Słownik metodologiczny · Ludzie statystyki

Hugo Steinhaus (1887–1972) – kim był i co wniósł do statystyki

Hugo Steinhaus, współtwórca lwowskiej szkoły matematycznej i wrocławskiej szkoły zastosowań, opisał w 1956 r. pierwowzór metody k-średnich. Przedstawiamy jego drogę od Jasła przez Getyngę i Lwów do Wrocławia, pokazujemy jego algorytm krok po kroku na danych iris i wyjaśniamy, gdzie spotkasz go w swojej pracy.

Strona główna / Słownik / Hugo Steinhaus
W skrócie: Hugo Steinhaus (1887–1972) – polski matematyk, współtwórca lwowskiej szkoły matematycznej (z Banachem) i wrocławskiej szkoły zastosowań matematyki. W 1956 r. opisał pierwowzór metody k-średnich, stosował rachunek prawdopodobieństwa do dochodzenia ojcostwa i kontroli jakości, napisał „Kalejdoskop matematyczny”.

Kim był Hugo Steinhaus?

Hugo Dionizy Steinhaus (1887–1972) był polskim matematykiem, współtwórcą lwowskiej szkoły matematycznej, a po wojnie wrocławskiej szkoły zastosowań matematyki. Urodził się 14 stycznia 1887 r. w Jaśle i tam w 1905 r. zdał maturę. Po roku studiów we Lwowie wyjechał jesienią 1906 r. do Getyngi, gdzie w 1911 r. uzyskał doktorat (Steinhaus, 1973) pod kierunkiem Davida Hilberta (Bednarski, 2018). W czasie I wojny światowej krótko służył w artylerii Legionów Polskich.

W 1916 r. poznał Stefana Banacha – według wspomnienia Edwarda Marczewskiego (1973) Steinhaus uważał to później za swoje największe odkrycie. W 1917 r. habilitował się we Lwowie, a w 1920 r. został profesorem Uniwersytetu Jana Kazimierza. Wokół niego i Banacha powstał silny ośrodek analizy funkcjonalnej (Bednarski, 2018); w 1928 r. obaj założyli czasopismo Studia Mathematica, którego pierwszy tom wyszedł w 1929 r. (Steinhaus, 1973).

Podczas okupacji niemieckiej Steinhaus ukrywał się. Jak sam opisał, od 26 listopada 1941 r. do 26 stycznia 1945 r. używał nazwiska Grzegorza Krochmalnego, a od lipca 1942 r. mieszkał na Berdechowie koło Stróż, gdzie prowadził tajne nauczanie i notował pomysły naukowe. W 1945 r. przyjechał do Wrocławia, aby organizować wydział matematyki, fizyki i chemii, i związał się z tym miastem do końca życia. Zmarł we Wrocławiu 25 lutego 1972 r. (Steinhaus, 1973).

Najważniejsze pomysły

  • Analiza funkcjonalna i szeregi ortogonalne. Z lwowskiego okresu pochodzi m.in. monografia o szeregach ortogonalnych napisana ze Stefanem Kaczmarzem (Marczewski, 1973).
  • Podstawy rachunku prawdopodobieństwa. W 1923 r. Steinhaus opisał aksjomatycznie miarę prawdopodobieństwa na nieskończonych ciągach zero-jedynkowych, czyli dla nieskończonego rzucania monetą. Bednarski (2018) pokazuje, że ten wynik odegrał istotną rolę w drodze do aksjomatów Andrieja Kołmogorowa z 1933 r.
  • Podział ciał, czyli k-średnich. W pracy z 1956 r. Steinhaus postawił zadanie: podzielić niejednorodną bryłę na k części i wybrać w nich k punktów tak, by suma momentów bezwładności była jak najmniejsza. Opisał przy tym naprzemienny algorytm – przydziel każdy punkt do najbliższego środka, przelicz środki ciężkości, powtórz – który dziś nazywamy metodą k-średnich (Bock, 2008).
  • Dochodzenie ojcostwa. Na kanwie obserwacji Ludwika Hirszfelda o grupach krwi w procesach o alimenty Steinhaus pokazał, jak oszacować odsetek pozwanych, którzy są ojcami, i jak liczyć prawdopodobieństwo ojcostwa po badaniu krwi. Pracę przedstawił w 1952 r., opublikował w 1954 r. w pierwszym tomie założonych przez siebie Zastosowań Matematyki (Steinhaus, 1973).
  • Statystyczna kontrola jakości. Od 1947 r. doradzał Polskiemu Komitetowi Normalizacyjnemu przy normie statystycznej kontroli jakości, wydanej w 1951 r. (Steinhaus, 1973).
  • Popularyzacja. „Kalejdoskop matematyczny” ukazał się w 1938 r. jednocześnie po polsku i po angielsku (Steinhaus, 1973); Marczewski (1973) nazywa go najpopularniejszą jego książką, przełożoną na wiele języków.

Przykład na historycznych danych

Algorytm Steinhausa uruchomiliśmy na danych iris z pakietu datasets: pomiary 150 kwiatów trzech gatunków kosaćca zebrane przez Edgara Andersona i opublikowane przez Ronalda Fishera w 1936 r. (opis w pliku pomocy ?iris). Użyliśmy dwóch zmiennych – długości i szerokości płatka w centymetrach – i nie pokazaliśmy algorytmowi gatunków. Jako trzy środki startowe wylosowaliśmy trzy kwiaty (set.seed(800)). Obie zmienne mierzono w tej samej jednostce, więc ich nie standaryzowaliśmy.

Suma kwadratów odległości kwiatów od ich środków spadła z 635.37 na starcie do 151.59 po pierwszej iteracji, 45.78 po drugiej i 31.41 po dziewiątej, gdy środki przestały się zmieniać. Końcowe środki to (1.46; 0.25), (4.29; 1.36) i (5.63; 2.05) cm. Pierwsze skupienie objęło wszystkie 50 kwiatów setosa; w drugim było 48 versicolor i 6 virginica, w trzecim 44 virginica i 2 versicolor. Wbudowana funkcja kmeans() z 25 losowymi startami znalazła podział o nieco mniejszej sumie kwadratów (31.37): 48 versicolor i 4 virginica w jednym skupieniu, 46 virginica i 2 versicolor w drugim.

Na rysunku

Oś czasu od 1880 do 1975 roku z dziesięcioma zdarzeniami: kółka oznaczają życie, trójkąty pracę naukową. 1887 urodzony w Jaśle, 1911 doktorat w Getyndze, 1916 poznaje Banacha, 1920 profesor we Lwowie, 1938 Kalejdoskop matematyczny, pas 1941–1945 ukrywa się pod przybranym nazwiskiem, 1945 Wrocław – organizuje wydział, 1954 dochodzenie ojcostwa, 1956 podział ciał (k-średnich), 1972 umiera we Wrocławiu
Rysunek 1. Oś czasu życia i pracy Hugona Steinhausa. Daty: Steinhaus (1973), Marczewski (1973), Bock (2008). Rysunek: R, pakiet ggplot2.

Co widać. Trzy etapy: studia i doktorat w Getyndze, lwowskie lata z Banachem zakończone wojną i ukrywaniem się oraz wrocławski okres, w którym powstały prace zastosowane – o ojcostwie i o podziale ciał, czyli o k-średnich. Najbardziej znane statystykom prace Steinhaus napisał po sześćdziesiątce.

Na co uważać. Oś pokazuje wybrane zdarzenia, nie pełną bibliografię – Steinhaus w autobiografii szacuje swój dorobek na około 140 prac, a Bednarski (2018) podaje ponad 250 prac i publikacji razem z popularyzatorskimi.

Podpis do pracy:

Rysunek 1. Wybrane zdarzenia z życia i pracy Hugona Steinhausa (1887–1972). Uwaga. Kółka – zdarzenia biograficzne, trójkąty – prace i stanowiska naukowe. Daty według Steinhausa (1973), Marczewskiego (1973) i Bocka (2008).
Trzy wykresy rozrzutu długości płatka (oś pozioma, cm) i szerokości płatka (oś pionowa, cm) dla 150 kwiatów iris. Kolor i kształt punktu to skupienie, czarne krzyżyki to środki. Na starcie trzy wylosowane środki leżą blisko siebie w górnej części chmury, a skupienie 1 obejmuje małe kwiaty i część średnich; suma kwadratów 635.4. Po pierwszej iteracji jeden środek przesuwa się w dół, suma kwadratów 151.6. Po dziewiątej iteracji trzy środki leżą w trzech grupach kwiatów: małych, średnich i dużych; suma kwadratów 31.4
Rysunek 2. Algorytm Steinhausa (k-średnich) na długości i szerokości płatka 150 kwiatów iris: start, pierwsza iteracja i koniec. Dane: datasets::iris; środki startowe wylosowane (set.seed(800)). Rysunek: R, pakiety ggplot2 i patchwork.

Co widać. Wylosowane środki startowe leżą blisko siebie wśród kwiatów średnich i dużych, więc pierwsze skupienie zagarnia na początku zarówno małe, jak i średnie kwiaty. Już po jednym przeliczeniu środek tego skupienia przesuwa się w stronę małych kwiatów, a po dziewięciu krokach trzy środki siedzą w trzech grupach. Na żadnym kroku suma kwadratów nie rośnie – dlatego algorytm zawsze się zatrzymuje.

Na co uważać. Algorytm znajduje minimum lokalne, które zależy od startu: z naszego startu suma kwadratów to 31.41, a z najlepszego z 25 startów 31.37. Używaj wielu startów. Skupienia nie są gatunkami – granica między versicolor i virginica w tych dwóch zmiennych jest płynna, a k-średnich zawsze podzieli dane na k części, także gdy grup w nich nie ma.

Podpis do pracy:

Rysunek 2. Kolejne kroki analizy skupień metodą k-średnich (k = 3) dla długości i szerokości płatka 150 kwiatów iris. Uwaga. Kolor i kształt punktu oznaczają skupienie, krzyżyki – środki skupień; nad panelami podano sumę kwadratów odległości od środków.

Gdzie spotkasz Steinhausa w swojej pracy

Najczęściej w analizie skupień metodą k-średnich – w segmentacji respondentów, klientów czy pacjentów. Praktyczne decyzje opisują wpisy Analiza skupień krok po kroku i Segmentacja respondentów: k-średnich i LPA: standaryzacja zmiennych mierzonych w różnych jednostkach, wiele startów, wybór liczby skupień, np. wskaźnikiem sylwetki. Steinley (2006) podsumowuje pół wieku badań nad tą metodą. Gdy potrzebujesz modelu z prawdopodobieństwem przynależności, sięgnij po analizę profili latentnych. Inny polski sposób porządkowania podobnych obiektów – diagram – zaproponował Jan Czekanowski. Jeśli piszesz pracę o jakości w produkcji lub usługach, pamiętaj, że Steinhaus współtworzył też polską normę statystycznej kontroli jakości; dziś jej typowym narzędziem jest karta kontrolna.

Spory, mity i trudne strony

Kto wymyślił k-średnich? Bock (2008) uznaje Steinhausa za pierwszego autora, który jawnie zaproponował ten algorytm dla danych wielowymiarowych, ale w wersji ciągłej – dla bryły z rozkładem masy, nie dla tabeli danych. Według tego samego przeglądu Lloyd w 1957 r. opisał wersję jednowymiarową przy kwantyzacji sygnału, Forgy w 1965 r. wersję dla zbioru punktów, a samej nazwy k-means MacQueen w 1967 r. użył dla wersji sekwencyjnej. Uczciwie jest więc pisać, że Steinhaus opisał pierwowzór metody, a nie że „wymyślił k-means” w obecnej postaci.

Przykład reprodukowalny

Steinhaus w R

Kod rysuje oś czasu (rysunek 1) i wykonuje algorytm Steinhausa krok po kroku: przydział do najbliższego środka, przeliczenie środków, powtórzenie – aż środki przestaną się zmieniać. Na końcu porównuje wynik z funkcją kmeans(). Rysunki na stronie powstały z tych samych obiektów p1 i p2 z krojem i tłem serwisu; dane, geometrie i skale są identyczne.

Oś czasu i k-średnich na danych iris

Dane wejściowe: lata zdarzeń z cytowanych źródeł; data(iris, package = "datasets") – długość i szerokość płatka 150 kwiatów (cm); środki startowe – set.seed(800); drugie ziarno set.seed(800) przed kmeans() z 25 startami.

Co odczytać: liczbę iteracji, sumę kwadratów po każdej iteracji, środki końcowe, tabelę skupienia × gatunek i porównanie z kmeans().

Kod R rysunków 1 i 2
# Hugo Steinhaus: oś czasu (rysunek 1) i podział Steinhausa, czyli k-średnich, na danych iris (rysunek 2)
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
oi <- c(zycie = "#0072B2", nauka = "#D55E00", skupienia = c("#E69F00", "#009E73", "#CC79A7"))  # Okabe–Ito
motyw <- theme_minimal(base_size = 12) + theme(panel.grid.minor = element_blank(), legend.position = "bottom")

# Rysunek 1. Oś czasu (lata z Autobiografii Steinhausa, wspomnienia Marczewskiego i pracy Bocka)
os <- data.frame(
  rok = c(1887, 1911, 1916, 1920, 1938, 1941, 1945, 1954, 1956, 1972),
  koniec = c(NA, NA, NA, NA, NA, 1945, NA, NA, NA, NA),
  opis = c("urodzony\nw Jaśle", "doktorat\nw Getyndze", "poznaje\nBanacha", "profesor\nwe Lwowie",
           "„Kalejdoskop\nmatematyczny”", "ukrywa się pod\nprzybranym nazwiskiem", "Wrocław: organizuje\nwydział",
           "dochodzenie\nojcostwa", "podział ciał\n(k-średnich)", "umiera\nwe Wrocławiu"),
  rodzaj = c("życie", "nauka", "nauka", "nauka", "nauka", "życie", "życie", "nauka", "nauka", "życie"))
os$y <- c(1, -1, 1, -2, 2, -1, 1, -2, 2, -1)            # wysokości etykiet, żeby się nie nakładały
p1 <- ggplot(os) +
  geom_hline(yintercept = 0, colour = "grey40") +
  geom_segment(aes(x = rok, xend = rok, y = 0, yend = y), colour = "grey60") +
  geom_segment(data = subset(os, !is.na(koniec)), aes(x = rok, xend = koniec, y = 0, yend = 0),
               linewidth = 3, colour = oi[["zycie"]], alpha = 0.5) +
  geom_point(aes(rok, 0, shape = rodzaj, fill = rodzaj), size = 3.5) +
  geom_label(aes(rok, y, label = paste0(rok, ifelse(is.na(koniec), "", paste0("–", koniec)), "\n", opis),
                 colour = rodzaj), size = 3, lineheight = 0.9, linewidth = 0.25) +
  scale_shape_manual(values = c("życie" = 21, nauka = 24), name = NULL) +
  scale_fill_manual(values = c("życie" = oi[["zycie"]], nauka = oi[["nauka"]]), name = NULL) +
  scale_colour_manual(values = c("życie" = oi[["zycie"]], nauka = oi[["nauka"]]), guide = "none") +
  scale_x_continuous(breaks = seq(1880, 1970, 10), limits = c(1880, 1978)) +
  scale_y_continuous(limits = c(-2.6, 2.6), breaks = NULL) +
  labs(x = NULL, y = NULL, title = "Hugo Steinhaus (1887–1972)") + motyw

# Rysunek 2. Algorytm Steinhausa krok po kroku: długość i szerokość płatka (cm), k = 3, gatunków nie używamy
data(iris, package = "datasets")
X <- as.matrix(iris[, c("Petal.Length", "Petal.Width")])
set.seed(800)                                    # losowanie trzech kwiatów jako środków startowych
srodki <- X[sample(nrow(X), 3), ]
ssq <- function(X, gr, srodki) sum((X - srodki[gr, ])^2)
kroki <- list(); historia <- c()
for (it in 1:20) {
  odl <- sapply(1:3, function(j) colSums((t(X) - srodki[j, ])^2))   # kwadraty odległości do środków
  gr <- max.col(-odl)                                               # krok 1: przydział do najbliższego środka
  kroki[[it]] <- list(gr = gr, srodki = srodki)
  historia[it] <- ssq(X, gr, srodki)
  nowe <- apply(X, 2, function(x) tapply(x, gr, mean))              # krok 2: środki ciężkości grup
  if (isTRUE(all.equal(nowe, srodki, check.attributes = FALSE))) break
  srodki <- nowe
}
cat("Liczba iteracji do zatrzymania:", it, "\n")
cat("Suma kwadratów odległości od środków w kolejnych iteracjach:\n"); print(round(historia, 2))
koniec <- kroki[[it]]
cat("Środki końcowe (cm):\n"); print(round(koniec$srodki, 2))
cat("Skupienia a gatunki (gatunków algorytm nie znał):\n"); print(table(skupienie = koniec$gr, gatunek = iris$Species))
set.seed(800); km <- kmeans(X, centers = 3, nstart = 25)   # funkcja wbudowana, 25 losowych startów
cat("kmeans(), 25 startów: suma kwadratów wewnątrz skupień =", round(km$tot.withinss, 2), "\n"); print(table(skupienie = km$cluster, gatunek = iris$Species))

panel <- function(k, tytul) {
  d <- data.frame(X, skupienie = factor(kroki[[k]]$gr))
  s <- data.frame(kroki[[k]]$srodki, skupienie = factor(1:3))
  ggplot(d, aes(Petal.Length, Petal.Width)) +
    geom_point(aes(colour = skupienie, shape = skupienie), size = 1.8, alpha = 0.8) +
    geom_point(data = s, shape = 4, size = 5, stroke = 1.6, colour = "black") +
    scale_colour_manual(values = unname(oi[3:5])) + scale_shape_manual(values = c(16, 17, 15)) +
    labs(title = tytul, subtitle = paste("suma kwadratów =", round(historia[k], 1)),
         x = "Długość płatka (cm)", y = "Szerokość płatka (cm)") + motyw
}
p2 <- (panel(1, "Start: 3 losowe kwiaty") + panel(2, "Po 1. iteracji") + panel(it, paste0("Koniec (", it, ". iteracja)"))) +
  plot_layout(guides = "collect") & theme(legend.position = "bottom")
p1
p2
Wynik w R
Liczba iteracji do zatrzymania: 9 
Suma kwadratów odległości od środków w kolejnych iteracjach:
[1] 635.37 151.59  45.78  33.02  31.95  31.61  31.51  31.44  31.41
Środki końcowe (cm):
  Petal.Length Petal.Width
1         1.46        0.25
2         4.29        1.36
3         5.63        2.05
Skupienia a gatunki (gatunków algorytm nie znał):
         gatunek
skupienie setosa versicolor virginica
        1     50          0         0
        2      0         48         6
        3      0          2        44
kmeans(), 25 startów: suma kwadratów wewnątrz skupień = 31.37 
         gatunek
skupienie setosa versicolor virginica
        1      0          2        46
        2     50          0         0
        3      0         48         4

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (algorytm k-średnich zapisany funkcjami bazowymi, kmeans() z pakietu stats; 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 Hugo Steinhaus?

Polskim matematykiem (1887–1972) urodzonym w Jaśle. Doktorat zrobił w Getyndze w 1911 r., od 1920 r. był profesorem we Lwowie i razem ze Stefanem Banachem tworzył lwowską szkołę matematyczną. Po wojnie współtworzył matematykę we Wrocławiu i wrocławską szkołę zastosowań matematyki.

Czy Steinhaus wymyślił metodę k-średnich?

Opisał jej pierwowzór. W pracy z 1956 r. jako pierwszy jawnie zaproponował dla danych wielowymiarowych procedurę naprzemiennego przydzielania punktów do najbliższego środka i przeliczania środków – w wersji ciągłej, dla podziału bryły na części. Według przeglądu Bocka (2008) wersję dla zbioru danych opisał Forgy w 1965 r., a nazwy k-means użył MacQueen w 1967 r.

Co łączyło Steinhausa i Banacha?

Steinhaus poznał Banacha w 1916 r., a potem we Lwowie obaj stali się centrum szkoły matematycznej zajmującej się analizą funkcjonalną. W 1928 r. założyli razem czasopismo Studia Mathematica.

Jak Steinhaus wykorzystał statystykę w sprawach o ojcostwo?

Na podstawie tego, jak często badanie grup krwi wykluczało ojcostwo w procesach o alimenty, pokazał, jak oszacować odsetek pozwanych, którzy rzeczywiście są ojcami, i jak liczyć prawdopodobieństwo ojcostwa po badaniu grup krwi pozwanego, matki i dziecka. Pracę przedstawił w 1952 r., a opublikował w 1954 r.

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. Bednarski, T. (2018). Hugo Dionizy Steinhaus – droga do współczesnej teorii prawdopodobieństwa. Acta Universitatis Lodziensis. Folia Oeconomica, 4(336), 61–70. https://doi.org/10.18778/0208-6018.336.04 ● Otwarty dostęp
  2. Bock, H.-H. (2008). Origins and extensions of the k-means algorithm in cluster analysis. Journal Électronique d’Histoire des Probabilités et de la Statistique, 4(2), 1–18. https://www.jehps.net/Decembre2008/Bock.pdf ● Otwarty dostęp
  3. Marczewski, E. (1973). Steinhaus. Wiadomości Matematyczne, 17(01), 101–108. https://doi.org/10.14708/wm.v17i01.3117
  4. Steinhaus, H. (1973). Autobiografia. Wiadomości Matematyczne, 17(01), 3–11. https://doi.org/10.14708/wm.v17i01.3107
  5. Steinley, D. (2006). K-means clustering: A half-century synthesis. British Journal of Mathematical and Statistical Psychology, 59(1), 1–34. https://doi.org/10.1348/000711005x48266

Cytowania BibTeX

@article{bednarski2018hugo, author={Bednarski, Tadeusz}, title={{Hugo Dionizy Steinhaus – droga do współczesnej teorii prawdopodobieństwa}}, journal={Acta Universitatis Lodziensis. Folia Oeconomica}, year={2018}, volume={4}, number={336}, pages={61--70}, doi={10.18778/0208-6018.336.04}}
@article{bock2008origins, author={Bock, Hans-Hermann}, title={{Origins and extensions of the k-means algorithm in cluster analysis}}, journal={Journal Électronique d’Histoire des Probabilités et de la Statistique}, year={2008}, volume={4}, number={2}, pages={1--18}, url={https://www.jehps.net/Decembre2008/Bock.pdf}}
@article{marczewski1973steinhaus, author={Marczewski, Edward}, title={{Steinhaus}}, journal={Wiadomości Matematyczne}, year={1973}, volume={17}, number={01}, pages={101--108}, doi={10.14708/wm.v17i01.3117}}
@article{steinhaus1973autobiografia, author={Steinhaus, Hugo}, title={{Autobiografia}}, journal={Wiadomości Matematyczne}, year={1973}, volume={17}, number={01}, pages={3--11}, doi={10.14708/wm.v17i01.3107}}
@article{steinley2006kmeans, author={Steinley, Douglas}, title={{K-means clustering: A half-century synthesis}}, journal={British Journal of Mathematical and Statistical Psychology}, year={2006}, volume={59}, number={1}, pages={1--34}, doi={10.1348/000711005x48266}}
R