Kim był Jan Wiśniewski?
Jan Wiśniewski urodził się 16 października 1904 r. w Jadowie koło Radzymina. W 1922 r. zaczął studia w Wyższej Szkole Handlowej w Warszawie (późniejszej Szkole Głównej Handlowej) i już w roku akademickim 1924/25, jeszcze jako student, został młodszym asystentem Katedry Teorii Statystyki kierowanej przez Zygmunta Limanowskiego. Pracował w niej do 1939 r. Od utworzenia w 1928 r. Instytutu Badania Koniunktur Gospodarczych i Cen był także jego pracownikiem (Berger, 2018).
W roku akademickim 1929/30, dzięki stypendium Kasy im. Mianowskiego, studiował na Uniwersytecie Harvarda i uzyskał tam stopień magistra (A.M.). Habilitował się na podstawie pracy o rozkładzie dochodów w Polsce, wydanej w 1934 r., i był docentem SGH. Należał do Polskiego Towarzystwa Statystycznego. W sierpniu 1939 r. został powołany do wojska w Klecku pod Baranowiczami, trafił do niewoli sowieckiej i wiosną 1940 r. został zamordowany w Charkowie (Berger, 2018).
Najważniejsze pomysły
Dorobek Wiśniewskiego to około 100 prac. Publikował głównie w „Kwartalniku Statystycznym” i „Pracach Instytutu Badania Koniunktur Gospodarczych i Cen”, ale też w czasopismach zagranicznych: „Journal of the American Statistical Association”, „Journal of the Royal Statistical Society”, „Biometrice” i „Econometrice” (Berger, 2018).
- Rozkład dochodów (1934). W rozprawie habilitacyjnej o dochodach z 1929 r. wykazał, że dochody pracowników biurowych układają się według rozkładu logarytmiczno-normalnego, a dochody z własności – według prawa Pareto (Berger, 2018).
- Popyt a rozkład dochodów (1935). W „Econometrice” zapisał łączne wydatki populacji na dane dobro jako całkę z iloczynu dwóch funkcji: wydatków osoby o dochodzie x (funkcji Engla – nazwa za propozycją Ragnara Frischa) i rozkładu dochodów y(x). Elastyczność wydatków względem dochodu może być równa jedności, mniejsza lub większa (Wiśniewski, 1935). Popyt zależy więc nie tylko od średniego dochodu, lecz od całego jego rozkładu.
- Wskaźniki i ceny. Badał ceny zbóż w Warszawie w latach 1870–1893, dyspersję cen hurtowych i koszty utrzymania. W 1938 r. zaproponował nową konstrukcję wskaźnika produkcji przemysłowej, która stała się w Polsce obowiązująca. Już w 1931 r. rozszerzył wzór nr 353 Fishera z dwóch zmiennych na trzy i więcej (Berger, 2018; Wiśniewski, 1931) – zob. też indeksy cen Laspeyresa, Paaschego i Fishera.
- Sezonowość. Analizował przyczyny wahań sezonowych w budownictwie wielu krajów i możliwości ich ograniczenia, później także w zatrudnieniu, przemyśle i rolnictwie (Berger, 2018). W 1934 r. ogłosił w „Econometrice” artykuł o współzależności wahań cyklicznych i sezonowych (Wiśniewski, 1934).
Ciekawostka
Ostatnią pracą Wiśniewskiego była tablica wymieralności dla rzymskokatolickiej parafii w Jadowie – w miejscowości, w której się urodził. Do 1939 r. jej nie ukończył (Berger, 2018).
Pisał też dla szerokiego czytelnika. Jego poradnik Jak korzystać z danych statystycznych ukazał się w 1939 r., a po wojnie, w 1948 r., wydano go ponownie z przedmową Józefa Zagórskiego (katalog Biblioteki Narodowej; Wiśniewski, 1948). Zagórski pisał, że autor, zmobilizowany w 1939 r., zaginął bez wieści, i nazwał go jednym z najwybitniejszych statystyków młodszego pokolenia nie tylko w kraju, ale i w Europie (Berger, 2018).
Przykład: rozkład lognormalny i ogon Pareto
Danych Wiśniewskiego z 1929 r. nie ma w pakietach R, więc jego pytanie zadajemy współczesnym danym: rocznym dochodom 632 gospodarstw domowych z regionu Ilocos na Filipinach (zbiór Ilocos z pakietu ineq; badanie dochodów i wydatków z 1997 r.). To dochody całych gospodarstw, bez podziału na płace i dochody z własności, więc nie odtwarzamy jego wyniku, tylko jego sposób patrzenia. Nie ma tu losowania.
Rozkład jest silnie prawoskośny: mediana wynosi 75 926, średnia 112 292, a maksimum 835 742. Po logarytmowaniu dochody wyglądają prawie normalnie. Rozkład lognormalny dopasowany metodą największej wiarygodności ma μ = 11.327 i σ = 0.746. Przy 632 obserwacjach test Shapiro–Wilka wykrywa jednak odchylenie od normalności logarytmów (W = .985, p < .001).
Gdzie leży odchylenie? W ogonie. Rozkład lognormalny przewiduje 26.9 gospodarstw z dochodem powyżej 300 000, a w danych jest ich 38; powyżej 500 000 – 5.1 wobec 9. Najwyższe dochody są więc częstsze, niż wynika z krzywej dopasowanej do całości. Wykładnik Pareto α dla górnych 20% gospodarstw wynosi 1.97, ale dla górnych 10% już 2.41, a dla górnych 5% – 3.01. Gdyby ogon był czystym rozkładem Pareto, α nie zależałby od progu; tu ogon jest cięższy niż lognormalny, ale nie idealnie paretowski.
Na rysunku
Co widać. Cały dorobek Wiśniewskiego mieści się w kilkunastu latach – od asystentury w połowie lat 20. do wybuchu wojny.
Na co uważać. Oś zawiera tylko daty z cytowanych źródeł. Etykiety są przesunięte – rok wskazuje znacznik na osi. Rok 1929 oznacza rok akademicki 1929/30.
Podpis do pracy:
Co widać. W panelu A środek rozkładu dobrze opisuje krzywa normalna logarytmów, czyli rozkład lognormalny. W panelu B rozkład Pareto byłby prostą; punkty dla najwyższych dochodów leżą nad krzywą lognormalną i bliżej przerywanej prostej.
Na co uważać. Na górze wykresu B jest tylko kilkanaście gospodarstw, więc każdy punkt ma duży wpływ. Prosta Pareto zależy od wybranego progu (tu górne 20%). Dane opisują jeden region w jednym roku i dochody całych gospodarstw.
Podpis do pracy:
Gdzie spotkasz Wiśniewskiego w swojej pracy
- Analiza dochodów i wynagrodzeń. Gdy logarytmujesz dochody przed regresją albo opisujesz je medianą zamiast średniej, korzystasz z obserwacji, że w środku mają one rozkład zbliżony do lognormalnego. Przy pytaniach o dochód w ankiecie zob. jak pytać o dochód.
- Nierówności. Ciężki ogon rozkładu dochodów decyduje o kształcie krzywej Lorenza i wartości indeksu Giniego.
- Popyt i elastyczność. Pomysł, że popyt zależy od rozkładu dochodów, wraca w analizach elastyczności cenowej i w ekonometrii popytu.
Spory, mity i trudne strony
- Rok śmierci. Biogram Bergera (2018) podaje, że Wiśniewski został zamordowany w Charkowie wiosną 1940 r. Źródła starsze i katalogowe podają rok 1939: Zagórski w 1948 r. pisał, że autor zaginął bez wieści, katalog Biblioteki Narodowej opisuje go jako „Wiśniewski, Jan (1904–1939)”, a jedno ze źródeł biogramu to maszynopis zatytułowany „Jan Wiśniewski (1904–1939)”. Dokładnej daty nie znamy.
- Jeden z wielu Janów Wiśniewskich. W katalogach bibliotecznych występuje kilka osób o tym imieniu i nazwisku; w zagranicznych czasopismach statystyk podpisywał się też „J. K. Wisniewski”. Hasło dotyczy statystyka i ekonometryka z SGH i Instytutu Badania Koniunktur Gospodarczych i Cen.
Rozkład dochodów w R
Kod rysuje oś czasu, dopasowuje rozkład lognormalny do rocznych dochodów gospodarstw z Ilocos, szacuje wykładnik Pareto dla górnych 20%, 10% i 5% gospodarstw oraz porównuje liczbę wysokich dochodów w danych i według rozkładu lognormalnego. Rysunki na stronie powstały z tych samych obiektów p_os i p_metoda z krojem i tłem serwisu; dane, geometrie i skale są identyczne.
parametry rozkładu lognormalnego, test Shapiro–Wilka logarytmów, wykładniki Pareto i liczebności powyżej wysokich progów.
Kod R rysunków 1 i 2
# Jan Wiśniewski: oś czasu oraz rozkład dochodów – rozkład lognormalny w środku, ogon Pareto na górze
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
oi <- c(niebieski = "#0072B2", pomaranczowy = "#E69F00", cynober = "#D55E00", zielony = "#009E73",
fiolet = "#CC79A7", 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 (lata według Bergera 2018, metadanych artykułów i katalogu Biblioteki Narodowej)
zdarzenia <- data.frame(
rok = c(1904, 1924.7, 1928, 1929.7, 1931, 1934, 1935, 1939, 1939.7, 1940.3),
opis = c("urodzony w Jadowie", "asystent w Katedrze\nTeorii Statystyki WSH", "Instytut Badania\nKoniunktur i Cen",
"Harvard: stopień\nmagistra (A.M.)", "JASA: wzór nr 353\nFishera rozszerzony",
"habilitacja: rozkład\ndochodów w Polsce", "Econometrica:\npopyt a dochody",
"Jak korzystać z danych\nstatystycznych", "zmobilizowany;\nniewola sowiecka", "zamordowany\nw Charkowie"),
rodzaj = c("życie", "praca", "praca", "nauka", "publikacja", "nauka", "publikacja", "publikacja", "życie", "życie"))
zdarzenia$y <- c(1.2, -1.3, 2.6, -2.9, 1.2, -1.3, 3.0, 1.3, -2.9, 2.6) # wysokość etykiet
zdarzenia$xl <- c(1904, 1920, 1923, 1927.5, 1930, 1934, 1936, 1940.5, 1942, 1947) # położenie etykiet, żeby się nie nakładały
p_os <- ggplot(zdarzenia, aes(rok, 0)) +
geom_hline(yintercept = 0, colour = "grey60") +
geom_segment(aes(xend = xl, yend = y * 0.85), colour = "grey70") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.5) +
geom_label(aes(x = xl, y = y, label = paste0(floor(rok), "\n", opis)), size = 3.1, lineheight = 0.9, linewidth = 0.2) +
scale_shape_manual(values = c("życie" = 21, "nauka" = 22, "praca" = 24, "publikacja" = 25), name = NULL) +
scale_fill_manual(values = c("życie" = oi[["szary"]], "nauka" = oi[["zielony"]], "praca" = oi[["niebieski"]],
"publikacja" = oi[["cynober"]]), name = NULL) +
scale_x_continuous(breaks = seq(1905, 1945, 5), limits = c(1900, 1952)) + scale_y_continuous(limits = c(-3.6, 3.7)) +
labs(title = "Jan Wiśniewski (1904–1940)", x = NULL, y = NULL) +
motyw + theme(axis.text.y = element_blank(), panel.grid.major.y = element_blank(), legend.position = "bottom")
# 2. Dane: roczne dochody 632 gospodarstw domowych z regionu Ilocos (Filipiny, badanie z 1997 r.)
data(Ilocos, package = "ineq")
x <- Ilocos$income
n <- length(x)
round(c(n = n, mediana = median(x), srednia = mean(x), maksimum = max(x)))
# Rozkład lognormalny metodą największej wiarygodności: parametry to średnia i odchylenie logarytmów
mu <- mean(log(x)); sigma <- sqrt(mean((log(x) - mu)^2))
round(c(mu = mu, sigma = sigma, mediana_lognormalna = exp(mu)), 3)
shapiro.test(log(x))
# Ogon Pareto: dla dochodów powyżej progu x0 P(X > x) = (x0 / x)^alfa; alfa metodą największej wiarygodności
ogon <- do.call(rbind, lapply(c(0.80, 0.90, 0.95), function(q) {
x0 <- unname(quantile(x, q)); t <- x[x > x0]
data.frame(gorne = paste0(round(100 * (1 - q)), "%"), prog = round(x0), k = length(t),
alfa = round(length(t) / sum(log(t / x0)), 2))
}))
ogon
# Ile gospodarstw przekracza wysokie progi: w danych i według rozkładu lognormalnego dopasowanego do całości
progi <- c(2e5, 3e5, 4e5, 5e5, 7e5)
data.frame(prog = format(progi, scientific = FALSE), w_danych = sapply(progi, function(c0) sum(x > c0)),
lognormalny = round(n * plnorm(progi, mu, sigma, lower.tail = FALSE), 1))
# Rysunek 2A: histogram logarytmów dochodu z krzywą normalną; 2B: wykres log–log odsetka dochodów powyżej x
pA <- ggplot(data.frame(lx = log(x)), aes(lx)) +
geom_histogram(aes(y = after_stat(density)), bins = 30, fill = "grey80", colour = "white") +
stat_function(fun = dnorm, args = list(mean = mu, sd = sigma), colour = oi[["niebieski"]], linewidth = 1) +
scale_x_continuous(breaks = log(c(1e4, 3e4, 1e5, 3e5, 1e6)), labels = c("10 tys.", "30 tys.", "100 tys.", "300 tys.", "1 mln")) +
labs(title = "A. Logarytm dochodu i krzywa normalna", x = "Dochód roczny (skala logarytmiczna)", y = "Gęstość") +
motyw
x0 <- ogon$prog[1]; alfa <- ogon$alfa[1]
emp <- data.frame(x = sort(x), S = (n:1) / n) # empiryczny odsetek dochodów ≥ x
siatka <- exp(seq(log(min(x)), log(max(x)), length.out = 200))
krzywe <- rbind(data.frame(x = siatka, S = plnorm(siatka, mu, sigma, lower.tail = FALSE), model = "lognormalny (cała próba)"),
data.frame(x = siatka[siatka >= x0], S = ogon$k[1] / n * (x0 / siatka[siatka >= x0])^alfa,
model = "Pareto (górne 20%)"))
pB <- ggplot() +
geom_point(data = emp, aes(x, S), colour = "grey35", size = 1.1, alpha = 0.7) +
geom_line(data = krzywe, aes(x, S, colour = model, linetype = model), linewidth = 1) +
geom_vline(xintercept = x0, colour = "grey60", linetype = "dotted") +
scale_x_log10(breaks = c(1e4, 3e4, 1e5, 3e5, 1e6), labels = c("10 tys.", "30 tys.", "100 tys.", "300 tys.", "1 mln")) +
scale_y_log10(breaks = c(1, 0.1, 0.01, 0.001), labels = c("100%", "10%", "1%", "0.1%")) +
coord_cartesian(ylim = c(0.0012, 1)) +
scale_colour_manual(values = c(oi[["niebieski"]], oi[["cynober"]]), name = NULL) +
scale_linetype_manual(values = c("solid", "dashed"), name = NULL) +
labs(title = "B. Odsetek gospodarstw z dochodem powyżej x", x = "Dochód roczny x (skala logarytmiczna)",
y = "P(X > x), skala logarytmiczna") +
motyw + theme(legend.position = "bottom", legend.direction = "vertical")
p_metoda <- pA + pB + plot_layout(widths = c(1, 1.1))
p_os
p_metodaWynik w R
n mediana srednia maksimum
632 75926 112292 835742
mu sigma mediana_lognormalna
11.327 0.746 83035.691
Shapiro-Wilk normality test
data: log(x)
W = 0.98512, p-value = 4.82e-06
gorne prog k alfa
1 20% 151072 127 1.97
2 10% 226822 64 2.41
3 5% 316982 32 3.01
prog w_danych lognormalny
1 200000 80 75.4
2 300000 38 26.9
3 400000 12 11.1
4 500000 9 5.1
5 700000 3 1.3Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (rozkład lognormalny i test Shapiro–Wilka – pakiet stats, dane – zbiór Ilocos z pakietu ineq; 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/
- ineq (wersja 0.2-13): Zeileis, A. (2014). ineq: Measuring inequality, concentration, and poverty [R package]. https://doi.org/10.32614/CRAN.package.ineq
- 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 był Jan Wiśniewski, statystyk?
Polskim statystykiem i ekonometrykiem (1904–1940), asystentem i docentem Wyższej Szkoły Handlowej (SGH) w Warszawie i pracownikiem Instytutu Badania Koniunktur Gospodarczych i Cen. Studiował też na Harvardzie. Opublikował około 100 prac, m.in. w JASA, Biometrice i Econometrice.
Co Jan Wiśniewski ustalił o rozkładzie dochodów?
W rozprawie habilitacyjnej z 1934 r. o dochodach w Polsce w 1929 r. wykazał, że dochody pracowników biurowych mają rozkład logarytmiczno-normalny, a dochody z własności układają się zgodnie z prawem Pareto (Berger, 2018).
Co się stało z Janem Wiśniewskim w 1939 r.?
W sierpniu 1939 r. został powołany do wojska w Klecku pod Baranowiczami i trafił do niewoli sowieckiej. Według biogramu Bergera (2018) został zamordowany wiosną 1940 r. w Charkowie; starsze źródła podawały, że zaginął bez wieści w 1939 r.
Gdzie publikował Jan Wiśniewski?
Głównie w „Kwartalniku Statystycznym” i „Pracach Instytutu Badania Koniunktur Gospodarczych i Cen”, a za granicą w „Journal of the American Statistical Association”, „Journal of the Royal Statistical Society”, „Biometrice” i „Econometrice”. Napisał też popularny poradnik „Jak korzystać z danych statystycznych” (1939, wyd. pośmiertne 1948).
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Indeks cen: Laspeyres, Paasche i Fisher
30 produktów bezglutenowych i 3 lata cen: trzy wzory ręcznie w R, substytucja, dryf łańcucha, przychód na ceny i ilości oraz mniejsza paczka.
Czytaj →PoradnikPytanie o dochód w ankiecie
Definicja dochodu, kwota a przedziały, kaskada, braki MNAR i model przedziałowy w R zamiast punktów środkowych przedziałów.
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)
- Berger, J. (2018). Jan Wiśniewski (1904–1940). In M. Krzyśko, W. Adamczewski, J. Berger, E. Gołata, K. Kruszka, & B. Łazowska (Red.), Statystycy polscy. Biogramy (wyd. 2 uzup.) (pp. 446–448). Główny Urząd Statystyczny. https://bws.stat.gov.pl/BWS/Archiwum/gus_bws_67_Statystycy_polscy_Biogramy.pdf ● Otwarty dostęp
- Wisniewski, J. (1934). Interdependence of cyclical and seasonal variation. Econometrica, 2(2), 176. https://doi.org/10.2307/1906900
- Wisniewski, J. (1935). Demand in relation to the income curve. Econometrica, 3(4), 411. https://doi.org/10.2307/1905632
- Wiśniewski, J. (1948). Jak korzystać z danych statystycznych. K. Rutski.
- Wisniewski, J. K. (1931). Extension of Fisher’s formula number 353 to three or more variables. Journal of the American Statistical Association, 26(173), 62. https://doi.org/10.2307/2278261
Cytowania BibTeX
@incollection{berger2018jan, author={Berger, Jan}, title={{Jan Wiśniewski (1904–1940)}}, booktitle={Statystycy polscy. Biogramy (wyd. 2 uzup.)}, year={2018}, pages={446--448}, publisher={Główny Urząd Statystyczny}, url={https://bws.stat.gov.pl/BWS/Archiwum/gus_bws_67_Statystycy_polscy_Biogramy.pdf}}@article{wisniewski1934interdependence, author={Wisniewski, Jan}, title={{Interdependence of cyclical and seasonal variation}}, journal={Econometrica}, year={1934}, volume={2}, number={2}, pages={176}, doi={10.2307/1906900}}@article{wisniewski1935demand, author={Wisniewski, Jan}, title={{Demand in relation to the income curve}}, journal={Econometrica}, year={1935}, volume={3}, number={4}, pages={411}, doi={10.2307/1905632}}@book{wisniewski1948jak, author={Wiśniewski, Jan}, title={{Jak korzystać z danych statystycznych}}, year={1948}, publisher={K. Rutski}, url={https://data.bn.org.pl/api/institutions/bibs.json?id=2392874}}@article{wisniewski1931extension, author={Wisniewski, Jan K.}, title={{Extension of Fisher’s formula number 353 to three or more variables}}, journal={Journal of the American Statistical Association}, year={1931}, volume={26}, number={173}, pages={62}, doi={10.2307/2278261}}