Słownik metodologiczny · Ludzie statystyki

Mark Kac (1914–1984) – kim był i co wniósł do statystyki

Mark Kac, uczeń Hugona Steinhausa ze Lwowa, szukał rozkładu normalnego tam, gdzie nikt się go nie spodziewał – nawet w liczbach pierwszych. Przedstawiamy jego biografię naukową, oś czasu i przykład w R: twierdzenie Erdősa–Kaca sprawdzone na wszystkich liczbach do miliona.

W skrócie: Mark Kac (1914–1984) – matematyk z Krzemieńca, uczeń Hugona Steinhausa we Lwowie, od 1938 r. w USA (Johns Hopkins, Cornell, Rockefeller University). Z Paulem Erdősem pokazał w 1940 r., że liczba dzielników pierwszych liczby ma w przybliżeniu rozkład normalny; jego nazwisko nosi też wzór Feynmana–Kaca, a pytanie „Czy można usłyszeć kształt bębna?” stało się klasyką.

Kim był Mark Kac?

Mark Kac (1914–1984) urodził się 16 sierpnia 1914 r. w Krzemieńcu – mieście, które w ciągu jego życia należało kolejno do Rosji, Polski i radzieckiej Ukrainy. Jego ojciec był nauczycielem z dyplomami z filozofii z Lipska oraz z historii i filozofii z Moskwy. Kac uczył się w domu i w Liceum Krzemienieckim (McKean, 1990).

W 1931 r., jako siedemnastolatek, zaczął studia na Uniwersytecie Jana Kazimierza we Lwowie; dyplom uzyskał w 1935 r., a doktorat w 1937 r. Najważniejszym nauczycielem był dla niego Hugo Steinhaus, który wprowadził go w rachunek prawdopodobieństwa; razem napisali serię prac o niezależności statystycznej (McKean, 1990). W 1938 r. Kac wyjechał na polskie stypendium do Johns Hopkins w Baltimore. Rodzina została w Krzemieńcu i większość jej członków zginęła w masowych egzekucjach w latach 1942–1943 (McKean, 1990).

Od 1939 r. pracował na Cornell University w Ithace, w latach 1943–1947 współpracował z Radiation Laboratory w MIT, a w 1962 r. przeszedł do Rockefeller University. Po przejściu na emeryturę w 1981 r. przeniósł się na University of Southern California (McKean, 1990). Zmarł w październiku 1984 r. w Los Angeles; jego autobiografia Enigmas of Chance ukazała się już po jego śmierci (Cohen, 1986).

Najważniejsze pomysły

  • Niezależność statystyczna. Od Steinhausa Kac przejął precyzyjne pojęcie niezależności: prawdopodobieństwo łącznego zajścia zdarzeń niezależnych jest iloczynem prawdopodobieństw. McKean (1990) zauważa, że to właśnie ono porządkuje stare prawo normalne de Moivre’a, Czebyszewa i Markowa, a Kac całe życie szukał rozkładu normalnego w nowych dziedzinach.
  • Twierdzenie Erdősa–Kaca (1940). Z Paulem Erdősem pokazał, że liczba różnych dzielników pierwszych liczby n ma w przybliżeniu rozkład normalny ze średnią i wariancją log log n (Erdős i Kac, 1940). To centralne twierdzenie graniczne w teorii liczb: podzielność przez różne liczby pierwsze zachowuje się jak zdarzenia prawie niezależne (McKean, 1990).
  • Ruch Browna i wzór Feynmana–Kaca. Ruch Browna to granica rzutów monetą przy coraz drobniejszych krokach. Z tej obserwacji Kac wyprowadził m.in. prawo arcusa sinusa dla czasu, w którym orły prowadzą nad reszkami, a z podsuniętego przez Richarda Feynmana pomysłu – wzór łączący równanie Schrödingera ze średnią po trajektoriach ruchu Browna (McKean, 1990).
  • „Czy można usłyszeć kształt bębna?” W artykule z 1966 r. zapytał, czy z samych tonów własnych membrany da się odtworzyć jej kształt. Pokazał, że da się „usłyszeć” pole, długość brzegu i liczbę dziur (Kac, 1966; McKean, 1990).

Ciekawostka

Kac słynął z dowcipu. McKean (1990) przytacza ulubioną historię z jego autobiografii: na egzaminie ustnym słaby student zgubił się na pytaniu, jak nazywa się osobliwość funkcji 1/z w zerze. Kac poprosił go wtedy, by na niego spojrzał i powiedział, kim jest. Student rozpromienił się i odpowiedział: „A simple Pole, sir” – po angielsku to jednocześnie „biegun prosty” i „prosty Polak”, czyli odpowiedź poprawna.

Kac lubił też cytować Steinhausa, który zapytany, czy przekroczył granicę, odpowiedział, że nie – to granica przekroczyła jego (McKean, 1990).

Przykład: dzielniki pierwsze liczb do miliona

Sprawdzamy twierdzenie Erdősa–Kaca na wszystkich liczbach od 3 do 1 000 000. Dla każdej liczymy ω(n) – liczbę różnych dzielników pierwszych (np. ω(30) = 3, bo 30 = 2 · 3 · 5, a ω(1024) = 1, bo 1024 = 210). Sito Eratostenesa znajduje 78 498 liczb pierwszych, a potem każdą liczbę zaliczamy do tylu, ilu liczb pierwszych jest wielokrotnością. Nie ma tu losowania – „próbą” jest cały zakres liczb.

Według twierdzenia średnia i wariancja ω(n) powinny być bliskie log log N = 2.626. Średnia wyniosła 2.854, ale wariancja tylko 0.981. Rozkład jest więc znacznie węższy, niż zapowiada wzór: 3 dzielniki pierwsze ma 37.97% liczb, podczas gdy przybliżenie normalne daje 23.62%, a 6 dzielników ma 0.23% liczb zamiast 2.96%. Jednocześnie dla 93.3% liczb ω(n) różni się od log log n najwyżej o √(log log n) – to właśnie tę koncentrację opisuje twierdzenie. Dla N = 100 wariancja wynosi 0.362, a dla N = 1 000 000 – 0.981, przy log log N równym 1.527 i 2.626: zbieżność jest, tylko bardzo powolna.

Na rysunku

Pozioma oś czasu od 1905 do 1990 z dziewięcioma zdarzeniami: 1914 urodzony w Krzemieńcu; 1937 doktorat we Lwowie; 1938 stypendium w Johns Hopkins; 1939 Cornell (Ithaca); 1940 twierdzenie Erdősa–Kaca; 1962 Rockefeller University; 1966 artykuł Can one hear the shape of a drum?; 1981 University of Southern California; 1984 zmarł w Los Angeles. Rodzaj zdarzenia oznaczają kształt i kolor znacznika: koło – życie, kwadrat – nauka, trójkąt – praca, odwrócony trójkąt – publikacja
Rysunek 1. Oś czasu: Mark Kac, 1914–1984. Lata według McKeana (1990), Cohena (1986), Erdősa i Kaca (1940) oraz Kaca (1966). Rysunek: R, pakiet ggplot2.

Co widać. W ciągu trzech lat (1937–1940) Kac obronił doktorat we Lwowie, wyjechał do USA i opublikował z Erdősem twierdzenie, które nosi ich nazwiska. Druga połowa kariery to fizyka statystyczna w Rockefeller University.

Na co uważać. Oś zawiera tylko daty z cytowanych źródeł; rok przejścia do Rockefeller University (1962) podajemy za McKeanem (1990).

Podpis do pracy:

Rysunek 1. Najważniejsze daty z życia i pracy Marka Kaca, 1914–1984. Uwaga. Kształt znacznika oznacza rodzaj zdarzenia (życie, nauka, praca, publikacja).
Dwa panele. A: słupki odsetka liczb od 3 do miliona według liczby różnych dzielników pierwszych od 0 do 8; najwyższy słupek dla 3 (około 38%), potem 2 (29%) i 4 (21%); niebieska przerywana linia z kółkami pokazuje przybliżenie normalne o średniej i wariancji log log N, szersze i niższe (szczyt około 24%), z większymi odsetkami dla 0, 1, 5 i 6. B: dla górnej granicy N od 100 do miliona na osi logarytmicznej średnia ω(n) (kółka) rośnie od około 1.7 do 2.9, nieco powyżej przerywanej linii log log N, a wariancja ω(n) (kwadraty) rośnie wolno od około 0.4 do 1.0, wyraźnie poniżej
Rysunek 2. Twierdzenie Erdősa–Kaca dla liczb do miliona: rozkład liczby różnych dzielników pierwszych na tle przybliżenia normalnego (A) oraz średnia i wariancja dla rosnącej górnej granicy N (B). Obliczenia i rysunek: R, pakiety ggplot2 i patchwork (obliczenie dokładne, bez losowania).

Co widać. Kształt rozkładu – jednomodalny, prawie symetryczny (skośność 0.129) – zgadza się z twierdzeniem, ale skala nie: rozkład jest skupiony wokół 2–4 dzielników. Panel B pokazuje dlaczego: między N = 100 a milionem log log N rośnie tylko od 1.527 do 2.626.

Na co uważać. Twierdzenie graniczne mówi, co dzieje się „w nieskończoności”, a nie przy konkretnym N. To samo dotyczy prawa wielkich liczb i przybliżeń normalnych w badaniach: zanim na nich oprzesz wnioski, sprawdź rozkład na histogramie albo wykresie kwantylowym.

Podpis do pracy:

Rysunek 2. Rozkład liczby różnych dzielników pierwszych ω(n) dla liczb od 3 do 1 000 000 na tle rozkładu normalnego o średniej i wariancji log log N (A) oraz średnia i wariancja ω(n) dla liczb do N w zależności od N (B). Uwaga. Obliczenia dokładne dla wszystkich liczb w zakresie. W panelu A słupki – odsetki obserwowane, punkty połączone linią przerywaną – przybliżenie normalne z poprawką na ciągłość. W panelu B oś pozioma w skali logarytmicznej, linia przerywana – log log N.

Gdzie spotkasz Kaca w swojej pracy

  • Założenie niezależności. Wzory na wariancję sumy, test chi-kwadrat czy błąd standardowy średniej zakładają niezależne obserwacje – pojęcie, któremu Steinhaus i Kac nadali ścisłą postać. Gdy osoby są zgrupowane w klasach lub rodzinach, to założenie trzeba osłabić (modele wielopoziomowe).
  • Przybliżenia normalne. Zawsze gdy korzystasz z rozkładu dwumianowego przybliżonego normalnym albo z centralnego twierdzenia granicznego, pracujesz w świecie, który Kac rozszerzał na teorię liczb i fizykę.
  • Symulacje i błądzenie losowe. Związek rzutów monetą z ruchem Browna stoi za wieloma symulacjami procesów losowych; o pokrewnej metodzie Monte Carlo pisze hasło o Stanisławie Ulamie, innym matematyku ze szkoły lwowskiej.

Spory, mity i trudne strony

  • „Wszyscy wierzą w prawo błędów”. McKean (1990) przytacza narzekanie Poincarégo: w prawo błędów wierzą wszyscy, bo matematycy myślą, że to fakt doświadczalny, a obserwatorzy – że twierdzenie matematyczne. Brakującym składnikiem było według McKeana jednoznaczne pojęcie niezależności, które wniósł Steinhaus; Kac rozszerzał potem zasięg prawa normalnego na nowe dziedziny.
  • Czy da się usłyszeć bęben? Kac pokazał, które cechy kształtu słychać w tonach, ale pełnej odpowiedzi nie podał – w 1990 r. McKean pisał, że pytanie pozostaje otwarte.
  • Wojna i Zagłada. Kac wyjechał z Polski w 1938 r.; większość jego rodziny zginęła w Krzemieńcu w latach 1942–1943. McKean (1990) wiąże z tym jego późniejsze zaangażowanie w pomoc radzieckim refuseników.
Przykład reprodukowalny

Kac w R

Kod rysuje oś czasu, a potem sitem Eratostenesa wyznacza liczby pierwsze do miliona i liczbę różnych dzielników pierwszych ω(n) każdej liczby. Porównuje średnią, wariancję i rozkład ω(n) z rozkładem normalnym o średniej i wariancji log log N z twierdzenia Erdősa–Kaca i pokazuje, jak wolno rośnie log log N. Rysunki na stronie powstały z tych samych obiektów p_os i p_metoda z krojem i tłem serwisu; dane, geometrie i skale są identyczne.

liczbę liczb pierwszych do miliona, przykładowe wartości ω(n), średnią, wariancję i skośność ω(n), rozkład ω(n) obok przybliżenia normalnego, odsetek liczb blisko log log n i zbieżność dla N od 100 do miliona.

Dane wejściowe: Oś czasu i liczby całkowite od 1 do 1 000 000

Co odczytać: obliczenie dokładne, bez losowania: liczby od 3 do 1 000 000 (dla mniejszych log log n nie jest dodatnie); daty osi czasu z cytowanych źródeł.

Kod R rysunków 1 i 2
# Mark Kac: oś czasu i twierdzenie Erdősa–Kaca – liczba różnych dzielników pierwszych omega(n) dla n <= 10^6
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 McKeana 1990, Cohena 1986, Erdősa i Kaca 1940 oraz Kaca 1966)
zdarzenia <- data.frame(
  rok = c(1914, 1937, 1938, 1939, 1940, 1962, 1966, 1981, 1984),
  opis = c("urodzony\nw Krzemieńcu", "doktorat\nwe Lwowie", "stypendium:\nJohns Hopkins",
           "Cornell (Ithaca)", "twierdzenie\nErdősa–Kaca", "Rockefeller\nUniversity", "„Can one hear the\nshape of a drum?”",
           "University of\nSouthern California", "zmarł\nw Los Angeles"),
  rodzaj = c("życie", "nauka", "praca", "praca", "publikacja", "praca", "publikacja", "praca", "życie"))
zdarzenia$y <- c(1.2, -1, 2.1, 1, -2, 1.2, -1, 1.2, -1)   # wysokość etykiet, żeby się nie nakładały
p_os <- ggplot(zdarzenia, aes(rok, 0)) +
  geom_hline(yintercept = 0, colour = "grey60") +
  geom_segment(aes(xend = rok, yend = y * 0.8), colour = "grey70") +
  geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.5) +
  geom_label(aes(y = y, label = paste0(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(1910, 1990, 10), limits = c(1905, 1993)) + scale_y_continuous(limits = c(-2.5, 2.6)) +
  labs(title = "Mark Kac (1914–1984)", x = NULL, y = NULL) +
  motyw + theme(axis.text.y = element_blank(), panel.grid.major.y = element_blank(), legend.position = "bottom")

# 2. omega(n) – liczba różnych dzielników pierwszych n – sitem dla wszystkich n <= N
N <- 1e6
pierwsza <- rep(TRUE, N); pierwsza[1] <- FALSE
for (p in 2:floor(sqrt(N))) if (pierwsza[p]) pierwsza[seq(p * p, N, by = p)] <- FALSE
pierwsze <- which(pierwsza)
wielokrotnosci <- unlist(lapply(pierwsze, function(p) seq.int(p, N, by = p)))   # każda wielokrotność każdej liczby pierwszej
omega <- tabulate(wielokrotnosci, nbins = N)                                        # ile razy n pojawiło się na liście
c(liczb_pierwszych = length(pierwsze), omega_30 = omega[30], omega_1024 = omega[1024], omega_510510 = omega[510510])

# Erdős i Kac (1940): dla n <= N omega(n) ma w przybliżeniu rozkład normalny ze średnią i wariancją log log N
llN <- log(log(N))
x <- omega[3:N]                      # n = 3, ..., N (dla n <= 2 log log n nie jest dodatnie)
round(c(loglogN = llN, srednia = mean(x), wariancja = var(x), skosnosc = mean((x - mean(x))^3) / sd(x)^3), 3)
# Rozkład omega(n) i przybliżenie normalne (z poprawką na ciągłość) o średniej i wariancji log log N
k <- 0:8
obserwowane <- as.numeric(table(factor(x, levels = k))) / length(x)
normalne <- pnorm(k + 0.5, llN, sqrt(llN)) - pnorm(k - 0.5, llN, sqrt(llN))
round(data.frame(k, obserwowane, normalne), 4)
# Odsetek n, dla których |omega(n) - log log n| <= sqrt(log log n), i średnia dla rosnących N
ll_n <- log(log(3:N))
round(mean(abs(x - ll_n) <= sqrt(ll_n)), 3)
granice <- 10^(2:6)
zbieznosc <- data.frame(N = granice, loglogN = log(log(granice)),
                        srednia = sapply(granice, function(g) mean(omega[3:g])),
                        wariancja = sapply(granice, function(g) var(omega[3:g])))
round(zbieznosc, 3)

# Rysunek 2A: rozkład omega(n) dla n <= 10^6 i przybliżenie normalne
rozklad <- data.frame(k = k, obserwowane = obserwowane, normalne = normalne)
pA <- ggplot(rozklad, aes(k)) +
  geom_col(aes(y = obserwowane, fill = "liczby n ≤ 1 000 000"), width = 0.7, colour = "grey30", linewidth = 0.2) +
  geom_line(aes(y = normalne, colour = "rozkład normalny\n(średnia = wariancja = log log N)"), linewidth = 0.9, linetype = "dashed") +
  geom_point(aes(y = normalne, colour = "rozkład normalny\n(średnia = wariancja = log log N)"), shape = 21, fill = "white", size = 2.8, stroke = 1.1) +
  scale_fill_manual(values = oi[["pomaranczowy"]], name = NULL) +
  scale_colour_manual(values = oi[["niebieski"]], name = NULL) +
  scale_x_continuous(breaks = k) + scale_y_continuous(labels = function(v) paste0(100 * v, "%")) +
  labs(title = "A. Ile różnych dzielników pierwszych ma n?", x = "ω(n) – liczba różnych dzielników pierwszych", y = "Odsetek liczb") +
  motyw + theme(legend.position = "bottom", legend.box = "vertical", legend.spacing.y = unit(0, "pt"))
# Rysunek 2B: średnia i wariancja omega(n) dla rosnącego N a log log N
zb <- rbind(data.frame(N = zbieznosc$N, wartosc = zbieznosc$srednia, miara = "średnia ω(n)"),
            data.frame(N = zbieznosc$N, wartosc = zbieznosc$wariancja, miara = "wariancja ω(n)"),
            data.frame(N = zbieznosc$N, wartosc = zbieznosc$loglogN, miara = "log log N"))
zb$miara <- factor(zb$miara, levels = c("średnia ω(n)", "wariancja ω(n)", "log log N"))
pB <- ggplot(zb, aes(N, wartosc, colour = miara, shape = miara, linetype = miara)) +
  geom_line(linewidth = 0.8) + geom_point(size = 3, fill = "white", stroke = 1.1) +
  scale_x_log10(breaks = granice, labels = c("100", "1 000", "10 000", "100 000", "1 000 000")) +
  scale_y_continuous(breaks = seq(0, 3, 0.5), limits = c(0, 3)) +
  scale_colour_manual(values = c(oi[["cynober"]], oi[["zielony"]], "grey25"), name = NULL) +
  scale_shape_manual(values = c(21, 22, NA), name = NULL) +
  scale_linetype_manual(values = c("solid", "solid", "dashed"), name = NULL) +
  labs(title = "B. Zbieżność jest bardzo powolna", x = "Górna granica N (skala log)", y = "Wartość dla n ≤ N") +
  motyw + theme(legend.position = "bottom")
p_metoda <- pA + pB + plot_layout(widths = c(1, 1))
p_os
p_metoda
Wynik w R
liczb_pierwszych         omega_30       omega_1024     omega_510510 
           78498                3                1                7 
  loglogN   srednia wariancja  skosnosc 
    2.626     2.854     0.981     0.129 
  k obserwowane normalne
1 0      0.0000   0.0679
2 1      0.0787   0.1488
3 2      0.2887   0.2255
4 3      0.3797   0.2362
5 4      0.2080   0.1711
6 5      0.0425   0.0857
7 6      0.0023   0.0296
8 7      0.0000   0.0071
9 8      0.0000   0.0012
[1] 0.933
      N loglogN srednia wariancja
1 1e+02   1.527   1.735     0.362
2 1e+03   1.933   2.129     0.544
3 1e+04   2.220   2.430     0.700
4 1e+05   2.443   2.664     0.846
5 1e+06   2.626   2.854     0.981

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (obliczenia – funkcje bazowe R, m.in. tabulate() i pnorm(); 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 Mark Kac?

Matematykiem (1914–1984) urodzonym w Krzemieńcu, absolwentem i doktorem Uniwersytetu Jana Kazimierza we Lwowie, gdzie uczył się u Hugona Steinhausa. W 1938 r. wyjechał do USA i pracował m.in. na Cornell University i w Rockefeller University. Zajmował się rachunkiem prawdopodobieństwa i fizyką statystyczną.

Co mówi twierdzenie Erdősa–Kaca?

Że liczba różnych dzielników pierwszych losowo wybranej liczby n ≤ N ma w przybliżeniu rozkład normalny ze średnią i wariancją log log N. Zbieżność jest bardzo powolna: dla liczb do miliona wariancja wynosi tylko około 1, a log log N około 2.6.

Co to jest wzór Feynmana–Kaca?

Wzór, który wyraża rozwiązanie pewnych równań różniczkowych (m.in. równania typu Schrödingera) jako średnią po trajektoriach ruchu Browna. Pomysł w postaci kwantowej zasugerował Richard Feynman, a Kac nadał mu postać probabilistyczną.

Skąd pytanie „Czy można usłyszeć kształt bębna?”

To tytuł artykułu Kaca z 1966 r. Pyta, czy z tonów własnych membrany da się odtworzyć jej kształt. Kac pokazał, że z tonów można odczytać pole, długość brzegu i liczbę dziur.

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. Cohen, J. E. (1986). A life of the immeasurable mind. The Annals of Probability, 14(4), 1139–1148. https://doi.org/10.1214/aop/1176992358 ● Otwarty dostęp
  2. Erdős, P., & Kac, M. (1940). The Gaussian law of errors in the theory of additive number theoretic functions. American Journal of Mathematics, 62(1/4), 738–742. https://doi.org/10.2307/2371483
  3. Kac, M. (1966). Can one hear the shape of a drum? The American Mathematical Monthly, 73(4), 1–23. https://doi.org/10.2307/2313748
  4. McKean, H. P. (1990). Mark Kac, August 16, 1914–October 25, 1984. In Biographical memoirs (Vol. 59) (pp. 215–236). National Academy Press. https://www.nasonline.org/wp-content/uploads/2024/06/kac-mark.pdf ● Otwarty dostęp

Cytowania BibTeX

@article{cohen1986life, author={Cohen, Joel E.}, title={{A life of the immeasurable mind}}, journal={The Annals of Probability}, year={1986}, volume={14}, number={4}, pages={1139--1148}, doi={10.1214/aop/1176992358}}
@article{erdos1940gaussian, author={Erdős, Paul and Kac, Mark}, title={{The Gaussian law of errors in the theory of additive number theoretic functions}}, journal={American Journal of Mathematics}, year={1940}, volume={62}, number={1/4}, pages={738--742}, doi={10.2307/2371483}}
@article{kac1966can, author={Kac, Mark}, title={{Can one hear the shape of a drum?}}, journal={The American Mathematical Monthly}, year={1966}, volume={73}, number={4}, pages={1--23}, doi={10.2307/2313748}}
@incollection{mckean1990mark, author={McKean, Henry P.}, title={{Mark Kac, August 16, 1914–October 25, 1984}}, booktitle={Biographical memoirs (Vol. 59)}, year={1990}, pages={215--236}, publisher={National Academy Press}, url={https://www.nasonline.org/wp-content/uploads/2024/06/kac-mark.pdf}}
R