfilialen einfach mehr Werbebudget. Und r = 0,93 heißt nicht, dass ein Werbe-Euro 0,93 € Umsatz bringt – das liefert erst die Regression.</div>\n```\n\nKontrollfrage: Zwei Merkmale haben r = 0. Darfst du daraus schließen, dass sie überhaupt nichts miteinander zu tun haben – und warum?", "data": null, "stop": "end_turn", "model": "claude-sonnet-5-5", "tools": [], "quota": {"used": 1, "limit": 150, "left": 149, "pro": false}}