Kim był Karl Pearson?
Karl Pearson (1857–1936) był angielskim matematykiem, który zamienił luźny zbiór metod opisu danych w statystykę matematyczną – osobną dziedzinę z własnymi wzorami, czasopismem, laboratoriami i studiami. Urodził się w Londynie. W 1879 r. ukończył matematykę w King’s College w Cambridge jako trzeci wrangler (trzeci wynik egzaminu końcowego), potem studiował w Heidelbergu i Berlinie, a w 1884 r. objął katedrę Goldsmida (mechanika i matematyka stosowana) w University College London (Magnello, 2005).
Do statystyki przyszedł z fizyki matematycznej. Przełomem była współpraca z zoologiem W. F. R. Weldonem, z której od 1893 r. wyrosła szkoła biometryczna – statystyczne badanie zmienności organizmów (Magnello, 2005). Zmarł nagle 27 kwietnia 1936 r., pracując niemal do końca (Yule i Filon, 1936). Statystykiem był też jego syn, Egon S. Pearson.
Najważniejsze pomysły
- Współczynnik korelacji produktu momentów (1896). To dzisiejsza korelacja Pearsona, r. Stigler (2008) zalicza ją, obok testu χ², do dwóch najbardziej znanych osiągnięć Pearsona. W 1897 r. Pearson jako pierwszy nazwał też zjawisko korelacji pozornej.
- Test χ² (1900). Kryterium, czy odchylenia liczebności obserwowanych od oczekiwanych da się rozsądnie przypisać losowaniu (Pearson, 1900). Z tej pracy wywodzi się test chi-kwadrat zgodności, a pośrednio test niezależności w tabelach krzyżowych. Statystykę testu porównuje się z rozkładem chi-kwadrat.
- Rodzina krzywych Pearsona i metoda momentów. Do rozkładów, które nie są normalne, Pearson dopasowywał krzywe z opracowanej przez siebie rodziny, a ich parametry szacował metodą momentów – w jego szkole metodą podstawową (Stigler, 2008). Momenty, czyli średnie z kolejnych potęg odchyleń, opisują położenie, rozproszenie i kształt rozkładu.
- Instytucje. W listopadzie 1900 r. założył z Weldonem czasopismo Biometrika i redagował je przez 36 lat. W 1911 r. jego pracownie na UCL stały się Wydziałem Statystyki Stosowanej, a w 1917 r. ruszył tam kurs dyplomowy ze statystyki matematycznej (Magnello, 2005; Stigler, 2008).
Przykład na historycznych danych: kości Weldona
Zbiór WeldonDice z pakietu vcd to według pliku pomocy dane z pracy Pearsona (1900): Weldon rzucił 12 kośćmi 26 306 razy i za każdym razem liczył, ile wypadło piątek lub szóstek; wyniki opisał w liście do Francisa Galtona z 2 lutego 1894 r. Ostatnia kategoria to „10 lub więcej”. Jeśli kości są uczciwe, piątka lub szóstka wypada z prawdopodobieństwem 1/3, a liczba takich wyników w rzucie ma rozkład dwumianowy (12; 1/3).
Test χ² dla 11 kategorii daje χ²(10) = 35.49, p < .001: przy tak dużej liczbie rzutów nawet małe odchylenie od 1/3 jest wykrywalne. Odsetek piątek i szóstek w danych wynosi .3377 zamiast .3333. Gdy p oszacujesz z tych samych danych, rozkład dwumianowy pasuje dobrze: χ²(9) = 8.18, p = .516. Za oszacowany parametr odejmujesz jeden stopień swobody. Bez tej poprawki wyszłoby p = .611 – tu różnica jest niewielka, ale w tabelach krzyżowych bywała duża (zob. niżej). Nie twierdzimy, że Pearson otrzymał w 1900 r. dokładnie te liczby – to wynik naszego kodu na danych z pakietu.
Na rysunku
Co widać. Statystyka zajęła Pearsona dopiero po trzydziestce: najważniejsze metody powstały w ciągu kilku lat po rozpoczęciu współpracy z Weldonem (1893–1900), a później budował instytucje – wydział, studia, czasopisma.
Na co uważać. Oś pokazuje tylko zdarzenia potwierdzone w cytowanych źródłach. Nie ma na niej m.in. roku przejścia na emeryturę ani dat objęcia kierownictwa laboratorium eugeniki, bo źródła, które przeczytaliśmy, ich nie podają.
Podpis do pracy:
vcd::WeldonDice, bez losowania).Co widać. Na panelu A krzywe oczekiwane niemal pokrywają słupki – „na oko” kości są uczciwe. Panel B pokazuje to, co mierzy χ²: suma kwadratów reszt to 35.49. Reszty mają wyraźny wzór – za mało rzutów z 0–4 piątkami lub szóstkami, za dużo z 5 i więcej – więc kości nieco częściej pokazywały wysokie oczka.
Na co uważać. Przy 26 306 obserwacjach test wykrywa różnicę .3377 wobec .3333, która w praktyce gry nic nie znaczy. Istotny wynik nie mówi, jak duże jest odchylenie – podaj miarę efektu, np. w Cohena opisany przy teście zgodności.
Podpis do pracy:
Gdzie spotkasz Pearsona w swojej pracy
- Korelacja r. Każde „r Pearsona” w tabeli korelacji to jego współczynnik. Jak go policzyć i opisać, pokazuje poradnik Korelacja Pearsona i Spearmana krok po kroku.
- „Chi-kwadrat Pearsona” w tabeli krzyżowej. Tak SPSS i jamovi nazywają test niezależności; obok podaj siłę związku, np. V Craméra. Procedurę opisuje wpis Test chi-kwadrat krok po kroku.
- Opis rozkładu. Skośność i kurtoza w statystykach opisowych to miary oparte na momentach – tym samym języku, którym Pearson opisywał kształt rozkładów.
Spory, mity i trudne strony
Stopnie swobody. Pearson twierdził w 1900 r., że gdy oczekiwane liczebności liczy się z parametrów oszacowanych z danych, nie trzeba zmieniać liczby stopni swobody. Dla tabeli 2 × 2 dawało to 3 zamiast 1 stopnia swobody. Problem zauważyli w 1915 r. Greenwood i Yule, a rozwiązał go Ronald Fisher w latach 1922–1924. Stigler (2008) przekonuje, że Fisher mógł to zrobić właśnie dlatego, że Pearson jasno sformułował problem; między obu uczonymi nie było wzajemnego uznania. Plackett (1983) zwraca uwagę, że oryginalna procedura z 1900 r. nie jest dla dzisiejszego czytelnika oczywista i trzeba ją czytać w kontekście ówczesnych prac.
Eugenika. Pearson założył czasopismo Annals of Eugenics (Stigler, 2008). W jego pierwszym tomie opublikował z Margaret Moul pracę o imigracji do Wielkiej Brytanii opartą na badaniu żydowskich dzieci z Rosji i Polski (Pearson i Moul, 1925). Wydawca udostępnia dziś archiwum czasopisma z zastrzeżeniem, że prace eugeników były często przesiąknięte uprzedzeniami wobec grup rasowych i etnicznych oraz osób z niepełnosprawnościami. Magnello (2005) uważa, że laboratorium eugeniki Pearson prowadził niechętnie, jako przysługę dla Galtona, i oddzielał je od biometrii.
Karl Pearson w R: test χ² na kościach Weldona
Kod rysuje oś czasu, liczy test χ² dla uczciwych kości i dla p oszacowanego z danych (z poprawką stopni swobody i bez niej), reszty Pearsona oraz rysuje oba rysunki. Rysunki na stronie powstały z tych samych obiektów p1 i p2 z krojem i tłem serwisu; dane, geometrie i skale są identyczne.
Oś czasu, test χ² i reszty Pearsona
Kod R (obliczenia i rysunki 1–2)
# Karl Pearson: oś czasu i test chi-kwadrat na rzutach kośćmi Weldona (vcd::WeldonDice)
suppressPackageStartupMessages({library(ggplot2); library(patchwork); library(vcd)})
okabe <- c(pomaranczowy = "#E69F00", niebieski = "#0072B2", cynobrowy = "#D55E00", szary = "grey55")
motyw <- theme_minimal(base_size = 13) + theme(plot.title = element_text(face = "bold"),
panel.grid.minor = element_blank(), legend.position = "bottom")
# --- Rysunek 1: oś czasu (lata ze źródeł cytowanych na stronie) ---
zdarzenia <- data.frame(
rok = c(1857, 1879, 1884, 1893, 1896, 1900, 1911, 1925, 1936),
opis = c("urodzony w Londynie", "Cambridge, potem\nHeidelberg i Berlin", "katedra na UCL",
"współpraca z Weldonem:\nszkoła biometryczna", "współczynnik korelacji",
"test χ² i czasopismo\nBiometrika", "Wydział Statystyki\nStosowanej UCL",
"Annals of Eugenics", "zmarł 27 kwietnia"),
rodzaj = c("życie", "życie", "stanowisko", "metoda", "metoda", "metoda", "stanowisko", "stanowisko", "życie"),
poziom = c(1, -1, 1.9, -1.9, 1, -1, 1.9, -1.9, 1))
p1 <- ggplot(zdarzenia, aes(rok, 0)) +
geom_hline(yintercept = 0, colour = "grey40") +
geom_segment(aes(xend = rok, yend = poziom * 0.85), colour = "grey60") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.4) +
geom_label(aes(y = poziom, label = paste0(rok, "\n", opis)), size = 3.1, lineheight = 0.9,
linewidth = 0, fill = "white") +
scale_shape_manual(values = c("życie" = 21, "stanowisko" = 22, "metoda" = 24), name = NULL) +
scale_fill_manual(values = c("życie" = okabe[["szary"]], "stanowisko" = okabe[["niebieski"]],
"metoda" = okabe[["pomaranczowy"]]), name = NULL) +
scale_x_continuous(breaks = seq(1860, 1930, 10), limits = c(1850, 1943)) +
scale_y_continuous(limits = c(-2.5, 2.5)) +
labs(title = "Karl Pearson (1857–1936)", x = NULL, y = NULL) +
motyw + theme(axis.text.y = element_blank(), panel.grid.major.y = element_blank())
# --- Dane: 26 306 rzutów 12 kośćmi; liczba „piątek lub szóstek” w rzucie (10 = 10 lub więcej) ---
data("WeldonDice", package = "vcd")
obs <- as.vector(WeldonDice); k <- 0:10; N <- sum(obs)
binom_grupy <- function(p) { pr <- dbinom(0:12, 12, p); c(pr[1:10], sum(pr[11:13])) }
# H0 nr 1: kości uczciwe, p = 1/3 (parametr znany, df = 11 − 1 = 10)
e_uczciwe <- N * binom_grupy(1/3)
chi_uczciwe <- sum((obs - e_uczciwe)^2 / e_uczciwe)
# H0 nr 2: rozkład dwumianowy z p oszacowanym z danych (df = 11 − 1 − 1 = 9 – poprawka Fishera)
p_hat <- sum(k * obs) / (12 * N)
e_oszac <- N * binom_grupy(p_hat)
chi_oszac <- sum((obs - e_oszac)^2 / e_oszac)
wyniki <- data.frame(hipoteza = c("p = 1/3", "p oszacowane"), p = c(1/3, p_hat),
chi2 = c(chi_uczciwe, chi_oszac), df = c(10, 9),
p_wartosc = c(pchisq(chi_uczciwe, 10, lower.tail = FALSE),
pchisq(chi_oszac, 9, lower.tail = FALSE)))
print(wyniki, digits = 4)
# Gdyby przy p oszacowanym nie odjąć stopnia swobody (df = 10 zamiast 9):
round(pchisq(chi_oszac, 10, lower.tail = FALSE), 3)
# Kontrola: test wbudowany dla p = 1/3
chisq.test(obs, p = binom_grupy(1/3))
# Reszty Pearsona (obs − oczek) / √oczek dla p = 1/3
reszty <- (obs - e_uczciwe) / sqrt(e_uczciwe)
round(data.frame(k, obs, oczek = e_uczciwe, reszta = reszty), 2)
# --- Rysunek 2: obserwowane vs oczekiwane i reszty Pearsona ---
d <- data.frame(k = factor(k, labels = c(0:9, "10+")), obs, e_uczciwe, e_oszac, reszty)
dl <- rbind(data.frame(k = d$k, oczek = d$e_uczciwe, model = "kości uczciwe (p = 1/3)"),
data.frame(k = d$k, oczek = d$e_oszac, model = sprintf("p z danych (%.4f)", p_hat)))
pa <- ggplot(d, aes(k, obs)) +
geom_col(fill = "grey80", colour = "grey45", width = 0.75) +
geom_line(data = dl, aes(k, oczek, colour = model, linetype = model, group = model), linewidth = 0.8) +
geom_point(data = dl, aes(k, oczek, colour = model, shape = model), size = 2.6) +
scale_colour_manual(values = unname(okabe[c("pomaranczowy", "niebieski")]), name = NULL) +
scale_shape_manual(values = c(16, 17), name = NULL) +
scale_linetype_manual(values = c("solid", "dashed"), name = NULL) +
labs(title = "A. Obserwowane (słupki) i oczekiwane liczebności",
x = "Liczba piątek lub szóstek w rzucie 12 kośćmi", y = "Liczba rzutów") +
motyw + theme(legend.direction = "vertical")
pb <- ggplot(d, aes(k, reszty, fill = reszty > 0)) +
geom_col(width = 0.7, colour = "grey30") +
geom_hline(yintercept = c(-2, 2), linetype = "dotted") + geom_hline(yintercept = 0) +
geom_text(aes(label = sub("-", "−", sprintf("%.2f", reszty)), vjust = ifelse(reszty > 0, -0.4, 1.3)), size = 3.1) +
scale_fill_manual(values = c(`TRUE` = okabe[["cynobrowy"]], `FALSE` = okabe[["szary"]]), guide = "none") +
scale_y_continuous(limits = c(-3, 3.2), labels = function(x) sub("-", "−", x)) +
labs(title = "B. Reszty Pearsona dla p = 1/3", x = "Liczba piątek lub szóstek", y = "(obs − oczek) / √oczek") +
motyw
p2 <- (pa | pb) + plot_layout(widths = c(1.15, 1))
p1
p2Wynik w R
hipoteza p chi2 df p_wartosc
1 p = 1/3 0.3333 35.49 10 0.0001028
2 p oszacowane 0.3377 8.18 9 0.5160827
[1] 0.611
Chi-squared test for given probabilities
data: obs
X-squared = 35.494, df = 10, p-value = 0.0001028
k obs oczek reszta
1 0 185 202.75 -1.25
2 1 1149 1216.50 -1.94
3 2 3265 3345.37 -1.39
4 3 5475 5575.61 -1.35
5 4 6114 6272.56 -2.00
6 5 5194 5018.05 2.48
7 6 3067 2927.20 2.58
8 7 1331 1254.51 2.16
9 8 403 392.04 0.55
10 9 105 87.12 1.92
11 10 18 14.31 0.98Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (test χ² – funkcje bazowe dbinom(), pchisq(), chisq.test(); dane – pakiet vcd; rysunki – 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/
- vcd (wersja 1.4.13): Meyer, D., Zeileis, A., Hornik, K., & Friendly, M. (2024). vcd: Visualizing categorical data [R package]. https://doi.org/10.32614/CRAN.package.vcd
- 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 Karl Pearson?
Angielskim matematykiem (1857–1936), profesorem University College London, który w latach 1893–1911 zbudował statystykę matematyczną jako osobną dziedzinę: z metodami (korelacja, test χ², metoda momentów), czasopismem Biometrika i pierwszym wydziałem statystyki stosowanej na UCL.
Co wymyślił Karl Pearson?
Współczynnik korelacji produktu momentów (1896), test χ² dla liczebności (1900), rodzinę krzywych częstości i szacowanie ich parametrów metodą momentów, a także nazwę zjawiska korelacji pozornej (1897). Współtworzył czasopismo Biometrika i redagował je przez 36 lat.
Dlaczego korelację nazywa się korelacją Pearsona?
Bo to Karl Pearson w 1896 r. podał współczynnik korelacji produktu momentów – iloraz kowariancji i iloczynu odchyleń standardowych. Gdy w SPSS lub jamovi wybierasz „Pearson”, liczysz właśnie jego r; „chi-kwadrat Pearsona” w tabelach krzyżowych to z kolei jego test z 1900 r.
Czy Karl Pearson był eugenikiem?
Tak. Założył czasopismo Annals of Eugenics i publikował w nim, m.in. w 1925 r. pracę o imigracji do Wielkiej Brytanii opartą na badaniu żydowskich dzieci z Rosji i Polski. Jego metody statystyczne są w użyciu niezależnie od tego, ale historia ich powstania obejmuje także ten nurt.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Test chi-kwadrat krok po kroku
Test zgodności i niezależności na jednym badaniu: odsetki, liczebności oczekiwane, reszty, V Craméra, test Fishera i gotowy opis APA.
Czytaj →PoradnikKorelacja Pearsona i Spearmana krok po kroku
Wybór miary, wykres rozrzutu, przedział ufności z transformacji Fishera, siła r, korelacja cząstkowa, macierz w APA i opis wyników z kodem R.
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)
- Magnello, M. E. (2005). Karl Pearson and the origins of modern statistics: An elastician becomes a statistician. The Rutherford Journal, 1(1). https://www.rutherfordjournal.org/article010107.html ● Otwarty dostęp
- Pearson, K. (1900). On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 50(302), 157–175. https://doi.org/10.1080/14786440009463897
- Pearson, K., & Moul, M. (1925). The problem of alien immigration into Great Britain, illustrated by an examination of Russian and Polish Jewish children. Annals of Eugenics, 1(1), 5–54. https://doi.org/10.1111/j.1469-1809.1925.tb02037.x ● Otwarty dostęp
- Plackett, R. L. (1983). Karl Pearson and the chi-squared test. International Statistical Review, 51(1), 59–72. https://doi.org/10.2307/1402731
- Stigler, S. M. (2008). Karl Pearson’s theoretical errors and the advances they inspired. Statistical Science, 23(2), 261–271. https://doi.org/10.1214/08-sts256 ● Otwarty dostęp
- Yule, G. U., & Filon, L. N. G. (1936). Karl Pearson, 1857–1936. Obituary Notices of Fellows of the Royal Society, 2(5), 72–110. https://doi.org/10.1098/rsbm.1936.0007
Cytowania BibTeX
@article{magnello2005karl, author={Magnello, M. Eileen}, title={{Karl Pearson and the origins of modern statistics: An elastician becomes a statistician}}, journal={The Rutherford Journal}, year={2005}, volume={1}, number={1}, url={https://www.rutherfordjournal.org/article010107.html}}@article{pearson1900criterion, author={Pearson, Karl}, title={{On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling}}, journal={The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science}, year={1900}, volume={50}, number={302}, pages={157--175}, doi={10.1080/14786440009463897}}@article{pearson1925problem, author={Pearson, Karl and Moul, Margaret}, title={{The problem of alien immigration into Great Britain, illustrated by an examination of Russian and Polish Jewish children}}, journal={Annals of Eugenics}, year={1925}, volume={1}, number={1}, pages={5--54}, doi={10.1111/j.1469-1809.1925.tb02037.x}}@article{plackett1983karl, author={Plackett, R. L.}, title={{Karl Pearson and the chi-squared test}}, journal={International Statistical Review}, year={1983}, volume={51}, number={1}, pages={59--72}, doi={10.2307/1402731}}@article{stigler2008karl, author={Stigler, Stephen M.}, title={{Karl Pearson’s theoretical errors and the advances they inspired}}, journal={Statistical Science}, year={2008}, volume={23}, number={2}, pages={261--271}, doi={10.1214/08-sts256}}@article{yule1936karl, author={Yule, George Udny and Filon, Louis Napoleon George}, title={{Karl Pearson, 1857–1936}}, journal={Obituary Notices of Fellows of the Royal Society}, year={1936}, volume={2}, number={5}, pages={72--110}, doi={10.1098/rsbm.1936.0007}}