Słownik metodologiczny · Ludzie statystyki

George Udny Yule (1871–1951) – kim był i co wniósł do statystyki

George Udny Yule dał statystyce miarę Q dla tabel 2×2, popularny podręcznik i pierwsze ostrzeżenie przed „nonsensownymi” korelacjami między szeregami czasowymi. Przedstawiamy jego biografię naukową, oś czasu, symulację korelacji niezależnych błądzeń losowych i model AR(2) dla plam słonecznych w R.

Strona główna / Słownik / George Udny Yule
W skrócie: George Udny Yule (1871–1951) – brytyjski statystyk z University College London i Cambridge, autor podręcznika An Introduction to the Theory of Statistics (1911). Jego nazwisko nosi miara Q dla tabel 2×2; w 1926 r. opisał „nonsensowne” korelacje między szeregami czasowymi, a w 1927 r. zaproponował nowe ujęcie szeregów zaburzonych na przykładzie plam słonecznych.

Kim był George Udny Yule?

George Udny Yule (1871–1951) był brytyjskim statystykiem, który przez pół wieku uczył, jak liczyć i jak czytać korelacje – także wtedy, gdy kłamią. Urodził się 18 lutego 1871 r. w Morham koło Haddington w Szkocji, w rodzinie związanej z brytyjską administracją w Indiach: jego ojciec służył w bengalskiej służbie cywilnej. Gdy miał ok. 4 lata, rodzina przeniosła się do Londynu, a w wieku 13 lat poszedł do szkoły w Winchesterze, gdzie zainteresował się fizyką (Yates, 1952).

Studiował w University College London i przez rok badał fale elektryczne u Heinricha Hertza w Bonn. W 1893 r. Karl Pearson zaproponował mu posadę wykładowcy w University College i w ciągu kolejnych lat Yule ogłosił podstawowe prace o związku cech i korelacji. Wykłady z lat 1902–1909 wydał w 1911 r. jako podręcznik An Introduction to the Theory of Statistics. Od 1912 r. był w Cambridge wykładowcą (University Reader in Statistics) i członkiem St John's College. W czasie I wojny światowej pracował w Board of Trade, za co otrzymał Order Imperium Brytyjskiego (CBE). W 1921 r. został członkiem Royal Society, a w 1925 r. – prezesem Royal Statistical Society. W 1931 r. zrezygnował z uniwersyteckiej posady, do 1940 r. uczył jeszcze statystyki w kolegium (The Times, 1951). Zmarł 26 czerwca 1951 r. (Edwards, 2001).

Najważniejsze pomysły

  • Miary związku i korelacja. W pierwszych latach w University College zajmował się związkiem cech jakościowych i korelacją (The Times, 1951). Jego nazwisko nosi Q Yule'a – miara związku w tabeli 2×2, przekształcony iloraz szans.
  • Podręcznik. An Introduction to the Theory of Statistics (1911) wyrósł z jego wykładów i według nekrologu z 1951 r. doczekał się czternastu wydań.
  • Korelacje „nonsensowne”. W 1926 r. zapytał w tytule artykułu, dlaczego między szeregami czasowymi wychodzą czasem korelacje, którym nie da się nadać żadnego sensu (Yule, 1926). Zjawisko opisał empirycznie, a odpowiedzi szukał – jak mówi podtytuł – w losowaniu prób i w naturze samych szeregów. Ścisły dowód matematyczny tego wyniku podali dopiero Ernst, Shepp i Wyner (2017).
  • Autoregresja. W 1927 r. zakwestionował, by liczby plam słonecznych były tylko cyklem przykrytym losowym szumem, i zaproponował inne ujęcie szeregów „zaburzonych” (Yule, 1927). Jego nazwisko noszą równania Yule'a–Walkera, którymi szacuje się modele autoregresyjne (AR) – dziś część modeli ARIMA.

Ciekawostka

Według nekrologu w The Times stosunkowo późno zaczął jeździć samochodem, a potem zainteresował się lataniem i w wieku ok. 60 lat zdobył własną licencję pilota (The Times, 1951). Roku egzaminu nekrolog nie podaje.

Ten sam tekst wspomina inną pasję: badanie słownictwa pisarzy doprowadziło go do bibliofilstwa. Zebrał ok. 50 drukowanych wydań O naśladowaniu Chrystusa Tomasza à Kempis oraz cztery rękopisy i przekazał całą kolekcję bibliotece swojego kolegium.

Przykład: korelacja dwóch niezależnych szeregów

Pomysł Yule'a łatwo dziś sprawdzić symulacją (dane symulowane, set.seed(1926)). Losujemy 5000 par niezależnych szeregów po 50 punktów trzech typów: biały szum, błądzenie losowe (skumulowane sumy szumu) i sumy błądzenia. W każdej parze liczymy korelację Pearsona i zwykły test istotności r.

  • Biały szum: SD(r) = .143, |r| > .5 praktycznie nigdy (0.0%), p < .05 w 4.9% par – tak, jak obiecuje test.
  • Błądzenie losowe: SD(r) = .490, |r| > .5 w 39.4% par, p < .05 w 66.6% par.
  • Sumy błądzenia: SD(r) = .822, |r| > .5 w 84.5% par, p < .05 w 91.7% par.

Dłuższy szereg nie pomaga: dla 2000 par błądzeń po 1000 punktów SD(r) wyniosło .492 (set.seed(1927)). To zgodne z wynikiem Ernsta i in. (2017), że dla dwóch niezależnych procesów Wienera odchylenie standardowe korelacji wynosi prawie 0.5.

Drugi przykład dotyczy pracy z 1927 r. i danych historycznych. Roczne liczby plam słonecznych z lat 1749–1924 (datasets::sunspot.year, n = 176) opisaliśmy modelem autoregresyjnym rzędu 2: yt = 13.94 + 1.336·yt−1 − 0.650·yt−2, R² = .80. Model AR(2) to najprostszy zapis szeregu „zaburzonego”: bieżąca wartość zależy od dwóch poprzednich i od losowego wstrząsu. Takie równanie opisuje cykl tłumiony i podtrzymywany przez wstrząsy, a jej okres wynosi 10.6 roku. Nie twierdzimy, że Yule uzyskał te same liczby – to nasza analiza w jego stylu.

Na rysunku

Oś czasu od 1870 do 1950 z dziesięcioma zdarzeniami oznaczonymi kształtami: koło – życie, kwadrat – stanowisko, trójkąt – praca. 1871 urodzony w Morham w Szkocji, 1893 wykładowca w University College u K. Pearsona, 1911 podręcznik An Introduction to the Theory of Statistics, 1912 Reader w Cambridge i St John's College, 1914 Board of Trade (1914–1918), 1925 prezes Royal Statistical Society, 1926 praca o nonsense-correlations między szeregami, 1927 praca o szeregach zaburzonych na przykładzie plam słonecznych, 1931 rezygnacja z readership i licencja pilota w wieku ok. 60 lat, 1951 zmarł 26 czerwca w Cambridge
Rysunek 1. Najważniejsze daty z życia George'a Udny Yule'a. Daty według Yatesa (1952), Edwardsa (2001), nekrologu w The Times (1951) i prac Yule'a (1926, 1927). Rysunek: R, pakiet ggplot2.

Co widać. Kariera Yule'a ma dwa etapy: londyński, przy Pearsonie, i cambridgeski, od 1912 r. Prace o szeregach czasowych powstały w Cambridge, kiedy Yule miał już ponad 50 lat.

Na co uważać. To wybór dziesięciu zdarzeń, nie pełny życiorys. Licencję pilota nekrolog umieszcza „w wieku ok. 60 lat”, więc punkt przy 1931 r. jest przybliżony.

Podpis do pracy:

Rysunek 1. Wybrane wydarzenia z życia i pracy George'a Udny Yule'a (1871–1951). Uwaga. Opracowano na podstawie Yates (1952), Edwards (2001) i nekrologu w The Times (1951).
Panel A: trzy histogramy współczynnika korelacji r dla 5000 par niezależnych szeregów o długości 50, z liniami przerywanymi przy r = −0.5 i 0.5. Dla białego szumu r skupia się wokół zera między około −0.4 a 0.4; dla błądzenia losowego rozkład jest prawie płaski od −0.9 do 0.9; dla sum błądzenia ma kształt litery U z maksimami przy −1 i 1. Panel B: dwa niezależne błądzenia losowe w czasie (linia ciągła i przerywana), jedno spada do około −9, drugie rośnie do około 11; r = −0.86
Rysunek 2. Rozkład korelacji r dla 5000 par niezależnych szeregów trzech typów (A) i przykładowa para niezależnych błądzeń losowych (B). Dane symulowane (set.seed(1926), n = 50); w panelu B wybrano parę o największym |r| spośród pierwszych 20 par. Rysunek: R, pakiety ggplot2 i patchwork.

Co widać. Szeregi w każdej parze są z konstrukcji niezależne, a mimo to rozkład r zmienia się radykalnie. Przy białym szumie korelacje są małe. Przy błądzeniu losowym każda wartość od −0.9 do 0.9 jest mniej więcej tak samo prawdopodobna. Przy sumach błądzenia najczęstsze są korelacje bliskie −1 albo 1. Panel B pokazuje mechanizm: każdy szereg długo „wędruje” w jedną stronę, a dwa przypadkowe trendy dają wysokie |r|.

Na co uważać. Para w panelu B jest wybrana jako najbardziej wyrazista z 20, więc nie jest typowa – typowe rozproszenie pokazuje panel A. Test istotności r zakłada niezależne obserwacje, a w szeregach z trendem kolejne punkty niosą prawie tę samą informację. Dlatego p < .05 w dwóch trzecich par błądzeń to błąd testu, a nie odkrycie.

Podpis do pracy:

Rysunek 2. Rozkład współczynnika korelacji Pearsona dla 5000 par niezależnych szeregów o długości 50: białego szumu, błądzenia losowego i skumulowanego błądzenia losowego (A) oraz przykładowa para niezależnych błądzeń losowych (B). Uwaga. Dane symulowane; linie przerywane – r = ±0.5.

Gdzie spotkasz Yule'a w swojej pracy

Spory, mity i trudne strony

„Korelacja nonsensowna to to samo co korelacja pozorna”. Niezupełnie. Korelacja pozorna zwykle ma przyczynę – np. wspólny czynnik wpływający na obie zmienne. Korelacja nonsensowna Yule'a może powstać między szeregami, które nic nie łączy: wystarczy, że każdy z nich jest „skorelowany sam ze sobą” w czasie (Ernst i in., 2017).

„Wystarczy dłuższy szereg”. Nie. W naszej symulacji wydłużenie błądzeń z 50 do 1000 punktów nie zmniejszyło rozrzutu r (.490 i .492). Pomaga analiza zmian (różnic) albo model uwzględniający strukturę szeregu, a nie większe n.

„Wynik Yule'a od razu zmienił praktykę”. Ernst i in. (2017) piszą, że jego odkrycie przez kilkadziesiąt lat pozostawało w literaturze odosobnione. Matematyczne wyjaśnienie zaczęło się pojawiać dopiero w 1986 r.

Przykład reprodukowalny

Yule w R

Kod rysuje oś czasu, symuluje korelacje niezależnych szeregów trzech typów, liczy odsetek „istotnych” korelacji i dopasowuje model autoregresyjny rzędu 2 do plam słonecznych. Rysunki na stronie powstały z tych samych obiektów p_os i p_metoda z krojem i tłem serwisu; dane, geometrie i skale są identyczne.

Oś czasu, korelacje nonsensowne i model AR(2)

Dane wejściowe: symulacje (set.seed(1926): 5000 par szeregów o długości 50; set.seed(1927): 2000 par błądzeń o długości 1000) oraz data(sunspot.year, package = "datasets") – roczne liczby plam słonecznych 1700–1988, z których bierzemy lata 1749–1924; daty osi czasu z cytowanych źródeł. Długość szeregu i liczbę par ustaliliśmy ręcznie.

Co odczytać: SD(r), odsetek |r| > .5 i odsetek p < .05 dla trzech typów szeregów; SD(r) dla długich błądzeń; współczynniki AR(2), R² i okres cyklu w latach.

Kod R rysunków 1 i 2
# George Udny Yule: oś czasu, „korelacje nonsensowne” między szeregami czasowymi i model AR(2) dla plam słonecznych
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
oi <- c(niebieski = "#0072B2", pomaranczowy = "#E69F00", cynober = "#D55E00", zielony = "#009E73", szary = "grey45")  # Okabe–Ito
motyw <- theme_minimal(base_size = 13) + theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"))

# 1. Oś czasu (daty z cytowanych w haśle źródeł)
zdarzenia <- data.frame(
  rok = c(1871, 1893, 1911, 1912, 1914, 1925, 1926, 1927, 1931, 1951),
  opis = c("urodzony w Morham\n(Szkocja)", "wykładowca w University\nCollege (u K. Pearsona)", "podręcznik\n„An Introduction\nto the Theory\nof Statistics”",
           "Cambridge: Reader,\nSt John's College", "Board of Trade\n(1914–1918)", "prezes Royal\nStatistical Society",
           "„nonsense-\ncorrelations”\nmiędzy\nszeregami", "szeregi „zaburzone”:\nplamy słoneczne", "rezygnuje z readership;\nok. 60 lat: licencja pilota",
           "zmarł 26 czerwca\nw Cambridge"),
  rodzaj = c("życie", "stanowisko", "praca", "stanowisko", "stanowisko", "stanowisko", "praca", "praca", "życie", "życie"))
zdarzenia$y <- c(1.2, -1.1, 2.2, -2.2, 1, -1.1, 2.2, -2.2, 1, -1.1)   # wysokość etykiet, żeby się nie nakładały
p_os <- ggplot(zdarzenia, aes(rok, 0)) +
  geom_hline(yintercept = 0, colour = "grey60") +
  geom_segment(aes(xend = rok, yend = y * 0.8), colour = "grey70") +
  geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.5) +
  geom_label(aes(y = y, label = paste0(rok, "\n", opis)), size = 3.1, lineheight = 0.9, linewidth = 0.2) +
  scale_shape_manual(values = c("życie" = 21, "stanowisko" = 22, "praca" = 24), name = NULL) +
  scale_fill_manual(values = c("życie" = oi[["szary"]], "stanowisko" = oi[["niebieski"]], "praca" = oi[["cynober"]]), name = NULL) +
  scale_x_continuous(breaks = seq(1870, 1950, 10), limits = c(1862, 1960)) + scale_y_continuous(limits = c(-2.8, 2.8)) +
  labs(title = "George Udny Yule (1871–1951)", x = NULL, y = NULL) +
  motyw + theme(axis.text.y = element_blank(), panel.grid.major.y = element_blank(), legend.position = "bottom")

# 2. Korelacja dwóch NIEZALEŻNYCH szeregów: szum, błądzenie losowe (sumy szumu) i sumy błądzenia
set.seed(1926)
n <- 50; R <- 5000                                  # długość szeregu i liczba par
szereg <- list(`szum biały` = function() rnorm(n),
               `błądzenie losowe` = function() cumsum(rnorm(n)),
               `sumy błądzenia` = function() cumsum(cumsum(rnorm(n))))
r <- sapply(szereg, function(f) replicate(R, cor(f(), f())))
istotne <- function(r) 2 * pt(-abs(r) * sqrt((n - 2) / (1 - r^2)), n - 2) < .05   # zwykły test r (p < .05)
round(rbind(SD_r = apply(r, 2, sd), odsetek_abs_r_ponad_05 = colMeans(abs(r) > 0.5),
            odsetek_p_ponizej_05 = colMeans(apply(r, 2, istotne))), 3)
# Dłuższe błądzenia (n = 1000): odchylenie standardowe r nie maleje
set.seed(1927)
r_dlugie <- replicate(2000, cor(cumsum(rnorm(1000)), cumsum(rnorm(1000))))
round(c(SD_r_n1000 = sd(r_dlugie)), 3)

# Przykładowa para błądzeń: z pierwszych 20 par z tego samego ziarna wybieramy tę o największym |r|
set.seed(1926)
pary <- replicate(20, list(cumsum(rnorm(n)), cumsum(rnorm(n))), simplify = FALSE)
r_par <- sapply(pary, function(p) cor(p[[1]], p[[2]]))
k <- which.max(abs(r_par)); round(c(para = k, r = r_par[k]), 3)
para <- data.frame(t = rep(1:n, 2), wartosc = c(pary[[k]][[1]], pary[[k]][[2]]), szereg = rep(c("szereg X", "szereg Y"), each = n))

d_r <- data.frame(r = c(r), typ = factor(rep(colnames(r), each = R), levels = names(szereg)))
p_r <- ggplot(d_r, aes(r)) +
  geom_histogram(breaks = seq(-1, 1, 0.05), fill = oi[["niebieski"]], colour = "white", linewidth = 0.2) +
  geom_vline(xintercept = c(-0.5, 0.5), linetype = "dashed", colour = oi[["cynober"]]) +
  facet_wrap(~ typ, ncol = 1) +
  labs(title = "A. r dwóch niezależnych szeregów, n = 50", x = "Współczynnik korelacji r", y = "Liczba par (z 5000)") + motyw
p_para <- ggplot(para, aes(t, wartosc, linetype = szereg, colour = szereg)) +
  geom_line(linewidth = 0.8) +
  scale_colour_manual(values = c("szereg X" = oi[["niebieski"]], "szereg Y" = oi[["cynober"]]), name = NULL) +
  scale_linetype_manual(values = c("szereg X" = "solid", "szereg Y" = "22"), name = NULL) +
  labs(title = sprintf("B. Para niezależnych błądzeń: r = %.2f", r_par[k]), x = "Czas", y = "Wartość") +
  motyw + theme(legend.position = "bottom")
p_metoda <- p_r + p_para + plot_layout(widths = c(1, 1.1))

# 3. Plamy słoneczne 1749–1924 i model autoregresyjny rzędu 2 (pomysł Yule'a z 1927 r.)
data(sunspot.year, package = "datasets")
y <- as.numeric(window(sunspot.year, start = 1749, end = 1924))
d <- data.frame(y = y[3:length(y)], y1 = y[2:(length(y) - 1)], y2 = y[1:(length(y) - 2)])
ar2 <- lm(y ~ y1 + y2, data = d)
round(c(n = length(y), coef(ar2), R2 = summary(ar2)$r.squared), 3)
a <- coef(ar2)[c("y1", "y2")]
okres <- 2 * pi / acos(a[1] / (2 * sqrt(-a[2])))   # okres tłumionej sinusoidy z równania AR(2)
round(c(okres_lata = unname(okres)), 1)
p_os
p_metoda
Wynik w R
                       szum biały błądzenie losowe sumy błądzenia
SD_r                        0.143            0.490          0.822
odsetek_abs_r_ponad_05      0.000            0.394          0.845
odsetek_p_ponizej_05        0.049            0.666          0.917
SD_r_n1000 
     0.492 
  para      r 
 6.000 -0.861 
          n (Intercept)          y1          y2          R2 
    176.000      13.941       1.336      -0.650       0.802 
okres_lata 
      10.6 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (symulacje, korelacje i model AR(2) – funkcje bazowe cor(), pt(), lm(); 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 George Udny Yule?

Brytyjskim statystykiem (1871–1951). Od 1893 r. wykładał w University College London u Karla Pearsona, od 1912 r. w Cambridge. Napisał podręcznik An Introduction to the Theory of Statistics (1911), był członkiem Royal Society i prezesem Royal Statistical Society (1925).

Co to jest korelacja nonsensowna Yule'a?

To wysoka korelacja między szeregami czasowymi, które nic ze sobą nie łączy. Yule opisał ją w 1926 r. Powstaje, gdy każdy szereg „wędruje” jak błądzenie losowe: w symulacji 5000 par niezależnych błądzeń po 50 punktów zwykły test r dał p < .05 w 66.6% par.

Czym korelacja nonsensowna różni się od korelacji pozornej?

Korelacja pozorna ma zwykle przyczynę, np. wspólny czynnik wpływający na obie zmienne. Korelacja nonsensowna może powstać bez żadnego związku – wystarczy, że oba szeregi są silnie skorelowane same ze sobą w czasie. Chroni przed nią analiza zmian albo model szeregu, nie większa próba.

Czy Yule naprawdę latał samolotem?

Tak – według nekrologu w The Times stosunkowo późno zaczął jeździć samochodem, potem zainteresował się lataniem i w wieku ok. 60 lat zdobył własną licencję pilota.

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. Edwards, A. W. F. (2001). George Udny Yule. In C. C. Heyde & E. Seneta (Eds.), Statisticians of the centuries (pp. 292–294). Springer. https://doi.org/10.1007/978-1-4613-0179-0_62
  2. Ernst, P. A., Shepp, L. A., & Wyner, A. J. (2017). Yule's “nonsense correlation” solved! The Annals of Statistics, 45(4), 1789–1809. https://doi.org/10.1214/16-aos1509 ● Otwarty dostęp
  3. The Times. (1951). Mr. G. Udny Yule: Studies in statistics [nekrolog]. MacTutor History of Mathematics Archive (przedruk nekrologu z dziennika The Times). https://mathshistory.st-andrews.ac.uk/TimesObituaries/Yule/ ● Otwarty dostęp
  4. Yates, F. (1952). George Udny Yule 1871–1951. Obituary Notices of Fellows of the Royal Society, 8(21), 308–323. https://doi.org/10.1098/rsbm.1952.0020
  5. Yule, G. U. (1926). Why do we sometimes get nonsense-correlations between time-series? A study in sampling and the nature of time-series. Journal of the Royal Statistical Society, 89(1), 1–63. https://doi.org/10.2307/2341482
  6. Yule, G. U. (1927). On a method of investigating periodicities in disturbed series, with special reference to Wolfer's sunspot numbers. Philosophical Transactions of the Royal Society of London. Series A, 226(636–646), 267–298. https://doi.org/10.1098/rsta.1927.0007 ● Otwarty dostęp

Cytowania BibTeX

@incollection{edwards2001george, author={Edwards, A. W. F.}, title={{George Udny Yule}}, booktitle={Statisticians of the centuries}, year={2001}, pages={292--294}, publisher={Springer}, doi={10.1007/978-1-4613-0179-0_62}}
@article{ernst2017yule, author={Ernst, Philip A. and Shepp, Larry A. and Wyner, Abraham J.}, title={{Yule's “nonsense correlation” solved!}}, journal={The Annals of Statistics}, year={2017}, volume={45}, number={4}, pages={1789--1809}, doi={10.1214/16-aos1509}}
@misc{times1951yule, author={{The Times}}, title={{Mr. G. Udny Yule: Studies in statistics [nekrolog]}}, howpublished={MacTutor History of Mathematics Archive (przedruk nekrologu z dziennika The Times)}, year={1951}, publisher={University of St Andrews}, url={https://mathshistory.st-andrews.ac.uk/TimesObituaries/Yule/}}
@article{yates1952george, author={Yates, Frank}, title={{George Udny Yule 1871–1951}}, journal={Obituary Notices of Fellows of the Royal Society}, year={1952}, volume={8}, number={21}, pages={308--323}, doi={10.1098/rsbm.1952.0020}}
@article{yule1926why, author={Yule, G. Udny}, title={{Why do we sometimes get nonsense-correlations between time-series? A study in sampling and the nature of time-series}}, journal={Journal of the Royal Statistical Society}, year={1926}, volume={89}, number={1}, pages={1--63}, doi={10.2307/2341482}}
@article{yule1927method, author={Yule, George Udny}, title={{On a method of investigating periodicities in disturbed series, with special reference to Wolfer's sunspot numbers}}, journal={Philosophical Transactions of the Royal Society of London. Series A}, year={1927}, volume={226}, number={636–646}, pages={267--298}, doi={10.1098/rsta.1927.0007}}
R