d_name[1] "airquality"
July 14, 2026
Im Folgenden ist der Datensatz airquality zu analysieren. Er ist unter dieser Quelle erhältlich: https://vincentarelbundock.github.io/Rdatasets/csv/datasets/airquality.csv.
Eine Möglichkeit, den Datensatz zu beziehen, ist diese Sammlung an Datensätzen. Suchen Sie dort nach dem Namen des Datensatzes. Importieren Sie dann die Daten in R.
Hilfe zum Datensatz ist auf dieser Webseite abrufbar.
Berechnen Sie das folgende lineare Modell:
AV: Ozone.
UVs: Month, Temp.
Denken Sie daran, auch beim Erstellen der PPV die Zufallszahlen zu fixieren. Sie können dazu den Parameter seed auf 42 setzen.
Aufgabe: Geben Sie die Breite des 50%-PI der PPV an für eine Beobachtung, bei der alle Prädiktoren den Wert 0 aufweisen! Gehen Sie für alle Variablen von z-Werten aus.
Hinweise:
MUSTERLÖSUNG
Der Datensatz heißt:
Quelle: https://vincentarelbundock.github.io/Rdatasets/csv/datasets/airquality.csv.
Prädiktor(en) und AV z-transformieren:
| av | uv1 | uv2 |
|---|---|---|
| 41 | 5 | 67 |
| 36 | 5 | 72 |
| 12 | 5 | 74 |
| 18 | 5 | 62 |
| NA | 5 | 56 |
| 28 | 5 | 66 |
| av | uv1 | uv2 |
|---|---|---|
| -0.0342341 | -1.407294 | -1.1497140 |
| -0.1858049 | -1.407294 | -0.6214670 |
| -0.9133447 | -1.407294 | -0.4101682 |
| -0.7314598 | -1.407294 | -1.6779609 |
| NA | -1.407294 | -2.3118573 |
| -0.4283182 | -1.407294 | -1.2553634 |
Die Prädiktoren (UVs) des Modells lauten: Month, Temp.
Laut Angabe haben die Prädiktoren den Wert 0.
Zunächst berechnet man das Modell, etwa so:
Als nächstes berechnen Sie die PPV, z.B. so ppv <- estimate_prediction(mod, newdata = tibble(Month = 0, Temp = 0, seed = 42)).
| uv1 | uv2 | Predicted | SE | CI_low | CI_high |
|---|---|---|---|---|---|
| 0 | 0 | 0.0135844 | 0.719092 | -0.4552091 | 0.4997811 |
| uv1 | uv2 | Predicted | SE | CI_low | CI_high |
|---|---|---|---|---|---|
| 0 | 0 | 0.0135844 | 0.719092 | -0.4552091 | 0.4997811 |
Dann berechnet man die Breite, in dem man die Differenz der oberen und unteren Grenze des Intervalls bildet.
Antwort: Die Lösung lautet: 0.95.
Aufgaben-ID: PPV3a-num, Toleranzbreite: 0.050
Aufgabenname: ppv3a-num
exname: ppv3a-num extype: num exsolution: 0.95 exshuffle: false extol: 0.050 expoints: 1 categories - qm2 - bayes - ppv - inference - prediction
---
title: ppv3a-num
date: '2026-07-14'
categories:
- qm2
- bayes
- ppv
- inference
- prediction
---
```{r libs, include = FALSE}
library(tidyverse)
library(rstanarm)
library(exams)
library(assertthat)
library(glue)
library(teachertools)
library(easystats)
```
```{r global-knitr-options, include=FALSE}
knitr::opts_chunk$set(fig.pos = 'H',
fig.asp = 0.618,
fig.width = 4,
fig.cap = "",
fig.path = "",
cache = FALSE,
echo = TRUE,
message = FALSE,
fig.show = "hold")
#options(mc.cores = parallel::detectCores())
config <- config <- list(chains = 4, relative_tolerance = 0.1, tol_rel = 0.05, tol_abs = 0.05) # Standardwerte aus rexams-entwicklung/config.yml
```
Question
========
```{r prep-data, message=FALSE, results = "hide", echo = FALSE}
all_dfs <- teachertools::teaching_df()
d <- teachertools::teaching_df("random")
d_name <- attr(d, "df_name")
d_path <- all_dfs |>
dplyr::filter(datasets_names == d_name) |>
dplyr::pull(source)
preds_chosen <- attr(d, "preds_chosen")
focus_pred <- attr(d, "focus_pred")
output_var <- attr(d, "output_var")
preds_k <- sample(c(-2, -1, 0, 1, 2), 1)
```
```{r echo = FALSE}
question <- glue::glue("Geben Sie die Breite des 50%-PI der PPV an für eine Beobachtung, bei der alle Prädiktoren den Wert {preds_k} aufweisen! Gehen Sie für alle Variablen von z-Werten aus.")
```
Im Folgenden ist der Datensatz ``r d_name`` zu analysieren. Er ist unter dieser [Quelle](`r d_path`) erhältlich: `r d_path`.
Eine Möglichkeit, den Datensatz zu beziehen, ist [diese Sammlung an Datensätzen](https://vincentarelbundock.github.io/Rdatasets/articles/data.html). Suchen Sie dort nach dem Namen des Datensatzes.
Importieren Sie dann die Daten in R.
Hilfe zum Datensatz ist [auf dieser Webseite](https://vincentarelbundock.github.io/Rdatasets/articles/data.html) abrufbar.
Berechnen Sie das folgende lineare Modell:
AV: `r output_var`.
UVs: `r preds_chosen`.
Denken Sie daran, auch beim Erstellen der PPV die Zufallszahlen zu fixieren.
Sie können dazu den Parameter `seed` auf 42 setzen.
*Aufgabe*: **`r question`**
*Hinweise*:
[Beachten Sie die Bearbeitungshinweise.](https://hinweisbuch.netlify.app/030-hinweise-pruefung-klausur-frame)
Solution
========
*MUSTERLÖSUNG*
Der Datensatz heißt:
```{r}
d_name
```
Quelle: `r paste0("<", d_path, ">")`.
Prädiktor(en) und AV z-transformieren:
```{r echo = TRUE}
head(d) # Rohdaten
d <- standardize(d)
head(d) # z-standardisiert
```
Die Prädiktoren (UVs) des Modells lauten: `r preds_chosen`.
Laut Angabe haben die Prädiktoren den Wert ``r preds_k``.
Zunächst berechnet man das Modell, etwa so:
```{r mod, results = "hide", echo = TRUE}
mod <- stan_glm(av ~ uv1 + uv2,
data = d,
refresh = 0,
chains = 4, # ignorieren Sie diese Zeile
seed = 42)
```
```{r pred-str, echo = FALSE}
pred_str <- glue::glue("ppv <- estimate_prediction(mod, newdata = tibble({preds_chosen[1]} = {preds_k}, {preds_chosen[2]} = {preds_k}, seed = 42))")
```
Als nächstes berechnen Sie die PPV, z.B. so ``r pred_str``.
```{r}
estimate_prediction(mod, tibble(uv1 = preds_k, uv2 = preds_k), ci = .5, seed = 42)
```
```{r echo = FALSE}
ppv <- estimate_prediction(mod, tibble(uv1 = preds_k, uv2 = preds_k), ci = .5, seed = 42)
ppv
```
Dann berechnet man die Breite, in dem man die Differenz der oberen und unteren Grenze des Intervalls bildet.
```{r}
sol_raw <- ppv$CI_high - ppv$CI_low
sol <- exams::fmt(sol_raw, 2)
```
*Antwort*: Die Lösung lautet: `r sol`.
```{r tol, echo = FALSE}
min_tol <- config$tol_abs * sd(d[["av"]], na.rm = TRUE)
sol_tol <- exams::num2tol(sol_raw, min = min_tol, reltol = config$tol_rel) %>% exams::fmt(3)
```
---
Aufgaben-ID: PPV3a-num, Toleranzbreite: `r sol_tol`
Aufgabenname: `ppv3a-num`
Meta-information
================
exname: ppv3a-num
extype: num
exsolution: `r sol`
exshuffle: false
extol: `r sol_tol`
expoints: 1
categories
- qm2
- bayes
- ppv
- inference
- prediction