Słownik metodologiczny · Ludzie statystyki

Stanisław Ulam (1909–1984) – kim był i co wniósł do statystyki

Stanisław Ulam, matematyk ze szkoły lwowskiej, wymyślił metodę Monte Carlo: zamiast liczyć trudne prawdopodobieństwo, losuje się wiele prób i liczy wyniki. Przedstawiamy jego biografię naukową, oś czasu i przykład Monte Carlo w R – osłonę przed neutronami z błędem standardowym zależnym od liczby losowań.

Strona główna / Słownik / Stanisław Ulam
W skrócie: Stanisław Ulam (1909–1984) – polski matematyk ze szkoły lwowskiej, od 1935 r. w USA, wieloletni pracownik Los Alamos. W 1946 r. wpadł na pomysł metody Monte Carlo – szacowania prawdopodobieństw i całek przez wielokrotne losowanie – i rozwinął ją z Johnem von Neumannem; opisał ją z Nicholasem Metropolisem w 1949 r.

Kim był Stanisław Ulam?

Stanisław Marcin Ulam (1909–1984) urodził się 13 kwietnia 1909 r. we Lwowie w rodzinie polskich Żydów; jego ojciec Józef był adwokatem (Domański, 2009). W 1927 r. rozpoczął studia na Politechnice Lwowskiej, gdzie zwrócił na siebie uwagę Kazimierza Kuratowskiego. Pierwszą pracę opublikował w 1929 r. w „Fundamenta Mathematicae”, a w 1933 r. obronił doktorat pod kierunkiem Kuratowskiego. Należał do lwowskiej szkoły matematycznej: ze Stefanem Banachem, Stanisławem Mazurem i Hugonem Steinhausem dyskutował problemy w Kawiarni Szkockiej – jedna sesja z Banachem i Mazurem trwała podobno około 17 godzin (Domański, 2009).

W 1935 r. wyjechał do Princeton na zaproszenie Johna von Neumanna. W latach 1936–1940 był członkiem Society of Fellows na Harvardzie, w latach 1941–1943 profesorem University of Wisconsin w Madison, a od 1944 do 1967 r. pracował w laboratorium w Los Alamos (Domański, 2009). Hoare (1999) podkreśla, że wyrwany z Polski jako dwudziestokilkulatek, przez dwie trzecie życia zawodowego był związany z Los Alamos i wolał otwierać nowe dziedziny, niż rozwijać cudze pomysły. Zmarł 13 maja 1984 r. w Santa Fe (Domański, 2009).

Najważniejsze pomysły

  • Metoda Monte Carlo. Pomysł Ulama był prosty: jeśli prawdopodobieństwa nie da się łatwo policzyć, można rozegrać zjawisko wiele razy na komputerze i policzyć wyniki. Wiosną 1946 r. zaproponował wskrzeszenie statystycznych metod próbkowania, które wcześniej odstraszały pracochłonnością, i omówił to z von Neumannem (Metropolis, 1987). W artykule w Journal of the American Statistical Association Metropolis i Ulam (1949) opisali metodę jako statystyczne podejście do równań różniczkowych i całkowo-różniczkowych fizyki.
  • Liczby losowe o zadanym rozkładzie. Ulam zaproponował, by losowe długości drogi neutronu uzyskiwać przez funkcję odwrotną: wartość −ln U, gdzie U ma rozkład jednostajny, ma rozkład wykładniczy (Eckhardt, 1987).
  • Szerokie pole matematyki. Pisał o teorii mnogości i miary, topologii, procesach gałązkowych (z C. Everettem) i zastosowaniach komputerów; przetłumaczył rękopis Księgi Szkockiej, z którego powstało jej angielskie wydanie (Domański, 2009).

Ciekawostka

Metoda Monte Carlo zaczęła się od pasjansa. Eckhardt (1987) przytacza niepublikowane uwagi Ulama z 1983 r.: w 1946 r., gdy dochodził do siebie po chorobie i układał pasjanse, zastanawiał się, jakie są szanse, że pasjans Canfield z 52 kart się ułoży. Po wielu próbach policzenia tego kombinatorycznie pomyślał, że praktyczniej byłoby rozłożyć go, powiedzmy, sto razy i policzyć udane partie – a z nadejściem szybkich komputerów stało się to wykonalne. Od razu skojarzył to z dyfuzją neutronów i jeszcze w 1946 r. opowiedział o pomyśle von Neumannowi.

Nazwę metodzie nadał Nicholas Metropolis. Jak sam wspominał, nie bez związku z tym, że Ulam miał wuja, który pożyczał pieniądze od krewnych, bo „musiał” pojechać do Monte Carlo (Metropolis, 1987).

Przykład: neutrony i osłona

Pierwszym zastosowaniem metody była wędrówka neutronów w materiale: 11 marca 1947 r. von Neumann przesłał Robertowi Richtmyerowi plan takich obliczeń (Metropolis, 1987). Eckhardt (1987) zauważa, że w obliczeniach osłon przez osłonę przechodzi zwykle jeden neutron na wiele tysięcy. Pokazujemy uproszczoną wersję tego problemu: osłona tylko pochłania, a jej grubość d mierzymy w średnich drogach swobodnych. Neutron przechodzi, jeśli jego droga do pierwszego zderzenia, wylosowana jako −ln U, jest dłuższa niż d. Ten wariant ma wynik dokładny, exp(−d), więc możemy sprawdzić symulację. Dane są symulowane (set.seed(1946) i set.seed(1949)).

Dla cienkiej osłony (d = 1, dokładnie 0.3679) 100 losowań dało 0.390, 95% przedział [0.294, 0.486], 1000 losowań – 0.345 [0.316, 0.375], a milion – 0.3678 [0.3668, 0.3687]; błąd standardowy spadł z 0.049 do 0.00048. Wszystkie 9 przedziałów objęło wynik dokładny. Gruba osłona (d = 7, dokładnie 0.00091) jest pułapką: przy 300 i 1000 losowaniach nie przeszedł żaden neutron, więc oszacowanie i jego błąd wyszły zerowe, a przedział zdegenerował się do punktu. Z teorii błąd względny SE/p przy 1000 losowaniach to 4.1% dla cienkiej osłony, ale 105% dla grubej; żeby zejść do 10%, wystarczy 172 losowań w pierwszym przypadku, a potrzeba 109 564 w drugim.

Na rysunku

Pozioma oś czasu od 1905 do 1990 z dziesięcioma zdarzeniami: 1909 urodzony we Lwowie; 1927 studia na Politechnice Lwowskiej; 1933 doktorat (promotor K. Kuratowski); 1935 wyjazd do Princeton; 1936 Society of Fellows (Harvard); 1944 Los Alamos; 1946 pomysł przy pasjansie; 1947 list von Neumanna do Richtmyera; 1949 artykuł The Monte Carlo Method w JASA; 1984 zmarł w Santa Fe. Rodzaj zdarzenia oznaczają kształt i kolor znacznika: koło – życie, kwadrat – nauka, trójkąt – praca, romb – metoda, odwrócony trójkąt – publikacja
Rysunek 1. Oś czasu: Stanisław Ulam, 1909–1984. Lata według Domańskiego (2009), Eckhardta (1987), Metropolisa (1987) oraz Metropolisa i Ulama (1949). Rysunek: R, pakiet ggplot2.

Co widać. Lwowski okres to matematyka czysta; Monte Carlo powstaje w zaledwie trzy lata – od pasjansa (1946) przez list von Neumanna (1947) do artykułu w JASA (1949) – w laboratorium, z którym Ulam był związany przez resztę kariery.

Na co uważać. Oś zawiera tylko daty z cytowanych źródeł. Źródła różnią się co do początku pracy w Los Alamos – przyjmujemy rok 1944 za Domańskim (2009).

Podpis do pracy:

Rysunek 1. Najważniejsze daty z życia i pracy Stanisława Ulama, 1909–1984. Uwaga. Kształt znacznika oznacza rodzaj zdarzenia (życie, nauka, praca, metoda, publikacja).
Dwa panele. A: oszacowanie odsetka neutronów, które przeszły przez osłonę o grubości 1 średniej drogi swobodnej, dla liczby losowań od 100 do miliona na osi logarytmicznej; pomarańczowe punkty z pionowymi 95% przedziałami zwężają się wokół niebieskiej poziomej linii wyniku dokładnego 0.3679. B: błąd względny SE/p na osiach logarytmicznych dla osłony d = 1 (niebieska linia ciągła i kółka, przechodzi 37% neutronów) i d = 7 (pomarańczowa linia przerywana i trójkąty, przechodzi 0.09%); obie linie opadają równolegle, ale linia dla grubej osłony leży około 25 razy wyżej i schodzi poniżej kropkowanej linii 10% dopiero przy około 100 000 losowań
Rysunek 2. Monte Carlo dla osłony pochłaniającej neutrony: oszacowanie z 95% przedziałem a liczba losowań (A) i błąd względny dla cienkiej i grubej osłony (B). Obliczenia i rysunek: R, pakiety ggplot2 i patchwork (dane symulowane, set.seed(1946) i set.seed(1949)).

Co widać. Na panelu A przedziały zwężają się wokół wyniku dokładnego – to prawo wielkich liczb w działaniu. Panel B pokazuje regułę 1/√N: dziesięć razy więcej losowań zmniejsza błąd tylko około trzy razy. Rzadkie zdarzenie (gruba osłona) wymaga kilkaset razy więcej losowań dla tej samej precyzji względnej.

Na co uważać. Przedział liczony wzorem Walda zawodzi, gdy zdarzeń jest zero lub kilka – wtedy lepszy jest przedział Wilsona albo Cloppera–Pearsona. Prawdziwe obliczenia osłon uwzględniają też rozpraszanie i geometrię.

Podpis do pracy:

Rysunek 2. Oszacowanie metodą Monte Carlo odsetka neutronów przechodzących przez osłonę pochłaniającą o grubości jednej średniej drogi swobodnej w zależności od liczby losowań (A) oraz błąd względny oszacowania dla osłon o grubości 1 i 7 średnich dróg swobodnych (B). Uwaga. Dane symulowane. W panelu A pozioma linia – wynik dokładny exp(−1), pionowe odcinki – 95% przedziały ufności; w panelu B punkty – wartości z symulacji, linie – wartości teoretyczne, linia kropkowana – błąd względny 10%. Osie poziome w skali logarytmicznej.

Gdzie spotkasz Ulama w swojej pracy

Spory, mity i trudne strony

  • Kto wymyślił Monte Carlo? Metropolis (1987) przytacza Emilia Segrè: Enrico Fermi stosował podobną metodę – bez nazwy i bez publikacji – już w Rzymie w latach 30. Pierwszym planem obliczeń Monte Carlo dla komputera elektronicznego był list von Neumanna z 1947 r. (Eckhardt, 1987); nazwę dał Metropolis. Sam Ulam miał uważać metodę nie za wielkie osiągnięcie intelektualne, lecz za bardzo użyteczne narzędzie (Domański, 2009).
  • Broń jądrowa. Metoda powstała przy pracach nad bronią jądrową w Los Alamos. Według Domańskiego (2009) Ulam z C. Everettem wykazał niewykonalność wcześniejszego projektu bomby wodorowej, a w 1951 r. zaproponował rozwiązanie znane jako konstrukcja Tellera–Ulama.
  • Lwów i pochodzenie. Ulam urodził się i studiował we Lwowie, w polskim środowisku matematycznym, a od 1935 r. pracował w USA; źródła przypominają, że z Lwowa i tamtejszych kolegów do końca życia mówił z wdzięcznością (Domański, 2009).
Przykład reprodukowalny

Ulam w R

Kod rysuje oś czasu, a potem metodą Monte Carlo szacuje odsetek neutronów, które przejdą przez osłonę pochłaniającą: losuje drogi do pierwszego zderzenia jako −ln U, liczy oszacowanie, błąd standardowy i 95% przedział dla rosnącej liczby losowań i porównuje je z wynikiem dokładnym exp(−d). Rysunki na stronie powstały z tych samych obiektów p_os i p_metoda z krojem i tłem serwisu; dane, geometrie i skale są identyczne.

oszacowanie, błąd standardowy i 95% przedział dla każdej liczby losowań, wynik dokładny, liczbę przedziałów obejmujących wynik dokładny, teoretyczny błąd względny przy 1000 losowań i liczbę losowań potrzebną do błędu względnego 10%.

Dane wejściowe: Oś czasu i Monte Carlo dla osłony przed neutronami

Co odczytać: dane symulowane: osłona o grubości d = 1 (set.seed(1946)) i d = 7 (set.seed(1949)) średnich dróg swobodnych, od 100 do 1 000 000 losowań; daty osi czasu z cytowanych źródeł.

Kod R rysunków 1 i 2
# Stanisław Ulam: oś czasu i metoda Monte Carlo – ile neutronów przejdzie przez osłonę (symulacja)
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
oi <- c(niebieski = "#0072B2", pomaranczowy = "#E69F00", cynober = "#D55E00", zielony = "#009E73", 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 Domańskiego 2009, Eckhardta 1987 i Metropolisa 1987)
zdarzenia <- data.frame(
  rok = c(1909, 1927, 1933, 1935, 1936, 1944, 1946, 1947, 1949, 1984),
  opis = c("urodzony we Lwowie", "studia na Politechnice\nLwowskiej", "doktorat (promotor:\nK. Kuratowski)", "wyjazd do Princeton",
           "Society of Fellows\n(Harvard)", "Los Alamos", "pomysł przy pasjansie", "list von Neumanna\ndo Richtmyera",
           "„The Monte Carlo\nMethod” (JASA)", "zmarł w Santa Fe"),
  rodzaj = c("życie", "nauka", "nauka", "praca", "praca", "praca", "metoda", "metoda", "publikacja", "życie"))
zdarzenia$y <- c(1.2, -1, 2.1, -2, 1.2, -1, 2.1, -2, 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 = 3.2, lineheight = 0.9, linewidth = 0.2) +
  scale_shape_manual(values = c("życie" = 21, "nauka" = 22, "praca" = 24, "metoda" = 23, "publikacja" = 25), name = NULL) +
  scale_fill_manual(values = c("życie" = oi[["szary"]], "nauka" = oi[["zielony"]], "praca" = oi[["niebieski"]],
                               "metoda" = oi[["pomaranczowy"]], "publikacja" = oi[["cynober"]]), name = NULL) +
  scale_x_continuous(breaks = seq(1910, 1980, 10), limits = c(1903, 1990)) + scale_y_continuous(limits = c(-2.5, 2.6)) +
  labs(title = "Stanisław Ulam (1909–1984)", x = NULL, y = NULL) +
  motyw + theme(axis.text.y = element_blank(), panel.grid.major.y = element_blank(), legend.position = "bottom")

# 2. Monte Carlo: osłona pochłaniająca o grubości d (w średnich drogach swobodnych).
#    Droga neutronu do pierwszego zderzenia: L = -log(U), U ~ jednostajny(0, 1) (metoda funkcji odwrotnej).
#    Neutron przechodzi, gdy L > d. Dokładny wynik do porównania: exp(-d).
mc_przejscie <- function(N, d) {
  L <- -log(runif(N))
  p <- mean(L > d)
  se <- sqrt(p * (1 - p) / N)
  c(N = N, d = d, p_mc = p, SE = se, dolna = p - 1.96 * se, gorna = p + 1.96 * se, dokladnie = exp(-d))
}
set.seed(1946)
liczby_losowan <- c(100, 300, 1000, 3000, 10000, 30000, 100000, 300000, 1000000)
wyniki <- as.data.frame(t(sapply(liczby_losowan, mc_przejscie, d = 1)))   # cienka osłona: d = 1
cienka <- wyniki
set.seed(1949)
gruba <- as.data.frame(t(sapply(liczby_losowan, mc_przejscie, d = 7)))    # gruba osłona: d = 7
signif(cienka, 4)
signif(gruba, 4)
# Czy 95% przedział obejmuje wynik dokładny?
c(cienka = sum(cienka$dolna <= cienka$dokladnie & cienka$gorna >= cienka$dokladnie),
  gruba = sum(gruba$dolna <= gruba$dokladnie & gruba$gorna >= gruba$dokladnie), z = length(liczby_losowan))
# Błąd względny SE / p z teorii i liczba losowań potrzebna do błędu względnego 10%
blad_wzgledny <- function(N, p) sqrt((1 - p) / (N * p))
p1 <- exp(-1); p7 <- exp(-7)
round(c(p_cienka = p1, p_gruba = p7, bw_cienka_N1000 = blad_wzgledny(1000, p1), bw_gruba_N1000 = blad_wzgledny(1000, p7)), 5)
ceiling(c(N_cienka = (1 - p1) / (p1 * 0.1^2), N_gruba = (1 - p7) / (p7 * 0.1^2)))

# Rysunek 2A: oszacowanie z 95% przedziałem a liczba losowań (d = 1)
pA <- ggplot(cienka, aes(N, p_mc)) +
  geom_hline(yintercept = exp(-1), colour = oi[["niebieski"]], linewidth = 0.9) +
  geom_errorbar(aes(ymin = dolna, ymax = gorna), width = 0.08, colour = "grey35") +
  geom_point(shape = 21, size = 3, fill = oi[["pomaranczowy"]]) +
  annotate("text", x = 2e5, y = exp(-1) + 0.012, label = sprintf("dokładnie exp(-1) = %.4f", exp(-1)), size = 3.4, colour = oi[["niebieski"]]) +
  scale_x_log10(breaks = c(1e2, 1e3, 1e4, 1e5, 1e6), labels = c("100", "1 000", "10 000", "100 000", "1 000 000")) +
  labs(title = "A. Osłona d = 1: oszacowanie i 95% przedział", x = "Liczba losowań N (skala log)", y = "Odsetek neutronów, które przeszły") +
  motyw
# Rysunek 2B: błąd względny (SE / p) z symulacji i z teorii – cienka i gruba osłona
bw <- rbind(data.frame(N = cienka$N, bw = cienka$SE / cienka$p_mc, oslona = "d = 1 (przechodzi 37%)"),
            data.frame(N = gruba$N, bw = gruba$SE / gruba$p_mc, oslona = "d = 7 (przechodzi 0.09%)"))
bw <- bw[is.finite(bw$bw) & bw$bw > 0, ]
teoria <- expand.grid(N = 10^seq(2, 6, by = 0.05), oslona = c("d = 1 (przechodzi 37%)", "d = 7 (przechodzi 0.09%)"))
teoria$bw <- ifelse(teoria$oslona == "d = 1 (przechodzi 37%)", blad_wzgledny(teoria$N, p1), blad_wzgledny(teoria$N, p7))
pB <- ggplot(bw, aes(N, bw, colour = oslona, shape = oslona, linetype = oslona)) +
  geom_line(data = teoria, linewidth = 0.8) +
  geom_point(size = 3, fill = "white", stroke = 1.1) +
  geom_hline(yintercept = 0.1, colour = "grey40", linetype = "dotted") +
  annotate("text", x = 1500, y = 0.118, label = "10%", hjust = 0, size = 3.3, colour = "grey30") +
  scale_x_log10(breaks = c(1e2, 1e3, 1e4, 1e5, 1e6), labels = c("100", "1 000", "10 000", "100 000", "1 000 000")) +
  scale_y_log10(breaks = c(0.001, 0.01, 0.1, 1), labels = c("0.1%", "1%", "10%", "100%")) +
  scale_colour_manual(values = c(oi[["niebieski"]], oi[["cynober"]]), name = NULL) +
  scale_shape_manual(values = c(21, 24), name = NULL) +
  scale_linetype_manual(values = c("solid", "dashed"), name = NULL) +
  labs(title = "B. Błąd względny SE / p", x = "Liczba losowań N (skala log)", y = "SE / p (skala log)") +
  motyw + theme(legend.position = "bottom")
p_metoda <- pA + pB + plot_layout(widths = c(1, 1))
p_os
p_metoda
Wynik w R
      N d   p_mc        SE  dolna  gorna dokladnie
1 1e+02 1 0.3900 0.0487700 0.2944 0.4856    0.3679
2 3e+02 1 0.3567 0.0276600 0.3025 0.4109    0.3679
3 1e+03 1 0.3450 0.0150300 0.3155 0.3745    0.3679
4 3e+03 1 0.3723 0.0088260 0.3550 0.3896    0.3679
5 1e+04 1 0.3715 0.0048320 0.3620 0.3810    0.3679
6 3e+04 1 0.3701 0.0027880 0.3646 0.3755    0.3679
7 1e+05 1 0.3697 0.0015270 0.3667 0.3727    0.3679
8 3e+05 1 0.3678 0.0008804 0.3661 0.3696    0.3679
9 1e+06 1 0.3678 0.0004822 0.3668 0.3687    0.3679
      N d     p_mc        SE      dolna    gorna dokladnie
1 1e+02 7 0.010000 9.950e-03 -0.0095020 0.029500 0.0009119
2 3e+02 7 0.000000 0.000e+00  0.0000000 0.000000 0.0009119
3 1e+03 7 0.000000 0.000e+00  0.0000000 0.000000 0.0009119
4 3e+03 7 0.001000 5.771e-04 -0.0001310 0.002131 0.0009119
5 1e+04 7 0.000800 2.827e-04  0.0002459 0.001354 0.0009119
6 3e+04 7 0.001100 1.914e-04  0.0007249 0.001475 0.0009119
7 1e+05 7 0.000930 9.639e-05  0.0007411 0.001119 0.0009119
8 3e+05 7 0.000940 5.595e-05  0.0008303 0.001050 0.0009119
9 1e+06 7 0.000876 2.958e-05  0.0008180 0.000934 0.0009119
cienka  gruba      z 
     9      7      9 
       p_cienka         p_gruba bw_cienka_N1000  bw_gruba_N1000 
        0.36788         0.00091         0.04145         1.04672 
N_cienka  N_gruba 
     172   109564 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (losowanie – funkcja runif() 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 Stanisław Ulam?

Polskim matematykiem (1909–1984) ze szkoły lwowskiej, uczniem Kazimierza Kuratowskiego. W 1935 r. wyjechał do USA, pracował na Harvardzie i w Madison, a od 1944 r. w Los Alamos. W statystyce jest znany jako pomysłodawca metody Monte Carlo.

Skąd nazwa „metoda Monte Carlo”?

Zaproponował ją Nicholas Metropolis, współpracownik Ulama z Los Alamos. Według jego wspomnienia nazwa nawiązywała do wuja Ulama, który pożyczał pieniądze od krewnych, bo musiał pojechać do kasyna w Monte Carlo.

Na czym polega metoda Monte Carlo?

Zamiast wyprowadzać wzór, losuje się wiele przebiegów zjawiska (np. drogę neutronu albo rozkład kart) i liczy, jak często wydarzyło się to, co nas interesuje. Wynik jest przybliżony, a jego błąd standardowy maleje jak 1/√N, gdzie N to liczba losowań.

Co to jest Księga Szkocka?

Zeszyt, do którego lwowscy matematycy – m.in. Banach, Mazur i Ulam – wpisywali problemy dyskutowane w Kawiarni Szkockiej. Wydanie książkowe ukazało się na podstawie rękopisu, który Ulam otrzymał od Hugona Steinhausa i przetłumaczył; zawiera ok. 190 problemów z komentarzami o postępach w ich rozwiązaniu.

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. Domański, C. (2009). One hundredth birthday of Stanisław Ulam. Statistics in Transition New Series, 10(2), 337–342. https://doi.org/10.59170/stattrans-2009-024 ● Otwarty dostęp
  2. Eckhardt, R. (1987). Stan Ulam, John von Neumann, and the Monte Carlo method. Los Alamos Science, 131–141. https://permalink.lanl.gov/object/tr?what=info:lanl-repo/lareport/LA-UR-88-9068 ● Otwarty dostęp: pełny tekst
  3. Hoare, G. T. Q. (1999). Stanisław Ulam 1909–1984. The Mathematical Gazette, 83(496), 10–24. https://doi.org/10.1017/s002555720016293x
  4. Metropolis, N. (1987). The beginning of the Monte Carlo method. Los Alamos Science, 125–130. https://permalink.lanl.gov/object/tr?what=info:lanl-repo/lareport/LA-UR-88-9067 ● Otwarty dostęp: pełny tekst
  5. Metropolis, N., & Ulam, S. (1949). The Monte Carlo method. Journal of the American Statistical Association, 44(247), 335–341. https://doi.org/10.1080/01621459.1949.10483310

Cytowania BibTeX

@article{domanski2009hundredth, author={Domański, Czesław}, title={{One hundredth birthday of Stanisław Ulam}}, journal={Statistics in Transition New Series}, year={2009}, volume={10}, number={2}, pages={337--342}, doi={10.59170/stattrans-2009-024}}
@article{eckhardt1987stan, author={Eckhardt, Roger}, title={{Stan Ulam, John von Neumann, and the Monte Carlo method}}, journal={Los Alamos Science}, year={1987}, number={15}, pages={131--141}, publisher={Los Alamos National Laboratory}, url={https://permalink.lanl.gov/object/tr?what=info:lanl-repo/lareport/LA-UR-88-9068}}
@article{hoare1999stanislaw, author={Hoare, Graham T. Q.}, title={{Stanisław Ulam 1909–1984}}, journal={The Mathematical Gazette}, year={1999}, volume={83}, number={496}, pages={10--24}, doi={10.1017/s002555720016293x}}
@article{metropolis1987beginning, author={Metropolis, Nicholas}, title={{The beginning of the Monte Carlo method}}, journal={Los Alamos Science}, year={1987}, number={15}, pages={125--130}, publisher={Los Alamos National Laboratory}, url={https://permalink.lanl.gov/object/tr?what=info:lanl-repo/lareport/LA-UR-88-9067}}
@article{metropolis1949monte, author={Metropolis, Nicholas and Ulam, S.}, title={{The Monte Carlo method}}, journal={Journal of the American Statistical Association}, year={1949}, volume={44}, number={247}, pages={335--341}, doi={10.1080/01621459.1949.10483310}}
R