Kim był Aleksandr Lapunow?
Aleksandr Michajłowicz Lapunow (1857–1918) był rosyjskim matematykiem i mechanikiem, który w latach 1900–1901 udowodnił centralne twierdzenie graniczne w ogólnej postaci. Jest też twórcą teorii stateczności ruchu – od jego nazwiska pochodzi funkcja Lapunowa. Urodził się 6 czerwca 1857 r. w Jarosławiu, gdzie jego ojciec, astronom, kierował Liceum Demidowskim. Po śmierci ojca rodzina przeniosła się w 1870 r. do Niżnego Nowogrodu i tam Lapunow ukończył gimnazjum (O’Connor i Robertson, 2004).
W 1876 r. rozpoczął studia na Wydziale Fizyczno-Matematycznym Uniwersytetu Petersburskiego, gdzie zaprzyjaźnił się z Andriejem Markowem; ukończył je w 1880 r. Pracę magisterską o stateczności elipsoidalnych postaci równowagi wirującej cieczy obronił w 1885 r., po czym jako docent wykładał mechanikę w Charkowie. 12 października 1892 r. obronił w Moskwie doktorat Ogólne zagadnienie stateczności ruchu, a w 1893 r. został profesorem w Charkowie. W 1901 r. wybrano go do Akademii Nauk w Petersburgu; w 1902 r. został akademikiem w dziedzinie matematyki stosowanej i opuścił Charków. Był członkiem Accademia dei Lincei (1909) i Francuskiej Akademii Nauk (1916). W 1917 r. przeniósł się do Odessy, gdzie zmarł w 1918 r. (O’Connor i Robertson, 2004).
Najważniejsze pomysły
- Centralne twierdzenie graniczne dla składników o różnych rozkładach (1900–1901). Pafnutij Czebyszew w 1887 r. udowodnił metodą momentów pierwszą wersję twierdzenia dla sum zmiennych niezależnych, ale niejednakowo rozłożonych, a Markow ją szybko podjął i uogólnił (Seneta, 2013). Lapunow w dwóch pracach z 1900 i 1901 r. dał dowód oparty na funkcjach charakterystycznych (O’Connor i Robertson, 2004). Dziś warunek, który wystarcza, by suma niezależnych składników z różnymi rozkładami miała w granicy rozkład normalny, nazywa się warunkiem Lapunowa: suma trzecich momentów bezwzględnych (liczonych od średnich) podzielona przez sześcian odchylenia standardowego sumy, Ln = Σ E|Xk − μk|³ / sn³, musi dążyć do zera. Mówiąc prościej: żaden składnik nie może dominować nad resztą.
- Uznanie w szkole petersburskiej. Seneta (2013) nazywa Markowa i Lapunowa najwybitniejszymi uczniami Czebyszewa. Markow w trzecim, jubileuszowym wydaniu swojego podręcznika (1913) poświęcił drugi dodatek twierdzeniu granicznemu w sformułowaniach akademika Lapunowa.
- Stateczność ruchu (1892). W doktoracie podał metody badania, czy ruch układu mechanicznego wraca do stanu równowagi po małym zaburzeniu. Na tej pracy opiera się późniejsza teoria stateczności, w tym budowanie funkcji Lapunowa (O’Connor i Robertson, 2004).
Ciekawostka
Pytanie od Czebyszewa na całe życie. W 1882 r. Czebyszew postawił pytanie: czy wirująca ciecz, która przy pewnej prędkości kątowej przestaje mieć postać elipsoidy, przechodzi w nowe postacie równowagi, bliskie elipsoidom? Praca magisterska Lapunowa wyrosła z tego pytania, choć nie dała na nie pełnej odpowiedzi. Lapunow wrócił do zagadnienia po wyborze do Akademii i rozwijał teorię figur równowagi wirujących cieczy przez kolejne lata (O’Connor i Robertson, 2004). Także jego zainteresowanie rachunkiem prawdopodobieństwa wyrosło z dydaktyki – z wykładów, które prowadził (O’Connor i Robertson, 2004).
Uzdolnienia nie ograniczały się w rodzinie do matematyki: jego brat Siergiej był kompozytorem, a brat Borys – członkiem Akademii Nauk ZSRR, znawcą języków słowiańskich (O’Connor i Robertson, 2004).
Przykład: kiedy suma przestaje być normalna
Hasło o Laplace’ie i wpis o centralnym twierdzeniu granicznym pokazują średnie z jednakowych rozkładów. Tu sprawdzamy pomysł Lapunowa: składniki mają różne rozkłady. Sumujemy n niezależnych zmiennych zero-jedynkowych Xk z prawdopodobieństwami pk – jak wynik testu z pozycji o różnej trudności. Rozkład sumy liczymy dokładnie (splot kolejnych składników), bez losowania, w trzech scenariuszach:
- A: pk krąży od .1 do .9 – składniki różne, ale porównywalne;
- B: pk = 1/(k + 1) – kolejne „pozycje” coraz trudniejsze;
- C: pk = 1/(k + 1)² – trudność rośnie tak szybko, że suma wariancji jest skończona.
Jako miarę odległości od normalności bierzemy D – największą różnicę między dystrybuantą sumy a dystrybuantą rozkładu normalnego o tej samej średniej i SD (jak w teście Kołmogorowa–Smirnowa). W scenariuszu A wskaźnik Lapunowa spada z L = 0.461 przy n = 10 do 0.140 przy n = 100 i 0.025 przy n = 3000, a D – z 0.148 do 0.047 i 0.009. W scenariuszu B warunek też jest spełniony, ale L maleje bardzo powoli: od 0.551 do 0.344 przy n = 3000 (D = 0.097). W scenariuszu C odchylenie standardowe sumy zatrzymuje się na 0.75, L stoi na około 1.09, a D na 0.305 – dokładanie składników nic nie zmienia.
Dokładny rachunek sprawdziliśmy symulacją 10 000 sum w scenariuszu A przy n = 100 (set.seed(918)): średnia 49.61 wobec dokładnej 49.60, SD 4.257 wobec 4.271, a poza przedziałem ±1.96 SD znalazło się 5.9% sum wobec dokładnych 6.0%. Ciągi pk dobraliśmy ręcznie, żeby było widać trzy zachowania.
Na rysunku
Co widać. Prace o twierdzeniu granicznym powstały osiem lat po doktoracie z mechaniki, pod koniec okresu charkowskiego.
Na co uważać. Źródło nie podaje dokładnego roku rozpoczęcia pracy w Charkowie ani dat miesięcznych prac z 1900 i 1901 r.; znaczniki tych prac stoją w połowie roku.
Podpis do pracy:
Co widać. Gdzie L spada do zera, tam spada też D (A, a wolniej B). Gdzie L stoi w miejscu, suma pozostaje daleka od normalnej, ile by składników nie dodać (C).
Na co uważać. Warunek Lapunowa jest wystarczający, ale nie konieczny. Rozkład sumy zmiennych zero-jedynkowych jest dyskretny, więc D nie spada do zera przy małym n nawet w najlepszym scenariuszu.
Podpis do pracy:
Gdzie spotkasz Lapunowa w swojej pracy
- Testy parametryczne. Na centralnym twierdzeniu granicznym oparto wiele testów parametrycznych, m.in. test t Studenta (Kwak i Kim, 2017). Wersja Lapunowa obejmuje też obserwacje z różnych rozkładów, o ile żadna nie przeważa.
- Wyniki sumaryczne. Suma punktów w teście lub kwestionariuszu to suma pozycji o różnej trudności – dokładnie sytuacja z naszego przykładu. Jeśli większość pozycji jest bardzo trudna, rozkład wyniku nie będzie normalny także przy długim teście; zob. wynik skali: średnia czy suma.
- Sprawdzanie normalności. Zanim uznasz, że „przy dużym n wszystko jest normalne”, obejrzyj skośność i wykres kwantylowy; pomoże wpis jak sprawdzić normalność rozkładu.
Porównaj też nierówność Czebyszewa i prawo wielkich liczb – inne owoce tej samej petersburskiej szkoły.
Spory, mity i trudne strony
- Śmierć w Odessie. Wiosną 1918 r. stan zdrowia żony Lapunowa, Natalii, chorej na gruźlicę, szybko się pogarszał. Zmarła 31 października 1918 r.; tego samego dnia Lapunow postrzelił się i zmarł trzy dni później, 3 listopada 1918 r., w szpitalu (O’Connor i Robertson, 2004).
- Czyje to twierdzenie? Centralne twierdzenie graniczne nie ma jednego autora: przed Lapunowem pracował nad nim Laplace, Czebyszew i Markow dla składników o różnych rozkładach metodą momentów (Seneta, 2013), a Lapunow – z warunkiem nazwanym dziś jego nazwiskiem i dowodem przez funkcje charakterystyczne.
Warunek Lapunowa w R
Kod liczy dokładny rozkład sumy niezależnych zmiennych zero-jedynkowych w trzech scenariuszach, wskaźnik Lapunowa i odległość od rozkładu normalnego dla n od 10 do 3000, sprawdza jeden przypadek symulacją i rysuje rysunek 2. Drugi przepis rysuje oś czasu (rysunek 1). Rysunki na stronie powstały z tych samych obiektów p1 i p2, którym podmieniono tylko motyw na motyw serwisu; dane, geometrie i skale są identyczne. Losuje tylko symulacja kontrolna (set.seed(918)).
1. Suma składników o różnych rozkładach: rysunek 2
Kod R rysunku 2
# Aleksandr Lapunow: centralne twierdzenie graniczne dla składników o różnych rozkładach i warunek Lapunowa
# Suma n niezależnych zmiennych zero-jedynkowych X_k z różnymi prawdopodobieństwami p_k (np. wynik testu z pozycji o różnej trudności)
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
kol <- c("A: p od .1 do .9" = "#0072B2", "B: p = 1/(k + 1)" = "#E69F00", "C: p = 1/(k + 1)²" = "#D55E00") # Okabe–Ito
ksz <- c("A: p od .1 do .9" = 16, "B: p = 1/(k + 1)" = 17, "C: p = 1/(k + 1)²" = 15)
motyw <- theme_minimal(base_size = 13) +
theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")
# Trzy ciągi prawdopodobieństw p_k dla k = 1, 2, …, n
p_A <- function(n) 0.1 + 0.8 * ((seq_len(n) - 1) %% 9) / 8 # .1, .2, …, .9 i od nowa
p_B <- function(n) 1 / (seq_len(n) + 1) # coraz rzadsze „sukcesy”, wariancje maleją powoli
p_C <- function(n) 1 / (seq_len(n) + 1)^2 # wariancje maleją tak szybko, że ich suma jest skończona
scenariusze <- list("A: p od .1 do .9" = p_A, "B: p = 1/(k + 1)" = p_B, "C: p = 1/(k + 1)²" = p_C)
# Dokładny rozkład sumy (splot kolejnych składników) – bez losowania
rozklad_sumy <- function(p) {
f <- 1
for (pk in p) f <- c(f * (1 - pk), 0) + c(0, f * pk)
f # f[j + 1] = P(S = j), j = 0, …, n
}
# Wskaźnik Lapunowa (δ = 1): suma trzecich momentów bezwzględnych / s_n^3; CTG działa, gdy L_n → 0
lapunow <- function(p) {
s2 <- sum(p * (1 - p))
c(s = sqrt(s2), L = sum(p * (1 - p) * (p^2 + (1 - p)^2)) / s2^1.5)
}
# Największa odległość dystrybuanty dokładnej od dystrybuanty normalnej (z tą samą średnią i SD)
odleglosc_K <- function(p) {
f <- rozklad_sumy(p); j <- seq_along(f) - 1
z <- (j - sum(p)) / sqrt(sum(p * (1 - p)))
F <- cumsum(f)
max(abs(F - pnorm(z)), abs(c(0, head(F, -1)) - pnorm(z)))
}
# 1. Tabela: s_n, L_n i odległość D_n dla rosnącego n
ny <- c(10, 30, 100, 300, 1000, 3000)
tab <- do.call(rbind, lapply(names(scenariusze), function(sc) do.call(rbind, lapply(ny, function(n) {
p <- scenariusze[[sc]](n); w <- lapunow(p)
data.frame(scenariusz = sc, n = n, s_n = w[["s"]], L_n = w[["L"]], D_n = odleglosc_K(p))
}))))
tab$scenariusz <- factor(tab$scenariusz, levels = names(scenariusze))
print(transform(tab, s_n = round(s_n, 3), L_n = round(L_n, 3), D_n = round(D_n, 3)), row.names = FALSE)
# 2. Kontrola symulacją: 10 000 sum w scenariuszu A przy n = 100 (ziarno ustalone raz)
set.seed(918)
pA <- p_A(100)
S <- colSums(matrix(rbinom(100 * 10000, 1, pA), nrow = 100))
fA <- rozklad_sumy(pA); jA <- 0:100; sA <- sqrt(sum(pA * (1 - pA)))
round(c(srednia_symulacja = mean(S), srednia_dokladna = sum(pA),
SD_symulacja = sd(S), SD_dokladne = sA,
poza_1.96SD_symulacja = mean(abs(S - sum(pA)) > 1.96 * sA),
poza_1.96SD_dokladnie = sum(fA[abs(jA - sum(pA)) > 1.96 * sA])), 3)
# 3. Rysunek 2A: dokładny rozkład standaryzowanej sumy przy n = 100 i gęstość N(0, 1)
n_rys <- 100
slupki <- do.call(rbind, lapply(names(scenariusze), function(sc) {
p <- scenariusze[[sc]](n_rys); f <- rozklad_sumy(p); s <- sqrt(sum(p * (1 - p)))
z <- (seq_along(f) - 1 - sum(p)) / s
data.frame(scenariusz = sc, z = z, gestosc = f * s)[z > -4.5 & z < 7, ] # prawdopodobieństwo × s = gęstość na skali z
}))
slupki$scenariusz <- factor(slupki$scenariusz, levels = names(scenariusze))
etyk <- subset(tab, n == n_rys)
etyk$tekst <- sprintf("L = %.2f\nD = %.3f", etyk$L_n, etyk$D_n)
krzywa <- data.frame(z = seq(-4.5, 7, by = 0.02)); krzywa$g <- dnorm(krzywa$z)
pA2 <- ggplot(slupki, aes(z, gestosc)) +
geom_line(data = krzywa, aes(z, g), colour = "grey30", linetype = "22", inherit.aes = FALSE) +
geom_segment(aes(xend = z, y = 0, yend = gestosc, colour = scenariusz), linewidth = 0.6) +
geom_point(aes(colour = scenariusz, shape = scenariusz), size = 1.6) +
geom_text(data = etyk, aes(x = 6.8, y = 0.49, label = tekst), hjust = 1, vjust = 1, size = 3.4, lineheight = 0.9, inherit.aes = FALSE) +
facet_wrap(~ scenariusz, nrow = 1) +
scale_colour_manual(values = kol, guide = "none") + scale_shape_manual(values = ksz, guide = "none") +
scale_x_continuous(breaks = seq(-4, 6, by = 2)) +
coord_cartesian(ylim = c(0, 0.5)) +
labs(title = "A. Rozkład sumy 100 składników (standaryzowanej); linia przerywana: N(0, 1)",
x = "z = (suma − średnia) / SD", y = "Gęstość") +
motyw + theme(panel.spacing.x = unit(1.2, "lines"))
# Rysunek 2B i 2C: wskaźnik Lapunowa i odległość od rozkładu normalnego w funkcji n
pB2 <- ggplot(tab, aes(n, L_n, colour = scenariusz, shape = scenariusz, linetype = scenariusz)) +
geom_line() + geom_point(size = 2.4) +
scale_x_log10(breaks = ny) + scale_y_log10() +
scale_colour_manual(values = kol, name = NULL) + scale_shape_manual(values = ksz, name = NULL) +
scale_linetype_manual(values = c("solid", "42", "12"), name = NULL) +
labs(title = "B. Wskaźnik Lapunowa L", x = "Liczba składników n (skala log.)", y = "L (skala log.)") +
motyw
pC2 <- ggplot(tab, aes(n, D_n, colour = scenariusz, shape = scenariusz, linetype = scenariusz)) +
geom_line() + geom_point(size = 2.4) +
scale_x_log10(breaks = ny) + scale_y_log10() +
scale_colour_manual(values = kol, name = NULL) + scale_shape_manual(values = ksz, name = NULL) +
scale_linetype_manual(values = c("solid", "42", "12"), name = NULL) +
labs(title = "C. Odległość od rozkładu normalnego D", x = "Liczba składników n (skala log.)", y = "D (skala log.)") +
motyw
p2 <- pA2 / (pB2 + pC2 + plot_layout(guides = "collect")) + plot_layout(heights = c(1, 1.1)) &
theme(legend.position = "bottom")
p2Wynik w R
scenariusz n s_n L_n D_n
A: p od .1 do .9 10 1.319 0.461 0.148
A: p od .1 do .9 30 2.326 0.259 0.087
A: p od .1 do .9 100 4.271 0.140 0.047
A: p od .1 do .9 300 7.410 0.081 0.027
A: p od .1 do .9 1000 13.537 0.044 0.015
A: p od .1 do .9 3000 23.450 0.025 0.009
B: p = 1/(k + 1) 10 1.209 0.551 0.183
B: p = 1/(k + 1) 30 1.554 0.488 0.151
B: p = 1/(k + 1) 100 1.887 0.437 0.131
B: p = 1/(k + 1) 300 2.155 0.400 0.117
B: p = 1/(k + 1) 1000 2.417 0.368 0.106
B: p = 1/(k + 1) 3000 2.634 0.344 0.097
C: p = 1/(k + 1)² 10 0.690 1.136 0.336
C: p = 1/(k + 1)² 30 0.729 1.105 0.316
C: p = 1/(k + 1)² 100 0.743 1.093 0.308
C: p = 1/(k + 1)² 300 0.748 1.090 0.306
C: p = 1/(k + 1)² 1000 0.749 1.089 0.305
C: p = 1/(k + 1)² 3000 0.750 1.088 0.305
srednia_symulacja srednia_dokladna SD_symulacja
49.609 49.600 4.257
SD_dokladne poza_1.96SD_symulacja poza_1.96SD_dokladnie
4.271 0.059 0.060 2. Oś czasu: rysunek 1
Kod R rysunku 1
# Oś czasu: Aleksandr Lapunow, 1857–1918 – daty według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
rok = c(1857.4, 1876.6, 1882, 1885, 1892.8, 1893.6, 1900.5, 1901.5, 1917, 1918.8),
etykieta = c("1857", "1876", "1882", "1885", "X 1892", "1893", "1900", "1901", "1917", "XI 1918"),
opis = c("urodził się\nw Jarosławiu", "studia\nw Petersburgu", "pytanie Czebyszewa\no wirującej cieczy", "obrona pracy\nmagisterskiej",
"doktorat o stateczności\nruchu (Moskwa)", "profesor\nw Charkowie", "pierwsza praca\no twierdzeniu granicznym", "druga praca;\nAkademia Nauk",
"przenosi się\ndo Odessy", "zmarł\nw Odessie"),
rodzaj = c("życie", "praca", "badanie", "publikacja", "publikacja", "praca", "publikacja", "publikacja", "życie", "życie"))
# Gęste lata 1882–1901: etykiety nad (1) i pod (−1) osią, na dwóch wysokościach
zdarzenia$strona <- c(1, -1, 1, -1, 1, -1, 1, -1, 1, -1)
zdarzenia$poziom <- c(0.5, 0.5, 1.3, 0.5, 0.5, 1.3, 1.3, 0.5, 0.5, 0.5)
zdarzenia$wyrownanie <- c(0.5, 0.5, 0.5, 0.5, 0.6, 0.6, 0.5, 0.5, 0.5, 0.7)
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23, "badanie" = 24)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00", "badanie" = "#009E73") # Okabe–Ito
p1 <- ggplot(zdarzenia, aes(rok, 0)) +
geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.8) +
geom_segment(aes(xend = rok, y = 0, yend = poziom * strona), colour = "grey70") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 4, colour = "black") +
geom_text(aes(y = (poziom + 0.07) * strona, label = paste0(etykieta, "\n", opis), vjust = ifelse(strona > 0, 0, 1), hjust = wyrownanie),
size = 3.3, lineheight = 0.9) +
scale_shape_manual(values = ksztalty, name = NULL) +
scale_fill_manual(values = kolory, name = NULL) +
scale_x_continuous(limits = c(1852, 1923), breaks = seq(1855, 1920, by = 5)) +
scale_y_continuous(limits = c(-2.1, 2.2)) +
labs(x = NULL, y = NULL) +
theme_minimal(base_size = 13) +
theme(axis.text.y = element_blank(), panel.grid = element_blank(), axis.text.x = element_text(colour = "grey30"),
legend.position = "bottom")
p1Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (rozkład normalny – pnorm(), dnorm(), losowanie – rbinom() z pakietu stats; rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
Najczęstsze pytania
Kim był Aleksandr Lapunow?
Rosyjskim matematykiem i mechanikiem (1857–1918), uczniem Czebyszewa, profesorem w Charkowie i od 1901 r. członkiem Akademii Nauk w Petersburgu. Zmarł w Odessie w 1918 r. (O’Connor i Robertson, 2004).
Co mówi warunek Lapunowa?
Że suma niezależnych składników o różnych rozkładach ma w granicy rozkład normalny, jeśli suma trzecich momentów bezwzględnych podzielona przez sześcian odchylenia standardowego sumy dąży do zera. Mówiąc prościej: żaden składnik nie może dominować nad pozostałymi.
Czym CTG Lapunowa różni się od wersji z podręcznika?
Podręcznikowa wersja dotyczy średniej z obserwacji o jednakowym rozkładzie. Lapunow w latach 1900–1901 udowodnił twierdzenie dla składników o różnych rozkładach, posługując się funkcjami charakterystycznymi; wcześniej Czebyszew i Markow używali metody momentów (Seneta, 2013).
Co to jest funkcja Lapunowa?
Narzędzie z jego doktoratu o stateczności ruchu (1892): funkcja, której zachowanie wzdłuż trajektorii układu pozwala stwierdzić, czy ruch wraca do równowagi po małym zaburzeniu. Na tej pracy opiera się późniejsza teoria stateczności (O’Connor i Robertson, 2004).
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Centralne twierdzenie graniczne
Co mówi CTG, dlaczego dotyczy średnich, a nie danych, ile osób naprawdę potrzeba i kiedy twierdzenie zawodzi – z symulacjami w R.
Czytaj →PoradnikJak sprawdzić normalność rozkładu
Co ma być normalne, wykres Q-Q reszt, skośność i kurtoza, granice testu Shapiro-Wilka i sześć strategii na brak normalności – z kodem R, SPSS i opisem APA.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Kwak, S. G., & Kim, J. H. (2017). Central limit theorem: The cornerstone of modern statistics. Korean Journal of Anesthesiology, 70(2), 144–156. https://doi.org/10.4097/kjae.2017.70.2.144 ● Otwarty dostęp
- O’Connor, J. J., & Robertson, E. F. (2004). Alexander Mikhailovich Lyapunov. MacTutor History of Mathematics Archive. https://mathshistory.st-andrews.ac.uk/Biographies/Lyapunov/ ● Otwarty dostęp
- Seneta, E. (2013). A tricentenary history of the law of large numbers. Bernoulli, 19(4), 1088–1121. https://doi.org/10.3150/12-bejsp12 ● Otwarty dostęp: pełny tekst
Cytowania BibTeX
@article{kwak2017central, author={Kwak, Sang Gyu and Kim, Jong Hae}, title={{Central limit theorem: The cornerstone of modern statistics}}, journal={Korean Journal of Anesthesiology}, year={2017}, volume={70}, number={2}, pages={144--156}, doi={10.4097/kjae.2017.70.2.144}}@misc{oconnor2004lyapunov, author={O'Connor, John J. and Robertson, Edmund F.}, title={{Alexander Mikhailovich Lyapunov}}, howpublished={MacTutor History of Mathematics Archive}, year={2004}, publisher={University of St Andrews}, url={https://mathshistory.st-andrews.ac.uk/Biographies/Lyapunov/}}@article{seneta2013tricentenary, author={Seneta, Eugene}, title={{A tricentenary history of the law of large numbers}}, journal={Bernoulli}, year={2013}, volume={19}, number={4}, pages={1088--1121}, doi={10.3150/12-bejsp12}}