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
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:
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:
Gdzie spotkasz Manna i Whitneya w swojej pracy
Zawsze, gdy porównujesz dwie niezależne grupy na zmiennej porządkowej albo skośnej. Na co zwracać uwagę:
- przy małych próbach bez remisów podawaj dokładne p; przybliżenie normalne jest bezpieczne w środku rozkładu, gorzej w dalekim ogonie (rysunek 2);
- obok U i p podaj prawdopodobieństwo przewagi albo korelację rangowo-dwuseryjną, a jako miarę różnicy położenia – estymator Hodgesa–Lehmanna; więcej we wpisie Test Manna–Whitneya w obrazkach;
- gdy grupy różnią się rozproszeniem, rozważ test Brunnera–Munzela; przy trzech i więcej grupach naturalnym rozszerzeniem jest test Kruskala–Wallisa.
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.
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
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))
p2Wynik 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 0.9813112. Oś czasu: rysunek 1
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")
p1Bibliografia 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()).
- 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 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
Test Manna–Whitneya w obrazkach
Rangi, wszystkie pary i P(X > Y), równe mediany a istotny wynik, mała próba i estymator Hodgesa–Lehmanna – pięć symulacji z kodem R.
Czytaj →PoradnikTesty odporne: Welch, Yuen, Brunner–Munzel
Co porównuje każdy test, miary efektu z CI, Brunner–Munzel liczony ręcznie w R i symulacja błędu I rodzaju przy nierównych grupach – ze wzorem opisu APA.
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)
- Mann, H. B. (1945). Nonparametric tests against trend. Econometrica, 13(3), 245–259. https://doi.org/10.2307/1907187
- 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
- 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
- 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
- Wilcoxon, F. (1947). Probability tables for individual comparisons by ranking methods. Biometrics, 3(3), 119–122. https://doi.org/10.2307/3001946
- 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}}