---
title: gem-wskt1-schoice-fix
date: '2026-08-06'
categories:
- paper
- todo
---
```{r libs, include = FALSE}
library(tidyverse)
library(mosaic)
library(knitr)
library(gt)
```
```{r global-knitr-options, include=FALSE}
knitr::opts_chunk$set(fig.pos = 'H',
fig.asp = 0.618,
fig.width = 4,
fig.cap = "",
fig.path = "",
echo = FALSE)
```
```{r data generation, include=FALSE}
Klausurergebnis <- c("Bestehen", "Durchfallen")
Lerntypen <- c("Viellerner", "Weniglerner")
ok <- FALSE
while (!ok) {
prof_name <- sample(c("Süß", "Salzig", "Bitter", "Süß-Sauer"), 1)
sample_size <- sample(c(42, 50, 60, 70, 80, 90, 100), 1)
erfolgsquote_weniglerner <- sample(c(0.3, 0.35, 0.4, 0.45, 0.5), 1)
zusatzerfolg_viellerner <- sample(c(0.2, 0.25, 0.3, 0.35, 0.4), 1)
erfolgsquote_viellerner <- erfolgsquote_weniglerner + zusatzerfolg_viellerner
anteil_weniglerner <- sample(c(.3, .4, .5, .6), 1)
n_weniglerner <- floor(sample_size * anteil_weniglerner)
n_viellerner <- sample_size - n_weniglerner
# Zellenhäufigkeiten deterministisch aus den Erfolgsquoten ableiten
# (keine Pro-Person-Simulation, damit die Tabelle exakt zu den
# genannten Wahrscheinlichkeiten passt)
n_weniglerner_bestehen <- round(n_weniglerner * erfolgsquote_weniglerner)
n_weniglerner_durchfallen <- n_weniglerner - n_weniglerner_bestehen
n_viellerner_bestehen <- round(n_viellerner * erfolgsquote_viellerner)
n_viellerner_durchfallen <- n_viellerner - n_viellerner_bestehen
Klausurergebnis_selected <- sample(Klausurergebnis, 1)
Klausurergebnis_other <- setdiff(Klausurergebnis, Klausurergebnis_selected)
Lerntyp_selected <- sample(Lerntypen, 1)
Lerntyp_other <- setdiff(Lerntypen, Lerntyp_selected)
probs_sample <- tibble::tribble(
~Lerntyp, ~Klausurergebnis, ~n,
"Weniglerner", "Bestehen", n_weniglerner_bestehen,
"Weniglerner", "Durchfallen", n_weniglerner_durchfallen,
"Viellerner", "Bestehen", n_viellerner_bestehen,
"Viellerner", "Durchfallen", n_viellerner_durchfallen
) %>%
group_by(Lerntyp) %>%
mutate(n_group = sum(n)) %>%
ungroup() %>%
mutate(prop_conditional_group = n / n_group,
joint_prob = n / sample_size)
sol <- probs_sample %>%
filter(Lerntyp == Lerntyp_selected, Klausurergebnis == Klausurergebnis_selected) %>%
pull(joint_prob) %>%
round(2)
dist_conditional <- probs_sample %>%
filter(Lerntyp == Lerntyp_selected, Klausurergebnis == Klausurergebnis_selected) %>%
pull(prop_conditional_group) %>%
round(2)
dist_joint_other_outcome <- probs_sample %>%
filter(Lerntyp == Lerntyp_selected, Klausurergebnis == Klausurergebnis_other) %>%
pull(joint_prob) %>%
round(2)
dist_joint_other_group <- probs_sample %>%
filter(Lerntyp == Lerntyp_other, Klausurergebnis == Klausurergebnis_selected) %>%
pull(joint_prob) %>%
round(2)
dist_complement <- round(1 - sol, 2)
antworten <- c(sol, dist_conditional, dist_joint_other_outcome,
dist_joint_other_group, dist_complement)
# Nur akzeptieren, wenn alle 5 Antwortoptionen paarweise verschieden
# sind und keine trivialen Randwerte (0 bzw. 1) auftreten
ok <- length(unique(antworten)) == 5 &&
all(antworten > 0) &&
all(antworten < 1)
}
d <-
tibble(
Lerntyp = c(
rep("Weniglerner", times = n_weniglerner),
rep("Viellerner", times = n_viellerner)
),
Klausurergebnis = c(
rep("Bestehen", times = n_weniglerner_bestehen),
rep("Durchfallen", times = n_weniglerner_durchfallen),
rep("Bestehen", times = n_viellerner_bestehen),
rep("Durchfallen", times = n_viellerner_durchfallen)
)
) %>%
mutate(Lerntyp = factor(Lerntyp, levels = Lerntypen))
```
Question
========
Prof. `r prof_name` untersucht eine seiner Lieblingsfragen: Wie viel bringt das Lernen auf eine Klausur?
Dabei konzentriert er sich auf das Fach Statistik (es gefällt ihm gut). In einer aktuellen Untersuchung hat er $n=`r sample_size`$ Studierende untersucht (s. Tabelle und Diagramm) und jeweils erfasst,
ob die Person die Klausur bestanden ($B$) hat oder durchgefallen ($\neg B$) ist.
Im Hinblick auf das Lernen, $L$ (wie viel die Person gelernt hat) hat er zwei Gruppen unterschieden: Die "Viel-Lerner" (VL) und die "Wenig-Lerner" (WL).
Das folgende Diagramm zeigt die Häufigkeiten pro Gruppe:
```{r plot-bars, echo=FALSE}
ggplot(d) +
aes(x = Lerntyp, fill = factor(Klausurergebnis)) +
geom_bar() +
labs(fill = "")
```
Hier ist die Kontingenztabelle mit den Häufigkeiten pro Gruppe:
```{r print-tab, echo=FALSE}
probs_sample %>%
select(Lerntyp, Klausurergebnis, n) %>%
pivot_wider(names_from = Klausurergebnis,
values_from = n) %>%
kable()
```
*Berechnen Sie die folgende *gemeinsame Wahrscheinlichkeit*: p(`r Klausurergebnis_selected` UND `r Lerntyp_selected`). Wählen Sie die richtige Antwortoption.*
Answerlist
----------
* `r sol`
* `r dist_conditional`
* `r dist_joint_other_outcome`
* `r dist_joint_other_group`
* `r dist_complement`
Solution
========
Die gemeinsame Wahrscheinlichkeit berechnet sich als der Quotient der Zellenhäufigkeit und der Gesamthäufigkeit:
$Pr(`r Klausurergebnis_selected` \cap `r Lerntyp_selected`) = \frac{n(`r Klausurergebnis_selected` \cap `r Lerntyp_selected`)}{n_{gesamt}} = \frac{`r probs_sample %>% filter(Lerntyp == Lerntyp_selected, Klausurergebnis == Klausurergebnis_selected) %>% pull(n)`}{`r sample_size`} = `r sol`$
Die falschen Optionen entstehen durch typische Verwechslungen: die bedingte statt der gemeinsamen Wahrscheinlichkeit, die gemeinsame Wahrscheinlichkeit des jeweils anderen Klausurergebnisses bzw. der anderen Lerngruppe, sowie das naive Komplement (1 − Lösung).
Aufgabenname: `gem-wskt1-schoice-fix`
Answerlist
----------
* True
* False
* False
* False
* False
Meta-information
================
exname: gem-wskt1-schoice-fix
extype: schoice
expoints: 1
exsolution: 10000
exshuffle: 5