Słownik metodologiczny · Ludzie statystyki

Francis Galton (1822–1911) – kim był i co wniósł do statystyki

Twórca pojęć regresji i korelacji, propagator mediany i percentyli – i zarazem twórca eugeniki. Opisujemy, skąd wzięła się nazwa „regresja”, co naprawdę wyszło z konkursu zgadywania wagi wołu i pokazujemy w R regresję wzrostu dzieci względem wzrostu rodziców.

Strona główna / Słownik / Francis Galton
W skrócie: Francis Galton (1822–1911) – brytyjski uczony, kuzyn Karola Darwina. Opisał regresję do średniej (dzieci bardzo wysokich rodziców są średnio niższe od nich), wynalazł korelację (1888) i wprowadził do statystyki medianę oraz percentyle. Był też twórcą i propagatorem eugeniki – jego dorobek statystyczny warto znać razem z tym kontekstem.

Kim był Francis Galton?

Francis Galton (1822–1911) to brytyjski uczony epoki wiktoriańskiej, kuzyn Karola Darwina (Langkjær-Bain, 2019). Gillham (2001) dzieli jego karierę na dwie części. W pierwszej Galton podróżował po Afryce, pisał książki podróżnicze, zajmował się geografią i meteorologią – tworzył m.in. wczesne mapy pogody (Langkjær-Bain, 2019). Druga zaczęła się po lekturze „O powstawaniu gatunków” Darwina: Galton zajął się dziedziczeniem cech człowieka, pomiarami ciała (antropometrią), psychologią i identyfikacją na podstawie odcisków palców (Gillham, 2001). Z tego okresu pochodzą jego pomysły statystyczne – i eugenika, którą zapoczątkował i propagował.

Najważniejsze pomysły

  • Regresja. Galton zauważył najpierw na wielkości nasion groszku pachnącego, że potomstwo odbiega od średniej mniej niż rodzice (Langkjær-Bain, 2019). W pracy z 1886 r. o „regresji ku przeciętności” opisał to samo dla wzrostu ludzi (Galton, 1886). Słowo „regresja” oznaczało więc zjawisko, a nie technikę – dziś nazywamy je regresją do średniej, a nazwa przeszła na całą regresję liniową.
  • Korelacja. Według Stiglera (1989) Galton wynalazł korelację pod koniec 1888 r., gdy dostrzegł wspólny wątek w trzech problemach, którymi się zajmował. Nie był pierwszym, który na nią trafił, ale rozwinął to pojęcie i zastosował je do danych (Langkjær-Bain, 2019). Współczynnik, którego używasz dziś, nosi nazwisko Karla Pearsona, późniejszego biografa Galtona (Wallis, 2014) – zobacz korelacja Pearsona.
  • Mediana, kwartyle, percentyle. Senn (2011) wymienia Galtona wśród twórców pojęć kwartyla i percentyla, a Wallis (2014) przypomina, że Galton wprowadził termin „mediana” i stosował własną „metodę percentyli”. To dzisiejsze mediana, kwartyle, percentyle i rozstęp ćwiartkowy.
  • „Głos ludu” (1907). W krótkiej notce w „Nature” Galton opisał konkurs na wystawie bydła i drobiu w zachodniej Anglii (West of England Fat Stock and Poultry Exhibition): przeanalizował 787 ważnych kart z ocenami wagi wołu po uboju. Podał medianę ocen – 1207 funtów wobec 1198 funtów wagi rzeczywistej – a średnią ocen (1197 funtów) dopiero w odpowiedzi na list czytelnika. Wallis (2014) ustalił w archiwach, że prawdziwa waga wynosiła 1197 funtów, więc średnia ocen trafiła dokładnie.

Przykład na danych symulowanych

Dane Galtona o wzroście rodzin nie są dostępne w pakietach R użytych na tej stronie, dlatego przykład jest na danych fikcyjnych. Zasymulowano 900 rodzin (set.seed(791)): wzrost „średniego rodzica” (średnia z wzrostu matki i ojca) z rozkładu normalnego o średniej 173 cm i SD = 4.5 cm oraz wzrost dorosłego dziecka równy 173 + 0.65 × (rodzic − 173) plus losowy składnik o SD = 5.5 cm. Parametry dobrano ręcznie, tak by skala przypominała wzrost w centymetrach.

Średni wzrost rodziców i dzieci wynosi po 172.9 cm, mediana też 172.9 cm. Kwartyle rodziców to 170.0 i 175.9 cm, dzieci – 168.8 i 176.8 cm. Nachylenie prostej regresji wzrostu dziecka względem wzrostu rodzica wynosi b = 0.65, a korelacja r = .458. Po standaryzacji obu zmiennych nachylenie prostej jest równe korelacji (.458) – stąd czytanie r jako nachylenia w jednostkach odchylenia standardowego. Rodzice z najwyższych 10% byli średnio o 7.4 cm wyżsi od średniej, a ich dzieci – już tylko o 4.4 cm. To jest regresja do średniej w liczbach.

Na rysunku

Oś czasu od 1822 do 1911 z ośmioma punktami i podpisami: 1822 urodzony, 1859 O powstawaniu gatunków kuzyna, Ch. Darwina, 1886 praca o regresji wzrostu dzieci, 1888 wynalezienie korelacji (koniec roku), 1890 własna relacja o odkryciu korelacji, 1907 konkurs zgadywania wagi wołu w Nature, 1909 Essays in Eugenics, 1911 śmierć
Rysunek 1. Francis Galton – najważniejsze daty życia i prac statystycznych. Lata według Galton (1886), Langkjær-Bain (2019), Stigler (1989) i Wallis (2014). Rysunek: R, pakiet ggplot2.

Co widać. Prace, z których korzysta dziś statystyka – regresja (1886) i korelacja (1888) – powstały, gdy Galton miał ponad 60 lat, prawie trzy dekady po „O powstawaniu gatunków” (1859). Notkę o zgadywaniu wagi wołu opublikował w wieku 85 lat.

Na co uważać. Etykiety rozstawiono dla czytelności – rok wskazuje kreska na osi. Na osi nie ma daktyloskopii ani doświadczeń z groszkiem, bo w cytowanych źródłach nie sprawdziliśmy ich dat.

Podpis do pracy:

Rysunek 1. Najważniejsze daty w życiu i pracy Francisa Galtona (1822–1911). Uwaga. Na podstawie Langkjær-Bain (2019), Stigler (1989) i Wallis (2014).
Tabela liczebności 900 symulowanych rodzin jako siatka kafelków: oś pozioma wzrost średniego rodzica od 158 do 190 cm w przedziałach co 4 cm, oś pionowa wzrost dziecka od 152 do 196 cm; w rogu każdego kafelka liczba rodzin, najwięcej (108) w kafelku 174 na 174 cm. Pomarańczowe romby ze średnim wzrostem dzieci w przedziałach rodziców (od 166.8 do 177.7 cm) leżą na niebieskiej ciągłej prostej regresji, mniej stromej od czarnej przerywanej przekątnej y = x: przy niskich rodzicach romby są nad przekątną, przy wysokich – pod nią
Rysunek 2. Wzrost dorosłych dzieci względem wzrostu średniego rodzica w układzie tabeli liczebności, z prostą regresji i przekątną y = x. Rysunek: R, pakiet ggplot2 (dane symulowane, set.seed(791)).

Co widać. Dane pokazano jak w tabeli krzyżowej: każdy kafelek to przedział wzrostu rodzica i dziecka, liczba w rogu – liczba rodzin. Średnie wzrostu dzieci w kolejnych przedziałach (romby, od 166.8 do 177.7 cm) leżą na prostej regresji, a ta jest mniej stroma niż przekątna. Dzieci niskich rodziców są średnio wyższe od rodziców, dzieci wysokich – niższe.

Na co uważać. Regresja do średniej nie znaczy, że ludzie z pokolenia na pokolenie stają się podobni do siebie. Odchylenie standardowe wzrostu dzieci (6.2 cm) jest tu nawet większe niż „średnich rodziców” (4.3 cm), bo średnia dwojga rodziców ma mniejszy rozrzut niż wzrost jednej osoby. Średnie w skrajnych przedziałach opierają się na małej liczbie rodzin; romby pokazano tylko tam, gdzie było co najmniej 10 rodzin. Więcej rysunków o tym zjawisku jest we wpisie regresja do średniej – wizualizacja.

Podpis do pracy:

Rysunek 2. Wzrost dorosłych dzieci względem średniego wzrostu rodziców (N = 900 rodzin). Uwaga. Liczby w kafelkach to liczebności w przedziałach co 4 cm; romby – średni wzrost dzieci w przedziale wzrostu rodziców (przedziały z co najmniej 10 rodzinami); linia ciągła – prosta regresji (b = 0.65); linia przerywana – y = x. Dane symulowane.

Gdzie spotkasz Galtona w swojej pracy

  • Każda regresja. Nachylenie w regresji prostej to dalekie echo jego badań nad wzrostem – i powód, dla którego przewidywania z modelu są „ostrożniejsze” niż obserwacje.
  • Badania przed–po. Jeśli do interwencji wybierasz osoby o skrajnych wynikach, poprawa w drugim pomiarze może być samą regresją do średniej – zobacz wpis regresja do średniej w badaniu przed–po.
  • Statystyki opisowe. Mediana i kwartyle w tabeli opisowej to pojęcia, przy których narodzinach był Galton (Senn, 2011).
  • Korelacja i przyczyna. Galton badał podobieństwo krewnych, ale współzmienność sama nie rozstrzyga, skąd się bierze – zobacz korelacja a przyczynowość.

Spory, mity i trudne strony

  • Eugenika. Lektura Darwina przekonała Galtona, że ludzkość można „ulepszyć” przez selektywne rozmnażanie; zbudował teorię dziedziczenia, w której natura przeważała nad wychowaniem, i aktywnie propagował eugenikę (Gillham, 2001). Sam ukuł to słowo, od greckiego „dobrze urodzony” (Langkjær-Bain, 2019). W liście do „The Times” z 1873 r. pisał o Afrykanach w rasistowskich słowach. Uczelni University College London (UCL) przekazał swoje zbiory i archiwum oraz ufundował katedrę eugeniki, dziś katedrę genetyki jego imienia. W 2019 r. studenci UCL domagali się zmiany nazw m.in. sali wykładowej Galtona, a uczelnia wszczęła dochodzenie w sprawie swojej historii związanej z eugeniką (Langkjær-Bain, 2019).
  • Anegdota o zamku Naworth. Karl Pearson spopularyzował opowieść, że Galton wpadł na pomysł korelacji, gdy schronił się we wnęce zamku Naworth. Stigler (1989) zestawia ją z relacją samego Galtona z 1890 r., według której odkrycie wyrosło z dostrzeżenia wspólnego wątku w trzech problemach naukowych.
  • „Mądrość tłumu”. W popularnych opowieściach liczy się średnia ocen wagi wołu. Galton w notce podał medianę i porównał ją z wagą 1198 funtów, która według Wallisa (2014) była błędnie przepisana. Średnią podał dopiero w liście do redakcji i nie skomentował tego, że jest bliższa prawdziwej wadze.
Przykład reprodukowalny

Regresja Galtona w R

Kod symuluje wzrost 900 rodzin, liczy średnie, kwartyle, prostą regresji i korelację, buduje tabelę liczebności w przedziałach co 4 cm i rysuje oś czasu (rysunek 1) oraz tabelę z prostą regresji (rysunek 2). Rysunki na stronie powstały z tych samych obiektów p1 i p2 z krojem i tłem serwisu; dane, geometrie i skale są identyczne.

Wzrost rodziców i dzieci: regresja, korelacja i tabela liczebności

Dane wejściowe: 900 symulowanych rodzin (set.seed(791); rodzic: średnia 173 cm, SD = 4.5; dziecko: 173 + 0.65 × (rodzic − 173) + błąd o SD = 5.5) – dane fikcyjne, nie dane Galtona.

Co odczytać: nachylenie b = 0.65, r = .458 (równe nachyleniu po standaryzacji), dzieci rodziców z górnych 10% – 4.4 cm ponad średnią wobec 7.4 cm u rodziców; średnie w wierszach tabeli.

Kod R (obliczenia i rysunki 1–2)
# Francis Galton: oś czasu oraz regresja wzrostu dzieci względem wzrostu rodziców w układzie tabeli
# Dane symulowane (fikcyjne): 900 rodzin, parametry dobrane ręcznie – to NIE są dane Galtona
library(ggplot2)
kol <- c(prosta = "#0072B2", srednie = "#D55E00", przekatna = "black", tlo = "#56B4E9")   # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), legend.position = "bottom",
        plot.title = element_text(face = "bold", colour = "#0f1d3a"),
        plot.background = element_rect(fill = "white", colour = NA))

# Wzrost „średniego rodzica” (średnia z wzrostu matki i ojca, cm) i dorosłego dziecka
set.seed(791)
n <- 900
rodzic <- rnorm(n, mean = 173, sd = 4.5)
dziecko <- 173 + 0.65 * (rodzic - 173) + rnorm(n, mean = 0, sd = 5.5)
round(c(sr_rodzic = mean(rodzic), sd_rodzic = sd(rodzic), sr_dziecko = mean(dziecko), sd_dziecko = sd(dziecko)), 1)
round(rbind(rodzic = quantile(rodzic, c(.25, .5, .75)), dziecko = quantile(dziecko, c(.25, .5, .75))), 1)
model <- lm(dziecko ~ rodzic)
round(coef(model), 2)                                   # nachylenie < 1: regresja do średniej
r <- cor(rodzic, dziecko)
round(c(r = r, nachylenie_z = unname(coef(lm(scale(dziecko) ~ scale(rodzic)))[2])), 3)   # po standaryzacji nachylenie = r
# Rodziny z najwyższymi rodzicami (górne 10%): o ile ich dzieci odbiegają od średniej
wysocy <- rodzic >= quantile(rodzic, 0.9)
round(c(rodzice_ponad_srednia = mean(rodzic[wysocy]) - mean(rodzic),
        dzieci_ponad_srednia = mean(dziecko[wysocy]) - mean(dziecko)), 1)

# Tabela jak u Galtona: liczebności w przedziałach co 4 cm i średni wzrost dzieci w każdym wierszu
granice <- seq(152, 196, by = 4)
srodki <- head(granice, -1) + 2
kl_rodzic <- cut(rodzic, granice, labels = srodki)
kl_dziecko <- cut(dziecko, granice, labels = srodki)
tab <- table(rodzic = kl_rodzic, dziecko = kl_dziecko)
tab[rowSums(tab) > 0, colSums(tab) > 0]
wiersze <- aggregate(dziecko ~ kl_rodzic, FUN = mean)
wiersze$liczba <- as.vector(table(kl_rodzic)[as.character(wiersze$kl_rodzic)])
wiersze$x <- as.numeric(as.character(wiersze$kl_rodzic))
wiersze <- wiersze[wiersze$liczba >= 10, ]               # średnie tylko z co najmniej 10 rodzin
round(wiersze[, c("x", "liczba", "dziecko")], 1)

# Rysunek 1: oś czasu (lata z cytowanych źródeł); etykiety rozstawione ręcznie, kreska wskazuje rok
os <- data.frame(
  rok = c(1822, 1859, 1886, 1888, 1890, 1907, 1909, 1911),
  opis = c("urodzony", "„O powstawaniu gatunków”\nkuzyna, Ch. Darwina", "praca o regresji\nwzrostu dzieci",
           "wynalezienie korelacji\n(koniec roku)", "własna relacja\no odkryciu korelacji",
           "konkurs zgadywania\nwagi wołu („Nature”)", "„Essays in Eugenics”", "śmierć"))
os$strona <- ifelse(seq_len(nrow(os)) %% 2 == 1, 1, -1)
os$x_etykiety <- c(1820, 1846, 1866, 1874, 1890, 1902, 1912, 1924)
p1 <- ggplot(os) +
  geom_hline(yintercept = 0, colour = "grey40", linewidth = 0.6) +
  geom_segment(aes(x = rok, xend = x_etykiety, y = 0, yend = strona * 0.62), colour = "grey55", linewidth = 0.4) +
  geom_point(aes(rok, 0), size = 3, shape = 21, fill = kol[["prosta"]], colour = "white", stroke = 0.8) +
  geom_label(aes(x_etykiety, strona * 0.95, label = paste0(rok, "\n", opis)), size = 3.3, lineheight = 0.9,
             linewidth = 0, fill = "white", colour = "grey15") +
  scale_x_continuous(breaks = seq(1820, 1910, 10), limits = c(1808, 1936)) +
  scale_y_continuous(limits = c(-1.35, 1.35), breaks = NULL) +
  labs(x = NULL, y = NULL) + motyw +
  theme(panel.grid.major.y = element_blank())

# Rysunek 2: tabela liczebności (kafelki z liczbami), średnie w wierszach, prosta regresji i przekątna y = x
d_tab <- as.data.frame(tab, stringsAsFactors = FALSE)
d_tab <- d_tab[d_tab$Freq > 0, ]
d_tab$x <- as.numeric(d_tab$rodzic); d_tab$y <- as.numeric(d_tab$dziecko)
p2 <- ggplot() +
  geom_tile(data = d_tab, aes(x, y, fill = Freq), colour = "white", width = 4, height = 4) +
  geom_abline(aes(intercept = 0, slope = 1, linetype = "y = x (dziecko równe rodzicowi)"),
              colour = kol[["przekatna"]], linewidth = 0.7) +
  geom_abline(aes(intercept = coef(model)[1], slope = coef(model)[2], linetype = "prosta regresji"),
              colour = kol[["prosta"]], linewidth = 1.1) +
  geom_point(data = wiersze, aes(x, dziecko, shape = "średnia dzieci w przedziale"),
             colour = kol[["srednie"]], size = 3.4) +
  geom_label(data = d_tab, aes(x + 1.05, y + 1.05, label = Freq), size = 2.7, colour = "grey15",
             fill = "white", alpha = 0.85, linewidth = 0, label.padding = unit(0.08, "lines")) +   # liczba rodzin w rogu kafelka
  scale_fill_gradient(low = "grey97", high = kol[["tlo"]], name = "Liczba rodzin") +
  scale_linetype_manual(values = c("solid", "dashed"), name = NULL,
                        guide = guide_legend(override.aes = list(colour = c(kol[["prosta"]], kol[["przekatna"]])))) +
  scale_shape_manual(values = 18, name = NULL) +
  coord_equal(xlim = c(158, 190), ylim = c(152, 196)) +
  labs(x = "Wzrost średniego rodzica (cm, przedziały co 4 cm)", y = "Wzrost dorosłego dziecka (cm)") +
  motyw + theme(legend.box = "vertical")
p1
p2
Wynik w R
 sr_rodzic  sd_rodzic sr_dziecko sd_dziecko 
     172.9        4.3      172.9        6.2 
          25%   50%   75%
rodzic  170.0 172.9 175.9
dziecko 168.8 172.9 176.8
(Intercept)      rodzic 
      59.81        0.65 
           r nachylenie_z 
       0.458        0.458 
rodzice_ponad_srednia  dzieci_ponad_srednia 
                  7.4                   4.4 
      dziecko
rodzic 154 158 162 166 170 174 178 182 186 190 194
   162   0   3   3   5   5   4   1   0   0   0   0
   166   2   5  16  23  31  12   3   0   0   0   0
   170   3   1  15  48  64  66  45   6   0   0   0
   174   0   0  11  35  66 108  59  36   6   1   1
   178   0   1   1  22  25  37  46  28   7   5   0
   182   0   0   0   2   9   8   6  10   4   1   1
   186   0   0   0   0   0   0   1   1   0   0   0
    x liczba dziecko
1 162     22   166.8
2 166     92   167.5
3 170    248   171.2
4 174    323   173.9
5 178    172   175.6
6 182     41   177.7

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (obliczenia – funkcje bazowe lm(), cor(), quantile(), table(); rysunki – pakiet ggplot2). 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

Najczęstsze pytania

Kim był Francis Galton?

Brytyjskim uczonym epoki wiktoriańskiej (1822–1911), kuzynem Karola Darwina. Najpierw podróżnikiem i meteorologiem, potem badaczem dziedziczenia cech człowieka, twórcą pojęć regresji i korelacji – oraz twórcą i propagatorem eugeniki.

Co wymyślił Francis Galton?

Opisał regresję do średniej – najpierw na nasionach groszku, potem na wzroście ludzi (1886), wynalazł korelację (1888), wprowadził termin „mediana” i stosował percentyle; odegrał też dużą rolę w rozwoju daktyloskopii. Współczynnik korelacji w dzisiejszej postaci nosi jednak nazwisko Karla Pearsona.

Skąd się wzięła nazwa „regresja” w statystyce?

Od zjawiska opisanego przez Galtona: dzieci bardzo wysokich lub bardzo niskich rodziców są średnio bliżej przeciętnego wzrostu niż ich rodzice – „cofają się” (łac. regressio) ku średniej. Nazwa zjawiska przeszła później na całą metodę dopasowywania prostej, czyli regresję liniową.

Czy Francis Galton był eugenikiem?

Tak. Galton ukuł słowo „eugenika”, uważał, że ludzkość można „ulepszyć” przez selektywne rozmnażanie, propagował te idee i ufundował na University College London katedrę eugeniki (dziś katedrę genetyki). Pisał też o Afrykanach w rasistowskich słowach; jego spuścizna jest dziś przedmiotem dyskusji, m.in. na UCL.

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. Galton, F. (1886). Regression towards mediocrity in hereditary stature. The Journal of the Anthropological Institute of Great Britain and Ireland, 15, 246–263. https://doi.org/10.2307/2841583 ● Otwarty dostęp
  2. Gillham, N. W. (2001). Sir Francis Galton and the birth of eugenics. Annual Review of Genetics, 35(1), 83–101. https://doi.org/10.1146/annurev.genet.35.102401.090055
  3. Langkjær-Bain, R. (2019). The troubling legacy of Francis Galton. Significance, 16(3), 16–21. https://doi.org/10.1111/j.1740-9713.2019.01275.x ● Otwarty dostęp
  4. Senn, S. (2011). Francis Galton and regression to the mean. Significance, 8(3), 124–126. https://doi.org/10.1111/j.1740-9713.2011.00509.x
  5. Stigler, S. M. (1989). Francis Galton’s account of the invention of correlation. Statistical Science, 4(2), 73–79. https://doi.org/10.1214/ss/1177012580 ● Otwarty dostęp
  6. Wallis, K. F. (2014). Revisiting Francis Galton’s forecasting competition. Statistical Science, 29(3), 420–424. https://doi.org/10.1214/14-sts468 ● Otwarty dostęp

Cytowania BibTeX

@article{galton1886regression, author={Galton, Francis}, title={{Regression towards mediocrity in hereditary stature}}, journal={The Journal of the Anthropological Institute of Great Britain and Ireland}, year={1886}, volume={15}, pages={246--263}, doi={10.2307/2841583}}
@article{gillham2001sir, author={Gillham, Nicholas W.}, title={{Sir Francis Galton and the birth of eugenics}}, journal={Annual Review of Genetics}, year={2001}, volume={35}, number={1}, pages={83--101}, doi={10.1146/annurev.genet.35.102401.090055}}
@article{langkjaerbain2019troubling, author={Langkjær-Bain, Robert}, title={{The troubling legacy of Francis Galton}}, journal={Significance}, year={2019}, volume={16}, number={3}, pages={16--21}, doi={10.1111/j.1740-9713.2019.01275.x}}
@article{senn2011francis, author={Senn, Stephen}, title={{Francis Galton and regression to the mean}}, journal={Significance}, year={2011}, volume={8}, number={3}, pages={124--126}, doi={10.1111/j.1740-9713.2011.00509.x}}
@article{stigler1989francis, author={Stigler, Stephen M.}, title={{Francis Galton’s account of the invention of correlation}}, journal={Statistical Science}, year={1989}, volume={4}, number={2}, pages={73--79}, doi={10.1214/ss/1177012580}}
@article{wallis2014revisiting, author={Wallis, Kenneth F.}, title={{Revisiting Francis Galton’s forecasting competition}}, journal={Statistical Science}, year={2014}, volume={29}, number={3}, pages={420--424}, doi={10.1214/14-sts468}}
R