Słownik metodologiczny · Ludzie statystyki

Henry B. Mann (1905–2000) i D. Ransom Whitney (zm. 2007) – autorzy testu U

Henry B. Mann, wiedeński specjalista od teorii liczb, i jego doktorant D. Ransom Whitney ogłosili w 1947 r. test U do porównania dwóch grup. Przedstawiamy ich drogi do Ohio State, historię o znaczkach i jeziorze Mendota oraz dokładny rozkład U wyliczony w R ze wszystkich 184 756 podziałów rang.

Strona główna / Słownik / Henry B. Mann i D. Ransom Whitney
W skrócie: Henry B. Mann (1905–2000) i D. Ransom Whitney (zm. 2007) – autorzy testu U (1947) do porównania dwóch niezależnych grup na podstawie rang. Mann, matematyk z Wiednia, był laureatem Nagrody Cole’a z teorii liczb; Whitney, jego doktorant w Ohio State, zbudował tam później Wydział Statystyki.

Kim byli Henry B. Mann i D. Ransom Whitney?

Henry Berthold Mann (1905–2000) urodził się 27 października 1905 r. w Wiedniu. Doktorat z algebraicznej teorii liczb obronił w 1935 r. na Uniwersytecie Wiedeńskim (promotor: Philipp Furtwängler), a w 1938 r. wyemigrował do Stanów Zjednoczonych. W 1942 r. dostał stypendium Carnegie na naukę statystyki na Columbii i pracował tam z Abrahamem Waldem. Od połowy lat 40. pracował w Ohio State University, potem w Wisconsin i Arizonie. Zmarł 1 lutego 2000 r. w Tucson (Ohio State University Department of Mathematics, b.d.).

Donald Ransom Whitney ukończył Oberlin College (1936) i magisterium z matematyki w Princeton, a w latach 1942–1946 służył w marynarce wojennej USA (Whitney i in., 1999; Willke, 2008). W 1946 r. przyszedł na studia doktoranckie do Ohio State; jego promotorem został Mann. Od 1948 r. uczył matematyki w Ohio State i prowadził uczelniane Laboratorium Statystyczne, a w latach 1974–1979 był pierwszym kierownikiem Wydziału Statystyki. Na emeryturę przeszedł w 1982 r., zmarł 16 sierpnia 2007 r. w wieku 92 lat (Willke, 2008).

Najważniejsze pomysły

  • Statystyka U (1947). W „The Annals of Mathematical Statistics” Mann i Whitney (1947) zaproponowali statystykę U opartą na względnych rangach dwóch prób do testowania hipotezy, że obie zmienne mają ten sam rozkład – dziś test Manna–Whitneya. Rozkład U przy hipotezie zerowej wyznaczyli z zależności rekurencyjnej, podali tablice prawdopodobieństw dla prób do 8 obserwacji w każdej grupie i zauważyli, że przy tej liczebności rozkład jest już prawie normalny.
  • Test na trend (1945). Wcześniej Mann (1945) zaproponował nieparametryczne testy hipotezy o braku trendu w ciągu obserwacji – to źródło nazwy testu Manna–Kendalla.
  • Teoria liczb. Mann był przede wszystkim matematykiem czystym. W 1941 r. udowodnił hipotezę Schnirelmanna–Landaua o gęstości sumy zbiorów liczb naturalnych (twierdzenie „α + β”), za co w 1946 r. otrzymał Nagrodę Cole’a z teorii liczb (Ohio State University Department of Mathematics, b.d.).
  • Planowanie eksperymentów. Z Waldem pisał m.in. o teście chi-kwadrat, a zainteresowanie analizą wariancji doprowadziło go do książki Analysis and Design of Experiments (1949).

Whitney napisał rozprawę o mocy testów nieparametrycznych – sam przyznał po latach, że nie podbiła świata (Whitney i in., 1999). Trwalszym dziełem okazało się doradztwo: według Willkego (2008) pomógł setkom badaczy i wypromował ponad stu magistrów.

Ciekawostka

Whitney trafił do statystyki przez przypadek. Jak opisał w historii statystyki w Ohio State (Whitney i in., 1999), przyjechał tam w 1946 r. z nadzieją, że będzie się kształcił u matematyka stosowanego J. L. Synge’a. Synge jednak w ciągu roku odszedł z uczelni i Whitney został bez opiekuna. Statystyka go pociągała, a Mann – jak pisze – chętnie prowadził każdego, kto interesował się jego pracą.

Whitney wspomina też Manna jako spokojnego, życzliwego człowieka, którego pasjami były znaczki i pływanie. Najbardziej cenił znaczki rosyjskie sprzed I wojny światowej – piękną kolekcję kolonii brytyjskich sprzedał, żeby kupić jeden rosyjski znaczek. Latem samotnie przepływał jezioro Mendota w Wisconsin; gdy ze względów bezpieczeństwa miała mu towarzyszyć łódź, rozwiązał to po swojemu – holował przez jezioro żonę siedzącą w małej łódce.

Przykład na danych z pakietu R

Zbiór PlantGrowth z pakietu datasets to – według pliku pomocy – wyniki eksperymentu porównującego plony (sucha masa roślin) w grupie kontrolnej i w dwóch warunkach eksperymentalnych, po 10 roślin; źródłem jest podręcznik Dobson (1983). Porównujemy dwa warunki: trt1 (Me = 4.55) i trt2 (Me = 5.44). Remisów nie ma.

Z 10 × 10 = 100 par „roślina z trt1, roślina z trt2” tylko w 16 cięższa jest roślina z trt1, więc U = 16 (prawdopodobieństwo przewagi 16/100 = .16). To samo wychodzi z sumy rang. Rozkład U przy hipotezie zerowej dostajemy bez tablic: wypisujemy wszystkie 184 756 podziałów 20 rang na dwie grupy po 10 i dla każdego liczymy U. Średnia (50) i wariancja (175) zgadzają się ze wzorami. Wynik równie skrajny jak w danych daje 1650 podziałów, czyli dokładne p = .0089 – to samo, co zwraca wilcox.test().

Przybliżenie rozkładem normalnym daje z = −2.57 i p = .0102, a z poprawką na ciągłość p = .0113. W dalekim ogonie różnice rosną: prawdopodobieństwo U ≤ 5 przybliżenie zawyża 3.7 razy, a U = 0 – prawie 17 razy.

Na rysunku

Oś czasu w dwóch pasach od 1900 do 2010. Pas Henry’ego B. Manna: 1905 urodził się w Wiedniu; 1935 doktorat w Wiedniu; 1938 emigracja do USA; 1942 stypendium Carnegie na Columbii u Walda; 1946 Nagroda Cole’a i Ohio State; 1947 test U z Whitneyem; 1949 książka o planowaniu eksperymentów; 1964 Wisconsin, potem Arizona; 2000 zmarł w Tucson. Pas D. Ransoma Whitneya: 1936 dyplom Oberlin College; 1942–1946 marynarka wojenna; 1946 studia w Ohio State; 1947 test U z Mannem; 1948 asystent profesor matematyki; 1970 kierownik sekcji statystyki; 1974 pierwszy kierownik wydziału statystyki; 1982 emerytura; 2007 zmarł. Rodzaj zdarzenia oznacza kształt i kolor znacznika: koło – życie, kwadrat – praca, romb – publikacja, trójkąt – wyróżnienie
Rysunek 1. Oś czasu: Henry B. Mann (1905–2000) i D. Ransom Whitney (zm. 2007). Lata według strony wydziału matematyki Ohio State (b.d.), Whitneya i in. (1999), Willkego (2008) oraz dat publikacji. Rysunek: R, pakiet ggplot2.

Co widać. Drogi obu autorów przecinają się w Ohio State tuż po wojnie; test U powstaje, gdy Whitney jest jeszcze doktorantem.

Na co uważać. Źródła różnią się w szczegółach: Whitney i in. (1999) podają dla Manna lata 1945 i 1962/63, a strona wydziału matematyki – 1946 i 1964; na osi są te drugie. Daty urodzenia Whitneya źródła nie podają.

Podpis do pracy:

Rysunek 1. Najważniejsze daty z życia i pracy Henry’ego B. Manna (1905–2000) i D. Ransoma Whitneya (zm. 2007). Uwaga. Kształt znacznika oznacza rodzaj zdarzenia (życie, praca, publikacja, wyróżnienie).
Dwa panele. A: słupki dokładnego rozkładu statystyki U dla dwóch grup po 10 obserwacji, symetryczne wokół 50, z przerywaną krzywą normalną, która prawie pokrywa się ze słupkami; słupki U od 0 do 16 i od 84 do 100 wyróżnione pomarańczowym kolorem, strzałka przy U = 16, opis: p dokładne = 0.0089, p normalne z poprawką = 0.0113. B: skumulowane prawdopodobieństwo P(U ≤ u) dla u od 0 do 30 w skali logarytmicznej; niebieska linia z kółkami – wartości dokładne, pomarańczowa przerywana z trójkątami – przybliżenie normalne; przy małych u przybliżenie leży wyraźnie wyżej, od około u = 20 linie się zbiegają; pionowa linia przy u = 16
Rysunek 2. Dokładny rozkład statystyki U Manna–Whitneya dla dwóch grup po 10 obserwacji (wszystkie 184 756 podziałów rang) i przybliżenie normalne; dane datasets::PlantGrowth, warunki trt1 i trt2. Obliczenia i rysunek: R, pakiety ggplot2 i patchwork (pełne wyliczenie, bez losowania).

Co widać. W panelu A krzywa normalna prawie idealnie obrysowuje słupki – to ta „prawie normalność”, o której Mann i Whitney (1947) pisali już przy 8 obserwacjach w grupie. Pomarańczowe słupki po obu stronach to wyniki co najmniej tak skrajne jak U = 16; ich łączne prawdopodobieństwo to dokładne p. Panel B w skali logarytmicznej pokazuje, że daleko w ogonie przybliżenie odkleja się od wartości dokładnych.

Na co uważać. Rozkład dokładny jest „schodkowy”, a przy remisach zależy od tego, które wyniki są równe – wtedy wylicza się podziały rang średnich, a nie korzysta z tablic.

Podpis do pracy:

Rysunek 2. Rozkład statystyki U przy hipotezie zerowej dla n1 = n2 = 10 z pełnego wyliczenia podziałów rang (A) oraz skumulowane prawdopodobieństwa dokładne i z przybliżenia normalnego (B). Uwaga. Obserwowane U = 16; dokładne p = .0089.

Gdzie spotkasz Manna i Whitneya w swojej pracy

Zawsze, gdy porównujesz dwie niezależne grupy na zmiennej porządkowej albo skośnej. Na co zwracać uwagę:

Spory, mity i trudne strony

  • Kto był pierwszy? Mann i Whitney (1947) sami piszą, że równoważny test zaproponował Frank Wilcoxon w 1945 r., podając jednak tylko kilka punktów rozkładu statystyki. Wilcoxon (1947) z kolei odnotował ich tablice dla 3–8 obserwacji w grupie. Stąd nazwa „test sumy rang Wilcoxona” – to ten sam test, a U i suma rang różnią się o stałą. Nie myl go z testem Wilcoxona dla par.
  • „Test median”. Alternatywa z pracy z 1947 r. to stochastyczna przewaga jednej zmiennej, nie różnica median (szerzej w haśle o teście).
  • Rok doktoratu Whitneya. Willke (2008) podaje 1946, strona wydziału matematyki – 1949, a Whitney pisał, że na studia przyjechał w 1946 r.; roku nie podajemy.
Przykład reprodukowalny

Dokładny rozkład U Manna–Whitneya w R

Kod wczytuje dane PlantGrowth, liczy U z par i z rang, wypisuje wszystkie podziały 20 rang na grupy po 10, porównuje dokładne p z przybliżeniem normalnym 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. Kod nie losuje.

1. Pełne wyliczenie rozkładu U: rysunek 2

Dane wejściowe: data(PlantGrowth, package = "datasets") – sucha masa roślin w grupie kontrolnej i dwóch warunkach (po 10 roślin; Dobson, 1983, według pliku pomocy); porównujemy trt1 i trt2.

Co odczytać: U z par i z rang; liczbę podziałów; średnią i wariancję U; dokładne p i p z przybliżenia normalnego; tabelę lewego ogona.

Kod R rysunku 2
# Mann i Whitney: dokładny rozkład U przez pełne wyliczenie vs przybliżenie normalne (datasets::PlantGrowth)
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
kol <- c(dokladny = "#0072B2", normalny = "#D55E00", ogon = "#E69F00", tlo = "grey75")   # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")
data(PlantGrowth, package = "datasets")
# weight – sucha masa roślin; group – kontrola (ctrl) i dwa warunki (trt1, trt2), po 10 roślin
x <- PlantGrowth$weight[PlantGrowth$group == "trt1"]
y <- PlantGrowth$weight[PlantGrowth$group == "trt2"]
n1 <- length(x); n2 <- length(y); N <- n1 + n2
rbind(trt1 = summary(x), trt2 = summary(y))
c(remisy = anyDuplicated(c(x, y)) > 0)

# 1. Statystyka U: liczba par (trt1, trt2), w których roślina z trt1 jest cięższa
U_pary <- sum(outer(x, y, ">")) + 0.5 * sum(outer(x, y, "=="))
r <- rank(c(x, y))
U_rangi <- sum(r[1:n1]) - n1 * (n1 + 1) / 2          # to samo z sumy rang
c(U_pary = U_pary, U_rangi = U_rangi, liczba_par = n1 * n2)

# 2. Pełne wyliczenie: przy H0 każdy podział 20 rang na grupy 10 + 10 jest równie prawdopodobny
podzialy <- combn(N, n1)                              # 184 756 kolumn
U_wszystkie <- colSums(matrix(r[podzialy], nrow = n1)) - n1 * (n1 + 1) / 2
c(liczba_podzialow = ncol(podzialy), choose_20_10 = choose(N, n1))
rozklad <- as.data.frame(table(U = U_wszystkie), stringsAsFactors = FALSE)
rozklad$U <- as.numeric(rozklad$U); rozklad$p <- rozklad$Freq / ncol(podzialy)
c(srednia_U = mean(U_wszystkie), wariancja_U = mean((U_wszystkie - mean(U_wszystkie))^2),
  wzor_srednia = n1 * n2 / 2, wzor_wariancja = n1 * n2 * (N + 1) / 12)
# zgodność z rozkładem wbudowanym w R (dwilcox)
c(max_roznica_z_dwilcox = max(abs(rozklad$p - dwilcox(rozklad$U, n1, n2))))

# 3. Wartość p: dokładna (z wyliczenia) i z przybliżenia normalnego
mu <- n1 * n2 / 2; sigma <- sqrt(n1 * n2 * (N + 1) / 12)
p_dokladne <- mean(abs(U_wszystkie - mu) >= abs(U_rangi - mu))
p_normalne <- 2 * pnorm(-abs(U_rangi - mu) / sigma)
p_normalne_cc <- 2 * pnorm(-(abs(U_rangi - mu) - 0.5) / sigma)      # z poprawką na ciągłość
c(uklady_tak_skrajne = sum(abs(U_wszystkie - mu) >= abs(U_rangi - mu)))
round(c(p_dokladne = p_dokladne, p_normalne = p_normalne, p_normalne_cc = p_normalne_cc,
        p_wilcox_test = wilcox.test(x, y)$p.value), 5)
round(c(z = (U_rangi - mu) / sigma, PS = U_rangi / (n1 * n2)), 3)

# 4. Ogon rozkładu: P(U <= u) dokładne vs normalne z poprawką, dla u = 0, ..., 30
ogon <- data.frame(u = 0:30)
ogon$dokladne <- sapply(ogon$u, function(u) mean(U_wszystkie <= u))
ogon$normalne_cc <- pnorm((ogon$u + 0.5 - mu) / sigma)
ogon$iloraz <- ogon$normalne_cc / ogon$dokladne
round(ogon[ogon$u %in% c(0, 5, 10, 16, 20, 25, 30), ], 6)

# Rysunek: A – dokładny rozkład U z krzywą normalną; B – ogon w skali logarytmicznej
rozklad$ogon <- abs(rozklad$U - mu) >= abs(U_rangi - mu)
krzywa <- data.frame(U = seq(0, n1 * n2, by = 0.25)); krzywa$p <- dnorm(krzywa$U, mu, sigma)
pA <- ggplot(rozklad, aes(U, p)) +
  geom_col(aes(fill = ogon), width = 0.85) +
  geom_line(data = krzywa, aes(U, p), colour = kol[["normalny"]], linewidth = 0.9, linetype = "22") +
  annotate("segment", x = U_rangi, xend = U_rangi, y = 0.004, yend = 0.0005, arrow = arrow(length = unit(2, "mm"))) +
  annotate("text", x = U_rangi, y = 0.0045, vjust = 0, size = 3.4, label = sprintf("U = %g", U_rangi)) +
  annotate("text", x = 92, y = 0.026, hjust = 1, size = 3.3, lineheight = 0.95,
           label = sprintf("p dokładne = %.4f\np normalne (z poprawką) = %.4f", p_dokladne, p_normalne_cc)) +
  scale_fill_manual(values = c(`FALSE` = kol[["tlo"]], `TRUE` = kol[["ogon"]]),
                    labels = c("pozostałe wartości U", "co najmniej tak skrajne jak w danych"), name = NULL) +
  labs(title = "A. Rozkład U przy H0: 184 756 podziałów", x = "U (n1 = n2 = 10)", y = "Prawdopodobieństwo") +
  motyw
ogon_dl <- rbind(data.frame(u = ogon$u, p = ogon$dokladne, metoda = "dokładne (wyliczenie)"),
                 data.frame(u = ogon$u, p = ogon$normalne_cc, metoda = "normalne z poprawką"))
pB <- ggplot(ogon_dl, aes(u, p, colour = metoda, shape = metoda, linetype = metoda)) +
  geom_vline(xintercept = U_rangi, colour = "grey60") +
  geom_line(linewidth = 0.7) + geom_point(size = 2) +
  scale_y_log10(breaks = 10^(-6:0), labels = c("0.000001", "0.00001", "0.0001", "0.001", "0.01", "0.1", "1")) +
  scale_colour_manual(values = c(kol[["dokladny"]], kol[["normalny"]]), name = NULL) +
  scale_shape_manual(values = c(16, 2), name = NULL) +
  scale_linetype_manual(values = c("solid", "22"), name = NULL) +
  labs(title = "B. Lewy ogon: P(U ≤ u)", x = "u", y = "P(U ≤ u), skala logarytmiczna") +
  motyw
p2 <- pA + pB + plot_layout(widths = c(1.25, 1))
p2
Wynik w R
     Min. 1st Qu. Median  Mean 3rd Qu. Max.
trt1 3.59  4.2075  4.550 4.661   4.870 6.03
trt2 4.92  5.2675  5.435 5.526   5.735 6.31
remisy 
 FALSE 
    U_pary    U_rangi liczba_par 
        16         16        100 
liczba_podzialow     choose_20_10 
          184756           184756 
     srednia_U    wariancja_U   wzor_srednia wzor_wariancja 
            50            175             50            175 
max_roznica_z_dwilcox 
                    0 
uklady_tak_skrajne 
              1650 
   p_dokladne    p_normalne p_normalne_cc p_wilcox_test 
      0.00893       0.01017       0.01133       0.00893 
    z    PS 
-2.57  0.16 
    u dokladne normalne_cc    iloraz
1   0 0.000005    0.000091 16.874855
6   5 0.000103    0.000384  3.736636
11 10 0.000752    0.001414  1.878977
17 16 0.004465    0.005665  1.268624
21 20 0.011615    0.012874  1.108367
26 25 0.031506    0.032011  1.016017
31 30 0.071570    0.070233  0.981311

2. Oś czasu: rysunek 1

Dane wejściowe: zdarzenia z latami według cytowanych źródeł, wpisane ręcznie.

Co odczytać: nic – kod tylko rysuje oś czasu.

Kod R rysunku 1
# Oś czasu: Henry B. Mann (1905–2000) i D. Ransom Whitney (zm. 2007) – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
  rok = c(1905, 1935, 1938, 1942, 1946, 1947, 1949, 1964, 2000,
          1936, 1942, 1946, 1947, 1948, 1970, 1974, 1982, 2007),
  osoba = c(rep("Henry B. Mann", 9), rep("D. Ransom Whitney", 9)),
  opis = c("urodził się\nw Wiedniu", "doktorat\n(Wiedeń)", "emigracja\ndo USA", "stypendium Carnegie,\nColumbia (Wald)",
           "Nagroda Cole'a;\nOhio State", "test U\n(z Whitneyem)", "książka o planowaniu\neksperymentów",
           "Wisconsin,\npotem Arizona", "zmarł\nw Tucson",
           "dyplom\nOberlin College", "1942–1946:\nmarynarka wojenna", "studia\nw Ohio State", "test U\n(z Mannem)",
           "asystent profesor\nmatematyki", "kierownik Division\nof Statistics", "pierwszy kierownik\nwydziału statystyki",
           "emerytura", "zmarł"),
  rodzaj = c("życie", "praca", "życie", "praca", "wyróżnienie", "publikacja", "publikacja", "praca", "życie",
             "życie", "praca", "praca", "publikacja", "praca", "praca", "praca", "praca", "życie"),
  poziom = c(0.4, -0.4, 0.4, -1.1, 1.1, -0.4, 0.4, -0.4, 0.4,
             0.4, -0.4, 1.1, -1.1, 0.4, -0.4, 0.4, -0.4, 0.4),     # wysokość etykiety (+ nad osią, − pod)
  wyrownanie = c(0.5, 1, 1, 0.5, 0.5, 0, 0, 0.5, 0.5,
                 1, 1, 0.5, 0.5, 0, 1, 0.5, 0, 0.5))               # rozsunięcie bliskich etykiet
zdarzenia$etykieta <- ifelse(zdarzenia$rok == 1942 & zdarzenia$osoba == "D. Ransom Whitney",
                             zdarzenia$opis, paste0(zdarzenia$rok, "\n", zdarzenia$opis))
zdarzenia$osoba <- factor(zdarzenia$osoba, levels = c("Henry B. Mann", "D. Ransom Whitney"))
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23, "wyróżnienie" = 24)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00", "wyróżnienie" = "#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), colour = "grey70") +
  geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.8, colour = "black") +
  geom_text(aes(y = poziom + 0.06 * sign(poziom), label = etykieta, vjust = ifelse(poziom > 0, 0, 1), hjust = wyrownanie),
            size = 3.1, lineheight = 0.88) +
  facet_wrap(~ osoba, ncol = 1) +
  scale_shape_manual(values = ksztalty, name = NULL) +
  scale_fill_manual(values = kolory, name = NULL) +
  scale_x_continuous(limits = c(1898, 2014), breaks = seq(1900, 2010, by = 10)) +
  scale_y_continuous(limits = c(-2.1, 2.1)) +
  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"),
        strip.text = element_text(face = "bold", hjust = 0), legend.position = "bottom")
p1

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pełne wyliczenie – funkcja combn() z pakietu utils, rozkład i test – dwilcox() i wilcox.test() z pakietu stats; dane – pakiet datasets; 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 byli Henry B. Mann i D. Ransom Whitney?

Matematykami z Ohio State University. Mann (1905–2000) urodził się w Wiedniu, doktoryzował się z teorii liczb, w 1938 r. wyemigrował do USA i po pracy z Waldem na Columbii trafił do Ohio State. Whitney był jego doktorantem; później kierował uczelnianym Laboratorium Statystycznym i był pierwszym kierownikiem Wydziału Statystyki (1974–1979). Zmarł w 2007 r. w wieku 92 lat.

Kto był pierwszy: Wilcoxon czy Mann i Whitney?

Wilcoxon – w 1945 r. W pracy z 1947 r. Mann i Whitney sami piszą, że Wilcoxon zaproponował równoważny test, ale podał tylko kilka punktów rozkładu statystyki. Oni wyznaczyli rozkład U z zależności rekurencyjnej, policzyli tablice dla prób do 8 obserwacji w grupie i udowodnili asymptotyczną normalność.

Kiedy w teście Manna–Whitneya liczyć dokładne p zamiast przybliżenia normalnego?

Przy małych próbach, zwłaszcza gdy wynik leży daleko w ogonie. W przykładzie z dwiema grupami po 10 obserwacji dokładne p = .0089, a przybliżenie normalne z poprawką na ciągłość daje .0113; dla skrajnych wartości U przybliżenie zawyża prawdopodobieństwo nawet kilkanaście razy.

Czym zajmował się Henry Mann poza statystyką?

Przede wszystkim teorią liczb i algebrą. W 1941 r. udowodnił hipotezę Schnirelmanna–Landaua o gęstości sumy zbiorów (twierdzenie α + β), za co w 1946 r. dostał Nagrodę Cole’a z teorii liczb. Napisał też książkę o planowaniu eksperymentów (1949) i zaproponował nieparametryczny test na trend (1945).

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. Mann, H. B. (1945). Nonparametric tests against trend. Econometrica, 13(3), 245–259. https://doi.org/10.2307/1907187
  2. Mann, H. B., & Whitney, D. R. (1947). On a test of whether one of two random variables is stochastically larger than the other. The Annals of Mathematical Statistics, 18(1), 50–60. https://doi.org/10.1214/aoms/1177730491 ● Otwarty dostęp
  3. Ohio State University Department of Mathematics. (b.d.). Henry Berthold Mann. Pobrano 19 listopada 2026 z https://math.osu.edu/about-us/history/henry-berthold-mann ● Otwarty dostęp
  4. Whitney, D. R., Rustagi, J., Santner, T., & Nagaraja, H. N. (1999). A short history of statistical science at The Ohio State University. The Ohio State University, Department of Statistics. https://stat.osu.edu/short-history-statistical-science-ohio-state-university-authored-d.-ransom-whitney-jagdish-rustagi ● Otwarty dostęp: pełny tekst
  5. Wilcoxon, F. (1947). Probability tables for individual comparisons by ranking methods. Biometrics, 3(3), 119–122. https://doi.org/10.2307/3001946
  6. Willke, T. (2008). In memoriam – Ransom Whitney. Department of Statistics Newsletter (The Ohio State University). https://stat.osu.edu/sites/stat.osu.edu/files/2008-statistics-newsletter.pdf ● Otwarty dostęp

Cytowania BibTeX

@article{mann1945nonparametric, author={Mann, Henry B.}, title={{Nonparametric tests against trend}}, journal={Econometrica}, year={1945}, volume={13}, number={3}, pages={245--259}, doi={10.2307/1907187}}
@article{mann1947test, author={Mann, H. B. and Whitney, D. R.}, title={{On a test of whether one of two random variables is stochastically larger than the other}}, journal={The Annals of Mathematical Statistics}, year={1947}, volume={18}, number={1}, pages={50--60}, doi={10.1214/aoms/1177730491}}
@misc{osundmannhenry, author={{Ohio State University Department of Mathematics}}, title={{Henry Berthold Mann}}, url={https://math.osu.edu/about-us/history/henry-berthold-mann}}
@techreport{whitney1999short, author={Whitney, D. Ransom and Rustagi, Jagdish and Santner, Thomas and Nagaraja, H. N.}, title={{A short history of statistical science at The Ohio State University}}, year={1999}, institution={The Ohio State University, Department of Statistics}, url={https://stat.osu.edu/short-history-statistical-science-ohio-state-university-authored-d.-ransom-whitney-jagdish-rustagi}}
@article{wilcoxon1947probability, author={Wilcoxon, Frank}, title={{Probability tables for individual comparisons by ranking methods}}, journal={Biometrics}, year={1947}, volume={3}, number={3}, pages={119--122}, doi={10.2307/3001946}}
@misc{willke2008whitney, author={Willke, Tom}, title={{In memoriam – Ransom Whitney}}, howpublished={Department of Statistics Newsletter (The Ohio State University)}, year={2008}, volume={16}, pages={8}, publisher={The Ohio State University, College of Mathematical and Physical Sciences}, url={https://stat.osu.edu/sites/stat.osu.edu/files/2008-statistics-newsletter.pdf}}
R