Kim był Major Greenwood?
Major Greenwood (1880–1949) – „Major” to imię, nie stopień wojskowy – był brytyjskim lekarzem, epidemiologiem i jednym z twórców statystyki medycznej. Urodził się 9 sierpnia 1880 r. w londyńskiej parafii Shoreditch (Hogben, 1950) jako syn i wnuk lekarzy rodzinnych. W czasie przerwy w studiach medycznych przeczytał The Grammar of Science Karla Pearsona i postanowił łączyć medycynę z pomiarem i matematyką. Pierwszą pracę opublikował w „Biometrice” w 1904 r., tuż przed dyplomem lekarza, a potem rok chodził na wykłady Pearsona (Farewell i Johnson, 2016).
W 1908 r. w London Hospital stworzył pierwszy dział statystyki medycznej, a w 1909 r. poprowadził pierwszy kurs tego przedmiotu. Od 1910 r. kierował działem statystyki medycznej w Lister Institute, w czasie I wojny służył w Royal Army Medical Corps, a w 1919 r. został pierwszym starszym statystykiem nowego Ministerstwa Zdrowia. 1 października 1927 r. objął pierwszą katedrę epidemiologii i statystyki demograficznej w London School of Hygiene and Tropical Medicine (LSHTM) i jednocześnie kierownictwo działu statystyki Medical Research Council. W 1928 r. został członkiem Royal Society, a w latach 1934–1936 przewodniczył Royal Statistical Society. W 1946 r. przeszedł na emeryturę; następcą został jego wieloletni współpracownik Austin Bradford Hill. Zmarł w 1949 r. w wieku 69 lat (Farewell i Johnson, 2016).
Najważniejsze pomysły
- Błąd tablic przeżycia (1926). W dodatku do raportu Ministerstwa Zdrowia o naturalnym przebiegu nowotworów Greenwood wyprowadził wariancję prawdopodobieństwa przeżycia liczonego jako iloczyn prawdopodobieństw przeżycia kolejnych przedziałów. To wzór Greenwooda, którego dziś używa każdy program liczący przedziały ufności dla krzywej Kaplana–Meiera – choć estymator iloczynowy Kaplan i Meier (1958) ogłosili 32 lata później.
- Wielokrotne zdarzenia (1920). Z George’em Udnym Yule’em analizował, dlaczego wypadki i zachorowania nie rozkładają się między ludzi zgodnie z rozkładem Poissona, gdy ludzie różnią się podatnością (Greenwood i Yule, 1920). Ich potomkiem jest model zliczeń z nadmierną dyspersją, np. regresja ujemna dwumianowa.
- Epidemiologia eksperymentalna. Od 1925 r. z bakteriologiem W. W. C. Topleyem badał przebieg epidemii w stadach myszy, a w 1946 r. zaproponował statystykę skupiania zdarzeń w czasie lub przestrzeni, zwaną dziś statystyką Greenwooda.
Pisał też historię nauki, m.in. o Grauncie i Farrze (1948). Wśród osób, którym pomagał, była Janet Lane-Claypon: w raporcie z 1912 r. dziękuje dr. Majorowi Greenwoodowi z Lister Institute za naukę metod statystycznych i nadzór nad wynikami (Lane-Claypon, 1912).
Ciekawostka
Imię „Major” Greenwood odziedziczył – nosili je także jego ojciec i dziadek, obaj lekarze prowadzący rodzinną praktykę. W wojsku nie był jednak majorem: w Royal Army Medical Corps służył od 9 sierpnia 1915 r. jako porucznik, a od 9 lutego 1916 r. jako kapitan. Lekarzem rodzinnym też nie został. Jego mentor, fizjolog Leonard Hill, miał o nim powiedzieć, że chłopak ma głowę, ale lekarza z niego nie będzie (Farewell i Johnson, 2016, za pracą magisterską R. P. Wenzela).
Do końca pozostał przy pracy. Ostatni artykuł wysłał do „Biometriki” w dniu śmierci; zmarł tego dnia na posiedzeniu naukowym o badaniach nad rakiem (Farewell i Johnson, 2016).
Przykład na danych z pakietu R
Zbiór veteran z pakietu survival to – według pliku pomocy – randomizowane badanie dwóch schematów leczenia raka płuca (Veterans’ Administration), przytaczane za podręcznikiem Kalbfleischa i Prentice’a (1980). Obejmuje 137 pacjentów; u 128 zaobserwowano zgon, 9 obserwacji jest uciętych.
Liczymy krzywą Kaplana–Meiera i wariancję Greenwooda „ręcznie”: w każdym czasie zgonu bierzemy liczbę narażonych n i liczbę zgonów d, mnożymy (1 − d/n) i sumujemy d / [n(n − d)]. Wynik zgadza się z survfit() co do błędów zaokrągleń. W chwili t = 100 narażonych jest 55 osób, S = .418, SE = .042, a 95% przedział ufności to [.335, .501] w wersji „plain” i [.334, .499] po transformacji log-log. W t = 365 (10 narażonych) S = .090 i przedziały wyraźnie się różnią: [.038, .142] i [.047, .150].
Potem sprawdzamy przypadek z raportu z 1926 r.: wśród 128 pacjentów obserwowanych do zgonu wzór Greenwooda daje dokładnie błąd zwykłej proporcji √[S(1 − S)/n]. W pełnych danych, z 9 obserwacjami uciętymi, SE Greenwooda jest nieco większy niż dwumianowy liczony dla 137 osób: w t = 200 .0360 wobec .0345, w t = 411 .0194 wobec .0177.
Na rysunku
Co widać. Greenwood dwa razy zakładał dział statystyki medycznej, zanim w 1927 r. dostał pierwszą katedrę; słynny wzór powstał przy okazji raportu dla ministerstwa.
Na co uważać. Oś pomija wiele nagród i stanowisk, np. prezesurę Royal Statistical Society (1934–1936).
Podpis do pracy:
survival::veteran. Obliczenia i rysunek: R, pakiety survival, ggplot2 i patchwork (bez losowania).Co widać. W panelu A pasmo „plain” i przedział log-log prawie się pokrywają przy średnich S; przy małych przedział log-log jest przesunięty w górę. Panel B pokazuje, że błąd Greenwooda jest największy przy S ≈ .5, jak w zwykłej proporcji, i że obserwacje ucięte podnoszą go ponad wartość dwumianową.
Na co uważać. Przy kilku narażonych błąd Greenwooda jest niestabilny, a przedział symetryczny może wyjść poza [0, 1] (na rysunku przycięty). Ostatni zgon, w którym n = d, daje S = 0 i nieokreślony wzór – dlatego krzywa kończy się na poprzednim stopniu.
Podpis do pracy:
Gdzie spotkasz Greenwooda w swojej pracy
W każdej analizie przeżycia, w której podajesz przedział ufności dla prawdopodobieństwa przeżycia albo mediany czasu do zdarzenia. Na co zwracać uwagę:
- funkcja
survfit()w R domyślnie liczy przedział na skali logarytmu, a SPSS i inne programy mogą używać innych transformacji; w metodach napisz, że błąd standardowy policzono wzorem Greenwooda i jaki przedział przyjęto (plain, log, log-log); - podawaj liczbę narażonych pod osią krzywej – przy końcu obserwacji przedziały szybko się rozszerzają; krok po kroku pokazuje to wpis Kaplan–Meier i model Coxa krok po kroku;
- grupy porównuj np. testem log-rank; o autorach estymatora – hasło Edward Kaplan i Paul Meier.
Spory, mity i trudne strony
- Literówka w słynnym dodatku. Farewell i Johnson (2016) przedrukowali dodatek z 1926 r. i zauważyli, że jego ostatni, uproszczony wzór (dla danych bez obserwacji uciętych) wydrukowano bez czynnika nt+s. W przykładzie wersja z druku daje 0.0000377, a poprawiona – 0.0018458, czyli tyle, co wzór ogólny.
- Czy Greenwood wprowadził losowanie do badań klinicznych? Według Farewella i Johnsona (2016) Greenwood był pionierem dużych badań klinicznych (badanie patuliny), ale zadowalał się przydziałem naprzemiennym; krok do randomizacji zrobił Hill.
- „Wzór Kaplana–Meiera”. Wzór Greenwooda bywa przedstawiany jako część metody Kaplana–Meiera. Powstał jednak dla tablic przeżycia ponad 30 lat wcześniej niż estymator Kaplana i Meiera (1958). O pokrewnym modelu epidemii czytaj w haśle William Kermack i Anderson McKendrick – ich teorię sprawdzano m.in. na mysich epidemiach Greenwooda i Topleya.
Wzór Greenwooda w R
Kod liczy krzywą Kaplana–Meiera i wariancję Greenwooda ręcznie, porównuje je z survfit(), wyznacza przedziały „plain” i log-log, sprawdza przypadek bez obserwacji uciętych z raportu z 1926 r. 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. Krzywa przeżycia i błąd Greenwooda: rysunek 2
Kod R rysunku 2
# Major Greenwood: wzór Greenwooda (1926) liczony ręcznie vs survfit() (survival::veteran)
suppressPackageStartupMessages({library(survival); library(ggplot2); library(patchwork)})
kol <- c(km = "#0072B2", plain = "#56B4E9", loglog = "#D55E00", dwumian = "#E69F00") # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")
data(cancer, package = "survival")
# veteran – badanie Veterans' Administration nad rakiem płuca (Kalbfleisch i Prentice, 1980, wg pliku pomocy);
# time – czas przeżycia, status – 1 = zgon, 0 = obserwacja ucięta (cenzurowana)
c(pacjenci = nrow(veteran), zgony = sum(veteran$status), ucieci = sum(veteran$status == 0))
# 1. Estymator Kaplana–Meiera i wariancja Greenwooda "ręcznie"
greenwood_km <- function(czas, zdarzenie) {
t <- sort(unique(czas[zdarzenie == 1])) # czasy zgonów
n <- sapply(t, function(u) sum(czas >= u)) # liczba narażonych tuż przed t
d <- sapply(t, function(u) sum(czas == u & zdarzenie == 1)) # liczba zgonów w chwili t
S <- cumprod(1 - d / n) # iloczyn prawdopodobieństw przeżycia
var_S <- S^2 * cumsum(d / (n * (n - d))) # wzór Greenwooda
data.frame(t, n, d, S, se = sqrt(var_S))
}
gw <- greenwood_km(veteran$time, veteran$status)
head(round(gw, 4), 4)
# 2. To samo w survfit(): przedziały "plain" (S ± 1.96·SE) i "log-log"
fit_plain <- survfit(Surv(time, status) ~ 1, data = veteran, conf.type = "plain")
fit_ll <- survfit(Surv(time, status) ~ 1, data = veteran, conf.type = "log-log")
s <- summary(fit_plain) # wiersze tylko w czasach zgonów
c(max_roznica_S = max(abs(s$surv - gw$S)), max_roznica_SE = max(abs(s$std.err - gw$se), na.rm = TRUE))
tail(round(gw, 4), 2) # ostatni zgon: n = d, S = 0, wzór nieokreślony
# 3. S(t) i 95% przedziały w wybranych chwilach
chwile <- c(30, 100, 200, 365)
k <- sapply(chwile, function(u) max(which(gw$t <= u))) # ostatni zgon przed chwilą u
z <- qnorm(0.975)
tab <- data.frame(t = chwile, narazeni = sapply(chwile, function(u) sum(veteran$time >= u)),
S = gw$S[k], SE = gw$se[k],
plain_dol = gw$S[k] - z * gw$se[k], plain_gora = gw$S[k] + z * gw$se[k],
loglog_dol = summary(fit_ll, times = chwile)$lower,
loglog_gora = summary(fit_ll, times = chwile)$upper)
round(tab, 3)
# 4. Przypadek z raportu z 1926 r.: wszyscy obserwowani do zgonu (bez cenzurowania)
zm <- veteran[veteran$status == 1, ] # 128 pacjentów ze zgonem
gw0 <- greenwood_km(zm$time, zm$status)
n0 <- nrow(zm)
se_dwumian <- sqrt(gw0$S * (1 - gw0$S) / n0) # SE zwykłej proporcji przeżywających
n0
c(max_roznica_Greenwood_vs_dwumian = max(abs(gw0$se - se_dwumian), na.rm = TRUE))
# końcowy wzór z dodatku do raportu: wydrukowany vs poprawiony (Farewell i Johnson, 2016)
n_t <- n0; n_ts <- sum(zm$time > 100) # żyjący na początku i po t = 100
c(n_t = n_t, n_t_plus_s = n_ts)
round(c(wydrukowany = (n_t - n_ts) / n_t^3, poprawiony = n_ts * (n_t - n_ts) / n_t^3,
Greenwood = gw0$se[max(which(gw0$t <= 100))]^2), 7)
# 5. Ile wnosi cenzurowanie: SE Greenwooda (wszyscy) vs SE dwumianowe przy n = 137
gw$se_naiwne <- sqrt(gw$S * (1 - gw$S) / nrow(veteran))
round(gw[gw$t %in% c(100, 200, 250, 411), c("t", "n", "S", "se", "se_naiwne")], 4)
# Rysunek: A – krzywa K–M z pasmem Greenwooda (plain) i granicami log-log; B – SE w czasie
ll <- summary(fit_ll)
krzywa <- data.frame(t = c(0, gw$t), S = c(1, gw$S), dol = pmax(0, c(1, gw$S - z * gw$se)),
gora = pmin(1, c(1, gw$S + z * gw$se)), ll_dol = c(1, ll$lower), ll_gora = c(1, ll$upper))
krzywa <- krzywa[krzywa$S > 0, ] # bez ostatniego kroku do zera (SE nieokreślone)
pA <- ggplot(krzywa, aes(t)) +
geom_rect(aes(xmin = t, xmax = c(t[-1], max(veteran$time)), ymin = dol, ymax = gora),
fill = kol[["plain"]], alpha = 0.35) +
geom_step(aes(y = S), colour = kol[["km"]], linewidth = 0.9) +
geom_step(aes(y = ll_dol), colour = kol[["loglog"]], linetype = "22", linewidth = 0.6) +
geom_step(aes(y = ll_gora), colour = kol[["loglog"]], linetype = "22", linewidth = 0.6) +
annotate("text", x = 560, y = 0.9, hjust = 0, size = 3.3, lineheight = 0.95,
label = "linia ciągła: Kaplan–Meier\npasmo: S ± 1.96·SE Greenwooda\nprzerywane: przedział log-log") +
coord_cartesian(xlim = c(0, 1000)) +
labs(title = "A. Przeżycie z 95% przedziałami", x = "Czas", y = "S(t)") +
motyw
g <- gw[gw$S > 0, ]
se_dl <- rbind(data.frame(t = g$t, se = g$se, rodzaj = "Greenwood (z cenzurowaniem)"),
data.frame(t = g$t, se = g$se_naiwne, rodzaj = "dwumianowe, n = 137"))
pB <- ggplot(se_dl, aes(t, se, colour = rodzaj, linetype = rodzaj)) +
geom_step(linewidth = 0.8) +
scale_colour_manual(values = c(kol[["dwumian"]], kol[["km"]]), name = NULL) +
scale_linetype_manual(values = c("22", "solid"), name = NULL) +
coord_cartesian(xlim = c(0, 1000)) +
labs(title = "B. Błąd standardowy S(t)", x = "Czas", y = "SE") +
motyw
p2 <- pA + pB + plot_layout(widths = c(1.3, 1))
p2Wynik w R
pacjenci zgony ucieci
137 128 9
t n d S se
1 1 137 2 0.9854 0.0102
2 2 135 1 0.9781 0.0125
3 3 134 1 0.9708 0.0144
4 4 133 1 0.9635 0.0160
max_roznica_S max_roznica_SE
1.387779e-16 3.469447e-17
t n d S se
96 991 2 1 0.009 0.0089
97 999 1 1 0.000 NaN
t narazeni S SE plain_dol plain_gora loglog_dol loglog_gora
1 30 97 0.700 0.039 0.624 0.777 0.616 0.770
2 100 55 0.418 0.042 0.335 0.501 0.334 0.499
3 200 25 0.205 0.036 0.135 0.276 0.140 0.280
4 365 10 0.090 0.026 0.038 0.142 0.047 0.150
[1] 128
max_roznica_Greenwood_vs_dwumian
6.938894e-18
n_t n_t_plus_s
128 49
wydrukowany poprawiony Greenwood
0.0000377 0.0018458 0.0018458
t n S se se_naiwne
51 100 55 0.4180 0.0425 0.0421
74 200 25 0.2053 0.0360 0.0345
80 250 18 0.1531 0.0326 0.0308
92 411 6 0.0450 0.0194 0.01772. Oś czasu: rysunek 1
Kod R rysunku 1
# Oś czasu: Major Greenwood (1880–1949) – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
rok = c(1880, 1904, 1908, 1910, 1915, 1919, 1926, 1927, 1928, 1946, 1949),
opis = c("urodził się\nw Shoreditch (Londyn)", "dyplom lekarza;\npierwsza praca\nw „Biometrice”",
"pierwszy dział\nstatystyki medycznej\n(London Hospital)", "dział statystyki\nmedycznej\nw Lister Institute",
"służba w RAMC\n(porucznik, kapitan)", "pierwszy starszy\nstatystyk\nMinisterstwa Zdrowia",
"wzór na błąd\ntablic przeżycia\n(raport o raku)", "pierwsza katedra\nepidemiologii i statystyki\ndemograficznej (LSHTM)",
"członek\nRoyal Society", "emerytura;\nnastępcą\nBradford Hill", "zmarł"),
rodzaj = c("życie", "publikacja", "praca", "praca", "praca", "praca", "publikacja", "praca",
"wyróżnienie", "praca", "życie"),
poziom = c(0.5, -0.5, 1.25, -1.35, 0.5, -0.5, 1.25, -1.35, 0.5, -0.5, 0.5), # wysokość etykiety (+ nad osią, − pod)
wyrownanie = c(0.2, 0.5, 0.5, 0.5, 0.5, 0.5, 1, 0.5, 0.2, 0.5, 0.7)) # rozsunięcie bliskich etykiet
zdarzenia$etykieta <- paste0(zdarzenia$rok, "\n", zdarzenia$opis)
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) +
scale_shape_manual(values = ksztalty, name = NULL) +
scale_fill_manual(values = kolory, name = NULL) +
scale_x_continuous(limits = c(1876, 1954), breaks = seq(1880, 1950, by = 10)) +
scale_y_continuous(limits = c(-2.6, 2.5)) +
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"),
legend.position = "bottom")
p1Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (krzywa przeżycia i przedziały – funkcja survfit() z pakietu survival; 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/
- survival (wersja 3.8.6): Therneau, T. M. (2026). A package for survival analysis in R [R package]. https://CRAN.R-project.org/package=survival
- 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 Major Greenwood?
Brytyjskim lekarzem, epidemiologiem i statystykiem medycznym (1880–1949). Uczył się statystyki u Karla Pearsona, w 1908 r. stworzył pierwszy dział statystyki medycznej w London Hospital, potem kierował statystyką w Lister Institute i w Ministerstwie Zdrowia, a od 1927 r. był pierwszym profesorem epidemiologii i statystyki demograficznej w London School of Hygiene and Tropical Medicine. „Major” to jego imię, nie stopień wojskowy.
Co to jest wzór Greenwooda?
Przybliżona wariancja prawdopodobieństwa przeżycia S(t) liczonego jako iloczyn prawdopodobieństw przeżycia kolejnych okresów: Var S(t) ≈ S(t)² · Σ d / [n(n − d)], gdzie n to liczba narażonych, a d – zgonów w danym okresie. Greenwood podał go w 1926 r. w raporcie o naturalnym przebiegu nowotworów; dziś służy do przedziałów ufności dla krzywej Kaplana–Meiera.
Jaki przedział ufności dla krzywej Kaplana–Meiera wybrać: plain czy log-log?
Oba korzystają z błędu Greenwooda. Przedział symetryczny S ± 1.96·SE przy małym S może wyjść poza zakres [0, 1], dlatego programy często stosują transformację log albo log-log. W danych veteran przy S = .090 przedziały to [.038, .142] (plain) i [.047, .150] (log-log). W pracy napisz, którą wersję przyjąłeś.
Czy wzór Greenwooda działa bez obserwacji uciętych?
Tak – wtedy upraszcza się do błędu zwykłej proporcji √[S(1 − S)/n], co Greenwood zauważył już w 1926 r. W przykładzie dla 128 pacjentów obserwowanych do zgonu oba wzory dają ten sam wynik, a z obserwacjami uciętymi błąd Greenwooda jest nieco większy.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Kaplan–Meier i model Coxa krok po kroku
Krzywe Kaplana–Meiera, log-rank, RMST, model Coxa, proporcjonalność hazardów i ryzyka konkurujące w R – z tabelą APA i opisem do artykułu.
Czytaj →PoradnikKaplan–Meier i regresja Coxa w SPSS
Od kodowania statusu po opis APA: krzywe i mediany, log-rank, Breslow i Tarone–Ware, ilorazy hazardów z Cox Regression i sprawdzenie proporcjonalności hazardów – z plikiem .sav.
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)
- Farewell, V., & Johnson, T. (2016). Major Greenwood (1880–1949): A biographical and bibliographical study. Statistics in Medicine, 35(5), 645–670. https://doi.org/10.1002/sim.6772 ● Otwarty dostęp
- Greenwood, M., & Yule, G. U. (1920). An inquiry into the nature of frequency distributions representative of multiple happenings with particular reference to the occurrence of multiple attacks of disease or of repeated accidents. Journal of the Royal Statistical Society, 83(2), 255–279. https://doi.org/10.2307/2341080 ● Otwarty dostęp: pełny tekst
- Hogben, L. (1950). Major Greenwood 1880–1949. Obituary Notices of Fellows of the Royal Society, 7(19), 138–154. https://doi.org/10.1098/rsbm.1950.0010
- Kaplan, E. L., & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53(282), 457–481. https://doi.org/10.1080/01621459.1958.10501452
- Lane-Claypon, J. E. (1912). Report to the Local Government Board upon the available data in regard to the value of boiled milk as a food for infants and young animals. His Majesty’s Stationery Office. https://archive.org/details/cu31924003472176 ● Otwarty dostęp
Cytowania BibTeX
@article{farewell2016major, author={Farewell, Vern and Johnson, Tony}, title={{Major Greenwood (1880–1949): A biographical and bibliographical study}}, journal={Statistics in Medicine}, year={2016}, volume={35}, number={5}, pages={645--670}, doi={10.1002/sim.6772}}@article{greenwood1920inquiry, author={Greenwood, Major and Yule, George Udny}, title={{An inquiry into the nature of frequency distributions representative of multiple happenings with particular reference to the occurrence of multiple attacks of disease or of repeated accidents}}, journal={Journal of the Royal Statistical Society}, year={1920}, volume={83}, number={2}, pages={255--279}, doi={10.2307/2341080}}@article{hogben1950major, author={Hogben, Lancelot}, title={{Major Greenwood 1880–1949}}, journal={Obituary Notices of Fellows of the Royal Society}, year={1950}, volume={7}, number={19}, pages={138--154}, doi={10.1098/rsbm.1950.0010}}@article{kaplan1958nonparametric, author={Kaplan, E. L. and Meier, Paul}, title={{Nonparametric estimation from incomplete observations}}, journal={Journal of the American Statistical Association}, year={1958}, volume={53}, number={282}, pages={457--481}, doi={10.1080/01621459.1958.10501452}}@techreport{lane-claypon1912report, author={Lane-Claypon, Janet Elizabeth}, title={{Report to the Local Government Board upon the available data in regard to the value of boiled milk as a food for infants and young animals}}, year={1912}, institution={His Majesty’s Stationery Office}, url={https://archive.org/details/cu31924003472176}}