Zurück zur Lektion

Leitfaden für Lehrer: Korrelationskoeffizient

Lerne, wie man die Stärke und Richtung einer linearen Beziehung zwischen zwei Variablen mit dem Korrelationskoeffizienten r misst.

Lektion präsentierenIn Classroom teilenSchülerseite anzeigen

Diese Lektion im Unterricht nutzen

Kostenlos, keine Schülerkonten nötig.

Mit Schülern teilen

Die Schüler öffnen die Lektion und üben mit sofortigem Feedback.

Arbeitsblatt zum Drucken

Alle Übungsaufgaben auf Papier, mit separatem Lösungsblatt.

Arbeitsblatt Lösungen

Klassenquiz

10 Fragen zu Korrelation. Die Schüler machen mit einem Namen mit, du siehst alle Ergebnisse.

Für Lehrer

Lernziele
  • Den Korrelationskoeffizienten definieren und erklären, was er misst
  • Den Korrelationskoeffizienten rr für einen Datensatz berechnen
  • Das Vorzeichen und die Größe von rr im Kontext interpretieren
  • Zwischen Korrelation und Kausalität unterscheiden
  • Grenzen von rr für nicht-lineare Beziehungen erkennen
Voraussetzungen
  • • Verständnis von Streudiagrammen und dem Zeichnen geordneter Paare
  • • Fähigkeit, den Mittelwert (Durchschnitt) zu berechnen
  • • Vertrautheit mit Quadratzahlen und Quadratwurzeln
  • • Grundverständnis linearer Beziehungen
Diskussionsstarter
  • 1. Wenn zwei Variablen r=0,95r = 0,95 haben, können wir schließen, dass eine die andere verursacht? Warum oder warum nicht?
  • 2. Warum könnte es irreführend sein, nur den Korrelationskoeffizienten ohne ein Streudiagramm zu berichten?
  • 3. Eine Studie findet r=0,85r = 0,85 zwischen Schuhgröße und Lesefähigkeit bei Grundschülern. Was erklärt diese Korrelation?
  • 4. Wie würdest du jemandem erklären, dass eine perfekte Korrelation von r=1r = 1 in realen Daten selten ist?
Häufige Missverständnisse

Eine Korrelation von 0,5 bedeutet, dass die Variablen zu 50% zusammenhängen

Abhilfe: Erkläre, dass rr kein Prozentsatz ist. Stattdessen gibt r2r^2 (Bestimmtheitsmaß) den Anteil der erklärten Varianz an. Für r=0,5r = 0,5 werden nur 0,250,25 oder 25% der Varianz erklärt.

Negative Korrelation bedeutet keine Beziehung

Abhilfe: Verwende konkrete Beispiele: Mit zunehmender Höhe sinkt die Temperatur (r<0r < 0). Dies ist immer noch eine starke, vorhersagbare Beziehung - nur invers.

Differenzierungsideen

Für Schüler mit Schwierigkeiten:

  • • Konzentriere dich auf die Interpretation gegebener rr-Werte vor der Berechnung
  • • Verwende Technologie (Taschenrechner/Tabellenkalkulation) für Berechnungen
  • • Stelle Streudiagramme mit eindeutig positiver, negativer oder keiner Korrelation bereit

Für Schüler auf Niveau:

  • • Berechne rr von Hand für kleine Datensätze (5-6 Punkte)
  • • Interpretiere rr in verschiedenen realen Kontexten
  • • Analysiere die Auswirkung von Ausreißern auf die Korrelation

Für fortgeschrittene Schüler:

  • • Erkunde das Bestimmtheitsmaß r2r^2
  • • Vergleiche Pearson- und Spearman-Korrelation für Rangdaten
  • • Untersuche partielle Korrelation unter Kontrolle dritter Variablen
Standardausrichtung
  • HSS.ID.C.8 (CCSS.MATH.CONTENT.HSS.ID.C.8)

    Berechne (mit Technologie) und interpretiere den Korrelationskoeffizienten einer linearen Anpassung

  • HSS.ID.C.9 (CCSS.MATH.CONTENT.HSS.ID.C.9)

    Unterscheide zwischen Korrelation und Kausalität

Lektionsressourcen
  • visualInteraktives Streudiagramm

    Schüler fügen Punkte hinzu und sehen, wie sich rr in Echtzeit aktualisiert

  • activityKorrelations-Ratespiel

    Schätze rr aus Streudiagrammen, bevor der Wert enthüllt wird

  • worksheetKorrelation vs Kausalität Szenarien

    Bestimme, ob Szenarien Korrelation, Kausalität oder keines von beidem zeigen

Lektionsinhalt

Alles, was die Schüler sehen: Definition, Beispiele, typische Fehler, Anwendungen. Zum Öffnen tippen.

Definition

Der Korrelationskoeffizient (bezeichnet als rr) misst die Stärke und Richtung einer linearen Beziehung zwischen zwei Variablen.
r=∑(xi−xˉ)(yi−yˉ)∑(xi−xˉ)2⋅∑(yi−yˉ)2r = \frac{\sum(x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum(x_i - \bar{x})^2 \cdot \sum(y_i - \bar{y})^2}}
**Wichtige Eigenschaften von rr:**
  • rr liegt immer zwischen −1-1 und 11: −1≤r≤1-1 \le r \le 1
  • r=1r = 1: Perfekte positive Korrelation
  • r=−1r = -1: Perfekte negative Korrelation
  • r=0r = 0: Keine lineare Korrelation
**Interpretation von ∣r∣|r|:**
Wert von $rStärke
0,00−0,190,00 - 0,19Sehr schwach
0,20−0,390,20 - 0,39Schwach
0,40−0,590,40 - 0,59Mäßig
0,60−0,790,60 - 0,79Stark
0,80−1,000,80 - 1,00Sehr stark

Lösungsbeispiele

Berechne den Korrelationskoeffizienten für die Daten: (1,2),(2,4),(3,5),(4,4),(5,5)(1, 2), (2, 4), (3, 5), (4, 4), (5, 5)
1

Berechne die Mittelwerte xˉ\bar{x} und yˉ\bar{y}

xˉ=1+2+3+4+55=3\bar{x} = \frac{1+2+3+4+5}{5} = 3, yˉ=2+4+5+4+55=4\bar{y} = \frac{2+4+5+4+5}{5} = 4 → xˉ=3\bar{x} = 3, yˉ=4\bar{y} = 4
2

Berechne die Abweichungen (xi−xˉ)(x_i - \bar{x}) und (yi−yˉ)(y_i - \bar{y})

Punkt (1,2)(1,2): (−2,−2)(-2, -2) Punkt (2,4)(2,4): (−1,0)(-1, 0) Punkt (3,5)(3,5): (0,1)(0, 1) Punkt (4,4)(4,4): (1,0)(1, 0) Punkt (5,5)(5,5): (2,1)(2, 1) → Abweichungen berechnet
3

Berechne die Produkte (xi−xˉ)(yi−yˉ)(x_i - \bar{x})(y_i - \bar{y})

(−2)(−2)=4(-2)(-2) = 4 (−1)(0)=0(-1)(0) = 0 (0)(1)=0(0)(1) = 0 (1)(0)=0(1)(0) = 0 (2)(1)=2(2)(1) = 2 Summe =4+0+0+0+2=6= 4 + 0 + 0 + 0 + 2 = 6 → ∑(xi−xˉ)(yi−yˉ)=6\sum(x_i - \bar{x})(y_i - \bar{y}) = 6
4

Berechne ∑(xi−xˉ)2\sum(x_i - \bar{x})^2

(−2)2+(−1)2+02+12+22=4+1+0+1+4=10(-2)^2 + (-1)^2 + 0^2 + 1^2 + 2^2 = 4 + 1 + 0 + 1 + 4 = 10 → ∑(xi−xˉ)2=10\sum(x_i - \bar{x})^2 = 10
5

Berechne ∑(yi−yˉ)2\sum(y_i - \bar{y})^2

(−2)2+02+12+02+12=4+0+1+0+1=6(-2)^2 + 0^2 + 1^2 + 0^2 + 1^2 = 4 + 0 + 1 + 0 + 1 = 6 → ∑(yi−yˉ)2=6\sum(y_i - \bar{y})^2 = 6
6

Wende die Formel an

r=610⋅6=660=67,746≈0,775r = \frac{6}{\sqrt{10 \cdot 6}} = \frac{6}{\sqrt{60}} = \frac{6}{7,746} \approx 0,775 → r≈0,77r \approx 0,77

Häufige Fehler

Annahme, dass Korrelation Kausalität impliziert

Warum es falsch ist: Eine starke Korrelation zwischen AA und BB bedeutet nicht, dass AA BB verursacht. Es könnte eine dritte Variable beide beeinflussen, oder die Beziehung könnte zufällig sein.

Richtig: Sage immer "assoziiert mit" oder "korreliert mit" statt "verursacht". Suche nach experimentellen Beweisen, um Kausalität festzustellen.

Ausreißer bei der Interpretation von rr ignorieren

Warum es falsch ist: Ein einzelner Ausreißer kann den Korrelationskoeffizienten dramatisch verändern. rr ist empfindlich gegenüber Extremwerten.

Richtig: Erstelle immer zuerst ein Diagramm der Daten. Suche nach Ausreißern und erwäge, rr mit und ohne sie zu berechnen.

Verwendung von rr für nicht-lineare Beziehungen

Warum es falsch ist: rr misst nur lineare Beziehungen. Ein perfektes Kurvenmuster könnte r=0r = 0 haben.

Richtig: Untersuche das Streudiagramm. Wenn das Muster gekrümmt ist, ist rr nicht das richtige Maß. Erwäge Transformationen oder nicht-lineare Modelle.

Warum es wichtig ist

Der Korrelationskoeffizient ist grundlegend in der Datenanalyse:
  • Wissenschaft: Forscher messen, wie stark Variablen wie Temperatur und Eisverkauf zusammenhängen
  • Finanzen: Analysten verfolgen, wie sich Aktienkurse gemeinsam bewegen (Portfolio-Diversifikation)
  • Medizin: Ärzte untersuchen Beziehungen zwischen Risikofaktoren und Gesundheitsergebnissen
  • Sport: Trainer analysieren, welche Statistiken den Teamerfolg am besten vorhersagen
Das Verstehen von rr hilft dir:
  • Beziehungen zu quantifizieren, die in Streudiagrammen "linear aussehen"
  • Vorhersagen mittels Regressionsanalyse zu treffen
  • Die Zuverlässigkeit statistischer Modelle zu bewerten
  • Ergebnisse präzise zu kommunizieren ("starke positive Korrelation" vs "schwache negative Korrelation")

Anwendungen im echten Leben

Diversifikation am Aktienmarkt

Investmentanalysten nutzen Korrelation, um diversifizierte Portfolios aufzubauen. Aktien mit niedriger oder negativer Korrelation gleichen Risiken aus.

Beispiel:

Wenn Aktie A und Aktie B r=−0,3r = -0,3 haben, steigt B tendenziell leicht, wenn A fällt, was die Portfolio-Volatilität reduziert.

1Probiere es selbst

Zwei Tech-Aktien haben r=0,92r = 0,92. Zwei Aktien aus verschiedenen Sektoren haben r=0,15r = 0,15.

Welches Paar bietet bessere Diversifikation?

Schritt 1: Schreibe den mathematischen Ausdruck

Vergleiche: ∣0,92∣|0,92| vs ∣0,15∣|0,15|

Medizinische Forschung

Forscher nutzen Korrelation, um potenzielle Risikofaktoren für Krankheiten zu identifizieren.

Beispiel:

Eine Studie findet r=0,68r = 0,68 zwischen Blutdruck und Herzerkrankungsrisiko, was eine starke positive Beziehung anzeigt.

2Probiere es selbst

Drei Gesundheitsfaktoren zeigen Korrelationen mit dem Diabetesrisiko: Bewegung (r=−0,45r = -0,45), Zuckerkonsum (r=0,52r = 0,52), Schlafqualität (r=−0,31r = -0,31).

Welcher Faktor hat die stärkste Beziehung zum Diabetesrisiko?

Schritt 1: Schreibe den mathematischen Ausdruck

Vergleiche Absolutwerte: ∣−0,45∣|-0,45|, ∣0,52∣|0,52|, ∣−0,31∣|-0,31|

Wichtige Erkenntnisse

  • 1Der Korrelationskoeffizient rr misst die Stärke und Richtung einer linearen Beziehung
  • 2rr reicht von −1-1 (perfekt negativ) bis +1+1 (perfekt positiv), wobei 00 keine lineare Beziehung anzeigt
  • 3Der Absolutwert ∣r∣|r| zeigt die Stärke: näher an 11 ist stärker, näher an 00 ist schwächer
  • 4Visualisiere Daten immer mit einem Streudiagramm, bevor du rr interpretierst
  • 5Korrelation bedeutet nicht Kausalität - Zusammenhang ist nicht dasselbe wie Ursache-Wirkung

Häufig gestellte Fragen

Was ist der Unterschied zwischen Korrelation und Kausalität?

Korrelation zeigt, dass zwei Variablen sich zusammen bewegen, aber Kausalität bedeutet, dass eine Variable direkt Änderungen in der anderen verursacht. Eisverkäufe und Ertrinkungsfälle sind korreliert (beide steigen im Sommer), aber Eis verursacht kein Ertrinken - heißes Wetter beeinflusst beides.

Kann rr größer als 1 oder kleiner als -1 sein?

Nein. Per mathematischer Definition liegt rr immer zwischen −1-1 und 11. Wenn du einen Wert außerhalb dieses Bereichs berechnest, liegt ein Fehler in deinen Berechnungen vor.

Was bedeutet r=0r = 0?

r=0r = 0 bedeutet, dass es keine lineare Beziehung zwischen den Variablen gibt. Es könnte jedoch trotzdem eine nicht-lineare Beziehung bestehen (wie eine Parabel oder Sinuskurve).

Glossar

Korrelationskoeffizient (rr)
Ein numerisches Maß von −1-1 bis +1+1, das die Stärke und Richtung einer linearen Beziehung zwischen zwei Variablen quantifiziert
Positive Korrelation
Wenn r>0r > 0: wenn eine Variable steigt, tendiert die andere auch zu steigen
Negative Korrelation
Wenn r<0r < 0: wenn eine Variable steigt, tendiert die andere zu fallen
Pearson-Korrelation
Die häufigste Art des Korrelationskoeffizienten, der lineare Beziehungen misst (auch Pearsons rr genannt)
Streudiagramm
Ein Diagramm, das Punkte für gepaarte Daten zeigt und zur Visualisierung von Beziehungen zwischen Variablen verwendet wird

Formelkarte

Formel für den Korrelationskoeffizienten

r=∑(xi−xˉ)(yi−yˉ)∑(xi−xˉ)2⋅∑(yi−yˉ)2r = \frac{\sum(x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum(x_i - \bar{x})^2 \cdot \sum(y_i - \bar{y})^2}}

Alternative Form: $r = \frac{n\sum xy - (\sum x)(\sum y)}{\sqrt{[n\sum x^2 - (\sum x)^2][n\sum y^2 - (\sum y)^2]}}$

Mehr zu diesem Thema

Einführung in die Korrelation

Mittelstufe25 Min

Korrelation interpretieren

Mittelstufe25 Min

Korrelation und Kausalität

Mittelstufe25 Min

Textaufgaben zur Korrelation

Fortgeschritten35 Min