Podcast über Spearman-Korrelation und Wahrscheinlichkeitsgrundlagen

Kapitoly

Eine fast perfekte Korrelation

Wenn die Linie nicht gerade ist

Die Macht der Ränge

Was genau ist ein Rang?

Das Rangprinzip

Die Berechnung

Zufallsexperimente und Ereignisse

Ereignisse verknüpfen

Was ist Wahrscheinlichkeit?

Bedingte Wahrscheinlichkeit und Unabhängigkeit

Fazit und Verabschiedung

Přepis

Leon: …also minus 0,95? Das ist ja fast eine perfekte negative Korrelation! Das ist unglaublich.

Anna: Genau! Auf den ersten Blick sehen diese Zahlen – jährliche Straftaten pro Bundesland – vielleicht zufällig aus. Aber wenn man sie über die Jahre aufträgt, sieht man diesen super starken, linearen Trend nach unten.

Leon: Okay, das müssen wir für alle erklären, die gerade erst einschalten. Ihr hört den Studyfi Podcast, und wir sprechen gerade über den Korrelationskoeffizienten.

Anna: Richtig. Der misst, wie stark der lineare Zusammenhang zwischen zwei Merkmalen ist. Ein Wert nahe -1, wie hier, bedeutet: Wenn das eine Merkmal – in diesem Fall die Zeit – ansteigt, sinkt das andere – die Straftaten – fast perfekt proportional.

Leon: Das ist total einleuchtend. Aber was ist, wenn der Zusammenhang nicht so schön geradlinig ist? Was, wenn etwas zwar steigt, aber eher in einer Kurve?

Anna: Eine super wichtige Frage! Der normale Korrelationskoeffizient nach Pearson, den wir gerade hatten, ist da machtlos. Er misst nur *lineare* Zusammenhänge.

Leon: Also, wenn die Datenpunkte eine Bananenform bilden, würde er sagen: „Keine Ahnung, was hier los ist“?

Anna: Genau das! Dafür brauchen wir ein anderes Werkzeug: den Spearman-Rangkorrelationskoeffizienten. Der ist der Held für ordinale Merkmale oder nicht-lineare, aber monotone Zusammenhänge.

Leon: Monoton… das heißt, es geht stetig in eine Richtung, aber nicht unbedingt im gleichen Tempo?

Anna: Exakt. Stell dir eine Firma mit mehreren Filialen vor. Wir vergleichen die Anzahl der Mitarbeiter mit dem Jahresumsatz. Mehr Mitarbeiter führen meist zu mehr Umsatz, aber vielleicht nicht linear. Ein kleiner Sprung von 2 auf 3 Mitarbeiter hat vielleicht einen kleineren Effekt als ein Sprung von 5 auf 6.

Leon: Ah, verstehe. Und Spearman schaut sich das anders an?

Anna: Ja, und das ist der geniale Trick. Spearman schaut nicht auf die echten Werte – also 3 Mitarbeiter oder 200.000 Euro Umsatz. Er schaut nur auf die *Ränge*.

Leon: Okay, „Rang“ klingt jetzt ein bisschen wie beim Militär. Was meinst du damit?

Anna: Gar nicht so falsch! Stell dir vor, du hast eine Liste. Die Rangfunktion ordnet einfach jedem Wert seine Position in der sortierten Liste zu. Das kleinste Element bekommt Rang 1, das zweitkleinste Rang 2 und so weiter.

Leon: Also egal ob es um das Gewicht von Stahlträgern, ein Datum oder tatsächlich um Militärränge wie Gefreiter und General geht – wir verwandeln die echten Daten in eine einfache Reihenfolge: 1, 2, 3, 4…

Anna: Genau! Und weil wir nur noch mit diesen Rängen rechnen, können wir eine perfekte Korrelation von 1,0 finden, selbst wenn die ursprünglichen Werte keine perfekte Linie gebildet haben. Es zeigt den perfekten monotonen Zusammenhang. Ziemlich clever, oder?

Leon: Das ist es. Es ist eine Art, das Rauschen der echten Zahlen auszublenden und sich nur auf die zugrunde liegende Ordnung zu konzentrieren. Wow.

Leon: Okay, Pearson war also super für lineare Zusammenhänge. Aber was machen wir, wenn die Daten eher... naja, nicht perfekt auf einer Linie liegen?

Anna: Eine sehr gute Frage! Dafür gibt's die Spearman-Korrelation. Die ist robuster, weil sie nicht die echten Werte, sondern deren Ränge betrachtet.

Leon: Ränge? Wie beim Sport oder so?

Anna: Genau! Stell dir vor, wir haben Bildungsabschlüsse und das dazugehörige Gehalt. "Promotion" ist der höchste Abschluss, also Rang 5. Die "Ausbildung" ist der niedrigste, also Rang 1.

Leon: Und das machen wir für beide Variablen? Bildung und Gehalt?

Anna: Exakt. In unserem perfekten Beispiel hat die Person mit Promotion auch das höchste Gehalt, also ebenfalls Rang 5. Die Ränge stimmen perfekt überein.

Leon: Und wie wird daraus jetzt der Korrelationskoeffizient?

Anna: Die Formel schaut sich die Differenz der Ränge an. Wenn die Ränge, wie hier, immer gleich sind, ist die Differenz auch immer null.

Leon: Ah! Und null im Zähler der Formel bedeutet, der ganze Bruch wird null. Dann rechnet man Eins minus Null...

Anna: ...und das ergibt eine perfekte positive Korrelation von eins! Es ist, als würden die Daten im perfekten Gleichschritt marschieren.

Leon: Verstanden! Ein sehr elegantes System. Das eröffnet ja ganz neue Möglichkeiten. Apropos neue Möglichkeiten, wie sieht es eigentlich mit der Regressionsanalyse aus?

Leon: Okay, das war eine super spannende Diskussion über lineare Funktionen! Aber für unser letztes Thema heute springen wir in eine ganz andere Welt. Eine Welt voller Zufall, Würfel und Münzen.

Anna: Oh ja, mein Lieblingsthema! Wir reden über Wahrscheinlichkeitsrechnung. Klingt vielleicht erstmal nach Glücksspiel und Lotto, aber es steckt absolut überall drin.

Leon: Genau darauf wollte ich hinaus! Also, wo fangen wir an, um den Zufall zu zähmen?

Anna: Am besten starten wir mit dem Begriff „Zufallsexperiment“. Das ist im Grunde jeder Vorgang, den du beliebig oft wiederholen kannst, dessen Ergebnis aber vom Zufall abhängt.

Leon: Also zum Beispiel ein Würfelwurf. Ich kann tausendmal würfeln, aber ich weiß nie sicher, was als Nächstes kommt.

Anna: Perfektes Beispiel! Und jedes mögliche Ergebnis, also die Zahlen 1 bis 6, nennen wir „Elementarereignis“. Die Menge aller möglichen Ergebnisse... also {1, 2, 3, 4, 5, 6}... ist der „Ereignisraum“.

Leon: Das ist logisch. Bei einer Münze wäre der Ereignisraum dann {Kopf, Zahl}.

Anna: Genau! Und jetzt kommt der Begriff „Ereignis“ ins Spiel. Das ist einfach eine Teilmenge aus dem Ereignisraum. Zum Beispiel das Ereignis A: „Eine gerade Augenzahl würfeln“.

Leon: Ah, also wäre das Ereignis A dann die Menge {2, 4, 6}. Es tritt ein, wenn eines dieser Elementarereignisse eintritt. Simpel!

Anna: Genau so ist es. Das ist die absolute Grundlage für alles, was jetzt kommt.

Leon: Okay, aber was ist, wenn ich mehrere Ereignisse habe? Zum Beispiel „eine gerade Zahl würfeln“ UND „eine Zahl größer als 4 würfeln“?

Anna: Sehr gute Frage! Da kommen die Verknüpfungen ins Spiel. Man kann sie sich super mit Venn-Diagrammen vorstellen. Das sind diese sich überlappenden Kreise.

Leon: Oh ja, die kenne ich aus dem Matheunterricht! Die sahen immer aus wie ein missglücktes Logo.

Anna: Stimmt! Also, die Vereinigung von zwei Ereignissen, A und B, ist alles, was in A ODER B oder in beiden liegt. Der ganze Bereich beider Kreise.

Leon: Und die Schnittmenge, A geschnitten B, ist dann nur der Bereich, wo sie sich überlappen, oder?

Anna: Exakt! In deinem Beispiel wäre das die Zahl 6. Sie ist gerade UND größer als 4. Das ist das einzige Elementarereignis in der Schnittmenge.

Leon: Und was ist, wenn sich die Kreise gar nicht berühren? Wenn sie also keine Gemeinsamkeiten haben?

Anna: Dann nennen wir die Ereignisse „disjunkt“. Das bedeutet, sie können nicht gleichzeitig eintreten. Zum Beispiel „eine gerade Zahl würfeln“ und „eine ungerade Zahl würfeln“. Die Schnittmenge ist leer.

Leon: Und dann gibt's noch das Komplementärereignis, richtig? Quasi „alles außer A“?

Anna: Ja, das ist sozusagen der Rest des Universums außerhalb deines Ereignisses A. Nennen wir es Ā. Die Wahrscheinlichkeit von A plus die von Ā ergibt immer 1, also 100 Prozent.

Leon: Das bringt uns zur Kernfrage: Wie definieren wir Wahrscheinlichkeit überhaupt? Ist das nur ein Bauchgefühl?

Anna: Zum Glück nicht! Die klassische und einfachste Definition ist die von Laplace. Sie funktioniert aber nur, wenn alle Elementarereignisse gleich wahrscheinlich sind, wie bei einem fairen Würfel.

Leon: Und wie lautet die?

Anna: Ganz simpel: Die Anzahl der für dich günstigen Ergebnisse geteilt durch die Anzahl aller möglichen Ergebnisse. Bei deinem Ereignis „gerade Augenzahl“ sind das 3 günstige Ergebnisse... {2, 4, 6}...

Leon: ...geteilt durch 6 mögliche Ergebnisse. Also 3/6, was 0,5 oder 50 Prozent ist. Macht Sinn!

Anna: Genau. Aber es gibt auch eine strengere, axiomatische Definition von Kolmogorov. Die ist universeller.

Leon: Axiome? Das klingt kompliziert.

Anna: Ist es gar nicht. Es sind nur drei Grundregeln. Erstens: Eine Wahrscheinlichkeit liegt immer zwischen 0 und 1. Also zwischen unmöglich und sicher.

Leon: Okay, das ist einleuchtend.

Anna: Zweitens: Die Wahrscheinlichkeit des gesamten Ereignisraums ist 1. Irgendein Ergebnis muss ja eintreten. Und drittens: Für zwei disjunkte Ereignisse ist die Wahrscheinlichkeit, dass eines von beiden eintritt, einfach die Summe ihrer Einzelwahrscheinlichkeiten.

Leon: Okay, das ist klar. Aber was ist mit Situationen, wo ein Ereignis ein anderes beeinflusst? Zum Beispiel beim Ziehen von Karten ohne Zurücklegen.

Anna: Ah, du sprichst von der bedingten Wahrscheinlichkeit! Die ist super wichtig. Wir fragen hier: Wie wahrscheinlich ist Ereignis B, UNTER DER BEDINGUNG, dass A bereits eingetreten ist?

Leon: Das klingt nützlich. Wie berechnet man das?

Anna: Die Formel ist W(B|A) – also die Wahrscheinlichkeit von B gegeben A – ist gleich die Wahrscheinlichkeit ihrer Schnittmenge geteilt durch die Wahrscheinlichkeit von A.

Leon: Lass uns das mal an einem Beispiel festmachen. Nehmen wir eine Schachtel mit 6 Glühbirnen, 2 davon sind kaputt. Ich ziehe eine, sie funktioniert. Wie wahrscheinlich ist es, dass die zweite, die ich ziehe, auch funktioniert?

Anna: Perfekt. Also, Ereignis A ist „erste Birne ist okay“. Ereignis B ist „zweite Birne ist okay“. Wir wollen W(B|A) wissen.

Leon: Okay...

Anna: Denk mal nach: Nachdem du eine funktionierende Birne gezogen hast, sind nur noch 5 Birnen übrig. Davon sind 3 okay und 2 kaputt. Die Wahrscheinlichkeit, jetzt eine funktionierende zu ziehen, ist also 3 von 5.

Leon: Also 3/5 oder 60 Prozent. Das ist ja intuitiv!

Anna: Genau! Und das führt uns direkt zur stochastischen Unabhängigkeit. Zwei Ereignisse sind unabhängig, wenn das Eintreten des einen das andere überhaupt nicht beeinflusst.

Leon: Wie beim zweimaligen Münzwurf. Das Ergebnis des ersten Wurfs hat null Einfluss auf den zweiten.

Anna: Exakt. Und mathematisch bedeutet das: Die Wahrscheinlichkeit, dass beide eintreten, ist einfach das Produkt ihrer Einzelwahrscheinlichkeiten. W(A ∩ B) = W(A) * W(B). Das ist der Test für Unabhängigkeit.

Leon: Wahnsinn, das war ein echter Sprint durch die Grundlagen. Vom Zufallsexperiment bis zur Unabhängigkeit.

Anna: Ja, aber du siehst, die Kernideen sind gar nicht so schwer. Es geht darum, den Zufall in eine logische Struktur zu bringen.

Leon: Der entscheidende Punkt ist also, immer klar zu definieren: Was ist mein Experiment? Was sind meine möglichen Ergebnisse? Und welche Ereignisse interessieren mich?

Anna: Genau das! Und dann kann man mit den Rechenregeln wie dem Additionssatz oder dem Multiplikationssatz loslegen, um Wahrscheinlichkeiten zu kombinieren.

Leon: Ein super spannendes Feld. Und damit sind wir leider auch schon am Ende unserer heutigen Folge – und unserer Staffel zur Statistik.

Anna: Es hat riesig Spaß gemacht, Leon! Ich hoffe, wir konnten zeigen, dass Statistik alles andere als trocken ist.

Leon: Das hast du definitiv geschafft, Anna. Vielen Dank für all die tollen Erklärungen! Und an euch da draußen: Danke fürs Zuhören bei Studyfi. Bleibt neugierig und bis zum nächsten Mal!

Anna: Tschüss zusammen!