Słownik metodologiczny · Ludzie statystyki

Carl Friedrich Gauss (1777–1855) – kim był i co wniósł do statystyki

Gauss obliczył orbitę planetoidy Ceres, opisał metodę najmniejszych kwadratów i wyprowadził rozkład normalny jako rozkład błędów pomiaru. Biografia z osią czasu, spór z Legendre’em o pierwszeństwo, przykład w R i miejsca, w których spotkasz Gaussa w pracy dyplomowej.

Strona główna / Słownik / Carl Friedrich Gauss
W skrócie: Carl Friedrich Gauss (1777–1855) – niemiecki matematyk i astronom z Getyngi. W 1801 r. obliczył orbitę planetoidy Ceres, w 1809 r. ogłosił wywód metody najmniejszych kwadratów (drukiem pierwszy opisał ją Legendre w 1805 r.) i pokazał, że jeśli najlepszym oszacowaniem jest średnia, to błędy pomiaru mają rozkład normalny – stąd „krzywa Gaussa”.

Kim był Carl Friedrich Gauss?

Carl Friedrich Gauss (1777–1855) był niemieckim matematykiem, astronomem i fizykiem. Urodził się 30 kwietnia 1777 r. w Brunszwiku w rodzinie rzemieślnika, zmarł 23 lutego 1855 r. w Getyndze (Cantor, 1878). Książę brunszwicki opłacił jego naukę: od 1792 r. w Collegium Carolinum, od 1795 r. na uniwersytecie w Getyndze. Doktorat uzyskał zaocznie w Helmstedt w 1799 r., a w 1801 r. wydał Disquisitiones arithmeticae – dzieło o teorii liczb. Od 1807 r. kierował obserwatorium astronomicznym w Getyndze i był tam profesorem matematyki. Zajmował się też geodezją (w 1821 r. wynalazł heliotrop – przyrząd do pomiarów kątów na duże odległości) i magnetyzmem ziemskim; zimą 1833/34 r. razem z fizykiem Wilhelmem Weberem połączył obserwatorium z gabinetem fizycznym telegrafem elektromagnetycznym.

Cantor (1878) opisuje też szkolną scenę z 1786 r.: dziewięcioletni Gauss miał od razu podać sumę wyrazów ciągu arytmetycznego zadanego całej klasie. To anegdota powtarzana przez biografów – traktuj ją jako opowieść, nie jako dokument.

Najważniejsze pomysły

Orbita Ceres. 1 stycznia 1801 r. Giuseppe Piazzi zaobserwował nowe ciało niebieskie – planetoidę Ceres – które wkrótce przestało być widoczne. Gauss obliczył jej orbitę z nielicznych obserwacji i opublikował wynik w grudniu 1801 r.; 1 stycznia 1802 r. Heinrich Olbers odnalazł Ceres w miejscu wskazanym przez te obliczenia. Według Cantora (1878) to właśnie ten sukces rozsławił nazwisko Gaussa.

Metoda najmniejszych kwadratów (MNK). Z wielu niezgodnych pomiarów wybiera się wartości, dla których suma kwadratów odchyleń (reszt) jest najmniejsza. Gauss uważał się za jej wcześniejszego odkrywcę; Cantor (1878) pisze, że wymyślił ją w ostatnim roku pobytu w Brunszwiku, przed wyjazdem do Getyngi w 1795 r. Drukiem pierwszy ogłosił ją jednak Adrien-Marie Legendre – w 1805 r. – a wywód Gaussa ukazał się w 1809 r. w Theoria motus, jego dziele o ruchu ciał niebieskich. W latach 20. XIX w. Gauss ogłosił rozprawy uzupełniające, które według Cantora (1878) zabezpieczyły metodę przed zarzutami i ułatwiły jej stosowanie.

Rozkład normalny jako rozkład błędów. Gauss połączył MNK z rozkładem normalnym. Wyszedł od założenia, że najlepszym oszacowaniem wielkości mierzonej wielokrotnie jest średnia arytmetyczna, i pokazał, że wtedy błędy pomiaru muszą mieć rozkład normalny. We współczesnym języku: średnia jest estymatorem największej wiarygodności parametru położenia tylko przy rozkładzie normalnym (Azzalini i Genton, 2007). Stąd nazwy „krzywa Gaussa” i „rozkład Gaussa”. Do rachunku prawdopodobieństwa wrócił też później: w 1845 r. opracował analizę kasy wdów po profesorach Uniwersytetu w Getyndze (Cantor, 1878).

Przykład: średnia, prosta i reszty

Dane w przykładzie są fikcyjne; parametry dobrano ręcznie. Najpierw 10 pomiarów jednej odległości (set.seed(788), średnia 50, odchylenie standardowe 2). Średnia wynosi 50.266 i jest tym samym, co wyraz wolny modelu lm(pomiary ~ 1) oraz minimum sumy kwadratów odchyleń znalezione numerycznie – to właśnie założenie, od którego wyszedł Gauss.

Potem 40 nocnych obserwacji położenia ciała poruszającego się po prostej: prawdziwe położenie to 10 + 0.5 × noc, a błąd pomiaru ma rozkład normalny z odchyleniem standardowym 1.5 (set.seed(1788)). Regresja liniowa MNK daje nachylenie 0.484 (95% CI [0.444, 0.525]) i wyraz wolny 10.537 [9.584, 11.490] – oba przedziały obejmują prawdziwe wartości. Odchylenie standardowe reszt to 1.461 (prawdziwe: 1.5), a suma reszt wynosi 0, jak zawsze w modelu z wyrazem wolnym. W przedziale ±1 odchylenie standardowe mieści się 67.5% reszt, a w ±2 – 95.0%, blisko 68% i 95% przewidywanych dla rozkładu normalnego.

Na rysunku

Oś czasu od 1777 do 1855 z dziesięcioma zdarzeniami: 1777 urodzony w Brunszwiku, 1795 studia w Getyndze i MNK według Gaussa, 1799 doktorat w Helmstedt, 1801 Disquisitiones i orbita Ceres, 1805 Legendre publikuje MNK (trójkąt, inny autor), 1807 dyrektor obserwatorium w Getyndze, 1809 Theoria motus, lata 20. nowe uzasadnienie MNK, 1833 telegraf z Weberem, 1855 zmarł w Getyndze
Rysunek 1. Oś czasu życia i prac Carla Friedricha Gaussa. Daty według Cantora (1878). Rysunek: R, pakiet ggplot2.

Co widać. Najważniejsze dla statystyki zdarzenia mieszczą się w kilkunastu latach: od MNK „w szufladzie” (ok. 1795) przez Ceres (1801) i publikację Legendre’a (1805, trójkąt) po Theoria motus (1809).

Na co uważać. Data przy MNK w 1795 r. opiera się na późniejszej relacji Gaussa, nie na publikacji z tamtego roku. Stigler (1981) uznał – choć nie rozstrzygająco – że Gauss prawdopodobnie znał metodę przed Legendre’em, ale nie zdołał przekazać jej współczesnym.

Podpis do pracy:

Rysunek 1. Najważniejsze zdarzenia z życia i prac Carla Friedricha Gaussa (1777–1855). Uwaga. Kółka – zdarzenia z życia Gaussa; trójkąt – publikacja metody najmniejszych kwadratów przez A.-M. Legendre’a. Daty według Cantora (1878).
Dwa panele. A: 40 punktów położenia w kolejnych nocach rośnie od około 12 do 30; niebieska prosta MNK przechodzi przez środek chmury, a pomarańczowe pionowe odcinki łączą każdy punkt z prostą. B: histogram 40 reszt od około minus 3.5 do 3, z najwyższym słupkiem przy zerze, z niebieską przerywaną krzywą normalną i pomarańczowymi kropkowanymi liniami w punktach minus i plus jedno odchylenie standardowe
Rysunek 2. Prosta MNK dla 40 obserwacji i rozkład reszt na tle krzywej normalnej. Rysunek: R, pakiety ggplot2 i patchwork (dane fikcyjne, set.seed(1788)).

Co widać. Panel A: każda reszta to pionowy odcinek od punktu do prostej; MNK wybiera prostą, dla której suma kwadratów tych odcinków jest najmniejsza. Panel B: reszty układają się wokół zera, a histogram w przybliżeniu pasuje do krzywej Gaussa o odchyleniu standardowym 1.461.

Na co uważać. Przy 40 resztach histogram jest poszarpany nawet wtedy, gdy błędy naprawdę mają rozkład normalny – tak jak tutaj. Do oceny kształtu lepiej nadaje się wykres kwantylowy (Q–Q). Sama prosta MNK nie wymaga normalności; normalność reszt jest potrzebna do dokładnych przedziałów ufności w małych próbach.

Podpis do pracy:

Rysunek 2. Prosta regresji wyznaczona metodą najmniejszych kwadratów (A) i rozkład reszt modelu (B). Uwaga. W panelu A pionowe odcinki oznaczają reszty. W panelu B linia przerywana to gęstość rozkładu normalnego o średniej 0 i odchyleniu standardowym reszt (σ = 1.46), a linie kropkowane wyznaczają ±1σ. Dane fikcyjne (n = 40).

Gdzie spotkasz Gaussa w swojej pracy

  • Regresja i korelacja. Każda prosta w lm(), SPSS czy Excelu to MNK. Jak wygląda ta metoda „od środka”, pokazuje wpis MNK w obrazkach.
  • Założenie normalności. Gdy promotor pyta o normalność, chodzi zwykle o normalność reszt, a nie surowych zmiennych – patrz normalność reszt czy zmiennych.
  • Wyniki standaryzowane i progi ±1.96. Wynik z, przedział ufności 95% i wartości krytyczne testów biorą się z rozkładu normalnego. Dlaczego średnie z prób mają rozkład bliski normalnemu, wyjaśnia centralne twierdzenie graniczne.

Spory, mity i trudne strony

  • Spór o pierwszeństwo. Legendre opublikował MNK pierwszy, Gauss twierdził, że znał ją wcześniej. Plackett (1972) prześledził spór na podstawie korespondencji, a Stigler (1981) – na podstawie nowych dowodów, także statystycznych. W pracy wystarczy napisać, że metodę opisali niezależnie Legendre (1805) i Gauss (1809).
  • „Wszystko ma rozkład Gaussa”. Gauss wyprowadził rozkład normalny dla błędów pomiaru, nie dla cech ludzi czy społeczeństw. Przeniesienie krzywej na wzrost, proporcje ciała i statystyki przestępstw to dzieło późniejszych badaczy, m.in. Adolphe’a Queteleta. Wiele zmiennych w pracach dyplomowych – czasy reakcji, dochody, liczby zdarzeń – rozkładu normalnego nie ma.
Przykład reprodukowalny

Metody Gaussa w R

Kod rysuje oś czasu, sprawdza, że średnia jest rozwiązaniem MNK, dopasowuje prostą do 40 fikcyjnych obserwacji i porównuje reszty z krzywą Gaussa. Rysunki na stronie powstały z tych samych obiektów os_czasu i p_metoda z krojem i tłem serwisu; dane, geometrie i skale są identyczne.

Oś czasu, średnia jako MNK, prosta i reszty

Dane wejściowe: 10 pomiarów N(50, 2), set.seed(788); 40 obserwacji położenia 10 + 0.5 × noc + błąd N(0, 1.5), set.seed(1788) (dane fikcyjne, parametry ustawione ręcznie).

Co odczytać: średnią = wyraz wolny lm(pomiary ~ 1) = minimum sumy kwadratów; nachylenie i wyraz wolny z 95% CI; odchylenie standardowe reszt; odsetek reszt w ±1σ i ±2σ.

Kod R rysunków 1 i 2
# Carl Friedrich Gauss: oś czasu, średnia jako rozwiązanie MNK, prosta MNK i rozkład reszt
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
oi <- c(niebieski = "#0072B2", pomaranczowy = "#D55E00", zielony = "#009E73", szary = "grey40")  # Okabe–Ito
motyw <- theme_minimal(base_size = 13) + theme(panel.grid.minor = element_blank(),
                                               plot.title = element_text(face = "bold"))

# 1. Oś czasu (lata według biografii Cantora z 1878 r.)
zdarzenia <- data.frame(
  rok = c(1777, 1795, 1799, 1801, 1805, 1807, 1809, 1825, 1833, 1855),
  opis = c("urodzony w Brunszwiku", "studia w Getyndze;\nMNK według Gaussa", "doktorat (Helmstedt)",
           "Disquisitiones;\norbita Ceres", "Legendre publikuje MNK", "dyrektor obserwatorium\nw Getyndze",
           "Theoria motus\n(druk wywodu MNK)", "nowe uzasadnienie\nMNK", "telegraf z Weberem",
           "zmarł w Getyndze"),
  rok_opis = c(1777, 1795, 1799, 1801, 1805, 1807, 1809, "lata 20.", 1833, 1855),
  kto = c("Gauss", "Gauss", "Gauss", "Gauss", "inni", "Gauss", "Gauss", "Gauss", "Gauss", "Gauss"),
  poziom = c(1.2, -1.2, 1.2, -2.6, 2.6, -4, 4, -1.2, 1.2, -1.2))
os_czasu <- ggplot(zdarzenia, aes(rok, 0)) +
  geom_hline(yintercept = 0, colour = oi[["szary"]], linewidth = 0.6) +
  geom_segment(aes(xend = rok, y = 0, yend = poziom - sign(poziom) * 0.5), colour = "grey60", linewidth = 0.4) +
  geom_point(aes(shape = kto, fill = kto), size = 3.4, colour = "black") +
  geom_text(aes(y = poziom, label = paste0(rok_opis, "\n", opis)), size = 3.2, lineheight = 0.9) +
  scale_shape_manual(values = c(Gauss = 21, inni = 24), labels = c("Gauss", "inny autor")) +
  scale_fill_manual(values = c(Gauss = oi[["niebieski"]], inni = oi[["pomaranczowy"]]), labels = c("Gauss", "inny autor")) +
  scale_x_continuous(breaks = seq(1780, 1860, 10), limits = c(1770, 1862)) +
  scale_y_continuous(limits = c(-4.6, 4.6)) +
  labs(x = NULL, y = NULL, shape = NULL, fill = NULL, title = "Carl Friedrich Gauss (1777–1855)") +
  motyw + theme(axis.text.y = element_blank(), panel.grid.major.y = element_blank())

# 2. Postulat średniej: dla powtórzonych pomiarów jednej wielkości MNK daje średnią arytmetyczną
set.seed(788)
pomiary <- round(rnorm(10, mean = 50, sd = 2), 2)   # 10 pomiarów jednej odległości (dane fikcyjne)
ssr <- function(m) sum((pomiary - m)^2)            # suma kwadratów odchyleń
c(srednia = mean(pomiary), mnk_lm = unname(coef(lm(pomiary ~ 1))),
  minimum_ssr = optimize(ssr, range(pomiary))$minimum)

# 3. Prosta MNK: położenie obiektu w 40 kolejnych nocach, błąd pomiaru N(0, 1.5)
set.seed(1788)
obs <- data.frame(noc = 1:40)
obs$polozenie <- 10 + 0.5 * obs$noc + rnorm(40, mean = 0, sd = 1.5)
model <- lm(polozenie ~ noc, data = obs)
round(cbind(oszacowanie = coef(model), confint(model)), 3)
obs$dopasowane <- fitted(model); obs$reszta <- resid(model)
s <- sigma(model)
round(c(sigma_reszt = s, suma_reszt = sum(obs$reszta)), 3)
c(odsetek_w_1s = mean(abs(obs$reszta) <= s), odsetek_w_2s = mean(abs(obs$reszta) <= 2 * s))

p_prosta <- ggplot(obs, aes(noc, polozenie)) +
  geom_segment(aes(xend = noc, yend = dopasowane), colour = oi[["pomaranczowy"]], linewidth = 0.5) +
  geom_abline(intercept = coef(model)[1], slope = coef(model)[2], colour = oi[["niebieski"]], linewidth = 1) +
  geom_point(shape = 21, fill = "white", colour = "black", size = 2.2) +
  labs(x = "Noc obserwacji", y = "Położenie (jednostki umowne)",
       title = "A. Prosta MNK i reszty (odcinki)") + motyw
siatka <- data.frame(x = seq(-4.5, 4.5, length.out = 200))
siatka$y <- dnorm(siatka$x, mean = 0, sd = s)
p_reszty <- ggplot(obs, aes(reszta)) +
  geom_histogram(aes(y = after_stat(density)), binwidth = 0.75, boundary = 0,
                 fill = "grey80", colour = "grey30") +
  geom_line(data = siatka, aes(x, y), colour = oi[["niebieski"]], linewidth = 1, linetype = "dashed") +
  geom_vline(xintercept = c(-s, s), colour = oi[["pomaranczowy"]], linetype = "dotted", linewidth = 0.8) +
  labs(x = "Reszta (obserwacja − prosta)", y = "Gęstość",
       title = "B. Reszty a krzywa Gaussa N(0, σ)") + motyw
p_metoda <- p_prosta + p_reszty
os_czasu
p_metoda
Wynik w R
    srednia      mnk_lm minimum_ssr 
     50.266      50.266      50.266 
            oszacowanie 2.5 % 97.5 %
(Intercept)      10.537 9.584 11.490
noc               0.484 0.444  0.525
sigma_reszt  suma_reszt 
      1.461       0.000 
odsetek_w_1s odsetek_w_2s 
       0.675        0.950 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (MNK – funkcje bazowe lm(), confint(), optimize(); rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. 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/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. 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 Carl Friedrich Gauss?

Niemieckim matematykiem, astronomem i fizykiem (1777–1855), od 1807 r. dyrektorem obserwatorium i profesorem w Getyndze. W statystyce zapisał się metodą najmniejszych kwadratów i wyprowadzeniem rozkładu normalnego jako rozkładu błędów pomiaru; poza nią – teorią liczb, obliczeniem orbity Ceres, geodezją i badaniami magnetyzmu ziemskiego.

Co Gauss wniósł do statystyki?

Metodę najmniejszych kwadratów – zasadę, że najlepsze dopasowanie minimalizuje sumę kwadratów reszt – oraz rozkład normalny błędów: przy założeniu, że najlepszym oszacowaniem jest średnia arytmetyczna, błędy muszą mieć rozkład normalny. Na tych dwóch pomysłach opiera się zwykła regresja liniowa.

Dlaczego rozkład normalny nazywa się krzywą Gaussa?

Bo Gauss wyprowadził go jako rozkład błędów pomiaru, uzasadniając metodę najmniejszych kwadratów w dziele z 1809 r. Pokazał, że jeśli średnia ma być najlepszym oszacowaniem mierzonej wielkości, błędy muszą mieć właśnie ten rozkład.

Kto wymyślił metodę najmniejszych kwadratów – Gauss czy Legendre?

Obaj niezależnie. Legendre opublikował ją pierwszy, w 1805 r.; Gauss ogłosił swój wywód w 1809 r. i twierdził, że znał metodę wcześniej. Stigler (1981) uznał, że Gauss prawdopodobnie ją znał, ale nie zdołał przekazać jej współczesnym.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Azzalini, A., & Genton, M. G. (2007). On Gauss’s characterization of the normal distribution. Bernoulli, 13(1), 169–174. https://doi.org/10.3150/07-bej5166 ● Otwarty dostęp
  2. Cantor, M. (1878). Gauß, Karl Friedrich. In Historische Commission bei der Königlichen Akademie der Wissenschaften (Hrsg.), Allgemeine Deutsche Biographie (Bd. 8) (pp. 430–445). Duncker & Humblot. https://de.wikisource.org/wiki/ADB:Gau%C3%9F,_Carl_Friedrich ● Otwarty dostęp
  3. Plackett, R. L. (1972). Studies in the history of probability and statistics. XXIX: The discovery of the method of least squares. Biometrika, 59(2), 239–251. https://doi.org/10.1093/biomet/59.2.239
  4. Stigler, S. M. (1981). Gauss and the invention of least squares. The Annals of Statistics, 9(3), 465–474. https://doi.org/10.1214/aos/1176345451 ● Otwarty dostęp

Cytowania BibTeX

@article{azzalini2007gauss, author={Azzalini, Adelchi and Genton, Marc G.}, title={{On Gauss’s characterization of the normal distribution}}, journal={Bernoulli}, year={2007}, volume={13}, number={1}, pages={169--174}, doi={10.3150/07-bej5166}}
@incollection{cantor1878gauss, author={Cantor, Moritz}, title={{Gauß, Karl Friedrich}}, booktitle={Allgemeine Deutsche Biographie (Bd. 8)}, year={1878}, pages={430--445}, publisher={Duncker \& Humblot}, url={https://de.wikisource.org/wiki/ADB:Gau%C3%9F,_Carl_Friedrich}}
@article{plackett1972discovery, author={Plackett, R. L.}, title={{Studies in the history of probability and statistics. XXIX: The discovery of the method of least squares}}, journal={Biometrika}, year={1972}, volume={59}, number={2}, pages={239--251}, doi={10.1093/biomet/59.2.239}}
@article{stigler1981gauss, author={Stigler, Stephen M.}, title={{Gauss and the invention of least squares}}, journal={The Annals of Statistics}, year={1981}, volume={9}, number={3}, pages={465--474}, doi={10.1214/aos/1176345451}}
R