Kim był Francis J. Anscombe?
Francis John Anscombe (zm. 2001 w wieku 83 lat), dla kolegów Frank, był brytyjskim statystykiem, który większość kariery spędził w Stanach Zjednoczonych. Dorastał w Hove koło Brighton, studiował matematykę w Trinity College w Cambridge (dyplom z wyróżnieniem w 1939 r., magisterium w 1943 r.). W czasie II wojny światowej pracował dla brytyjskiego Ministry of Supply: w 1940 r. przy celowaniu rakiet przeciwlotniczych, w 1944 r. przy rozmieszczeniu dział przeciw pociskom V-1, a na D-Day opracował kolejność odpalania rakiet (Yale Bulletin & Calendar, 2001). Zajmował się też statystyczną kontrolą jakości (The Statistician, 2003).
Po wojnie spędził dwa lata w stacji doświadczalnej Rothamsted, w dziale Franka Yatesa, a w 1948 r. został wykładowcą w nowym Statistical Laboratory w Cambridge (The Statistician, 2003). W 1956 r. przeniósł się do Princeton, a w 1963 r. ekonomista Tjalling Koopmans ściągnął go do Yale, by stworzył tam wydział i studia ze statystyki. Anscombe kierował wydziałem sześć lat i pracował w Yale do emerytury w 1988 r. Zmarł 17 października 2001 r. w New Haven w wieku 83 lat (Yale Bulletin & Calendar, 2001).
Najważniejsze pomysły
- Transformacja zliczeń (1948). W pracy napisanej w Rothamsted (Anscombe, 1948) zaproponował przekształcenie 2√(x + 3/8), które sprawia, że zliczenia z rozkładu Poissona mają wariancję bliską 1 niezależnie od średniej. Poprawiało ono przekształcenie Bartletta 2√(x + 1/2) z 1936 r. i do dziś jest jedną z najpopularniejszych transformacji stabilizujących wariancję zliczeń (Mäkitalo, 2013).
- Badanie reszt. Przekonywał, że dopasowany model trzeba sprawdzać na resztach (Yale Bulletin & Calendar, 2001). Z Johnem Tukeyem zebrał graficzne i liczbowe metody badania reszt po analizie wariancji i metodzie najmniejszych kwadratów (Anscombe i Tukey, 1963).
- Wykres jako część analizy. W pracy z 1973 r. ułożył cztery zbiory danych o niemal identycznych statystykach i zupełnie różnym kształcie – kwartet Anscombe’a (Anscombe, 1973).
- Analiza sekwencyjna i zliczenia. Pierwsza praca dotyczyła sekwencyjnej kontroli odbiorczej; napisał też podstawowe prace o estymacji w rozkładzie ujemnym dwumianowym i o estymacji sekwencyjnej (The Statistician, 2003).
- Komputer w analizie danych. Był pionierem używania komputerów w statystyce; jedyną jego książką była „Computing in Statistical Science through APL” (1981), obok około 50 artykułów (Yale Bulletin & Calendar, 2001).
Ciekawostka
Anscombe miał oko nie tylko do wykresów. W 1951 r., jeszcze jako wykładowca w Cambridge, zachwycony obrazem mało wtedy znanego Francisa Bacona, kupił go dla Fitzwilliam Museum. Muzeum pokazywało płótno kilka miesięcy, po czym zwróciło je jako zbyt modernistyczne. Gdy Bacon stał się sławny, Anscombe sprzedał obraz i opłacił z tego edukację swoich dzieci (Yale Bulletin & Calendar, 2001).
Ten sam biuletyn wspomina, że w latach 40. korespondował z poetą T. S. Eliotem, interesował się muzyką Charlesa Ivesa i Benjamina Brittena, sam pisał wiersze i piosenki, a dla odpoczynku wędrował – od wzgórz South Downs po White Mountains w New Hampshire.
Przykład
Zliczenia (liczba błędów, wizyt, objawów) mają wariancję równą średniej, więc grupy o większej średniej są bardziej rozproszone. Przekształcenie Anscombe’a ma tę zależność usunąć. Najpierw policzyliśmy dokładnie, bez losowania, wariancję po przekształceniu dla rozkładu Poissona o różnych średnich λ. Dla 2√(x + 3/8) wynosi ona 0.72 przy λ = 1, 0.92 przy λ = 2 i 1.00 przy λ = 5, 10 i 20. Zwykły pierwiastek 2√x daje odpowiednio 1.61, 1.56, 1.14, 1.05 i 1.02, a przekształcenie Bartletta 2√(x + 1/2) – 0.64, 0.85, 0.97, 0.99 i 0.99.
Potem zasymulowaliśmy cztery grupy po 50 osób o średniej liczbie zdarzeń 2, 5, 10 i 20 (dane fikcyjne; średnie dobraliśmy ręcznie, ziarno set.seed(1948) ustaliliśmy z góry). Wariancje surowych zliczeń wyniosły od 1.60 do 21.80 – największa była 13.6 razy większa od najmniejszej, a test Flignera–Killeena odrzucił jednorodność wariancji (p < .001). Po przekształceniu 2√(x + 3/8) wariancje wyniosły od 0.72 do 1.03 (stosunek 1.44), a test nie wskazał różnic (p = .522).
Na rysunku
Co widać. Najważniejsze prace Anscombe’a dzieli ćwierć wieku: transformacja zliczeń powstała w Rothamsted w 1948 r., praca o resztach – w roku przejścia do Yale, a kwartet – dziesięć lat później.
Na co uważać. Oś zaczyna się od dyplomu, bo cytowane źródła nie podają zgodnie miejsca urodzenia; pomija też m.in. magisterium (1943) i większość jego prac.
Podpis do pracy:
set.seed(1948)).Co widać. Na panelu A ciągła krzywa Anscombe’a najszybciej dochodzi do poziomu 1 i już z niego nie schodzi, a zwykły pierwiastek długo go przekracza. Panel B pokazuje to samo na danych: przed przekształceniem rozrzut rośnie razem ze średnią, po nim jest w czterech grupach podobny.
Na co uważać. Przy bardzo małych średnich stabilizacja zawodzi: przy λ = 1 przekształcenie Anscombe’a daje wariancję 0.72, a Bartletta 0.64; najbliżej 1 jest wtedy przekształcenie Freemana–Tukeya (0.94). Przekształcenie wyrównuje wariancję, ale wyniki są potem w jednostkach „pierwiastka z liczby zdarzeń”, trudnych do interpretacji.
Podpis do pracy:
Gdzie spotkasz Anscombe’a w swojej pracy
- gdy przed korelacją czy regresją rysujesz wykres rozrzutu, powtarzasz lekcję kwartetu; praktycznie pokazuje ją wpis Zawsze narysuj dane;
- gdy po dopasowaniu modelu oglądasz wykres reszt względem wartości dopasowanych, robisz to, co Anscombe i Tukey zalecali w 1963 r.;
- gdy analizujesz zliczenia, możesz je przekształcić 2√(x + 3/8), ale dziś częściej wybiera się model, który zna naturę zliczeń: regresję Poissona albo – przy nadmiernej dyspersji – regresję ujemną dwumianową; kiedy transformacja ma sens, omawia wpis Kiedy transformować zmienną?;
- gdy przekształcenie dobierasz z danych, korzystasz z rodziny potęgowej Boxa–Coxa – pierwiastek jest jej szczególnym przypadkiem.
Spory, mity i trudne strony
- Czyja jest transformacja Anscombe’a? Wzór 2√(x + 3/8) nosi jego nazwisko, ale sam Anscombe przypisywał ten wynik A. H. L. Johnsonowi (Mäkitalo, 2013). Wcześniejsze było przekształcenie Bartletta (1936), a niedługo później Freeman i Tukey zaproponowali √x + √(x + 1), lepsze przy małych średnich.
- Nie tylko kwartet. Kwartet jest najbardziej znany, ale dla statystyków co najmniej równie ważne były jego prace o resztach, analizie sekwencyjnej i zliczeniach (The Statistician, 2003).
- Luki w biografii. Źródła różnią się co do miejsca urodzenia (biuletyn Yale pisze, że dorastał w Hove, wspomnienie w The Statistician – że urodził się w Sussex), więc podajemy tylko to, co jest zgodne. Nie powtarzamy też niepotwierdzonych w cytowanych źródłach informacji o jego rodzinie.
Transformacja Anscombe’a w R
Kod liczy dokładnie (sumowaniem po rozkładzie Poissona, bez losowania) wariancję zliczeń po czterech przekształceniach pierwiastkowych dla λ = 1, 2, 5, 10 i 20, a potem symuluje cztery grupy po 50 zliczeń (set.seed(1948); średnie 2, 5, 10 i 20 dobrane ręcznie, ziarno ustalone z góry) i porównuje wariancje przed przekształceniem 2√(x + 3/8) i po nim, także testem Flignera–Killeena. 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.
1. Stabilizacja wariancji zliczeń: rysunek 2
Kod R rysunku 2
# Francis J. Anscombe (1948): transformacja stabilizująca wariancję zliczeń Poissona, 2·sqrt(x + 3/8)
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
kol <- c("2√x" = "#999999", "2√(x + 1/2), Bartlett" = "#E69F00", "2√(x + 3/8), Anscombe" = "#0072B2",
"√x + √(x + 1), Freeman–Tukey" = "#009E73") # Okabe–Ito
linie <- c("2√x" = "dotted", "2√(x + 1/2), Bartlett" = "dashed", "2√(x + 3/8), Anscombe" = "solid",
"√x + √(x + 1), Freeman–Tukey" = "dotdash")
motyw <- theme_minimal(base_size = 13) +
theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")
przeksztalcenia <- list("2√x" = function(x) 2 * sqrt(x),
"2√(x + 1/2), Bartlett" = function(x) 2 * sqrt(x + 1/2),
"2√(x + 3/8), Anscombe" = function(x) 2 * sqrt(x + 3/8),
"√x + √(x + 1), Freeman–Tukey" = function(x) sqrt(x) + sqrt(x + 1))
# 1. Dokładnie (bez losowania): wariancja f(X) dla X ~ Poisson(lambda), sumowanie po k = 0, 1, ..., 400
war_dokladna <- function(f, lambda) {
k <- 0:400; p <- dpois(k, lambda)
sum(p * f(k)^2) - sum(p * f(k))^2
}
lambdy <- c(1, 2, 5, 10, 20)
tab <- sapply(przeksztalcenia, function(f) sapply(lambdy, function(l) war_dokladna(f, l)))
colnames(tab) <- c("2sqrt_x", "Bartlett", "Anscombe", "Freeman_Tukey")
print(data.frame(lambda = lambdy, zliczenia = lambdy, round(tab, 3), check.names = FALSE), row.names = FALSE) # wariancja zliczeń = lambda
# 2. Symulacja: cztery grupy po 50 zliczeń o średnich 2, 5, 10 i 20 (parametry dobrane ręcznie, ziarno ustalone z góry)
set.seed(1948)
lambda_grup <- c(2, 5, 10, 20)
sym <- data.frame(grupa = factor(rep(paste("λ =", lambda_grup), each = 50), levels = paste("λ =", lambda_grup)),
x = rpois(200, rep(lambda_grup, each = 50)))
sym$ansc <- 2 * sqrt(sym$x + 3/8)
wariancje <- aggregate(cbind(x, ansc) ~ grupa, data = sym, FUN = var)
names(wariancje) <- c("grupa", "war_zliczen", "war_po_transformacji")
print(cbind(wariancje[1], round(wariancje[-1], 2)), row.names = FALSE)
c(stosunek_war_przed = round(max(wariancje$war_zliczen) / min(wariancje$war_zliczen), 1),
stosunek_war_po = round(max(wariancje$war_po_transformacji) / min(wariancje$war_po_transformacji), 2))
# Test Flignera–Killeena jednorodności wariancji (odporny na brak normalności)
signif(c(p_przed = fligner.test(x ~ grupa, data = sym)$p.value,
p_po = fligner.test(ansc ~ grupa, data = sym)$p.value), 3)
# Rysunek 2A: odchylenie standardowe po przekształceniu w funkcji lambda (wartości dokładne)
siatka <- seq(0.25, 15, by = 0.05)
krzywe <- do.call(rbind, lapply(names(przeksztalcenia), function(nm)
data.frame(przeksztalcenie = nm, lambda = siatka,
sd = sqrt(sapply(siatka, function(l) war_dokladna(przeksztalcenia[[nm]], l))))))
krzywe$przeksztalcenie <- factor(krzywe$przeksztalcenie, levels = names(przeksztalcenia))
pA <- ggplot(krzywe, aes(lambda, sd, colour = przeksztalcenie, linetype = przeksztalcenie)) +
geom_hline(yintercept = 1, colour = "grey45", linewidth = 0.4) +
geom_line(linewidth = 1.1) +
scale_colour_manual(values = kol, name = NULL) +
scale_linetype_manual(values = linie, name = NULL) +
coord_cartesian(ylim = c(0.6, 1.35)) +
labs(title = "A. SD po przekształceniu (dokładnie)", x = "Średnia liczba zdarzeń λ (rozkład Poissona)",
y = "Odchylenie standardowe f(X)") +
guides(colour = guide_legend(ncol = 2), linetype = guide_legend(ncol = 2)) +
motyw
# Rysunek 2B: te same symulowane zliczenia przed przekształceniem i po nim
dl <- rbind(data.frame(grupa = sym$grupa, skala = "Zliczenia x", y = sym$x),
data.frame(grupa = sym$grupa, skala = "2√(x + 3/8)", y = sym$ansc))
dl$skala <- factor(dl$skala, levels = c("Zliczenia x", "2√(x + 3/8)"))
sd_et <- aggregate(y ~ grupa + skala, data = dl, FUN = sd)
sd_et$etykieta <- sprintf("SD\n%.2f", sd_et$y)
sd_et$poz <- ave(dl$y, dl$skala, FUN = max)[match(sd_et$skala, dl$skala)] * 1.12
pB <- ggplot(dl, aes(grupa, y)) +
geom_jitter(width = 0.18, height = 0, alpha = 0.45, size = 1.4, colour = "grey35") +
stat_summary(fun.data = mean_sdl, fun.args = list(mult = 1), colour = kol[["2√(x + 3/8), Anscombe"]],
linewidth = 1.1, size = 0.5) +
geom_text(data = sd_et, aes(y = poz, label = etykieta), size = 3.1, colour = "grey20", lineheight = 0.85) +
facet_wrap(~ skala, scales = "free_y") +
labs(title = "B. Symulacja: 4 grupy po 50 zliczeń", x = NULL, y = "Wartość") +
motyw + theme(axis.text.x = element_text(size = 9))
p2 <- pA + pB + plot_layout(widths = c(1, 1.15))
p2Wynik w R
lambda zliczenia 2sqrt_x Bartlett Anscombe Freeman_Tukey
1 1 1.609 0.641 0.717 0.940
2 2 1.560 0.854 0.924 1.058
5 5 1.144 0.971 1.002 1.000
10 10 1.045 0.987 1.001 0.990
20 20 1.020 0.994 1.000 0.994
grupa war_zliczen war_po_transformacji
λ = 2 1.60 0.72
λ = 5 4.12 0.90
λ = 10 7.03 0.72
λ = 20 21.80 1.03
stosunek_war_przed stosunek_war_po
13.60 1.44
p_przed p_po
6.85e-09 5.22e-01 2. Oś czasu: rysunek 1
Kod R rysunku 1
# Oś czasu: Francis J. Anscombe – lata według Yale Bulletin & Calendar (2001), nekrologu w JRSS D (2003) i jego prac
library(ggplot2)
zdarzenia <- data.frame(
rok = c(1939, 1940, 1946, 1948, 1956, 1963, 1973, 1981, 1988, 2001),
opis = c("dyplom z matematyki\n(Trinity College, Cambridge)", "Ministry of Supply:\nrakiety przeciwlotnicze",
"Rothamsted\nExperimental Station", "transformacja zliczeń;\nwykładowca w Cambridge", "Princeton",
"Yale: zakłada wydział;\nreszty (z Tukeyem)", "kwartet\n„Graphs in statistical analysis”",
"książka o APL", "emerytura", "zmarł w New Haven"),
rodzaj = c("życie", "praca", "praca", "publikacja", "praca", "praca", "publikacja", "publikacja", "praca", "życie"))
zdarzenia$wysokosc <- c(0.5, -0.45, 0.95, -1.0, 0.45, -0.45, 0.5, -0.45, 0.5, -0.45) # nad (+) i pod (−) osią
zdarzenia$wyrownanie <- c(0.7, 0.3, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.6)
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00") # 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 = wysokosc), colour = "grey70") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 4, colour = "black") +
geom_text(aes(y = wysokosc + 0.05 * sign(wysokosc), label = paste0(rok, "\n", opis), vjust = ifelse(wysokosc > 0, 0, 1),
hjust = wyrownanie),
size = 3.4, lineheight = 0.9) +
scale_shape_manual(values = ksztalty, name = NULL) +
scale_fill_manual(values = kolory, name = NULL) +
scale_x_continuous(limits = c(1930, 2008), breaks = seq(1940, 2000, by = 10)) +
scale_y_continuous(limits = c(-1.5, 1.5)) +
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 Poissona i losowanie – funkcje dpois() i rpois(), test – fligner.test() 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 Francis Anscombe?
Brytyjskim statystykiem (zm. 2001). Studiował matematykę w Cambridge, w czasie wojny pracował dla Ministry of Supply, potem w Rothamsted i w Statistical Laboratory w Cambridge. Od 1956 r. uczył w Princeton, a w 1963 r. założył wydział statystyki w Yale, gdzie pracował do emerytury w 1988 r.
Co to jest transformacja Anscombe’a?
Przekształcenie zliczeń 2√(x + 3/8), opisane przez Anscombe’a w 1948 r. Dla danych z rozkładu Poissona daje wariancję bliską 1 niezależnie od średniej – w naszym przeliczeniu przy średniej 5 i większej wynosi ona praktycznie dokładnie 1. Poprawia wcześniejsze przekształcenie Bartletta 2√(x + 1/2) z 1936 r. (Mäkitalo, 2013).
Czym różni się 2√(x + 3/8) od zwykłego pierwiastka z liczby zdarzeń?
Oba przekształcenia wyrównują wariancję dużych zliczeń, ale przy małych średnich zwykły pierwiastek jej nie stabilizuje. W naszym przeliczeniu przy średniej 2 wariancja 2√x wynosi 1.56, a 2√(x + 3/8) – 0.92; przy średniej 5 odpowiednio 1.14 i 1.00.
Co Anscombe wniósł do statystyki poza kwartetem?
Transformację stabilizującą wariancję zliczeń (1948), prace o analizie sekwencyjnej i estymacji w rozkładzie ujemnym dwumianowym, upowszechnienie badania reszt (wspólnie z Johnem Tukeyem w 1963 r.) oraz wczesne wykorzystanie komputerów i języka APL w analizie danych (książka z 1981 r.).
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Kiedy transformować zmienną?
Logarytm, pierwiastek czy model GLM? Tabela „kiedy tak, kiedy nie”, przykład z ln(y + 1) przy zliczeniach w R i wzór opisu decyzji w pracy.
Czytaj →PoradnikZawsze narysuj dane
Kwartet Anscombe’a i cztery pułapki korelacji na wykresach z R – z podpisem APA i zdaniem do Wyników przy każdym rysunku.
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)
- Anscombe, F. J. (1948). The transformation of Poisson, binomial and negative-binomial data. Biometrika, 35(3–4), 246–254. https://doi.org/10.1093/biomet/35.3-4.246
- Anscombe, F. J. (1973). Graphs in statistical analysis. The American Statistician, 27(1), 17–21. https://doi.org/10.1080/00031305.1973.10478966
- Anscombe, F. J., & Tukey, J. W. (1963). The examination and analysis of residuals. Technometrics, 5(2), 141–160. https://doi.org/10.1080/00401706.1963.10490071
- Mäkitalo, M. (2013). Exact unbiased inverse of the Anscombe transformation and its Poisson-Gaussian generalization (Publication 1115) [Rozprawa doktorska]. Tampere University of Technology. https://trepo.tuni.fi/bitstream/10024/114970/1/makitalo.pdf ● Otwarty dostęp
- The Statistician. (2003). Obituaries: Frank Anscombe; Bernard Benjamin; David Champernowne; Rob Kempton; Derek Maunder; David Wishart. Journal of the Royal Statistical Society: Series D (The Statistician), 52(4), 679–687. https://doi.org/10.1046/j.0039-0526.2003.02064.x
- Yale Bulletin & Calendar. (2001). Noted statistician Francis J. Anscombe dies. Yale Bulletin & Calendar, 30(9). http://www.yale.edu/opa/arc-ybc/v30.n9/story11.html ● Otwarty dostęp: pełny tekst
Cytowania BibTeX
@article{anscombe1948transformation, author={Anscombe, Francis J.}, title={{The transformation of Poisson, binomial and negative-binomial data}}, journal={Biometrika}, year={1948}, volume={35}, number={3–4}, pages={246--254}, doi={10.1093/biomet/35.3-4.246}}@article{anscombe1973graphs, author={Anscombe, Francis J.}, title={{Graphs in statistical analysis}}, journal={The American Statistician}, year={1973}, volume={27}, number={1}, pages={17--21}, doi={10.1080/00031305.1973.10478966}}@article{anscombe1963examination, author={Anscombe, Francis J. and Tukey, John W.}, title={{The examination and analysis of residuals}}, journal={Technometrics}, year={1963}, volume={5}, number={2}, pages={141--160}, doi={10.1080/00401706.1963.10490071}}@techreport{makitalo2013exact, author={Mäkitalo, Markku}, title={{Exact unbiased inverse of the Anscombe transformation and its Poisson-Gaussian generalization [Rozprawa doktorska]}}, year={2013}, institution={Tampere University of Technology}, url={https://trepo.tuni.fi/bitstream/10024/114970/1/makitalo.pdf}}@article{statistician2003obituaries, author={{The Statistician}}, title={{Obituaries: Frank Anscombe; Bernard Benjamin; David Champernowne; Rob Kempton; Derek Maunder; David Wishart}}, journal={Journal of the Royal Statistical Society: Series D (The Statistician)}, year={2003}, volume={52}, number={4}, pages={679--687}, doi={10.1046/j.0039-0526.2003.02064.x}}@article{yale2001noted, author={{Yale Bulletin \& Calendar}}, title={{Noted statistician Francis J. Anscombe dies}}, journal={Yale Bulletin \& Calendar}, year={2001}, volume={30}, number={9}, publisher={Yale University}, url={http://www.yale.edu/opa/arc-ybc/v30.n9/story11.html}}